基于深度学习的海工平台运动预测
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。