基于深度神经网络的小样本船舶流场预测

实验与数值模拟的流场结果是船舶几何结构设计的重要参考依据,近年来深度学习的发展则为其提供了新的思路。为缓解试验过程与CFD计算成本高、耗时长的问题,本文基于Pix2Pix框架搭建船舶二维物理场的预测模型,利用迁移学习解决小样本问题,改善23个高精度样本的预测精度,有效预测各方向压力和速度分量的二维分布,并结合插值算法构建三维点云。本文将船身附近物理量梯度的结构相似度(SSIM)作为二维评价指标,将基于N-S方程的4个物理指标作为三维评价指标。结果表明,SSIM平均值变化范围为0.47~0.88,三维指标的平均绝对误差及均方根误差均小于3.5%。相较于实验与数值计算,本文提出的模型具有快速、便捷等优点,可为优化船身几何设计提供一定参考。

小样本规模船型优化策略的选择研究

选择合理高效的优化策略进行小样本规模下的船型优化,以KCS船的阻力性能为优化目标,对比分析不同优化算法的优化效率和阻力性能提升结果。首先,利用CAESES软件参数化变形技术实现船型的自动变换,分别对球鼻艏、船体入流段与去流段、艉封板以及船体其他位置进行组合变形,同时考虑排水体积和浮心纵向位置的约束;其次,采用船舶水动力专用CFD软件SHIPFLOW对船型的总阻力性能进行评估,与模型试验数据对比验证预报方法的精度;另外,分别采用CAESES软件集成的多种主流优化算法和自研优化算法Silverbullet的不同优化策略进行最优值的探索,对比分析不同样本规模下的优化效果。结果表明,在样本规模百次左右的情况下,Silverbullet算法的优化效果优于CAESES软件中集成的主流算法,当Silverbullet算法开启智能边界突破技术后,能够进一步获得总阻力性能的提升。