《Journal of Ocean Engineering and Science》：A Surrogate Model for Trimaran Maneuvering in Waves
编辑推荐：
本文针对三体船操纵性能优化设计中的计算效率瓶颈，提出了一种基于人工神经网络(ANN)的智能代理模型。研究团队通过源准连续涡格法(SQCM)生成覆盖多种侧体布局和工况的仿真数据集，建立了以船体配置和工况参数为输入、关键操纵性参数为输出的ANN模型。该模型在测试集上相关系数大于0.99，自航试验验证平均百分比误差小于8%，将操纵性预测时间从传统方法的数小时缩短至秒级，为三体船侧体布局优化提供了高效可靠的解决方案。
在高速船舶设计领域，三体船凭借其优异的耐波性和稳定性备受关注。然而，这种由主船体和两个侧体组成的特殊结构，也带来了复杂的水动力干扰问题。侧体的布局参数——包括纵向位置(a)和横向间距(p)——直接影响船舶的操纵性能，但传统计算方法难以满足优化设计中对效率的迫切需求。
目前，基于计算流体动力学(CFD)的数值模拟方法虽然精度较高，但存在计算耗时长、网格生成复杂等瓶颈。每次参数调整都需要重新生成计算网格，严重依赖人工干预，难以与需要大量迭代的优化算法高效集成。面对三体船在军民领域的广泛应用前景，开发一种既能保证精度又具备高效率的预测工具成为当务之急。
针对这一挑战，上海交通大学海洋工程实验室的张祥瑞、唐林洲等研究人员在《Journal of Ocean Engineering and Science》上发表了一项创新研究。他们首次将人工神经网络(ANN)引入三体船操纵性建模领域，开发了一种智能代理模型，为实现三体船设计的自动化和智能化提供了新的技术路径。
关键技术方法概述
研究团队采用源准连续涡格法(SQCM)进行数值模拟，基于势流理论结合Rankine源面板法和涡格法，高效计算不同漂角和首摇角速度下的横向力和偏航力矩。通过三自由度MMG模型建立船舶操纵动力学模型，生成包含7920个样本点的数据集。利用TensorFlow框架构建ANN代理模型，通过超参数调优确定最优网络结构为5个隐藏层、每层16个神经元，采用ReLU激活函数和Adam优化器进行训练。
研究结果分析
侧体布局空间设计
研究聚焦TriA三体船型，选取侧体纵向位置(a)、横向间距(p)、Froude数(Fr)和舵角(δ)作为核心输入参数。侧体布局空间范围涵盖横向间距p′（p/Lm）为0.08-0.27，纵向间距a′（a/Lm）为0-0.64，有效覆盖了该船型可能涉及的核心变量组合。
三体船操纵性数据集构建
通过SQCM方法进行三体船操纵性水动力模拟，结合MMG模型实现给定三体船模型TriA所有布局配置的快速预测。数值模拟结果表明，侧体布局对三体船回转性能的影响具有明显规律性，所有回转运动参数均呈现一致的影响趋势。
代理模型构建与超参数调优
构建的ANN代理模型包含4个输入参数和8个输出参数。通过比较不同隐藏层数（2-7层）和神经元数量（8、16、32）的模型性能，发现5层隐藏层、每层16个神经元的网络结构在验证集和测试集上均表现最优，实现了预测精度与泛化能力的帕累托最优平衡。
模型训练性能验证
经过5000轮训练，模型损失函数收敛至接近零的值。测试集上所有操纵性参数的相关系数(R2)均大于0.99，大部分关键参数的95%置信区间覆盖率超过97%。仅初始超调角预测精度相对较低，这与该参数对高阶动力学特性更敏感有关。
实验验证与结果分析
通过6米主船体水线长的自航模型实验，在24种不同工况下进行回转试验。将ANN代理模型预测结果与自航试验数据对比，显示回转直径和回转周期的平均百分比误差分别低于9%和8%，验证了模型在实际工程应用中的准确性和可靠性。
研究结论与意义
该研究成功构建了基于ANN的三体船操纵性智能代理模型，实现了侧体布局参数与操纵性能指标之间的非线性映射。研究发现，侧体布局对操纵性能影响显著：侧体横向间距增大会导致回转直径增加、操纵性能恶化；而将侧体纵向位置布置在舯部附近有助于同时减小回转直径和回转周期。特别是当侧体横向间距从布局1增加到布局2时，回转直径最大可增加39%；而当侧体纵向位置前移（布局3和布局4）时，回转直径可减小21%-44%。
该智能代理模型将单次操纵性预测时间从传统CFD方法的数小时缩短至秒级，为解决三体船侧体布局优化中的计算效率瓶颈提供了有效方案。模型表现出的高精度和强可靠性，使其能够作为高效的目标函数评估器，与多目标优化算法深度集成，推动三体船设计向自动化、智能化方向发展。
这项研究不仅为三体船操纵性能预测提供了新的技术手段，也为其他复杂船型的水动力性能优化提供了可借鉴的方法框架。未来通过引入迁移学习框架和不确定性量化方法，可进一步扩展模型的适用范围和决策可靠性，为实现船舶设计的全局优化奠定坚实基础。
