一种基于卷积神经网络的船体型线设计方法与流程

本发明涉及船舶
技术领域：
，尤其是一种基于卷积神经网络的船体型线设计方法。
背景技术：
：船舶设计是船舶全寿命周期的源头，而船体型线的设计是船舶设计前期阶段的关键环节，对船舶性能的影响很大。在过去传统的船型设计中，必须手工修改船体型线，再通过船模实验来验证最佳的船型，但这种设计方法成本高昂、设计周期长而且得到的设计方案也未必足够理想，因此这种方法已经逐渐被一些优化算法替代。目前最常用的就是利用cfd(computationalfluiddynamics，计算流体力学)方法基于水动力性能的优劣来进行船型的设计优化，通常的做法是：将船体型线进行参数化得到船型参数，然后建立船型参数与水动力性能之间的关系型数据库，接着对船舶进行cdf数值计算出水动力性能，在计算结果的基础上基于建立的关系型数据库调整船体型线直至水动力性能符合要求。但对船体型线进行参数化的方法较多，参数定义方法差别较大，因此导致数据形式难以统一、数据流通困难，所以这种优化方法的通用性不高，而且由于船型参数数量巨大且优化空间方位较大，这种优化算法又是在整个参数空间内搜索，所以往往导致优化迭代次数多，工作量巨大、效率较低、不利于船型快速开发。技术实现要素：本发明人针对上述问题及技术需求，提出了一种基于卷积神经网络的船体型线设计方法，本发明的技术方案如下：一种基于卷积神经网络的船体型线设计方法，该方法包括：从船型数据库中获取样本船舶的船型几何数据以及水动力性能数据；对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组；将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型；获取目标船舶的初始的船型几何数据并提取得到对应的几何特征数组输入船型性能预报模型，得到目标船舶的水动力性能数据；基于船型性能预报模型进行敏感性分析，根据敏感性分析结果对目标船舶的船体型线进行优化直至目标船舶的水动力性能数据达到预定性能值时，完成船体型线设计。其进一步的技术方案为，基于卷积神经网络进行敏感性分析，根据敏感性分析结果对目标船舶的船体型线进行优化，包括：将船型性能预报模型作为目标函数或适应度函数进行敏感性分析，确定各条船体型线与水动力性能数据之间的相关性；根据相关性的大小对目标船舶的船体型线进行优化。其进一步的技术方案为，样本船舶的船型几何数据包括样本船舶的几何曲面上离散点的三维坐标，和/或，对样本船舶的船体型线进行参数化处理后的船型数据。其进一步的技术方案为，船型几何数据来源于样本船舶的三维模型文件，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：将样本船舶的三维模型文件的剖面上的点投影到几何曲面上作为离散点，并将样本船舶的三维模型文件中位于轮廓线上的点直接作为离散点，在三维模型文件中读取所有离散点的三维坐标。其进一步的技术方案为，船型几何数据来源于样本船舶的型值表，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：将型值表中的型值点作为离散点，将型值点站号与站距乘积、型值点半宽、型值点所处的水线高分别作为离散点的三维坐标。其进一步的技术方案为，对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，包括：将根据船型几何数据排布形成二维特征矩阵，二维特征矩阵中的每个元素分别包括若干个通道，且每个元素表示一个离散点的三维坐标或者表示若干个船型数据；根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理得到几何特征数组。其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理，包括：对三维坐标中的x方向的坐标值除以所有样本船舶的最大船长，对三维坐标中的y方向的坐标值除以所有样本船舶的最大船宽，对三维坐标中的z方向的坐标值除以所有样本船舶的最大型深，完成对元素处的三维坐标的数据标准化处理。其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行归一化处理，包括：对各离散点三维坐标中的x方向的坐标值除以所有对应点三维坐标中x方向的坐标最大值，对各离散点三维坐标中的y方向的坐标值除以所有对应点三维坐标中y方向的坐标最大值，对各离散点三维坐标中的z方向的坐标值除以所有对应点三维坐标中z方向的坐标最大值，完成对元素处的三维坐标的数据标准化处理。其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理，包括：将三维坐标的x方向的坐标值、y方向的坐标值和z方向的坐标值分别除以所有样本船舶的最大船长，完成对元素处的三维坐标的数据标准化处理。本发明的有益技术效果是：本申请公开了一种基于卷积神经网络的船体型线设计方法，该方法将船舶几何离散化为标准化的数据点，将数据点重新排布形成规则的能够表达船体几何特征的几何特征数组，在此基础上应用卷积神经网络方法建立船型性能预报模型，从而可以基于船体的几何特征进行性能预报和数据挖掘，该方法提供了一种有效的无参数船体几何表达和分析方法，避免了船体型线分析中的参数化过程，适用于大部分主流船型，通用性较高，而且将训练得到的模型作为目标函数或适应度函数进行优化使得可以根据相关性进行型线优化，从而提高型线优化的效率，实现船型快速设计。附图说明图1是本申请公开的基于卷积神经网络的船体型线设计方法的流程图。图2是本申请一个实例的敏感性分析可视化结果示意图。图3是利用本申请的方法以及利用cfd对同一组实例数据处理得到的性能预报结果的误差示意图。具体实施方式下面结合附图对本发明的具体实施方式做进一步说明。本申请公开了一种基于卷积神经网络的船体型线设计方法，该方法包括如下步骤，请参考图1所示的流程图：步骤s1，从船型数据库中获取样本船舶的船型几何数据以及水动力性能数据。其中，船型几何数据有多种数据来源，其数据来源包括样本船舶的三维模型文件中的数据、样本船舶的型值表中的数据，以及对样本船舶的船体型线进行参数化处理后的船型数据中的至少一种，由上述这些原始数据得到船型几何数据的方法为：(1)当船型几何数据来源于船型数据库中的样本船舶的三维模型文件时，从船型数据库中获取样本船舶的船型几何数据的方法包括：通过正交试验设计、均匀试验设计或者随机采样的方法在三维模型文件的剖面上布设采集点，并将采集点投影到样本船舶的几何曲面上作为离散点，同时直接通过正交试验设计、均匀试验设计或者随机采样的方法在样本船舶的三维模型文件的轮廓线上的点采样作为离散点，在三维模型文件中读取所有离散点的三维坐标，也即在这种情况中，得到的船型几何数据为几何曲面上离散点的三维坐标数据。(2)当船型几何数据来源于船型数据库中的样本船舶的型值表时，从船型数据库中获取样本船舶的船型几何数据的方法包括：将型值表中的型值点作为离散点，将型值点站号与站距乘积、型值点半宽、型值点所处的水线高分别作为离散点的三维坐标，也即在这种情况中，得到的船型几何数据也为几何曲面上离散点的三维坐标数据。(3)当船型几何数据来源于样本船舶的船型数据时，直接将船型数据作为船型几何数据，在这种情况中，得到的船型几何数据包括无量纲数值参数，和/或，有量纲数值参数，和/或，积分参数，和/或，微分参数，和/或，坐标参数。包括的数据类型主要有船长、船宽、船高、型深、方形系数、型线上的反曲点、曲面面积比和投影面积等等。在实际实现时，船型几何数据的来源可以包括上述三种中的任意一种或多种，由此得到的船型几何数据包括样本船舶的几何曲面上离散点的三维坐标，和/或，对样本船舶的船体型线进行参数化处理后的船型数据。步骤s2，对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，该步骤包括两部分：1、首先将船型几何数据重新排布，形成[n,m]的二维特征矩阵，该二维特征矩阵中包括n×m个元素，每个元素分别包括k个通道，由此构成的二维特征矩阵包括n×m×k个数据，以k＝3为例，二维特征矩阵的形式如下所示：通常k＝3，则每个元素表示一个离散点的三维坐标，也即上述举例中，[xmn,ymn,zmn]即表示该样本船舶的几何曲面上一个离散点的三维坐标。或者，每个元素表示若干个船型数据，这里的船型数据包括步骤s1直接获取到的船型数据以及通过对步骤s1获取到的船型数据进行插值、复制和叠加等方法扩张得到的所有船型数据。一个元素中各个通道的数据可以是同一个船型数据，比如可以对同一个船型数据复制三次然后构成一个元素处的三通道数据。一个元素中各个通道的数据也可以属于不同的船型数据，比如一个元素处的三通道数据分别为三个不同的船型数据。2、对于任意一个样本船舶的[n,m]的二维特征矩阵，根据所有样本船舶的船型几何数据对该二维特征矩阵中的各个通道的数据进行归一化处理得到对应的[n,m,k]的几何特征数组，即将数据转化到[0,1]的范围内。对于二维特征矩阵中的船型数据，直接根据所有样本船舶的该船型参数的最大值和最小值进行归一化即可。对于二维特征矩阵中的三维坐标数据，数据标准化处理的方法有如下三种：(1)对三维坐标中的x方向的坐标值除以所有样本船舶的最大船长，对三维坐标中的y方向的坐标值除以所有样本船舶的最大船宽，对三维坐标中的z方向的坐标值除以所有样本船舶的最大型深，完成对元素处的三维坐标的数据标准化处理。(2)对各离散点三维坐标中的x方向的坐标值除以所有对应点三维坐标中x方向的坐标最大值，对各离散点三维坐标中的y方向的坐标值除以所有对应点三维坐标中y方向的坐标最大值，对各离散点三维坐标中的z方向的坐标值除以所有对应点三维坐标中z方向的坐标最大值，完成对元素处的三维坐标的数据标准化处理。(3)将三维坐标的x方向的坐标值、y方向的坐标值和z方向的坐标值分别除以所有样本船舶的最大船长，完成对元素处的三维坐标的数据标准化处理。步骤s3，在获取到所有样本船舶的船型几何数据以及水动力性能数据，并根据船型几何数据得到标准化的几何特征数组后，将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型。在实际应用时，可以是针对一项水动力性能数据训练得到船型性能预报模型，也可以针对多项水动力性能数据训练得到船型性能预报模型、但精度可能会受到一定的影响。步骤s4，在训练得到船型性能预报模型后，可以利用船型性能预报模型进行水动力性能的预报，则获取目标船舶的初始的船型几何数据并提取得到对应的几何特征数组，该步骤与上述对样本船舶的船型几何数据提取得到对应的几何特征数组相似，本申请不再赘述。将目标船舶的船型几何数据输入船型性能预报模型即能得到目标船舶的水动力性能数据，从而实现船型性能预报。步骤s5，在实现船型性能预报的基础上，可以基于船型性能进行船型优化设计，则基于训练得到的船型性能预报模型进行敏感性分析，将训练得到的船型性能预报模型作为目标函数(sobol、oat敏感性分析方法)或者适应度函数(遗传算法等)进行分析与优化。由此可以确定各条船体型线与水动力性能数据之间的相关性，也即得到敏感性分析结果。对一个实例进行敏感性分析的可视化结果请参考图2，灰度不同的区域表示敏感性高度不同的区域。根据相关性的大小对目标船舶的船体型线进行优化，直至目标船舶的水动力性能数据达到预定性能值时，完成船体型线设计。在优化时，可以优先对相关性高的船体型线进行优化，从而可以提高优化效率。本申请提供如下一个实际案例说明有效性，本申请选用某大型油船，包括613个样本船舶，样本船舶的主要船型参数如下表所示：按照站位上对船体型线进行离散，共获得21199个离散点，每个离散点包含x、y、z三个方向上的坐标。将21199个离散点重组后形成[493,43]矩阵，613个样本船舶的三维坐标形成613个[493,43,3]的几何特征数组。利用613个样本船舶的几何特征数组以及船型模型尺度下的总阻力系数训练得到针对船型模型尺度下的总阻力系数的船型性能预报模型，并随机选取93个测试点进行预测，结果与cfd评估结果进行对比，误差情况如下表所示，部分样本船舶的误差分布图请参考图3。误差值均值0.42％标准差0.88％最大值2.72％最小值-3.70％以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。当前第1页12