基于贝叶斯优化的神经网络与高保真有限元方法结合,用于受损船舶残余强度的智能预测
邓建晓、
彭飞、
穆金雷、
侯海亮
《Journal of Marine Science and Engineering》:Bayesian-Optimized Neural Networks with High-Fidelity FEM for Intelligent Residual Strength Prediction in Damaged Ships
Jianxiao Deng,
Fei Peng,
Jinlei Mu and
Hailiang Hou
【字体:
大
中
小
】
时间:2026年05月05日
来源:Journal of Marine Science and Engineering 2.8
编辑推荐:
摘要
快速准确地评估船舶受损后的残余极限强度对于救援决策和航行安全至关重要,而传统方法在效率或准确性方面难以满足复杂随机损伤场景的要求。本研究提出了一种混合框架,将高保真非线性有限元仿真(NFEM)和贝叶斯正则化反向传
摘要
快速准确地评估船舶受损后的残余极限强度对于救援决策和航行安全至关重要,而传统方法在效率或准确性方面难以满足复杂随机损伤场景的要求。本研究提出了一种混合框架,将高保真非线性有限元仿真(NFEM)和贝叶斯正则化反向传播神经网络(BPNN)相结合。NFEM用于精确模拟大量随机损伤场景,生成一个物理上可信的基准数据集。BPNN作为高效的替代预测模型,其关键参数——隐藏层数量和训练算法——经过系统优化以提高泛化能力。研究结果表明:(1)NFEM的仿真结果与Smith方法的偏差小于5%,验证了数据集的可靠性;(2)BPNN的预测性能高度依赖于隐藏层数量和训练算法,存在非单调变化,最佳参数组合为8个隐藏层与贝叶斯算法结合,预测回归值R为0.91662;(3)深度网络容易过拟合,而浅层网络则特征捕获不足;(4)贝叶斯算法在抗过拟合和稳定性方面表现最佳。本研究不仅为受损船体的残余强度评估提供了一种高精度且高效的智能解决方案,其系统的神经网络参数优化策略,特别是确定最佳深度和选择抗过拟合算法的方法,也为类似工程结构的智能损伤评估模型设计提供了重要参考。
生物通微信公众号
生物通新浪微博
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