基于机器学习的船舶螺旋桨敞水性能预报代理模型

介绍了基于机器学习的经典模型,以螺旋桨特征参数为输入,建立船舶螺旋桨敞水性能预报代理模型。对几种典型的回归模型,分析了它们的预报精度和适用性。用随机森林方法建立了船舶螺旋桨敞水性能预报代理模型,其预报结果与试验数据吻合较好。对未知桨试验结果的验证表明,K_T和10K_Q的预报偏差在5%以内,敞水效率预报偏差在2%以内。该研究为船舶螺旋桨性能预报提供了新的手段,有望缩短设计周期,提高设计效率。     

基于经验知识的船舶螺旋桨水动力样本扩充方法及其在预报代理模型中的应用

近几年来,越来越多学者致力于采用机器学习进行船舶螺旋桨性能预报,但代理模型的预报效果往往受训练样本的数量和质量影响较大。目前船舶螺旋桨性能数据数量少且质量也不高,即数据对应参数分布较为集中,严重不均匀,这些问题都会影响代理模型预报的准确率与可靠性。为了解决这一实际困难,本文提出一种基于经验知识的样本扩充方法,并以船舶螺旋桨水动力性能的代理模型预报为例进行应用验证。结果表明：本文使用的样本扩充方法可以快速生成数据样本,可以一定程度上改善预报代理模型的可靠性,提升预报精度。