基于深度学习的海工平台运动预测

作     者：薛佳帆 张航维 何广华 姜泽成 

作者机构：哈尔滨工业大学(威海)海洋工程学院 哈尔滨工业大学机电工程学院 山东船舶技术研究院 

出 版 物：《哈尔滨工业大学学报》 (Journal of Harbin Institute of Technology)

年 卷 期：2024年

核心收录：

学科分类：081505[工学-港口、海岸及近海工程] 08[工学] 0815[工学-水利工程] 0824[工学-船舶与海洋工程] 0814[工学-土木工程] 082401[工学-船舶与海洋结构物设计制造] 

基　　金：山东省泰山学者工程专项经费(tsqn201909172) 山东省高等学校青年创新团队科技计划(2019KJN003) 

主　　题：贝叶斯优化 自动机器学习 运动预测 CNN LSTM 

摘      要：为提高海上作业装备的安全性能，实现海上结构物运动的实时预报，本研究利用了一种卷积神经网络（convolutional neural network， CNN）方法与长短期时间记忆（long short-term memory， LSTM）方法混合的深度学习模型用于运动预测，该混合模型运用CNN提取运动数据的特征，采用LSTM学习提取出的特征间的时间关系，并结合贝叶斯(Bayesian)优化算法优化混合模型的超参数。首先，对海工平台进行数值仿真，将得到的纵荡运动数据作为实验数据。其次，将数据集划分为训练集、验证集与测试集，利用训练集与验证集进行训练与验证，获得6、12、18 s运动最优预测模型，并利用测试集与LSTM模型进行比较。结果表明：混合模型在6、12、18 s预测上相比于LSTM等模型，预测精度可以提高15%～30%。除此之外，本研究还分别探究了预测精度与输入时长、预测时长之间的关系，结果显示预测精度受输入时长的影响较小，但随着预测时长的增加近似呈线性下降趋势。最后结合训练耗时证明了混合模型相比于LSTM等模型更具有优势。