科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出一种对船舶和海工结构非线性水动力响应进行长期预报的新方法，利用高斯过程回归（GPR）和贯序取样技术，建立机器主动学习模型，实现对非线性长期极值响应贡献度最大的少数海况的贯序识别，以及对GPR模型训练集的持续更新。通过对GPR模型的迭代训练，使长期极值响应的预测值快速向真实值收敛，避免在整个海况域内进行非线性时域水动力计算。采用所研发的机器学习模型，对两型大型集装箱船的非线性水动力长期响应极值进行预报，以验证模型的高效性和准确性；并通过敏感性分析，对初始训练集数据的选择给出建议。模型对非线性问题具有广泛适用性，可以在适应性改造的基础上解决船舶及海工结构其它非线性响应的预报问题。
