基于深度学习的悬链式单点系泊设计指标预测

孙强^1,2，李颜³，彭东升²，王宇新³，阎军¹，岳前进¹，钟万勰¹

1. 大连理工大学运载工程与力学学部，大连116024

2. 大连船舶重工集团有限公司，大连116005

3. 大连理工大学电子信息与电气工程学部，大连116024

摘要 悬链式单点系泊需要建立基于基础条件、工作条件、自存条件、运动和力要求等输入的模拟环境，并进行多点测试来寻找最佳设计。通过仿真计算构建2个主要数据集，即oper⁃ation数据集和self数据集。对self数据集进行预测，并将数据分为局部、全局和全局加局部3类进行训练和验证，使用4层全连接神经网络来预测回归问题，准确率可达90%以上。将该模型应用于更复杂的operation数据集时的效果并不理想。采用DNN+BN+ReLU作为最小分量自建模型DBRNet12复杂网络处理operation的数据得到86%的平均准确率。依据残差思想在DBRNet12基础上自建RNet40网络取得了90%的平均准确率。在网络架构方面，搭建了深度神经网络，通过全连接层进行预测，并对网络结构进行了持续的优化。最后，通过相对误差的评估来衡量预测效果的优劣，并利用残差网络进行优化。

关键词 多元回归；单点系泊；深度学习；残差网络

（责任编辑  王微）

http://www.kjdb.org/CN/10.3981/j.issn.1000-7857.2023.06.00958