基于RAdam Bi-LSTM的LNG动力船舶上甲板储罐泄漏后果预测方法

针对液化天然气(Liquid Natural Gas,LNG)动力船舶上甲板储罐泄漏后果预测难度大、预测时间慢和预测成本高等问题,提出一种基于修正自适应矩估计(Rectified Adaptive Moment Estimation,RAdam)优化算法的双向长短期记忆模型循环神经网络(Bi-Directional Long Short-Term Memory,Bi-LSTM)对泄漏后果进行预测。利用FLACS软件对LNG动力船舶上甲板储罐泄漏过程进行数值模拟,并将数值模拟结果作为神经网络的数据集,使用决定系数(R-Square,R2)作为评价预测性能指标。为提高Bi-LSTM网络模型的预测精度和适应性,分别对其激活函数修正线性单元(Rectified Linear Unit,Relu)、Sigmoid、Tanh与优化器RAdam、自适应矩估计(Adaptive Moment Estimation,Adam)和随机梯度下降(Stochastic Gradient Descent,SGD)进行对比分析计算,发现基于Relu激活函数的RAdam Bi-LSTM网络模型的R2均值可达到0.97。为验证Bi-LSTM网络模型的优越性,对循环神经网络(Recurrent Neural Networks,RNN)、长短期记忆模型循环神经网络(Long Short-Term Memory,LSTM)和Bi-LSTM的预测结果进行对比,发现Bi-LSTM网络模型的R2较其他两个模型分别提高4.5%和1.5%,确定使用Bi-LSTM作为所提出的预测方法的网络模型。因此,基于Relu激活函数的RAdam Bi-LSTM网络模型为所提出预测模型中的最优模型,可作为LNG储罐泄漏后果的快速预测方法,以解决事故后果预测速度的问题。

基于BiGRU的变频海水冷却系统状态参数预测

为解决传统统计学方法和机器学习法无法实现船舶变频海水冷却系统预期状态参数预测的问题,提出一种基于双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的时序预测模型,采用数据归一化法处理高跨度数量级的特征数据,并结合敏感性分析法实现隐含层神经元的参数调优。以MATLAB Simulink仿真平台生成的变频海水冷却系统参数数据集作为特征样本数据进行训练,采用均方误差(Mean-Square Error,MSE)、校正决定系数(Adjusted Coefficient of Determination,Adjusted R;)评价指标评估模型预测性能,并建立循环神经网络(Recurrent Neural Network,RNN)和单向门控循环单元(Gated Recurrent Unit,GRU)模型进行对比,分析不同时序数据预测算法模型的鲁棒性。结果表明:基于参数调优的BiGRU模型对比RNN模型,MSE值至少降低73.13%,Adjusted R^(2)值至少提高6.44%;对比GRU模型,MSE值至少降低67.86%,Adjusted R;值至少提高3.35%。BiGRU模型相比GRU与RNN模型可更为准确地预测系统预期状态参数,拥有优良的预测精度与稳定性,可为船舶安全评估体系提供准确的数据支撑,对船舶变频海水冷却系统参数预测具有参考价值。

基于Adam-BP的预混可燃气体燃爆实验结果预测方法

针对传统燃爆机理研究方法存在耗时久、成本高、有效实验数据难以获取的问题,采用一种数据驱动与物理实验相结合的方法对半封闭空间置障条件下燃爆实验结果进行预测,并以燃爆实验数据为基础,开发了一种基于Adam优化算法下的BP神经网络预测模型,通过敏感性分析实现隐含层神经元个数的最优配置;以实验获得的火焰速度和最大燃爆压力作为特征样本数据进行训练和测试;采用R;(决定系数)评价指标来评估预测模型性能,并与RSM模型和岭回归模型进行对比。结果表明,采用Adam-BP模型预测火焰速度和最大燃爆压力相比RSM模型预测的R;分别提高了30%和16%,相比岭回归模型的R;值分别提高了10%和8%,并且Adam-BP模型鲁棒性相对较好。测试结果表明,Adam-BP模型在预混可燃气体燃爆实验结果预测中精度达到95%以上,因此,Adam-BP模型适用于预混可燃气体燃爆后果的预测,可为研究预混可燃气体燃爆后果提供一种快速预测方法。