基于计算流体力学与遗传算法优化BP神经网络的无人潜水器纵向水动力系数高精度预测

《Mathematics》：Research on High-Precision Prediction of Vertical Hydrodynamic Coefficients for AUV Based on CFD and GA-BP Neural Network

　　摘要针对无人潜水器（AUV）纵向水动力系数传统求解方法中存在的样本量不足、工况覆盖不全、泛化性能差等工程痛点，本文构建了基于计算流体力学（CFD）数值模拟与遗传算法优化BP神经网络的纵向水动力系数高精度预测框架。首先，采用重叠网格技术和用户自定义函数（UDF）模拟平面运动机构（PMM）的纯升沉运动，完成非定常流场数值计算。其次，构建了涵盖不同运动幅度、升沉频率和来流流速的200组工况模拟数据集，并建立了三输入两输出的BP神经网络基础预测模型。随后，分别通过5折交叉验证和遗传算法对基础模型进行优化，并对比分析了BP、K折-BP和GA-BP三种模型的预测性能。结果表明，GA-BP模型对无量纲纵向水动力系数Z_a和Z_b的决定系数分别达到0.9976和0.9975，其平均绝对误差（MAE）和均方根误差（RMSE）显著低于其他两种模型，具有最优的预测精度和泛化性能。最后，基于GA-BP模型完成了1000组全工况水动力系数预测，并通过拟合获得了优化后的无量纲附加质量系数和流体阻尼系数。本文构建的预测框架能够为AUV全工况水动力系数的快速获取和高精度获取提供技术支持，并为动力学建模和运动控制系统设计提供可靠的参数依据。