基于LSTM函数模型从波-船舶时间序列学习响应统计偏移和参数滚动事件
机器学习
2026-03-26 v1 计算物理
数据分析、统计与概率
流体动力学
摘要
参数滚动是一种罕见但高影响力的不稳定现象，可触发船舶响应中的突然制度变更，包括显著的滚舵统计偏移和尾部风险。本文开发了一种数据驱动的替代模型，用于学习从波浪-船舶运动时间序列到船舶运动的非线性因果函数映射，并演示了该替代模型再现了(i)参数滚动事件和(ii)与之相关的统计偏移。关键的是，学习框架与数据来源无关：波浪-运动时间序列可来自受控实验（例如，船体存在时的拖水槽或池塘测试，使用波浪探头和运动跟踪）或在实验尚不可用时来自高保真仿真。为了提供一个严酷海况的演示，我们使用URANS数值波浪池生成训练数据，采用来自修改帕森斯-莫科维itz谱（Pierson-Moskowitz spectrum）的长波峰不规则海况。演示数据集包括每个海况49个随机相位实现，在选定的固定前进速度下仿真，以产生参数滚动事件可能发生的遭遇条件。我们对波浪-elevation时间序列训练堆叠LSTM替代模型，并在保留的实现上进行评估，使用时域精度和分布保真度指标。 在最严酷的情况下，该模型一致跟踪大幅度滚舵的发生和增长，捕捉到相应的滚舵概率密度函数（PDF）变化。我们进一步比较损失函数选择（MSE、相对熵基准和幅值加权变体），并展示它们在平均误差与尾部保真度之间权衡，后者与可操作性和风险评估相关。
引用
@article{arxiv.2603.24431,
title = {Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models},
author = {Jose del Aguila Ferrandis},
journal= {arXiv preprint arXiv:2603.24431},
year = {2026}
}