利用监督学习预测模型海冰附加质量的高效建模方法

《Cold Regions Science and Technology》:Predictive models for the added mass of model ice floes using supervised learning

【字体: 大 中 小 】 时间:2026年04月27日 来源:Cold Regions Science and Technology 3.8

编辑推荐:

  为了实现对大规模复杂模型冰场的运动学模拟,传统方法在计算效率和通用性上存在局限。本研究团队基于边界元法(BEM)构建了十万个多边形棱柱体模型冰的附加质量张量数据集,并引入了前馈神经网络(NN)和卷积神经网络(CNN)两种机器学习模型,实现了仅凭冰盘几何形状和厚度即可高精度(误差低于1%)预测其附加质量。该工作为冰区航行仿真及冰载荷计算提供了一种全新的高效计算范式。

  
在船舶航行于冰区的安全评估、自动驾驶系统开发以及船体冰载荷计算中,计算机仿真扮演着至关重要的角色。为了让这些仿真足够真实,准确模拟冰盘在水中的运动是关键。想象一下,当你推动水中漂浮的物体时,不仅物体本身在动,它周围的水也跟着被“拽”着动,这部分被带动的水的“惯性”效应,在流体力学中被称为“附加质量”(Added Mass)。对于像海冰这样形状、厚度千变万化的自然物体,精确计算其附加质量是个大难题。传统方法要么(如经验公式)精度不够,适用范围有限;要么(如计算流体力学CFD或模型试验)过程繁琐、耗时费力,无法应对冰场中成千上万块形状各异的冰盘。有没有一种方法,能像“看图识数”一样,看一眼冰盘的形状,就能快速、准确地告诉我们它的附加质量是多少呢?
为了回答这个问题,来自加拿大纽芬兰纪念大学的Marius Seidl、Kevin A. Murrant、Bruce W.T. Quinton和Andrew Vardy在《Cold Regions Science and Technology》期刊上发表了一项创新研究。他们巧妙地结合了数值计算和人工智能,开发了一套能够仅凭模型冰盘的二维形状和厚度,就高速预测其完整附加质量张量的机器学习模型,为大规模、高保真的冰场运动学模拟开辟了新道路。
研究人员开展这项研究主要采用了几个关键技术方法:首先,他们利用边界元法(BEM)软件WAMIT,为一个包含10万个随机生成的凸多边形棱柱体(模拟模型冰盘)的数据集计算了其在零频率和无限大频率下的附加质量张量,构建了基础数据库。其次,基于PyTorch库,他们开发并训练了两种监督学习模型:一种是轻量级但通用性较弱的浅层前馈神经网络(NN模型),其输入为多边形顶点坐标和厚度;另一种是通用性更强、可处理任意多边形形状的卷积神经网络(CNN模型),其输入为冰盘形状的二值图像、图像像素尺寸及厚度。这两种模型均通过网格搜索优化了超参数,并采用10折交叉验证评估了性能。
3. 结果与讨论
3.1. 数据集验证与特性
研究构建的数据集是首个涵盖模型冰盘多种形状的完整附加质量张量数据集。通过与已有的实验数据对比,验证了计算数据的合理性。对数据集的分析揭示了冰盘几何形状对附加质量张量的系统性影响:
  • •
    顶点数(n)的影响:顶点数越多(形状越接近圆形),附加质量系数的分布范围、不对称性和平均值(对横荡/纵荡和艏摇而言)普遍降低,分布更稳定。
  • •
    相对厚度(h/d)的影响:相对厚度增加,横荡/纵荡和艏摇的附加质量系数平均值和分布范围增大,而对垂荡和横摇/纵摇的影响则相反。
  • •
    零频率与无限大频率张量的差异:无限大频率(模拟瞬时碰撞)下的附加质量张量值普遍高于零频率(模拟无扰运动)下的值,且分布更分散。其中,横摇、纵摇以及横摇-纵摇、垂荡-横摇、垂荡-纵摇耦合项的增幅尤为显著(可达数个数量级),表明在碰撞模拟中使用专用的附加质量张量至关重要。
3.2. 前馈神经网络
通过对7边形数据集的网格搜索,确定了预测零频率和无限大频率附加质量张量的最优学习率(均为10-5)和隐藏层大小(分别为1024和8192)。基于这些参数,为每种多边形顶点数(n=3至12)分别训练了模型。10折交叉验证显示,所有模型的平均误差均低于0.003(因数据已归一化至[0,1]区间),这意味着模型能以前所未有的高精度(平均偏差小于0.3%)预测附加质量张量的任意一个元素。
3.3. 卷积神经网络
为了克服前馈神经网络模型“一种顶点数对应一个模型”、通用性不足的缺点,研究人员开发了CNN模型。该模型以128×128像素的冰盘形状二值图像、图像像素尺寸和冰盘厚度为输入,通过卷积层提取特征,再结合前馈网络进行预测。10折交叉验证结果表明,单个CNN模型就能以高精度(零频率张量平均误差0.0066±0.0004,无限大频率张量平均误差0.0032±0.0006)预测数据集中所有测试几何形状冰盘的附加质量张量,实现了真正的形状通用性。
4. 结论
本研究的核心贡献在于提出并验证了一种基于机器学习预测模型冰盘附加质量张量的全新高效方法。通过边界元法构建的大规模数据集,首次系统揭示了冰盘几何形状(顶点数、相对厚度)对其附加质量,尤其是在无扰运动和碰撞两种不同场景下(对应零频率和无限大频率)的显著且规律性的影响。研究成功训练了两类机器学习模型:专一但轻量的前馈神经网络(NN)模型和通用但稍复杂的卷积神经网络(CNN)模型。两者均能以低于1%的误差高精度预测附加质量张量。CNN模型因其能处理任意多边形输入而更具实用价值。这项工作本质上为冰盘附加质量的估算提供了一套复杂的、数据驱动的“启发式方法”,避免了为每一块冰盘单独构建复杂三维计算模型或进行物理实验的需要。它极大地提升了对大规模、复杂模型冰场进行高保真运动学模拟的可行性和效率,为冰区船舶与结构物的导航、操纵安全性分析及载荷评估等工程实际问题提供了强大的新工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号