增量近似模型在船型优化设计中的应用研究

《Machines》:Research on the Application of Incremental Approximation Models in Hull Form Optimization Design

【字体: 大 中 小 】 时间:2026年08月27日 来源:Machines 3.0

编辑推荐:

  为了解决船型优化中设计变量增加导致近似模型需要从头重建以及历史CFD样本利用不足的问题,研究人员提出了一种增量近似模型构建方法。基于高维模型表示(High-Dimensional Model Representation,HDMR)的加性分解特性,该方法突破了

  
为了解决船型优化中设计变量增加导致近似模型需要从头重建以及历史CFD样本利用不足的问题,研究人员提出了一种增量近似模型构建方法。基于高维模型表示(High-Dimensional Model Representation,HDMR)的加性分解特性,该方法突破了传统近似模型刚性结构的限制。当设计空间发生维度扩展时,该方法能够充分继承现有的低阶分量模型和历史样本点数据库,仅需针对新变量及其强耦合项进行局部补充采样和增量构建,从而实现近似模型的跨维度自适应更新。通过数值测试函数和集装箱船船体线型阻力优化算例对该方法进行了验证。结果表明,与传统全维近似模型相比,该方法降低了全空间重采样开销,在保持较高预测精度的同时减少了CFD样本需求,为高维动态空间中的船舶水动力优化提供了一种高效建模方法。
增量Kriging-HDMR模型在船型优化中的应用研究

在船舶设计领域,高效船型优化对节能减排具有重要意义。传统船型优化通常依赖高保真CFD数值模拟,但这类方法计算成本高昂,难以直接用于大规模设计空间搜索。为此,基于近似模型的优化方法被广泛应用,例如Kriging、径向基函数(RBF)、支持向量回归(SVR)和神经网络等。这些方法通过建立设计变量与水动力性能之间的映射关系,显著减少了CFD评估次数。然而,实际工程中设计变量集合并非恒定不变:在设计初期,工程师通常需要逐步增加几何控制参数;船东需求也时常变化。当设计变量维度增加时,传统近似模型因缺乏空间可扩展结构而面临两难境地——全维度重采样会丢弃历史积累的CFD样本,造成计算资源浪费;而采用基线值填充等方法强行拼接历史数据则容易破坏样本空间分布,导致模型预测失真。现有数据重用方法(如迁移学习、多保真建模)主要面向固定设计空间或不同保真度数据,对设计变量逐步增加时的模型更新问题研究不足。因此,研究人员提出了一种基于高维模型表示(HDMR)的增量Kriging-HDMR近似模型构建方法,相关成果发表在《Machines》。

研究人员基于Sobol方差分解理论,利用HDMR将高维目标函数分解为常数项、一阶分量和二阶分量等低阶项之和。其核心思想是:在初始变量空间构建基线Kriging-HDMR模型;当新设计变量加入时,仅针对新变量及其与既有变量的强耦合项进行局部补充采样和低阶分量模型构建,然后叠加到原模型上,从而最大化复用历史数据和模型结构。该方法通过4个数值测试函数和800TEU集装箱船船型阻力优化案例进行了验证,并与传统标准Kriging和神经网络模型进行了对比。

主要技术方法方面,研究人员采用Sobol方差分解与HDMR理论实现高维函数低阶截断;使用Kriging模型拟合一阶和二阶分量;通过一维均匀采样和二维子空间采样获取训练数据;利用相对误差阈值筛选强耦合二阶项;在维度扩展时采用增量叠加更新策略。数值测试部分使用拉丁超立方采样生成独立测试集;船型优化案例中,以800TEU集装箱船为对象,采用参数化建模生成船体线型,使用CFD计算总阻力,并进行网格无关性验证,最后用NSGA算法进行全局优化。

研究结果如下:

4. 数值算例验证

4.1 测试函数:选取了F1–F4四个高维数学函数,分别覆盖加法型、不可分型和高阶交互型问题,设置初始维度为10至30维,并扩展2维进行跨维度测试。

4.2 误差度量:采用最大相对误差(maxRE)、相对平均绝对误差(RAAE)和归一化均方根误差(nRMSE)作为评价指标,测试集由100个拉丁超立方采样点构成。

4.3 结果与讨论:当设计空间维度扩展时,增量Kriging-HDMR仅需补充少量样本(例如,F1仅需20个新增样本)即可保持预测精度稳定,而传统Kriging和神经网络在同等样本量下误差显著增大(如F1中Kriging的maxRE增加121.19%,神经网络增加260.82%)。在全部四个测试函数中,Kriging-HDMR均取得了比标准Kriging和神经网络低约一个数量级的预测误差,验证了其在数据重用和高维小样本条件下的有效性。

5. 船型优化测试案例

5.1 优化模型与策略:以800TEU集装箱船为优化对象,初始选取14个设计变量,后额外增加2个艉部局部控制变量,使设计空间扩展至16维。CFD计算采用数值模拟方法,并通过网格无关性验证确保收敛性。本研究仅构建一阶Kriging-HDMR近似模型,未采集二阶样本,因为一阶模型在14维和16维下的最大相对误差分别为2.49%和3.73%,满足工程精度要求,且避免了二阶采样带来的高昂计算成本。

5.2 全局优化与结果比较:基于16维展开设计空间中的近似模型,使用NSGA算法(种群规模50,代数48)进行了三次独立优化。三个优化船型的总阻力相比初始船型分别降低4.68%、4.30%和5.35%,其中优化船型3效果最显著,总阻力从13.26N降至12.55N,模型预测与CFD验证的相对误差仅为2.07%。船体线型对比显示,优化主要发生在艉部双轴区域,艉部线型出现明显收缩;波形对比则表明优化后艉部波高显著降低,远场波扰范围收窄,说明艉部流场改善是总阻力下降的重要原因之一。

讨论与结论部分,研究人员在数值实验和船型优化案例中均观察到,与传统全维近似模型相比,增量Kriging-HDMR方法在维度扩展时无需全空间重采样,仅通过局部增量样本即可完成模型更新,避免了历史数据浪费和模型失真,显著提高了建模效率。同时,基于低阶分解的结构有效缓解了高维小样本下的“维数灾难”,在不同维度和复杂交互场景下均保持了较低预测误差。论文结论可概括为:(1)该方法实现了无损数据复用,面对设计空间维度扩展时,可完整继承已有低阶分量模型和历史样本,仅需为新变量补充少量样本即可完成模型更新,避免了传统方法从零开始或强制拼接带来的资源浪费和样本失真;(2)基于HDMR低阶加性分解,该方法有效缓解了传统全维近似模型在高维小样本条件下容易出现的拟合失真,在多种测试维度下保持了低预测误差;(3)在800TEU集装箱船16维船型线型优化中,仅使用144个CFD样本即建立了高精度近似模型,优化得到的船型总阻力降低5.35%,预测误差仅2.07%,验证了该方法在船型优化中的可行性和高效性。然而,由于该800TEU集装箱船缺乏公开的拖曳水池试验数据,初始船型阻力未能与实验数据直接对比,数值不确定性尚未量化。虽然网格无关性验证表明数值结果已趋于收敛,但5.35%的阻力降低幅度仍需通过模型试验或更精确的验证方法进一步确认。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号