基于可解释 KAN 的船舶轴功率和燃油消耗预测的物理信息机器学习方法
机器学习
2026-02-26 v1 人工智能
摘要
精准预测轴转速、轴功率和燃油消耗对于提高航运运输的作业效率和可持续性至关重要。传统的物理模型提供可解释性, 但在面对现实波动时性能受限, 而纯数据驱动方法则在牺牲物理合理性的同时取得高精度。本文提出了一种物理信息 Kolmogorov-Arnold 网络(PI-KAN), 这是一种混合方法, 将可解释的单变量特征变换与物理信息损失函数相结合, 并采用无数据泄漏的链式预测流程。使用来自五艘货船的作业数据和环境数据, PI-KAN 在所有货船上都始终优于传统多项式方法和神经网络基线模型。该模型在轴功率和燃油消耗预测中实现了最低的平均绝对误差(MAE)和均方根误差(RMSE), 以及最高的决定系数(R²), 同时保持物理一致的行为。可解释性分析揭示了红iscovery 了领域一致的依赖关系, 如类似立方的速度-功率关系以及类似余弦的波浪和风力效应。这些结果表明, PI-KAN 在预测精度和可解释性方面实现了平衡, 为船舶性能监控和作业决策支持提供了稳健工具。
引用
@article{arxiv.2602.22055,
title = {Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach},
author = {Hamza Haruna Mohammed and Dusica Marijan and Arnbjørn Maressa},
journal= {arXiv preprint arXiv:2602.22055},
year = {2026}
}
备注
10 pages, 5 figures, IEEE conference paper format; under review