利用延迟记忆动态反演技术，从分布式的船体响应数据中重建局部弓形冲击压力

《Ocean Engineering》：Reconstructing local bow slamming pressure from distributed hull responses using delay-memory dynamic inversion

　　• 延迟记忆反演技术重建了五点弓击压力场。
• 0–0.90秒的响应库捕获了延迟的船体响应特征。
• 保留记录的RMSE和前10%事件的RMSE分别为0.1124和0.1306。
• ExtraTrees在匹配测试中的表现优于随机森林和提升模型。
• 交叉拟合的预测带量化了事件级别的重建可靠性。

引言
弓击是船舶在波浪中运行时遇到的最严重的局部载荷现象之一（Faltinsen, 1990; Kapsenberg, 2011）。当船首凸起部分、底部面板或前肩区域进入或重新进入自由水面时，局部压力会在非常短的时间内极速上升，并产生比普通波浪频谱下的船体梁载荷更为集中的冲击载荷（Kim et al., 2019; Jiao and Ren, 2016）。这些压力脉冲可能激发局部结构部件，并通过水弹性耦合导致全局性的鞭摆振动（Jiao and Ren, 2016; Lu et al., 2024; Zou et al., 2024; Si et al., 2025）。对于大型柔性船舶、高速船只以及在恶劣海况下作业的海上平台，仅依靠准静态波浪载荷或低频运动响应无法评估结构安全性。关键工程量是船首区域的分布式和瞬态局部压力场，但这种量在实际操作中难以连续测量（Xia et al., 2024; Sun et al., 2025）。
实验和数值研究已经阐明了弓击物理的许多重要特性。针对船首凸起船舶和集装箱船的模型测试表明，冲击压力在空间上是不均匀的，对局部进入几何形状敏感，并与水弹性振动密切相关（Kim et al., 2019; Jiao and Ren, 2016）。最近关于三维船首凸起压力和加强楔形水进入的研究进一步表明，压力幅度、结构响应和局部几何形状应被视作耦合量，而不是独立测量值（Shan et al., 2024; Han et al., 2024a, 2024b）。流体-结构相互作用模拟、落水试验和大型船舶水弹性实验也表明，测量到的冲击载荷取决于流体冲击和结构柔顺性（Wang and Guedes Soares, 2016; Lu et al., 2024; Xia et al., 2024; Chang et al., 2025; Kim et al., 2025; Li et al., 2022; Tavakoli et al., 2025）。船舶冲击的综述强调了波浪遭遇、相对运动、空气吸入、局部船首倾角和结构柔顺性的影响，这解释了为什么简单的经验公式或稀疏的压力测量往往无法描述完整的冲击事件（Kapsenberg, 2011; Sun et al., 2025）。尽管高保真CFD-FEM和水弹性模拟提供了宝贵的物理洞察，但它们对于实时监控来说计算成本高昂，并且难以应用于长时间的操作记录中。这激发了开发数据驱动或混合逆向方法的需求，这些方法可以从更稳健的响应测量中推断出局部冲击载荷。
船体响应监测系统提供了此类间接信息的实际来源。在实验或运营环境中，船舶可以安装应变、弯矩、剪力、扭转、加速度和运动传感器，这些传感器可以捕捉由波浪、冲击和鞭摆引起的全局和局部结构响应。与安装在暴露船首表面的密集压力阵列相比，许多响应传感器可以放置在受保护的结构或内部位置，因此更适合长期监测，而直接的压力测量可能需要在重复冲击和海水暴露下进行更加复杂的安装、防水密封、布线和维护。在本 basin 实验中，局部压力测量被用作模型开发和验证的监督参考目标，而不是17通道响应输入的一部分。因此，所提出的框架的预期作用是虚拟压力感测：在使用有限时期的直接压力测量或有限数量的直接压力测量进行船体特定校准后，当密集的船首压力感测不切实际时，或者当个别压力传感器退化或失效时，或者当回顾性检查存档的响应记录以寻找冲击事件时，可以从分布式的船体响应中重建局部压力。由于响应传感器不直接测量局部压力场，弓击压力重建仍然是一个逆问题，其中使用分布式响应来估计生成它们的未测量或部分测量的局部载荷。类似的响应重建和传感器融合概念已在数字孪生、逆向有限元和多速率过滤背景下进行了研究（Wei et al., 2024; Zhu et al., 2023）。对于冲击压力反演而言，这种逆向性质至关重要，因为局部压力脉冲可能以延迟的、过滤的、空间混合的形式出现在弯矩、剪力、扭转和加速度通道中。因此，有效的反演模型必须考虑时间延迟、多物理耦合以及不同压力位置的可观测性差异。
最近，机器学习方法被引入到船舶载荷和结构响应预测中（La Ferlita et al., 2024; Marlantes et al., 2024; Serr et al., 2025; Zaparoli Cunha et al., 2023）。神经网络已被用于船舶运动预测、波浪载荷预测、鞭摆响应重建以及从运动或响应输入估计船体梁载荷（Moreira and Guedes Soares, 2020; Liu et al., 2023, 2025; Wang et al., 2024a, 2024b; Sun et al., 2026; Tang et al., 2026）。例如，Sun et al. (2026) 提出了一种利用分解-叠加策略从输入运动中预测船舶波浪载荷和鞭摆响应的智能方法。通过分离波浪频率和高频鞭摆分量，该研究表明物理上有意义的信号分解可以提高数据驱动船舶载荷模型的可信度。其他研究采用了广义模式、循环网络、混合Transformer-LSTM结构和多源数据融合来预测全局结构响应（Liu et al., 2023, 2025; Tang et al., 2026）。这些工作表明，数据驱动方法对于船舶载荷预测非常有用，特别是当模型架构和验证策略受到物理考虑的指导时。
然而，大多数现有研究仍然集中在前向预测或响应级别预测上。典型目标包括全局垂直弯矩、波浪频率载荷、鞭摆响应、船舶运动、疲劳指标或冲击事件的发生。局部压力场重建相对不成熟。冲击检测和分类方法可以识别是否发生冲击事件（Dessi et al., 2023），但它们无法提供进行局部结构评估所需的分布式压力幅度。全局船体梁载荷预测可以估计截面载荷（Sun et al., 2026; Liu et al., 2023, 2025; Tang et al., 2026），但它无法确定哪些船首面板或局部压力位置受到最大冲击。即使在实验中有压力测量数据，将其作为预测目标也存在挑战，因为不同的压力传感器可能有不同的信噪比、幅度、空间暴露和来自可用响应通道的机械可观测性。通用的时间序列预测架构也没有完全解决这一挑战。时间卷积网络（DLinear）、PatchTST、TimesNet、iTransformer及相关Transformer风格模型可以学习复杂的时间依赖性（Bai et al., 2018; Zeng et al., 2023; Nie et al., 2023; Wu et al., 2023; Liu et al., 2024），但它们并非专门为船舶冲击反演设计。如果直接应用，它们可能会学习统计相关性，而不会区分垂直弯曲、水平弯曲、扭转、剪切、全局加速度和局部加速度作为不同的物理证据流。它们还可能在最小化平均域误差的同时，低估了稀有的压力峰值和高频频谱内容。因此，评估模型性能不应仅通过所有样本的全局RMSE来评判，还应通过事件误差、压力点行为、频域一致性和跨记录组的鲁棒性来进行评估。这一要求与物理信息驱动的机器学习中的更广泛论点一致，其中科学预测受益于嵌入领域结构，而不仅仅是依赖无约束的函数近似（Raissi et al., 2019; Karniadakis et al., 2021）。
本研究通过将局部弓击压力重建表述为一个延迟记忆多物理动态反问题来解决这一差距。它不是从船舶运动预测全局船体梁载荷，而是从17个结构和加速度响应通道重建分布式的局部船首压力场，包括在三个纵向站点测量的垂直弯矩、水平弯矩、扭转矩和垂直剪力，以及五个加速度响应。为了解决这一任务，提出了一个称为DMP-DI的延迟记忆多物理动态反演框架。该框架在0–0.90秒的时间范围内构建了一个物理上合理的响应记忆窗口，允许模型使用船体梁和加速度响应中的延迟压力事件特征。它结合了稳健的非线性ExtraTrees逆向分支和基于验证的岭回归校正，并进一步引入了事件加权和延迟注意力变体作为诊断扩展，以检查罕见冲击事件和响应延迟家族的影响。其目的不是声称单一的黑箱回归器是普遍最优的，而是开发一个可解释的压力反演框架，其行为可以根据响应记忆长度、传感器家族依赖性、条件信息、压力点可观测性、事件重建和频谱限制来进行检验。

实验设施和多传感器测量系统
实验在中国无锡的中国船舶科学研究中心的大耐波性和操纵性水池中进行。该水池的主要尺寸为170米×47米×6米，能够生成规则波、不规则波和短峰波。当前数据集仅来自波向角为180°的单向规则(head-wave)测试。制造好的船舶模型和水池的照片见图1(c)和(d)。

动态响应记忆表示
DMP-DI的设计基于这样一个物理事实：局部船首压力不会以瞬时的一对一信号出现在测量的船体梁和加速度通道中。压力脉冲通过结构传递，混合在弯曲、剪切、扭转和加速度响应中，并以有限的响应记忆被观测到。因此，DMP-DI首先构建一个滞后响应张量，而不仅仅是使用当前的传感器向量。

基于RW10测试记录的整体比较
根据表4中总结的主要比较并在图5中可视化的结果，校准后的DMP-DI模型在评估的模型中表现出最佳的整体性能。DMP-DI具有最低的平均误差，RMSE为0.1124，MAE为0.0890，以及最高的解释方差，包括方差加权R2为0.7829和均匀平均R2为0.7680。对于对事件敏感的结构评估来说，它还实现了最低的事件。

定位和物理解释
本研究与最近的全局波浪载荷、鞭摆响应和数据驱动船舶响应预测研究不同，因为最终目标是无法通过安装的响应传感器直接测量的局部压力场。因此，DMP-DI框架最好被视为传统响应预测的逆向监控对应物：它利用延迟的船体梁载荷和加速度作为船首冲击的间接、空间分布的证据。

结论
本研究提出了DMP-DI，这是一种新颖的延迟记忆多物理动态反演框架，旨在仅从分布式的船体梁和加速度响应中重建局部船首冲击压力场。最终的预测目标是五点压力场，该架构利用精心选择的0–0.90秒响应记忆库来准确捕获瞬态局部压力事件如何在远程结构和运动传感器中表现出来。

作者贡献声明
Yingdong Chen：撰写——审阅与编辑、撰写——原始草稿、监督、方法论、概念化。
Qingxin Zheng：调查、数据管理。
Wei Yu：验证、软件、方法论、形式分析。
Bo Lan：资源、方法论、调查。
Caixia Jiang：撰写——审阅与编辑、项目管理、数据管理。
Xueliang Wang：撰写——审阅与编辑、可视化、验证。

项目资助
该项目得到了中国船舶科学研究中心稳定性支持项目（批准号WDZC70202010101）的支持。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。