使用可泛化的力校正机器学习方法预测不同海况下的船舶响应
机器学习
2024-05-15 v1 流体动力学
机器学习
摘要
如果一种机器学习方法能够在与训练数据集不同的输入上进行预测，则称其具有可泛化性。对于波浪诱导船舶响应的预测，如果机器学习方法要用于设计评估，可泛化性是一个重要的考虑因素。此外，训练数据集的大小对方法的实用性有显著影响，尤其是在使用昂贵的高保真数值工具生成训练数据时。本文考虑了一种混合机器学习方法，该方法校正低保真运动方程中的力。该方法应用于两个不同的案例研究：受不规则激励的 Duffing 方程的非线性响应，以及一艘快速排水船在顶浪中的高保真垂荡和纵摇响应数据。在这两种情况下，通过预测与训练数据集中不同的不规则波浪条件下的响应来确定方法的可泛化性。还研究了混合模型中低保真基于物理的项对可泛化性的影响。将预测结果与两个基准进行了比较：一个基于物理的线性模型和一个数据驱动的 LSTM 模型。结果发现，当在小数据集上训练时，混合方法在预测精度和可泛化性方面均有改进。
引用
@article{arxiv.2405.08033,
title = {Predicting Ship Responses in Different Seaways using a Generalizable Force Correcting Machine Learning Method},
author = {Kyle E. Marlantes and Piotr J. Bandyk and Kevin J. Maki},
journal= {arXiv preprint arXiv:2405.08033},
year = {2024}
}