基于白鲨优化混合高斯过程回归-物理模型的翼帆VLCC航速预测研究及其在航海健康管理中的应用

本刊推荐：本研究创新性地将高斯过程回归（GPR）、贝叶斯优化（BO）与物理模型融合，提出白鲨优化（WSO）算法加权的GPR-BO-Physics混合模型，显著提升翼帆VLCC航速预测精度（R2达0.9746）。该模型通过多源数据整合与物理约束嵌入，为船舶能效优化与碳排放监控提供关键技术支撑，对实现IMO 2050碳中和目标具有重要实践意义。

　　

Highlight

本研究通过整合航线数据、AIS记录与翼帆推进参数，构建57维特征数据集，采用贝叶斯优化（BO）优化高斯过程回归（GPR）超参数，并引入白鲨优化（WSO）算法确定物理模型权重，最终建立GPR-BO-Physics联合优化模型。在20%测试集上，该模型R²达到0.9746，较单一GPR模型显著降低MSE、RMSE和MAE误差（降幅达43-68%）。在主要显著波高与推进条件下，回归与残差分析表明该模型能更好捕捉特征与航速间的复杂非线性关系。

Section snippets

Historical route data collection

研究对象为全球首艘双翼动力翼帆VLCC"NEW ADEN"，其配备两套翼帆辅助推进装置。历史航线数据包括翼帆VLCC航速数据、主辅推进系统运行数据、航线海洋特征数据及船舶自动识别系统（AIS）数据。航速数据采样频率为1Hz，涵盖经纬度、对地航速（SOG）、对水航速（STW）等核心指标。

Evaluate the prediction accuracy based on regression metrics

采用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）四种回归指标评估模型预测精度。这些指标通过量化预测值与实际值的偏差，系统评估模型在翼帆VLCC航速预测中的准确性与时效性。

Data-driven airfoil sail VLCC speed prediction model

本章探讨贝叶斯优化（BO）对高斯过程回归（GPR）航速预测模型计算效率与不确定性量化的影响。以推进系统运行数据、航线海洋特征和AIS数据为自变量，翼帆VLCC对地航速为因变量，分别应用GPR及GPR-BO组合进行预测。

The airfoil sail VLCC ground speed prediction strategy

基于数据驱动预测模型，开展船舶阻力分析（a）、翼帆辅助推力与螺旋桨推力分析（b），构建物理航速预测模型。通过建立最小损失函数（c）并采用白鲨优化算法（WSO）（d）优化权重系数，实现GPR-BO模型与物理模型的联合优化，最终形成GPR-BO-Physics混合预测架构。

Comparison of prediction model performance

在航线轨迹点120-210连续稳定航行段中，不同模型的预测航速与实际航速综合对比表明：固定超参数的GPR在局部区间（如120-150、174-190点）预测能力较差且存在明显滞后；GPR-BO模型通过超参数优化显著提升整体一致性；而GPR-BO-Physics联合优化模型凭借物理约束与数据驱动的融合，在波动区间仍保持最高预测精度与稳定性。

Conclusions and future research work

白鲨优化混合高斯过程回归-物理模型显著提升翼帆VLCC航速预测精度。该模型通过贝叶斯优化与物理模型的集成，在不同海况与推进系统配置下表现出稳定性和鲁棒性。未来研究将拓展模型在多船协同、极端海况预测及健康状态监控中的应用。