基于遭遇波高时间序列的机器学习参数横摇最大幅值预测

《International Journal of Naval Architecture and Ocean Engineering》：Prediction of maximum parametric roll from encountered wave elevation using machine learning

　　

摘要专业翻译 机器学习（Machine Learning, ML）方法可从遭遇波高时间序列中预测参数横摇（parametric roll）的最大幅值。参数横摇事件之前的波浪片段能够实现高效筛选。卷积循环神经网络（Conv-RNN）与PatchTST模型取得了相近的预测精度。所提模型对未见过的波浪实现及波浪方向具有良好的泛化能力。小横摇事件的预测变异性大于大横摇事件。

论文解读

一、研究背景与问题

参数横摇是一种非线性失稳机制，可在短时间内迅速发展，导致大幅横摇运动，严重威胁船舶安全、货物完整性和船员福祉。其发生强烈依赖于遭遇波浪的时间结构以及航速、航向和装载状态等运营参数。在不规则波中，参数横摇通常呈现间歇性特征，显著的横摇事件可能仅出现在相对无害的波浪记录中的短暂窗口内，这种间歇性特征使得船舶脆弱性评估尤为困难。

目前，参数横摇的脆弱性、敏感性或不确定性量化研究通常采用长时间域仿真或大量随机波浪实现的试验，这些方法虽然能全面研究参数横摇的随机特性，但需要大量的计算或试验资源，尤其在考虑广泛的装载、运营和环境条件时。由于严重参数横摇通常在不规则波下间歇性发展，仿真或试验中仅有有限部分包含与大横摇响应相关的波浪序列。因此，亟需开发能够识别与参数横摇密切相关波浪序列的筛选方法，以支持计算和试验资源的更有针对性使用。

已有研究表明，参数横摇事件的发生不仅取决于整体波浪能量或谱特征，还取决于遭遇波浪历史中的时间结构、相位关系和波群特征，传统的波浪描述参数难以充分表征与大参数横摇发展相关的短期波浪序列。

二、研究内容与结论

受机器学习在直接从测量或仿真时间序列数据建模复杂非线性系统方面取得成功的启发，本研究探讨了能否利用机器学习直接从船舶重心处的相对较短的遭遇波高历史中推断即将发生的参数横摇事件的严重程度。该问题本质上被构建为回归任务，研究重点是预测与即将到来的参数横摇事件相关的峰值横摇响应。

研究人员利用高保真五自由度时域仿真生成了全面的数据集，涵盖单一海况、多个波浪方向和大量随机波浪实现。从仿真中识别参数横摇事件，提取事件前固定长度的波高段作为模型输入。研究比较了两种不同复杂度水平的机器学习架构：紧凑的卷积循环神经网络和基于Transformer的模型，评估了预测精度、鲁棒性和泛化能力。

研究结果表明，两种模型均能有效从遭遇波高历史中预测参数横摇的最大幅值，且模型对未见的波浪实现和波浪方向具有良好的泛化能力。该研究为高效筛选长波浪记录提供了新方法，可减少高保真仿真和模型试验的计算与试验成本，并为未来船上决策支持系统提供基础。

三、关键技术方法

研究人员使用FREDYN数值仿真框架开展五自由度（排除艏摇）时域仿真，研究对象为一艘TopTier联合工业项目中的通用15000 TEU集装箱船，航速12 kn，采用自动驾驶仪保持航向和航速。海况采用JONSWAP谱，有义波高H_s=5.83 m，谱峰周期T_p=12.09 s，峰升因子γ=3.3，覆盖多个波浪方向。从仿真中识别参数横摇事件并提取事件前固定长度波高段作为输入。采用两种模型架构：卷积循环神经网络（Conv-RNN）和基于Transformer的PatchTST模型，在不同数据划分策略下评估模型性能。

四、研究结果

4.1 模型预测精度与架构比较

研究表明，Conv-RNN和PatchTST两种模型在预测参数横摇最大幅值方面取得了相近的预测精度，表明不同复杂度和建模范式的模型均能有效从遭遇波高时间序列中提取与参数横摇相关的关键信息。

4.2 泛化能力评估

通过不同的数据划分策略，包括对未见波浪实现和未见波浪方向的泛化测试，模型表现出良好的泛化能力，能够推广到训练数据之外的波浪条件，这验证了所提框架在实际应用中的可行性。

4.3 阈值分类器评估

回归预测结果在基于阈值的分类器框架中进行了评估，表明模型不仅能够预测横摇幅值，还能有效区分可能发生严重参数横摇的波浪序列，支持筛选应用的需求。

4.4 预测误差分析

研究发现，小横摇事件的预测变异性大于大横摇事件，这可能与小事件的信噪比更低、对波浪细节更敏感有关。预测精度在不同波浪方向和横摇严重程度之间存在差异，波浪谱特征对预测误差也有影响。

五、讨论与结论

该研究为参数横摇事件的筛选提供了新途径，通过从遭遇波高历史直接推断参数横摇严重程度，能够将计算和试验资源集中于最可能引发大参数横摇运动的关键时间区间。该框架与已有生成模型方法形成互补，两者均旨在使资源集中于最相关的波浪条件，最终收集更多失稳事件并获得更可靠的统计结果。

研究结论表明，机器学习能够从遭遇波高时间序列中有效预测参数横摇的最大幅值，Conv-RNN和PatchTST两种架构均表现良好，模型具有良好的泛化能力。该框架为高效筛选长波浪记录提供了可行方法，并为未来基于实测波浪数据或从可用测量估计船舶重心处遭遇波高的船上决策支持系统奠定了基础。将框架适配至入射波测量或估计遭遇波高所引入的不确定性及其对模型性能的影响，留待未来研究。