[论文解读] 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 5

一句话总结

本文提出了一种新颖的深度学习框架，采用长短期记忆（LSTM）循环神经网络，用于预测极端海况下的船舶运动——具体为垂荡、纵摇和横摇。该模型基于高保真的非定常雷诺平均纳维-斯托克斯（URANS）模拟进行训练，学习从随机波面时序序列到船舶运动的函数映射，在经过昂贵的离线训练后，可实现实时在线预测，推理时间不足一秒，即使在海况8的未见波浪实现中也表现出高精度。

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.

研究动机与目标

• 解决传统CFD方法在极端海况下模拟非线性波体相互作用时计算不可行的问题。
• 开发一种代理模型，学习随机波面与船舶运动响应之间的函数关系。
• 评估RNN、GRU和LSTM在近似极端条件下复杂非线性船舶动力学方面的性能。
• 在离线训练后实现实时船舶运动预测，减少对昂贵模拟的依赖。
• 在两种代表性船舶上验证该方法：海况1中的 catamaran 和海况8中的 battleship。

提出的方法

• 该模型使用长短期记忆（LSTM）循环神经网络，学习从时序波面输入到船舶运动输出（垂荡、纵摇、横摇）的映射。
• 训练数据来自使用体积分数（VOF）方法解析自由表面流和动态流体-体相互作用（DFBI）的高保真、全黏性URANS模拟。
• 系统采用动态流体-体相互作用（DFBI）模型，允许船舶在三个自由度（3DOF）上运动：垂荡、纵摇和横摇。
• 波面时序序列基于WMO海况8谱通过谱分解生成，随机相位均匀采样以模拟随机波浪条件。
• 模型通过最小化预测值与CFD模拟运动之间的相对平方误差（RSE）进行训练，性能在未见波浪实现上进行评估。
• 该方法基于泛函的通用逼近定理，将其扩展至涉及非线性、黏性及瞬态波体相互作用的实际工程问题。

实验结果

研究问题

• RQ1 基于LSTM的神经网络能否准确近似极端海况下随机波面与船舶运动之间的非线性函数关系？
• RQ2 LSTM网络在预测不规则波浪条件下复杂船舶动力学时，性能与标准RNN和GRU相比如何？
• RQ3 单一训练好的LSTM模型在WMO海况8等高海况下对未见波浪实现的泛化能力有多大？
• RQ4 模型是否能在离线训练后实现实时预测，显著降低与完整CFD模拟相比的计算成本？
• RQ5 模型对横摇运动的预测精度如何，而横摇运动对黏性效应和非线性阻尼特别敏感？

主要发现

• LSTM神经网络在预测船舶运动方面优于标准RNN和GRU，展现出对波浪诱导动力学中长期时间依赖关系的更优学习能力。
• 对于海况1中的 catamaran，模型在未见波浪实现上对垂荡、纵摇和横摇运动的预测均表现出高精度，相对平方误差（RSE）较低。
• 对于DTMB战列舰在海况8中，模型成功预测了大振幅横摇运动（高达20度），准确捕捉了振幅和频率，尽管黏性、非线性效应高度复杂。
• 模型实现了实时在线推理，离线训练后仅需几分之一秒即可完成预测，显著优于全CFD模拟。
• 所有测试架构的相对平方误差（RSE）均保持较低水平，性能最佳的LSTM配置在未见波浪条件下表现出强泛化能力。
• 横摇运动预测精度低于垂荡和纵摇，但仍能捕捉关键动力学特征，表明模型具备学习复杂黏性主导行为的能力。