船体外形优化神经网络建模方法及船体外形优化方法

摘要

船体外形优化神经网络建模方法及船体外形优化方法，涉及船舶设计领域。针对传统的BP神经算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢，需要迭代很多次才可以收敛的问题，本发明提供的方案为：船体外形优化精神网络建模方法，方法包括：在待优化船体中选择多个代表船体特征的控制点；改变控制点的坐标，得到新的控制点，作为样本数据；获取控制点对应的船舶的阻力；构建网络模型，将控制点坐标组委输入层神经元，对应的船舶阻力作为训练数据，抽样抽取部分样本数据进行训练，抽取剩余的部分样本数据进行训练，对全部样本数据进行训练，训练完成。适合在船舶制造过程中对船体外形的优化中应用。

说明书

技术领域

涉及船舶设计领域，具体涉及船舶的船体外形设计技术领域。

背景技术

船舶阻力是影响船舶设计工作的重要因素，直接关系到船舶的技术和经济指标。目前常用的设计方法主要是根据船模试验资料、应用CFD数值模拟技术对船体改型方案进行性能预报，但是CFD数值模拟计算量极大，计算速度缓慢，针对这个问题，可以采用BP神经网络来建立代理模型，减小计算量。

随着几年来计算机领域的不断发展，基于计算机的机器学习的方法也发展的十分迅速。而传统的经验公式计算精度低且需要工作量不低，而高精度的CFD仿真模拟在优化领域计算量又过于庞大。

目前在船型设计的领域中常用的是传统的BP神经网络模型去代替CFD仿真数值计算，而传统的BP神经网络算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢的问题，需要迭代很多次才可以收敛。在对船体外形进行优化的这一领域，神经网络模型的收敛速度也是待解决的关键问题之一。

发明内容

针对传统的BP神经网络算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢，需要迭代很多次才可以收敛的问题，本发明提供了一种优化后的神经网络，用于优化船体外形，具体的：

船体外形优化神经网络建模方法，所述的方法包括：

步骤一：在原始船型中选择多个代表船体特征的控制点；

步骤二：通过多次改变所述的控制点的坐标，得到多组新的控制点，分别对应多个船型，作为样本数据；

步骤三：采用CFD技术获取每一个船型的船舶阻力；

步骤四：构建BP神经网络模型，将所述的每一组的控制点坐标作为输入层神经元，并且为每一组控制点对应步骤三中获取的船舶阻力，将每一组的控制点坐标和对应的船舶阻力作为训练数据；

步骤五：为所述的BP神经网络模型设置误差函数；

步骤六：初始化所述的BP神经网络模型中的参数；

步骤七：采用拉丁超立方抽样抽取部分所述的样本数据；

步骤八：采用BP神经网络模型对步骤七中抽取的部分样本数据进行训练，得到训练结果，并计算误差；

步骤九：判断步骤八得到的训练结果的误差是否达到要求，若未达到，则返回步骤八，达到则进行步骤十；

步骤十：采用拉丁超立方抽样，抽取经过步骤七抽取后的剩余样本数据的部分样本数据；

步骤十一：采用BP神经网络模型对步骤十中抽取的部分样本数据进行训练，并计算误差；

步骤十二：判断步骤十一得到的训练结果的误差是否达到要求，若未达到，则返回步骤十一，达到则进行步骤十三；

步骤十三：采用BP神经网络模型对全部样本数据进行训练，直到误差达到要求，训练完成。

优选的，所述的步骤一中控制点的选择方式为：选择在原始船型中均匀分布的坐标点作为控制点，所述的控制点包括三个坐标信息：沿船长方向的坐标信息、沿船宽方向的坐标信息和沿船深方向的坐标信息。

优选的，所述的步骤二中得到的控制点的组数为100组。

优选的，所述的步骤七中，抽取的部分样本数据的数量占总的样本数量的20％-30％。

优选的，所述的步骤八中，训练的具体方式为：采用BP神经网络迭代50-100次步骤八中抽取的数据。

优选的，所述的步骤十中，抽取的样本数据占经过步骤七抽取后的剩余样本数据的百分比为：

(30+70×(2-2×Sigmoid(|10×E/E

其中，E表示步骤八中计算的误差，E

优选的，所述的BP神经网络的激活函数为Sigmoid函数。

优选的，所述的BP神经网络的误差函数采用mse函数。

基于同一发明构思，本发明还提供了船体外形优化方法，所述的方法包括：

训练步骤：建立神经网络模型；

所述的训练步骤具体为：所述的船体外形优化神经网络建模方法；

寻优步骤：通过所述的训练步骤建立的神经网络模型寻找最优船型。

优选的，所述的寻优步骤具体为：

对训练完成的BP神经网络采用人工蜂群算法进行寻优，寻找出最优船型。

本发明的有益之处在于：

对神经网络的输入进行了优化，对传统的输入方式做出了改变，对样本的输入量进行了控制，最终达到加快了船型优化速度的目的，提高了效率。

本专利提出的改良的神经网络算法进一步加快了计算的速度，替代了计算量过于庞大的 CFD计算，加快了船型优化建模的速度，提高了效率。

在解决船型设计问题中对训练神经网络模型做出了改进并应用了人工蜂群算法寻找对应最优结果的最佳船型，采用了高效率的人工蜂群算法来寻找最优解，进一步提高了整个优化流程的速度。

适合在船舶制造过程中对船体外形的优化中应用。

附图说明

图1为实施方式一提供的船体外形优化神经网络建模方法的流程图；

图2为实施方式九提供的船体外形优化方法的流程图；

图3为实施方式十提供的人工蜂群算法的流程图。

具体实施方式

实施方式一、结合图1说明本实施方式，本实施方式提供了船体外形优化神经网络建模方法，所述的方法包括：

步骤一：在原始船型中选择多个代表船体特征的控制点；

步骤二：通过多次改变所述的控制点的坐标，得到多组新的控制点，分别对应多个船型，作为样本数据；

步骤三：采用CFD技术获取每一个船型的船舶阻力；

步骤四：构建BP神经网络模型，将所述的每一组的控制点坐标作为输入层神经元，并且为每一组控制点对应步骤三中获取的船舶阻力，将每一组的控制点坐标和对应的船舶阻力作为训练数据；

步骤五：为所述的BP神经网络模型设置误差函数；

步骤六：初始化所述的BP神经网络模型中的参数；

步骤七：采用拉丁超立方抽样抽取部分所述的样本数据；

步骤八：采用BP神经网络模型对步骤七中抽取的部分样本数据进行训练，得到训练结果，并计算误差；

步骤九：判断步骤八得到的训练结果的误差是否达到要求，若未达到，则返回步骤八，达到则进行步骤十；

步骤十：采用拉丁超立方抽样，抽取经过步骤七抽取后的剩余样本数据的部分样本数据；

步骤十一：采用BP神经网络模型对步骤十中抽取的部分样本数据进行训练，并计算误差；

步骤十二：判断步骤十一得到的训练结果的误差是否达到要求，若未达到，则返回步骤十，达到则进行步骤十三；

步骤十三：采用BP神经网络模型对全部样本数据进行训练，直到误差达到要求，训练完成。

在这里需要注意的是：本实施方式中提到的步骤一至步骤十三，仅仅为步骤的名称，并不用于作为限制本技术方案的实际操作顺序。

具体的，

首先选取原始船型均匀分布的坐标点作为控制点代表整个船型，控制点集合记为S＝(s

控制点分布在原始船型上，同时通过所有控制点，又能够准确获得原始船型的船体型线，改变全部或控制点坐标即可改变船体型线，获得多组控制点，代表不同船型。

通过商业软件或曲面变形技术对原始船型的船体型线做出一系列的变化，这一步主要是对船艏和船艉的型线做出一定改变，采用拉丁超立方抽样方法，保证数据的稳定性。得到n-1 个新的船体外形后可以得到一系列新的控制点的集合S

对新生成的型线利用CFD技术计算阻力：对原始船型和新生成的一系列船型，使用NSYS Fluent、STAR-CCM、comsol、OpenFOAM等软件使用CFD技术计算不同船型下的船舶阻力，每种船型的阻力数据集合记为L＝(l

将数据打包：将阻力的数据和船体外形的数据记录在csv文件中，作为神经网络的训练数据。

构建一个bp神经网络，其中bp神经网络的输入层神经元个数设置为3个，对应一个船型的所有控制点包含的三个位置信息x

网络的激活函数设置为Sigmoid函数：

其中，σ表示经过激活函数计算后神经元的数值，x

误差函数采用mse函数:

其中L为CFD计算得到的准确阻力值，G(S)为神经网络预测的阻力值，C表示L与G(S) 的方差，E表示mes函数计算所得误差的最小值。

初始化参数：学习率设置为lr，lr为[0-1]的随机数，权值矩阵和偏置矩阵w

采用拉丁超立方抽样随机抽取总数据集的20％-30％的数据，记为第一次抽取步骤。

在神经网络中迭代50-100次抽取的数据，其中每一步权值w和偏置b更新的公式为：

其中w'表示权值的一阶动量，b'表示偏置的一阶动量，t表示迭代次数，初始时t＝0，每次循环完毕后t＝t+1，并计算误差E。

判断误差是否达到要求，如果未达到要求则返回第一次抽取步骤，达到判定要求则继续运行。

采用拉丁超立方抽样随机抽取总数据集的：

(30+70×(2-2×Sigmoid(|10×E/E

的样本数据，继承神经网络已训练参数，输入新的样本继续训练，作为第二次抽取步骤；

其中，E

判断误差是否达到指定误差，如果未达到指定误差则返回第二次抽取步骤，达到指定误差则继续运行。

输入全部样本进行训练，直到达到误差精度要求或达到最大迭代次数即可停止计算。

其中的最大迭代次数是根据实际情况设置，通常在达到最大迭代次数时还没有训练完成，则证明设置的误差精度过高，需要调整误差精度。

实施方式二、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤一中控制点的选择方式为：选择在原始船型中均匀分布的坐标点作为控制点，所述的控制点包括三个坐标信息：沿船长方向的坐标信息、沿船宽方向的坐标信息和沿船深方向的坐标信息。

实施方式三、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤二中得到的控制点的组数为100组。

实施方式四、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤七中，抽取的部分样本数据的数量占总的样本数量的20％-30％。

实施方式五、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤八中，训练的具体方式为：采用BP神经网络迭代50-100次步骤八中抽取的数据。

实施方式六、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤十中，抽取的样本数据占经过步骤七抽取后的剩余样本数据的百分比为：

(30+70×(2-2×Sigmoid(|10×E/E

其中，E表示步骤八中计算的误差，E

实施方式七、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的BP神经网络的激活函数为Sigmoid函数。

实施方式八、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的BP神经网络的误差函数采用mse函数。

实施方式九、结合图2说明本实施方式，本实施方式提供了船体外形优化方法，所述的方法包括：

训练步骤：建立神经网络模型；

所述的训练步骤具体为：实施方式一提供的船体外形优化神经网络建模方法；

寻优步骤：通过所述的训练步骤建立的神经网络模型寻找最优船型。

实施方式十，结合图3说明本实施方式，本实施方式是对实施方式九提供的船体外形优化方法，所述的寻优步骤具体为：

对训练完成的BP神经网络采用人工蜂群算法进行寻优，寻找出最优船型。

最优船型即为阻力最小船型。

具体的，

BP神经网络训练结束后，得到神经网络模型f(S)，其中S为船舶控制点集合，用以代表预测的船型。利用人工蜂群算法对BP神经网络模型的最优解进行计算，初始化蜜源 X＝[X

开始搜索步骤：为每个蜜源分配一只引领蜂，在蜜源附近进行搜索。

判断蜜源附近区域的适应度大小，适应度fit＝1/(1+f(S))，根据贪婪选择的方法确定保留的区域作为新的蜜源。

跟随峰跟随的概率由适应度决定，适应度越大，跟随概率越高。当跟随蜂选择跟随时，在被跟随的引领蜂附近寻找蜜源。未选择跟随时则保持不动。

若达到最大迭代次数还未发现新蜜源，则采用侦察蜂大步长搜索新蜜源并转化为引领蜂进行搜索。

当所有蜜蜂完成动作t＝t+1,判断t是否达到最大迭代次数t

实施方式十一、本实施方式提供了一种计算机储存介质，用于储存计算机程序，所述的储存介质被计算机运行时，计算机执行实施方式一至六任意一项提供的船体外形优化神经网络建模方法。

实施方式十二、本实施放方式提供了一种计算机储存介质，用于储存计算机程序，所述的储存介质被计算机运行时，计算机执行实施方式九至十任意一项提供的船体外形优化方法。

实施方式十三、本实施方式是为实施方式九提供的船体外形优化方法提供一个具体的实践，用于与现有技术对比，具体的：

采用Ferry船型，船型参数如下表：

表1船舶主尺度信息表

在船上选取400个控制点，并整理坐标，再进行变换，形成119个新船型；

利用CFD软件计算船舶对应的阻力值后，选取100个样本，分别采用现有神经网络和本发明提供的技术方案中提到的的神经网络对Ferry船型进行优化，得到的神经网络训练时间如下：

表2不同神经网络训练时间对比

通过上表可以发现，在计算机配置、计算软件、计算精度等要求相同的情况下，实用本发明提供的技术方案训练的神经网络模型消耗的时间比采用现有技术少14.8％。

寻优后得到的最终船型对比如下：

表3不同神经网络预测结果对比

完成训练的神经网络使用人工蜂群算法进行寻优，可以看出在航速一定的情况下，两种神经网络的预测阻力值十分接近，说明改良过的神经网络模型的收敛能力是在保证了现有技术效果的前提下，提高了神经网络的计算速度，节约了时间。

以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了使本发明提供的技术方案的优点和有益之处体现得更加具体，不过以上实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则之内的，对本发明的修改、实施方式的组合、改进和等同替换等，均应当包含在本发明的保护范围之内。