基于切片理论驱动的DeepONet代理模型用于单体船波浪增阻的算子学习

《Applied Ocean Research》:A strip-theory-driven DeepONet surrogate for operator learning of wave-added resistance of advancing monohull ships

【字体: 大 中 小 】 时间:2026年09月19日 来源:Applied Ocean Research 5.1

编辑推荐:

  摘要专业翻译 准确预测波浪增阻对于评估船舶在真实海况下的性能至关重要,可为燃油效率提升和温室气体减排策略提供支撑。在早期设计阶段,波浪增阻的估算对于评估可达航速、功率需求和水动力性能是必要的。经典计算方法依赖于势流求解器和黏性流模型,这些方法在求解精度和计算成

  
摘要专业翻译 准确预测波浪增阻对于评估船舶在真实海况下的性能至关重要,可为燃油效率提升和温室气体减排策略提供支撑。在早期设计阶段,波浪增阻的估算对于评估可达航速、功率需求和水动力性能是必要的。经典计算方法依赖于势流求解器和黏性流模型,这些方法在求解精度和计算成本方面固有地存在挑战。另一方面,尽管逐点机器学习(ML)回归在船舶性能预测方面取得了进展,但保留增阻谱的函数结构及频率间相关性,促使研究者采用算子学习框架(如DeepONet)来从船舶特征和营运条件预测完整的谱响应。 势流模型因其低计算成本和稳健性而被广泛用于耐波性和增阻预测。近年来,基于回归分析的实验数据集研究重新审视了经验性和半经验性增阻公式,并发展了面向实际设计应用的增强渐近模型。对不同分析方法在迎浪和斜浪条件下的比较研究表明,势流方法能够提供可靠的二阶增阻估计;然而,其在陡峭波或非线性波条件下的适用性受到限制。相比之下,黏性流模型由于固有地考虑了湍流和黏性阻尼,在解析非线性波-体相互作用方面具有更广泛的适用范围。近期雷诺平均纳维-斯托克斯(RANS)研究已在多种规则波和不规则波条件下与实验表现出高度一致性,强化了计算流体力学(CFD)作为验证低保真度模型的高保真基准的作用。尽管精度较高,CFD模拟的计算成本仍然高昂,限制了其在大规模参数研究、优化框架、不确定性量化和实时决策支持中的应用。这一局限性推动了数据驱动代理模型研究的日益增长,此类模型能够以极小部分计算成本再现高保真度预测。 另一方面,机器学习(ML)技术近年来已成为计算水动力学中高效的代理建模工具,应用涵盖阻力预测、船型优化、船舶性能评估和CFD加速等领域。然而,传统ML模型通常被构造为有限维输入-输出回归器,在预测标量性能指标方面有效,但在不同船型间的泛化能力往往有限,且并非固有地设计用于预测耐波性分析所需的频域响应函数。 算子学习框架,特别是深度算子网络(DeepONet),代表了科学机器学习中的一项突出概念性进展。DeepONet通过其分支-主干(branch-trunk)网络结构,提供了一种学习非线性算子的结构化方法,即无限维函数空间之间的映射。Lu等人(2021)建立了DeepONet的通用逼近能力,并展示了其在学习与动力系统和偏微分方程(PDE)相关算子方面的有效性。此类架构对船舶水动力学尤为具有吸引力,因为它们可以学习从船舶和营运描述符(包括船体几何、傅汝德数、航向角和波浪条件)到完整频率相关响应函数的映射,而非单个标量输出。 现有基于ML的船舶水动力学研究主要集中在静水阻力预测、船舶运动估计、燃油消耗建模或受限类别船舶和波浪条件下的增阻预测。尽管在将机器学习应用于水动力预测方面已取得实质性进展,但大多数现有方法将增阻估计表述为直接回归问题,将频率作为输入特征,每个谱点被视为独立训练样本。虽然可以实现精确的逐点预测,但此类方法并未显式学习船舶描述符、营运条件与相应频率相关增阻响应之间的函数关系。算子学习方法尚未被系统地应用于覆盖广泛船体几何和营运条件的波浪增阻预测。 本研究采用了根本不同的视角,将增阻谱视为一个函数量而非独立标量观测值的集合。逐点机器学习回归的这一局限性确立了保留增阻谱函数结构框架的必要性。据此,本研究探究DeepONet能否更有效地捕获全局谱结构和频率间相关性。研究假设算子学习能够有效提供谱一致性和保真度,同时减少所需训练数据量和计算成本。DeepONet学习从船舶特征和营运条件直接到一定频率范围内增阻谱的算子映射。这种函数到函数的表述捕获了全局谱行为,包括相邻频率分量之间的相关性,并在单次前向传播中预测整条响应曲线。因此,每个谱被视为单个训练样本,与逐点学习方法相比,所需训练集规模显著减小,形成更紧凑和计算高效的框架。 本研究利用切片理论求解器生成了一个综合数据集,覆盖广泛的船体几何、傅汝德数、航向角和波浪条件,为一系列单体船生成频率相关的增阻响应函数。通过其分支-主干架构,DeepONet学习船舶和营运描述符与相应增阻函数之间的非线性映射,实现跨多种船型和营运场景的统一建模。为促进稳健且数据高效的学习,采用五折交叉验证优化超参数。根据微调后的超参数,采用分组k折分割和留一母船型(leave-one-parent-hull-out)验证评估所提出框架的预测能力和泛化性能。不确定性界进一步确认了在所研究描述符空间内的稳健域内泛化能力。模型与传统机器学习基线进行比较,并针对半经验预测、RANS模拟和实验测量进行外部验证。与这些高保真度和经验参考的定量一致性表明,DeepONet提供了合理准确且可迁移的代理模型,能够为未见过的船舶几何和营运条件再现频率相关的增阻特性。

论文解读

一、研究背景与问题

波浪增阻是船舶在波浪中航行时相较于静水额外增加的阻力,其准确预测对于评估船舶在真实海况下的性能、支持燃油效率提升和温室气体减排策略至关重要。在船舶早期设计阶段,波浪增阻的估算直接关系到可达航速、功率需求和水动力性能的评估。
当前波浪增阻预测方法主要分为两大类。第一类是势流求解器,其计算成本低、稳健性好,能够提供可靠的二阶增阻估计,但在陡峭波或非线性波条件下适用性受限。第二类是黏性流模型,如雷诺平均纳维-斯托克斯(RANS)方法,其能够在更广泛范围内解析非线性波-体相互作用,与实验结果高度一致,但计算成本高昂,难以用于大规模参数研究、优化框架、不确定性量化和实时决策支持。
近年来,机器学习(ML)技术作为高效代理建模工具在水动力学中兴起,但传统ML模型本质上属于有限维输入-输出回归器,通常将增阻估计表述为标量回归问题——以频率作为输入特征,将每个谱点视为独立训练样本。这种方式虽然能实现逐点精确预测,但未能显式学习船舶描述符、营运条件与频率相关增阻响应之间的函数关系,泛化能力有限,且无法保留增阻谱的全局结构和频率间相关性。
算子学习框架,特别是深度算子网络(DeepONet),为这一问题提供了新的解决思路。DeepONet通过分支-主干网络结构学习无限维函数空间之间的非线性算子映射,已被证明在动力系统和偏微分方程(PDE)相关算子学习中具有通用逼近能力。然而,算子学习方法尚未被系统应用于覆盖广泛船体几何和营运条件的波浪增阻预测。因此,本研究旨在探究DeepONet能否有效捕获增阻谱的全局谱结构和频率间相关性,实现从船舶特征和营运条件到完整增阻响应函数的直接映射。

二、研究内容与结论

本研究将波浪增阻预测表述为算子学习问题:学习一个非线性算子G,将船舶和营运描述符向量u(包含Lpp/B、Lpp/D、CB、细长度系数s、傅汝德数Fr、航向角β)映射到频率相关的增阻响应函数Rw(ω)。该表述反映了水动力分析的功能性本质——关注的是完整响应谱而非孤立标量值。
研究利用切片理论求解器生成综合数据集,覆盖广泛的船体几何、傅汝德数、航向角和波浪条件,为一系列单体船生成频率相关的增阻响应函数。通过DeepONet的分支-主干架构学习船舶和营运描述符与增阻函数之间的非线性映射,实现跨多种船型和营运场景的统一建模。采用五折交叉验证优化超参数,并使用分组k折分割和留一母船型验证评估泛化性能。模型与传统机器学习基线比较,并针对半经验预测、RANS模拟和实验测量进行外部验证。
研究结论表明:DeepONet能够有效捕获增阻谱的全局谱结构和频率间相关性,在单次前向传播中预测完整响应曲线;每个谱作为单个训练样本,显著减少了所需训练集规模;与高保真度和经验参考的定量一致性表明,DeepONet提供了合理准确且可迁移的代理模型,能够为未见过的船舶几何和营运条件再现频率相关的增阻特性。

三、主要技术方法

研究人员采用切片理论(strip theory)势流求解器生成综合数据集,覆盖多种船体几何参数(Lpp/B、Lpp/D、CB、细长度系数)、傅汝德数、航向角和波浪条件,产生频率相关的增阻响应函数。核心模型采用DeepONet架构,通过分支网络编码船舶和营运描述符,主干网络编码频率坐标,两者内积输出完整增阻谱。超参数采用五折交叉验证优化,模型评估采用分组k折分割和留一母船型验证策略,并与传统机器学习基线、半经验公式、RANS模拟和实验数据进行对比验证。

四、研究结果

算子学习框架的建立。 研究将增阻预测从逐点回归重构为函数到函数的算子学习问题,通过DeepONet学习从船舶描述符和营运条件到完整增阻谱的映射,保留了谱的全局结构。
数据集的生成。 利用切片理论求解器生成覆盖广泛船体几何和营运条件的增阻响应数据集,为模型训练和验证提供了基础。
超参数优化与模型训练。 通过五折交叉验证优化超参数,使用tanh激活函数和调优的学习率获得了优越的泛化性能,全数据集训练在未见船体上实现了高保真度推断。
泛化性能评估。 采用分组k折分割和留一母船型验证,将每个留出的母船型组视为未见数据,不确定性界确认了在所研究描述符空间内的稳健域内泛化能力。
外部验证与对比。 模型与传统机器学习基线比较,并针对半经验预测、RANS模拟和实验测量进行外部验证,定量一致性表明DeepONet提供了合理准确且可迁移的代理模型。

五、讨论与结论

讨论部分指出,与逐点学习方法相比,算子学习框架将每个谱作为单个训练样本,显著减少了所需训练集规模,形成了更紧凑和计算高效的框架。该方法的实际价值在于:在许多实际场景中,唯一可用的信息是船舶的IMO编号,仅能获取主尺度参数,而营运数据在船上测量。因此,该方法能够在缺乏详细船型数据的情况下,利用低维几何和营运参数,在一秒内为数百艘船提供合理的增阻估计。
研究结论为:DeepONet作为切片理论驱动的代理模型,能够有效学习从船舶特征和营运条件到完整增阻响应函数的算子映射,在保持谱一致性和保真度的同时减少训练数据量和计算成本。与传统机器学习基线相比,该方法在未见船型上展现出优越的泛化能力,与半经验预测、RANS模拟和实验测量的定量一致性验证了其作为快速、准确且可迁移的工程工具的可靠性,为船队规模的船舶性能分析和早期设计阶段评估提供了实用支撑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号