基于迁移学习的多源波浪载荷融合方法研究

为了泛化模型试验小样本数据,减少试验成本,本文以某船波浪载荷短期预报为研究对象,基于迁移学习建立多源波浪载荷融合(multi-source wave load fusion,MSWLF)方法。首先,将拉丁超立方抽样(Latin hypercube sampling,LHS)、数据处理与分析、切片理论和深度神经网络(deep neural networks,DNN)结合建立低频波浪载荷智能预报(low frequency wave load intelligent prediction,LFWLIP)方法,实现线性波浪载荷的智能预报。其次,将贝叶斯优化算法和DNN结合,构建优化数学模型,通过计算得到精度较高的LFWLIP模型。最后,以理论计算波频数据作为源域一、规则波模型试验波频数据作为源域二、不规则波模型试验合成数据(波频与砰击叠加)为目标域,基于迁移学习对不规则波工况下的波浪载荷预报进行二次修正。结果表明:在任意工况下,MSWLF方法能以较高的精度预测不规则工况下的波浪载荷短期预报值,载荷预测值与试验值误差小于20%。该方法对于不同海况尤其是高海况下船舶波浪载荷快速评估具有重要意义。