Maskininlärningsmetod för att förutsäga spridning av skeppsvaken

När man seglar i tuffa havsmiljöer kan ett fartygs bränsleförbrukning och luftutsläpp enkelt ökas med mer än 100 % på grund av minskad framdrivningseffektivitet till havs. Fartygets framdrivningseffektivitet uppskattas/bestäms ofta genom att analysera vakfältsfördelningen runt fartygets propeller. Därför är det viktigt att uppskatta ett fartygs vakfältsfördelning under olika drifts- och vågmiljöförhållanden för att ha en tillförlitlig förutsägelse av fartygets energiprestanda till havs och utveckla energieffektivitetsåtgärder, som kan bidra till att minska ett fartygs bränsleförbrukning och luftutsläpp. . Ett fartygs vakfältsfördelning förutsägs normalt av CFD-metoder (Computational Fluid Dynamics), som ofta kräver enorma beräkningsinsatser och omöjligt att få tillförlitlig förutsägelse för alla möjliga fartygsseglingsförhållanden. I detta projekt kommer vi först att utveckla Long-Short Term Memory (LSTM) återkommande neurala nätverk för att modellera vattenflödet i tid runt ett fartygs gränsskikt baserat på några experimentella tester. Med indata från LSTM-maskininlärningsmodellen kommer tiden som krävs för CFD-analys att reduceras avsevärt. Sedan kommer det att tillåta oss att uppskatta vakfördelningen i olika hastighets- och vågmiljöer. Baserat på de stora mängderna vågfördelningsdata som genereras av den förbättrade CFD-analysen för maskininlärning, kommer några konventionella statistiska inlärningsmetoder att implementeras för att fastställa sambandet mellan vakfördelning, framdrivningseffektivitet och olika driftsförhållanden. Slutligen kommer den erhållna framdrivningseffektiviteten att integreras i ett fartygs prestandamodell för att uppskatta fartygets bränsleförbrukning och luftutsläpp vid faktiska seglingsmiljöer. Ett fallstudiefartyg med 5 års fullskaliga mätningar kommer att användas för att kontrollera noggrannheten hos den föreslagna metoden för uppskattning av vakfördelning och framdrivningseffektivitet.