全船坞修工况下支撑布置决策的AI代理模型开发

《International Journal of Naval Architecture and Ocean Engineering》：Development of AI Surrogate Model for Decision-Making on Support Arrangement under Whole Ship Docking Condition

　　

船舶坞修是船舶生命周期中频繁且至关重要的操作，用于建造、维护、检验、改装和修理等多种目的。在坞修工况下，船舶由支撑承载，需要根据船舶和现场环境确定支撑的数量和位置，以防止船体和支撑受损。传统上，坞修操作严重依赖现场专家的经验。然而，随着船舶大型化、船型多样化以及船体结构日益复杂，质量分布变得相当复杂，暴露了基于经验的坞修布置工作的局限性。因此，造船厂已实施各种评估方法来确保坞修期间的安全性。尽管计算机辅助工程（CAE）软件和计算能力得到了改进，但分析工作仍需要大量的时间和精力。大多数造船厂用于评估坞修工况安全性的有限元分析（FEA）虽然精度高，但需要巨大的计算成本。本研究提出了一种新的嵌入方法，能够表示坞修工况下的支撑布置，以及一种基于物理约束的新型神经网络结构，以开发能够执行常规有限元分析的AI代理模型。为了验证AI代理模型的准确性，将总预测反力和支撑反力与有限元分析结果进行了比较。所开发的神经网络结构通过精确保证无支撑位置的反力为零，展示了可靠的预测结果。所开发的代理模型在整个测试集上表现出1.95%的总反力误差和3.48%的平均相对反力误差，单次案例的预测时间为1.9 ms，实现了实时性能。所开发的AI代理模型有望通过评估各种支撑布置候选方案，协助确定特定现场条件下的最优支撑布置。

《International Journal of Naval Architecture and Ocean Engineering》发表了题为《全船坞修工况下支撑布置决策的AI代理模型开发》的研究论文。该论文针对船舶坞修支撑布置这一工程难题，提出了一种融合物理约束的深度学习代理模型，实现了对支撑反力的实时高精度预测。

研究背景与动机：船舶坞修是生命周期中的关键环节，需在船底布置支撑以承受船体重量。传统依靠专家经验的布置方式在面对现代大型化、多样化船舶及复杂质量分布时显现出局限性。造船厂普遍采用有限元分析（FEA）评估坞修工况安全性，但全船三维有限元建模和计算耗时费力，难以满足优化设计中大量候选方案快速评估的需求。尽管格栅模型等简化方法提高了效率，但在处理质量集中和复杂分布时可靠性不足。近年来，基于图神经网络（GNN）和深度神经网络（DNN）的代理模型在船舶水动力性能预测等领域取得成功，但现有方法未考虑支撑反力预测中“无支撑位置反力必须为零”的物理约束，导致预测结果在结构分析视角下存在严重不可靠性。为此，研究人员首次尝试将AI代理模型引入坞修分析领域，旨在开发满足物理约束、具备实时性能的支撑反力预测模型，以辅助最优支撑布置决策。

关键技术方法：研究人员选取一艘全长365.8 m、空船重量46216.95吨的集装箱船为目标船，基于MSC NASTRAN v2024.2 SOL 101建立全船有限元模型，采用板壳与梁单元模拟船体，一维弹簧单元模拟支撑，并通过添加质量单元修正至实际空船重量分布。数据生成方面，定义了486个可安装支撑位置，采用二进制编码（1表示安装，0表示未安装）将支撑布置嵌入为一维向量作为输入层，对应反力向量作为输出层。创新性地设计了物理约束层（Physics-Constrained Layer）结构，在最后一个隐藏层后引入物理感知层（Physics-Aware Layer），将输入层与隐藏层输出逐元素相乘，强制未安装支撑位置的反力输出严格为零。训练数据集由573个案例组成，包含全部激活、成对/单列失效以及随机失效等显式与随机样本，验证集与测试集各60个。模型采用多层感知机（MLP），隐藏层数经超参数搜索确定为10层，使用自适应矩估计（Adam）优化器和均方误差（MSE）损失函数进行训练。

研究结果：

1. 2.
   AI代理模型开发
   2.1 方法论
   介绍了代理模型开发的整体流程，包括有限元建模、支撑布置编码、网络结构设计及训练验证策略。

2.2 模型信息

详细说明了目标船的全船有限元模型构建，包括单元类型、网格尺寸、材料属性（如弹性模量E、密度Rho、泊松比Nu等），以及通过质量单元修正使有限元模型总重与一阶力矩误差分别控制在0.01%和0.15%以内。

2.3 加载与边界条件

描述了坞修工况的载荷（自重）和边界条件设置，支撑顶部节点与船底节点共享，底部节点全约束，仅考虑垂向弹簧刚度。

2.4 多种支撑布置的编码方法

提出了基于二进制的一维向量嵌入方法，按从艉到艏、左舷到右舷的顺序排列486个支撑位置，实现支撑布置的高效表示。

2.5 神经网络结构

提出了物理约束层结构，通过物理感知层将输入层的二进制掩码作用于最后隐藏层的输出，确保非激活支撑的反力预测值精确为零，同时提升训练效率和预测可靠性。

2.6 数据集

构建了包含训练集573个、验证集60个、测试集60个的数据集，涵盖对称布置下的多种失效比例（2%至21%），并采用Mersenne Twister算法生成随机样本以避免重复。

2.7 训练

通过对比3至12个隐藏层的训练结果，确定10层隐藏层为最佳配置，其验证集MSE为0.0000371，决定系数（R²）为0.9962。

2.8 AI代理模型的采用

最终采用10隐藏层结构，总层数13层，参数量约236万，激活函数前9层为线性整流函数（ReLU），第10层为线性函数。

1. 3.
   AI代理模型的准确性
   在测试集上，代理模型预测总反力误差为1.95%，平均相对反力误差为3.48%，单次预测时间1.9 ms，相比有限元分析提速约147368%。散点图显示预测值与真实值高度吻合，但随非激活支撑比例增加，误差呈上升趋势。
2. 4.
   讨论
   对比最佳与最差测试案例的反力图，发现误差较大的支撑多位于强反力区域且邻近非激活支撑，表明模型在捕捉局部剧烈载荷重分布方面存在局限，需进一步研究改进。
3. 5.
   结论与未来工作
   研究人员得出结论：所提出的二进制嵌入方法能有效表示支撑布置，物理约束层结构通过强制非激活位置零反力，显著提升了模型可靠性和训练效率。该结构可推广至其他具有二进制开关特性的输入输出神经网络。基于573个有限元案例训练的13层网络，总反力误差1.95%，平均相对误差3.48%，满足大规模筛选需求，且具备实时性能。研究同时指出，在高局部反力邻近非激活支撑时预测误差较大，未来需增强该区域的鲁棒性，并将框架扩展至油船等其他船型及浮船坞等非水平坞修环境。该AI代理模型可与有限元分析互补，用于支撑布置优化和船厂数字孪生中的实时结构安全监控。

该研究首次将AI代理模型应用于船舶坞修分析，为复杂工程问题的实时决策提供了创新解决方案，具有重要学术价值和工程应用前景。