科学知识引导的机器学习用于舰船动力预测：比较研究

accurately 预测主引擎动力对于舰船性能优化、燃油效率和遵守排放法规至关重要。传统机器学习方法，如支持向量机、人工神经网络（ANNs）的变体以及基于树的方法如随机森林、Extra Tree Regressors 和 XGBoost，能够捕捉非线性关系，但往往难以尊重基础螺旋桨定律中动力与速度之间的关系，导致在训练外部区域外的外推效果差。本研究引入一种混合建模框架，将来自海试的物理知识与数据驱动的残差学习相结合。基线组件源自形式为 $P = cV^n$ 的静水动力曲线，捕捉主要的动力-速度依赖关系，而另一个非线性回归器则用于预测表示由环境和运行条件引起的偏差的残差动力。通过将机器学习任务约束在残差纠正上，混合模型简化了学习，提高了泛化能力，并确保与底层物理的一致性。本研究将 XGBoost、一个简单的神经网络和一个与基线组件耦合的 Physics-Informed Neural Network（PINN）与没有基线组件的相同模型进行比较。针对 in-service 数据的验证表明，混合模型在稀疏数据区域持续优于纯数据驱动的基线模型，而在数据密集区域的性能相似。该提出框架为舰船性能监控提供了实用且计算高效的工具，适用于天气路由、整流优化和能源效率规划等应用。