[論文レビュー] Learning functionals via LSTM neural networks for predicting vessel dynamics in extreme sea states

José del Águila Ferrandis, Michael S. Triantafyllou+2 more|arXiv (Cornell University)|Dec 23, 2019

Ship Hydrodynamics and Maneuverability被引用数 5

ひとこと要約

本論文は、極端な海域状態における船体の動態（主に垂れ下がり、ピッチ、ロール）を予測するための新しい深層学習フレームワークを提案する。長短記憶（LSTM）再帰的ニューラルネットワークを用い、高精度な非定常レーノルズ平均ナビエ＝ストークス（URANS）シミュレーションで訓練されたモデルは、確率的波面高さ時間系列から船体運動への関数的マッピングを学習し、高価なオフライン訓練を経て、リアルタイムでのオンライン予測を実現。推論時間は1秒未塔であり、海状態8においても未観測の波形実現に対し高い精度を示した。

ABSTRACT

Predicting motions of vessels in extreme sea states represents one of the most challenging problems in naval hydrodynamics. It involves computing complex nonlinear wave-body interactions, hence taxing heavily computational resources. Here, we put forward a new simulation paradigm by training recurrent type neural networks (RNNs) that take as input the stochastic wave elevation at a certain sea state and output the main vessel motions, e.g., pitch, heave and roll. We first compare the performance of standard RNNs versus GRU and LSTM neural networks (NNs) and show that LSTM NNs lead to the best performance. We then examine the testing error of two representative vessels, a catamaran in sea state 1 and a battleship in sea state 8. We demonstrate that good accuracy is achieved for both cases in predicting the vessel motions for unseen wave elevations. We train the NNs with expensive CFD simulations offline, but upon training, the prediction of the vessel dynamics online can be obtained at a fraction of a second. This work is motivated by the universal approximation theorem for functionals [1], and it is the first implementation of such theory to realistic engineering problems.

研究の動機と目的

• 従来のCFD手法では計算的に不切となる極端な海域状態における非線形波体相互作用のシミュレーションを解決するため。
• 確率的波面高さと船体運動応答の間の関数的関係を学ぶサーヴィエージモデルを開発するため。
• RNN、GRU、LSTMが極端な条件下での複雑な非線形船体動態を近似する性能を評価するため。
• 高価なシミュレーションに依存することを減らすために、オフライン訓練後にリアルタイムの船体運動予測を可能にするため。
• 2つの代表的船型（海状態1におけるカタマラン、海状態8における戦艦）を用いてアプローチの妥当性を検証するため。

提案手法

• モデルは、時間系列の波面高さ入力を船体運動出力（ヘーブ、ピッチ、ロール）へのマッピングを学習するための長短記憶（LSTM）再帰的ニューラルネットワークを用いる。
• 訓練データは、自由表面流れと動的流体体相互作用（DFBI）を解明するためのボリューム・オブ・フラッド（VOF）法を用いた高精度で完全な粘性URANSシミュレーションから生成される。
• システムは、船体が3自由度（3DOF：ヘーブ、ピッチ、ロール）で運動できるようにする動的流体体相互作用（DFBI）モデルを採用する。
• 波面高さ時間系列は、WMO海状態8スペクトルに基づくスペクトル分解を用い、一様に抽出されたランダム位相を用いて確率的波条件を模擬する。
• モデルは、予測された運動とCFDシミュレーション結果との間の相対二乗誤差（RSE）を最小化するように訓練され、未観測の波実現に対する性能が評価される。
• 本アプローチは、非線形的で粘性的かつ一時的な波体相互作用を含む実用的工学問題に拡張された関数の普遍近似定理に基づく。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのニューラルネットワークは、極端な海域状態における確率的波面高さと船体運動の非線形関数的関係を正確に近似できるか？
• RQ2 不規則波条件下での複雑な船体動態予測において、LSTMネットワークは標準的なRNNおよびGRUと比較してどの程度優れた性能を示すか？
• RQ3 1つの訓練済みLSTMモデルが、WMO海状態8のような高波状態における未観測の波実現にどの程度一般化できるか？
• RQ4 オフライン訓練後、モデルはリアルタイムでの船体運動予測を達成できるか？ これにより、フルCFDシミュレーションと比較して計算コストを著しく削減できるか？
• RQ5 ロール運動は粘性効果と非線形ダンピングに特に敏感であるが、モデルの予測精度はどの程度か？

主な発見

• LSTMニューラルネットワークは、波動誘発動態における長期的時間依存性をより効果的に学習できたため、標準的なRNNおよびGRUを上回る性能を示した。
• 海状態1におけるカタマランでは、未観測の波実現に対してヘーブ、ピッチ、ロール運動の両方において高い精度を達成し、相対二乗誤差（RSE）が低かった。
• 海状態8におけるDTMB戦艦では、最大20度の大きな振幅のロール運動を、正確な振幅と周波数で正しく予測できた。 これは、粘性的で非線形的な効果が極めて複雑な状況でも成立することを示している。
• モデルはリアルタイムでのオンライン推論を達成し、高価なCFDシミュレーションのオフライン訓練を経て、数分の1秒未塔の推論時間で予測を生成した。
• すべてのテストアーキテクチャにおいて、相対二乗誤差（RSE）は一貫して低く、最も優れた性能を示したLSTM設定では未観測の波条件への一般化能力が顕著に高かった。
• ロール運動の予測精度はヘーブおよびピッチより低かったが、依然として主要な動的挙動を捉えており、モデルが複雑な粘性支配的挙動を学習できることを示している。