基于機器學習技術的船舶性能評估與優化.pdf

《基于機器學習技術的船舶性能評估與優化.pdf》由會員分享，可在線閱讀，更多相關《基于機器學習技術的船舶性能評估與優化.pdf（41頁珍藏版）》請在三個皮匠報告上搜索。

1、基于機器學習技術的船型性能評估與優化2023/6/1目 錄-2-TIANFU 公司簡介 船型性能評估方式發展與現狀 基于機器學習技術的評估與優化 案例分析01-3-公司簡介-4-公司簡介名稱南京天洑軟件有限公司成立時間2011年5月20日主要業務1.軟件開發及銷售自研軟件主要包括以下幾類：設計、仿真、優化、數字孿生。2.客戶服務：軟件定制開發服務產品設計及仿真服務公司所在地-南京總部寧波分公司大連分公司北京分公司日本分公司南京市江寧開發區蘇源大道19號九龍湖國際企業總部園B1棟1101室浙江寧波鄞州區海運大廈1901-2大連市中山區中心裕景ST2大廈1910北京市海淀區上地東路1號院橫濱市港北

2、區新橫濱1-3-10新橫濱IO大樓802南京寧波橫濱大連-6-員工組成工程師主要畢業于清華大學，天津大學，東南大學，大連理工大學，華科，北航，南航等985高校020406080100開發工程師應用工程師行政與銷售人員構成02-7-船型性能評估方式發展與現狀-8-模型加工+拖曳水池 成本高，周期長（幾天），場地限制船型評估水池實驗國內：702所，上海船研所，上海交大，大連理工，武漢理工等高校國際：瑞典、德國、荷蘭-9-網格劃分+CFD求解 技術門檻高，周期偏長（幾小時），數據浪費船型評估CFD仿真-10-船型評估人工智能技術基石：母型幾何+參數化技術+專家經驗=數字化母型，固化專家設計流程和經驗

3、數字化母型智能認知來源：基于數字化母型，通過搭建船體變形和CFD求解的自動化平臺，計算用于代理訓練的船型樣本數據集船型樣本數據集智能手段：定制研發高效的機器學習算法，能夠基于較小數據規模構建較高精度的代理模型代理模型應用的前置步驟：通過船舶類型、載重量、主尺度等條件篩選數字化母型庫，匹配適用于設計任務的母型快速選型應用：替代CFD，快速評估任意改型方案的性能，采用定制研發的優化策略進行優化設計評估&優化AI+CAE設計經驗角色的轉變，由必須變成增益經驗和知識的數字化沉淀，打造數字化船型庫歷史仿真數據在相似船型上的復用基于代理模型評估和優化，單點評估幾乎不耗時，大大提升研發階段方案迭代的效率-1

4、1-母型幾何參數化建模工具參數化母型設計參數CFD 工具水動力性能參數訓練數據集定制機器學習算法選擇母型任意設計參數的值水動力性能參數選擇母型CFD 工具定制優化策略優化后的設計參數值程序生成優化后的船型幾何模型訓練代理模型在船型設計中的應用流程評估優化-13-提高代理模型精度基于人工智能技術的代理模型訓練技術的引入固然有效解決了數據利用率和設計周期漫長的問題，但代理模型的訓練和使用也存在一些問題，影響著代理模型的精度Data hungry異常點的影響數據一致性的影響代理模型數據需求量和具體問題相關，但總體的趨勢是越難的問題，訓練集的規模需求越大；期待模型學習的特征越細膩，支持相應特征的數據樣

5、本也需要越多。因為數據訓練樣本有限問題，樣本點類別的一致性、異常點和數據噪聲等都會導致提升代理模型精度的難度變大，尤其是在數據集規模較小的情況下，異常點對于代理模型精度的負面影響將被進一步放大。常見的機器學習開源算法，非線性表達能力有限，疊加考慮工業設計數據常存在多種模式混合、數據分布一致性差異大等因素，基于開源機器學習算法的建模效果將被進一步削弱。-14-關鍵技術HDDV高維可視化ROD異常點檢測HierarchicalStratify分層分類1，HDDV高維可視化：開展具體的建模工作之前，有必要對數據集進行細致、深度的挖掘。DTEmpower的HDDV模塊提供了豐富的可視化圖庫模板，為用戶

6、“可視化”探索數據模式提供了一條便捷可信賴的技術途徑。2，ROD異常點檢測：技術直接以提高模型的精度為目標，尋找并剔除樣本中的“潛在異常點”?？筛咝У剌o助用戶構建高精度模型。3，HierarchicalStratify分層分類：的建模方法對數據不僅有“量”的要求，也有“質”的要求，而工業設計段的數據集規模小、數據集的分布又不一致，這成了工業設計通往數據驅動、智能化的一大障礙，HierarchicalStratify分層分類技術為解決這類障礙應運而生。03-15-基于機器學習技術的評估與優化-16-基于機器學習技術的船型優化設計平臺-17-參數化建模軟件CAESES強大的變形能力可進行全參數化或

7、部分參數化建模擁有大量的曲線及曲面庫具有獨特的曲面造型技術，能夠有效減少構建復雜曲面所需參數參數提取及互相關聯功能便捷有效豐富的模型導出格式（甚至還有軟件專用格式）耦合仿真軟件進行分析能夠將網格生成器、求解器以及后處理分析工具直接耦合在一起，根據仿真結果反饋并直接變化幾何模型參數豐富的優化算法試驗設計方法、單目標優化算法、多目標優化算法、DOKOTA高級優化算法包-18-AICFD是天洑軟件自主研發的一款通用的智能熱流體仿真軟件。流體仿真工具AICFD幾何&網格模型導入網格單元類型六面體四面體三棱柱四棱錐任意多面體網格加密面網格加密體網格加密網格質量檢查設置求解材料流體+固體材料庫邊界條件速度

8、入口邊界質量流量入口邊界總壓入口邊界靜壓出口邊界質量流量出口邊界壁面邊界對稱邊界交界面旋轉周期交界面平移周期交界面常規交界面殘差曲線實時數據監控實時流場監控后處理云圖矢量圖流線圖圖表報告動畫結果對比旋轉機械專用模塊求解器數值格式對流項格式一階迎風二階迎風三階迎風二階中心插值格式中心格式迎風差分湍流模型零方程模型單方程模型雙方程模型大渦模擬模型分離渦模擬矩陣求解器多重網格光滑求解器對角求解器壓縮性不可壓可壓物理模型傳熱模型旋轉機械多相流電子散熱模型熱輻射模型燃燒模型噪聲模型人工智能AI一鍵加速AI智能預測-20-優化工具AIPOD計算流程集成及自動化智能優化算法SilverBullet智能代理學

9、習AIAgent智能代理優化SilverWing多種交互方式跨平臺支持自主可控-21-數據建模工具DT-empower04-22-案例分析-23-改哪里？、改多少？改哪里（60%70%）、改多少（30%40%）改哪里：工程師經驗 改多少：優化算法（單目標、多目標、遺傳算法、基于代理模型優化）優化問題的核心-24-CAESES采樣+優化過程1.Sobol采樣100次2.Tsearch優化50次Sobol采樣42.5063優化效果-0.45%Tsearch優化42.4830優化效果-0.50%3.連接STAR-CCM+求解總阻力基于CAESES的（100+50）次優化效果有限！初始設計Rt=42.

10、6965計算機配置：CPU：2Gold 6248R 24C 205W 3.0GHz 處理器 MEM：12 32GB TruDDR4 3200 MHz DISK：1S4610 480G SSD硬盤網格數：110W，核數：30，計算時間：30mins-25-數據采樣數據采樣：300（初始采樣）初始采樣得到的數據集Rt_min=42.5803(-0.27%)-26-代理模型質量評估評價指標R20.9666MAE0.0380MSE0.0025RMSE0.0502NRMSE0.0404Table2.代理模型評價指標輸出變量Rt輸入變量aft_delta_Volumebow_delta_Volumebul

11、b_delta_anglebulb_delta_lengthbulb_delta_widthDelta_CPDelta_XCBdelta_transom_heightTable1.模型信息代理模型的評價指標高就真的表示模型好嗎？模型就可以用于代理優化嗎？-27-疑點一：驗證集的評估精度方差大驗證集*驗證集采用CAESES軟件sobol100次的方案從驗證集的結果來看，代理模型的泛化性存在問題。其中80%以上的預測偏差在2%以內，但存在一些樣本的預測偏差達到10%15%。事有蹊蹺驗證集中預測誤差較大的樣本點-28-疑點二：部分代理評估結果不切實際NSGA3算法優化4000次結果分析1.常規的代理

12、建模手段構建出的代理模型，貌似合理，但實際部署則存在各種“異常行為”2.通過一些疑點和證據，我們知道代理模型大概率存在一些bug，可是bug在哪里？怎么去修復？蹊蹺很大：代理模型給出了一些不應該“存在”的評估結果！-29-第一輪代理優化結果Rt初始設計值42.6965，根據測試集驗證的精度，從4000個優化方案中分3輪，共選擇15個方案進行CFD驗證Rt介于40,42之間，間隔0.5取一個方案Rt介于38,40之間，間隔0.5取一個方案Rt介于36,38之間，間隔0.5取一個方案代理優化基于代理模型推薦出的15個“更優”方案，經CAE驗證，結果卻是15個方案都沒有優化效果難道“代理優化”是個偽

13、命題？結果分析-30-方法1：高維可視化高維可視化(before)數據集中的離群點HDDV使用過程HDDV模塊對船型設計數據集的探索高維可視化(after)橫軸坐標-5,130橫軸坐標-2,3HDDV發現了一個離群數據！-31-方法2：異常點清理AIOD（樣本集前處理）AIOD模塊對船型設計數據集的探索AIOD發現了一個極度異常的數據！圖 基于AIOD的數據集的異常評分示意圖。大部分數據的異常得分很低，但存在一個異常得分很高的數據-32-方法3：異常點清理ROD（樣本集訓練過中動態處理）ROD模塊對船型設計數據集的探索與AIOD不同，ROD是一種基于回歸分析的異常點識別算法，專門為提高代理模型

14、精度設計的一種算法是否加入ROD的建模流程和結果對比是否加入ROD的GBDT模型預測效果對比圖。其中，未加入ROD的模型在4個位置處出現了較大偏移 開啟ROD前：模型預測值與真實值在4個樣本點上有較大差距 開啟ROD后：4個樣本點上的預測偏差明顯變小 ROD是有效的！-33-效果1：模型誤差分解“方差與偏差”大幅降低去除異常點之前去除異常點之后通過AIOD的異常點清理，異常點去除之后代理模型在驗證集上的相對誤差范圍由5%降低到0.5%。-34-1.基于代理模型的優化結果為42.231，優化效果為-1.09%（初始設計42.6965），最優方案的設計變量(8個)中5個都處于或極為接近人為設定的邊

15、界處，其他3個在極小范圍內波動；效果2:代理優化得到更佳方案NSGA3算法優化4000次結果分析代理42.231CFD42.4402.驗證：誤差-0.49%優化效果-0.60%優化次數Rt優化結果400042.231800042.2312000042.231表.不同優化次數下的優化結果4000次后，進一步增加NSGA3計算規模，并不能提供更優設計方案！-35-效果3:更上一層樓智能代理優化Silverwing+（10）結果分析CFD42.3853優化效果-0.73%1.相比于基礎版的“代理優化”，獨家的智能代理優化算法Silverwing，只需追加少許CFD計算（10次），優化效果便可得到了進

16、一步提升2.設計優化方案結果：-36-效果3-2:Silverwing友好的可“追加”功能智能代理優化Silverwing+（30）結果分析CFD42.3232優化效果-0.88%1.由于Silverwing在最后一次（第10次）計算時優化效果最好，所以追加更多的CFD計算（30次），優化效果會有進一步提升；2.結果：-37-設計參數敏感度分析前60個最優設計參數的方差分析Variance Analysis基于代理模型的設計參數敏感度分析MDI敏感度高&方差小的參數-擴大邊界范圍圖 在60個較優設計中，bow_delta_Volume,bulb_delta_width,Delta_CP,Del

17、ta_XCB這4個參數的方差最終接近于0，說明其已經優化到了一個較為“完美”的水平，其余參數方差較大，還存在進一步優化空間。但是，這4個參數均達到了設定邊界處，所以可能是邊界設計的問題，使得優化陷入了“瓶頸”。圖 在MDI敏感度分析中，bow_delta_Volume,Delta_CP,bulb_delta_angle,delta_transom_height,Delta_XCB這5個參數敏感度較高，與方差分析的結果基本對應新的設計參數+低敏感度參數-精細化尋優-38-Silverwing（0.88%）+擴大參數邊界代理優化經驗：固定次要/不位于邊界的參數更大的優化空間更好的優化效果代理優化經

18、驗：擴大主要&處于邊界的參數范圍參數名稱取值aft_delta_Volume-44.33bulb_delta_angle9.98bulb_delta_length0.4194bulb_delta_width-0.5delta_transom_height0.7175參數名稱原始范圍此前最優設計當前范圍當前最優設計bow_delta_Volume-150,150149.852100,250134.072Delta_CP-0.01,0.01-0.0099-0.02,0.0-0.0137Delta_XCB-0.01,0.01-0.01-0.02,0.0-0.0088表 固定取值的參數及其取值表 擴大

19、邊界的參數及其范圍CFD42.3046優化效果-0.92%-39-優化結果匯總工具方法優化效果傳統優化方式Sobol100次采樣-0.45%Sobol100次采樣+Tsearch50次優化-0.50%NA傳統代理優化方法（直接的代理模型訓練+優化）無效AIPODAIPOD代理優化-0.60%Silverwing+10次CFD求解器仿真計算-0.73%Silverwing+30次CFD求解器仿真計算-0.88%表.船型設計優化問題試驗總結擴大主要&處于邊界的參數范圍:-0.92%*數據來源：廣船國際有限公司-40-設計變量個數：3 限制條件：排水量不小于73000空間限制點 訓練樣本數：150

20、異常點清洗數：1 代理模型優化次數：3000 優化效果：-1.11%*數據來源：廣船國際有限公司案例二：某船型代理模型優化-41-設計變量個數：9 限制條件：空間限制點 訓練樣本數：249 異常點清洗數：4 代理模型優化次數：4000 優化效果：-4.86%（Silverwing)*數據來源：中船黃埔文沖船舶有限公司案例三：某支線集裝箱船代理模型優化-42-設計變量個數：4 訓練樣本數：128（CAESES-Dakota)異常點清洗數：1 代理模型優化次數：4000 優化效果：-14.29%(Dakota最佳方案）*數據來源：江南造船（集團）有限責任公司案例四：槳葉翼型剖面空泡性能代理模型優化-43-基于代理模型的優化效果優于傳統模型優化結果（更多的設計方案探索），同時避免數據浪費 代理模型需進行樣本集處理，提高代理模型的精度，確認優化結果的可靠性 適用于系列船型研發及希望突破性能指標上限的主力船型 本項目涉及到的軟件（優化平臺AIPOD,代理模型精度提高工具DTempower,代理模型訓練工具AIagent）均為天洑自研軟件產品總結謝 謝 觀 看！天 洑-智 能 工 業 設 計 軟 件 全 球 引 領 者