摘要
准确预测船舶的横摇运动对于海上安全和稳定性评估至关重要。基于物理的方法可以提供具有物理解释力的预测结果，但高保真的数值模拟通常需要大量的计算资源，这限制了它们在高效和长时间横摇运动预测中的应用。相比之下，纯数据驱动的模型在计算上效率较高，但可能缺乏物理一致性。为了解决这些限制，本研究开发了一个基于物理的神经网络（PINN）框架，并采用了一种自适应损失平衡策略来进行船舶横摇运动预测。该策略能够在训练过程中动态调节控制方程损失和数据拟合损失的相对贡献，从而将物理约束与可用的横摇响应数据相结合。DTMB 5415船体被选为基准案例，在该案例中，横摇运动方程被作为物理约束纳入模型，并通过数值模拟生成了在规则波和不规则波条件下的时间序列数据。比较结果显示，所提出的PINN-BP（自适应）框架在所有评估模型中实现了最低的均方根误差（RMSE）和平均绝对误差（MAE），同时其R2值与标准PINN相当。计算结果还表明，其训练成本与标准PINN相当，且远低于LSTM模型，而推理时间仍处于较低水平。这些结果表明，在基于物理的BP神经网络框架中加入自适应损失平衡机制可以在不增加额外计算负担的情况下提高横摇运动预测的准确性。所提出的框架为在研究条件下进行船舶横摇运动预测提供了一种既具有物理依据又计算效率高的方法。
