基于 ensemble Hankel 动态模式分解的数据驱动不确定性感知的德尔夫特 372 双体船浸沉预测
系统与控制
2025-12-22 v2 计算工程、金融与科学
机器学习
系统与控制
摘要
本研究提出并验证了一种基于 ensemble 的 Hankel 动态模式分解（HDMDc）方法，用于高速双体船——德尔夫特 372 模型的不确定性感知浸沉预测。收集了来自不规则波浪池测试中对 1:33.3 比例尺德尔夫特 372 模型在 Fr=0.425、海况 5 下的波浪 elevation、垂向位移、俯仰角、假设机舱速度、假设桥梁加速度以及总阻力等时间历程的实验测量数据，并组织为训练、验证和测试集。HDMDc算法通过增强状态和输入及其时间滞后副本来构建无参数的线性简化模型，以捕捉非线性和记忆效应。我们比较了两种 ensemble 策略：一种是贝叶斯 HDMDc（BHDMDc），通过对视作随机变量的超参数进行先验分布抽样以产生后验均值预测并伴随置信区间；另一种是频率主义 HDMDc（FHDMDc），通过聚合数据子集上获得的多个模型来实现。我们发现 FHDMDc 方法在预测准确性方面优于确定性方法，同时提供稳健的不确定性估计；而将 BHDMDc 应用于当前测试案例未发现其优于确定性模型。FHDMDc 导出的概率密度函数与实验数据和 URANS 结果高度吻合，表明该方法能够可靠且计算高效地进行浸沉预测，适用于设计和运行决策支持。
引用
@article{arxiv.2511.04461,
title = {Data-driven uncertainty-aware seakeeping prediction of the Delft 372 catamaran using ensemble Hankel dynamic mode decomposition},
author = {Giorgio Palma and Andrea Serani and Matteo Diez},
journal= {arXiv preprint arXiv:2511.04461},
year = {2025}
}