《Ocean Engineering》:A physics-informed transformer framework for multi-step 6-DOF motion prediction of distressed vessels
编辑推荐:
•PI Transformer 比基准模型实现了更高的 6 自由度预测精度,并在 50 秒的时间窗口内保持了数值稳定性。•来自刚体运动方程的物理约束抑制了多步误差累积,产生了始终更窄的误差带和更高的可靠性。•速度和加速度分析证实,引入物理约束减少了非物理抖动,确保了物理上一致
- •
PI Transformer 比基准模型实现了更高的 6 自由度预测精度,并在 50 秒的时间窗口内保持了数值稳定性。
- •
来自刚体运动方程的物理约束抑制了多步误差累积,产生了始终更窄的误差带和更高的可靠性。
- •
速度和加速度分析证实,引入物理约束减少了非物理抖动,确保了物理上一致且可解释的预测。
引言
准确的船舶运动预测对于海上安全、海洋工程和自主船舶运行至关重要。在海上,船舶持续受到风、浪和流的扰动,激发六自由度 (6-DOF) 响应,这些响应决定了船舶的稳定性和操纵性。如果船舶发生机械故障并失去推进或转向能力,它将进入失控状态,并在环境载荷下漂移。预测这些漂移轨迹对于海上交通管理、应急响应和搜救资源分配至关重要。
传统方法依赖于基于物理的水动力学模型。简化框架,如数学模型组 (MMG) 和 Abkowitz 模型,使用经验导数来表示船体 - 螺旋桨 - 舵的相互作用 (Yasukawa and Yoshimura, 2015; Zhang et al., 2021; Tavakoli et al., 2024)。这些模型也被广泛用于受损船舶的漂移预测分析 (Breivik et al., 2011; Ding et al., 2022)。虽然这些方法提供了透明的物理解释,但其准确性取决于水动力学系数和环境载荷。这些参数通常从模型实验、经验公式或数值模拟中估算 (Silva and Maki, 2022)。
数据驱动技术依赖于神经网络或统计回归进行船舶运动预测 (Kawan et al., 2017;Xiao et al., 2022)。最近的研究采用了循环神经网络 (RNN) 和长短期记忆 (LSTM) 网络来捕捉海洋时间序列内的非线性时间依赖关系 (Capobianco et al., 2021; Sun et al., 2022; Zhao et al., 2023; Al-Selwi et al., 2024)。现有文献已充分研究了短期轨迹和运动预测 (Han, 2017; Li et al., 2022; Lee et al., 2023; Zhang et al., 2023)。然而,基于循环的架构是串行处理输入的。这种固有的限制阻碍了长程依赖的学习,并在多步预测中引起误差累积。
Transformer 架构基于自注意力机制,通过并行建模全局时间依赖关系克服了这一限制 (Vaswani et al., 2017)。基于 Transformer 的模型已成功应用于交通、天气和轨迹预测 (Zhou et al., 2021; Luo et al., 2024)。尽管最近的几项研究试图将基于机制的知识与数据驱动框架相结合,但它们通常依赖于简化的物理假设或有限的前馈知识表示 (Shen et al., 2025)。
物理信息 (PI) 概念将控制方程残差纳入损失函数,并与数据保真度项一起 (Raissi et al., 2019;Cai et al., 2021; Cuomo et al., 2022),为流体和结构应用带来了性能提升。然而,在船舶运动预测中,将 PI 概念与 Transformer 结合仍处于起步阶段。现有研究通常将问题限制在 2-3 个自由度 (Schirmann et al., 2023),依赖于对于任意受损船舶难以获取的水动力学参数,或完全丢弃物理约束。尚未报道用于多步、6-DOF 漂移运动的统一 PI-Transformer 公式。
我们提出了一种 PI-Transformer,集成了全局自注意力与刚体运动学和动力学残差。这些物理项嵌入在训练目标中,其中时间加权方案对晚期地平线的偏差施加更大的惩罚,以抑制误差增长。所提出的框架针对无动力船舶在蒲福 13 级条件下漂移的高保真计算流体力学 (CFD) 数据进行了验证。在 50 秒的预测地平线上,PI-Transformer 在所有自由度上均超越了 Transformer 网络、双向长短期记忆 (BILSTM) 网络、卷积神经网络 (CNN) 和反向传播 (BP) 神经网络。预测速度和加速度的导数分析验证了 PI-Transformer 输出的物理一致性。
章节摘要
多步船舶运动预测
本研究的目的是开发一种 PI 深度学习框架,以预测漂移船舶的 6-DOF 运动,从而支持海上搜救操作。这些受损船舶的运动主要由环境扰动和水动力驱动。设时刻 的船舶运动状态定义为其中 是位置姿态向量; 是速度向量; 和 是波高; 表示
实尺度船舶漂移数据
一艘无动力工程船遭遇了猛烈的台风,风力达到蒲福 13 级。在强风和波浪的共同作用下,船舶拖锚并挣脱了系泊。船舶的主要参数列于表 1。
在漂移过程中,船舶的自动识别系统 (AIS) 连续记录导航信息,包括位置和速度。收集的 AIS 数据经过处理以重建船舶的
实验设置
在多模型比较之前,进行了时间敏感性分析,以检查输入窗口长度对预测精度的影响。测试了各种持续时间的历史船舶运动和波高段。基于这些结果,选择了 50 秒的历史运动窗口,以及覆盖过去 50 秒和未来 50 秒的 100 秒波浪输入,因为这种配置在保留足够的过去信息和
讨论
在本节中,展示了一个在突发条件变化下的 6-DOF 运动预测实验,以初步探索模型在非平稳和分布外条件下的外推性能。动态参数,包括风速、流速及其相对入射方向,详见表 11。
在这个测试场景中,输入序列 (?50 秒至 0 秒) 对应于相对温和的初始海况,而预测地平线 (0 秒至 50 秒)
结论
本文提出了 PI-Transformer,以减轻极端海况下受损船舶多步 6-DOF 运动预测中的误差累积。使用 CFD 模拟生成了蒲福 13 级风条件下的船舶运动数据集,并将它们的速度一致性与实尺度船舶参考数据进行了验证。刚体 6-DOF 运动方程作为运动学和动力学残差嵌入在自注意力架构中,整合了数据驱动的
CRediT 作者贡献声明
Yingjie Yu: 撰写 - 初稿,可视化,验证,软件,方法论,形式分析,概念化。Xiufeng Zhang: 撰写 - 审阅与编辑,验证,监督,资源,项目管理,方法论,资金获取。Siming Zhang: 验证,软件,数据整理。Mingjie Li: 软件,数据整理。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。
致谢
这项工作部分由 中国国家重点研发计划 (资助编号 2022YFB4301402) 支持。作者感谢匿名评审者对本文章质量改进提出的宝贵意见。
Yingjie Yu|Xiufeng Zhang|Siming Zhang|Mingjie Li