[发明专利]一种基于图像学习的船舶阻力预报方法

说明书

本发明公开了一种基于图像学习的船舶阻力预报方法，属于舰船装备技术领域，包括：将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；样本中的标签为相应船型对应的阻力数据；采用深度学习框架搭建卷积神经网络模型；将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。本发明以图像作为输入表达船型特征，有效克服了以往近似模型方法通用性和拓展性不强的缺点。

技术领域

本发明属于舰船装备技术领域，更具体地，涉及一种基于图像学习的船舶阻力预报方法。

背景技术

现代船舶总体设计对船舶航行性能预报效率提出了更高要求。在船舶论证设计过程中，需要根据总体方案要求，开展多轮次船型设计与优化。高精度仿真计算耗时长，在实际应用中难以满足快速优化的需求。构建近似模型是提高优化效率的一种方法。近似模型基于样本数据的输入与输出构造近似函数，实现对复杂设计空间的近似。目前，常用的近似技术主要有响应面方法、变精度模型、Kriging模型、径向基函数模型等，并在船型优化领域进行了广泛的研究。

近似模型的建立需要样本空间。样本空间需要基于给定的设计变量范围，通过特定的样本点生成方法生成。对于不同的优化案例，设计变量通常是不同的。因此，近似模型与设计变量深度绑定，一个案例构建的近似模型无法积累并应用于后续的优化问题。如果想将已有的样本数据应用在新的优化问题，则需要重新定义和提取参数，工作量巨大。因而需要非参数化的，即不依赖于设计变量的数据库构建方式，以实现数据库的通用性和拓展性。

非参数化的数据库构建方式需要直接采用船体曲面的几何信息，即船体曲面上的型值点。一个船体曲面需要由数千个型值点才能完整定义，一般的近似模型难以处理如此高维的数据，需要引入深度学习中的卷积神经网络技术。

在输入数据的结构方面，之前的方法是采用展开式结构，即将所有型值点依次排列，得到N×3的矩阵格式，其中N为型值点的数量。这种展开式结构将原本型值点的临近关系打乱，不利于深度学习算法进行学习，且不同船型的型值点个数不同，只适用于型值点拓扑结构相同的同类船型，通用性和拓展性不强。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种基于图像学习的船舶阻力预报方法，以图像作为输入表达船型特征，有效克服了以往近似模型方法通用性和拓展性不强的缺点。

为实现上述目的，本发明提供了一种基于图像学习的船舶阻力预报方法，包括：

将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；

以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；

样本中的标签为相应船型对应的阻力数据；

采用深度学习框架搭建卷积神经网络模型，其中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层及输出层；

将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。

在一些可选的实施方案中，所述船型图像基于三维船型曲面，通过通用三维建模软件、相应数值仿真软件或自编程序生成。