(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110302143.8 (22)申请日 2021.03.22 (65)同一申请的已公布的文献号 申请公布号 CN 113312832 A (43)申请公布日 2021.08.27 (73)专利权人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南 通大街 145号 (72)发明人 任少飞　刘永泽　张阿漫　王诗平　 刘云龙　明付仁　李帅　崔璞　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 张宏威 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01)G06F 111/06(2020.01) G06F 111/10(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 104657611 A,2015.0 5.27 CN 10469 9984 A,2015.0 6.10 CN 112286203 A,2021.01.2 9 CN 107600352 A,2018.01.19 王美婷.基于概率神经网络的舰船冲击环境 预报方法研究. 《中国优秀硕士论文 全文数据 库》 .2020,第1- 6,11-66页. 尤恽.砰击载荷作用下 船体结构载荷预报及 结构响应 研究. 《中国优秀硕士论文 全文数据 库》 .2017,全 文. 彭丹丹.砰击载荷作用下 船体结构动态响应 研究. 《中国优秀硕士论文 全文数据库》 .2018,全 文. 审查员 郭放 (54)发明名称 一种基于机器学习的水下爆炸载荷下船体 板架结构动响应快速预报方法 (57)摘要 本发明是一种基于机器学习的水下爆炸载 荷下船体板架结构动响应快速 预报方法。 本发明 采用任意欧拉 ‑拉格朗日方法对 水下爆炸载荷下 船体板架结构响应进行数值计算获得数据样本； 根据船体板架结构， 对样本数据库进行降维， 用 以缩短深度神经网络训练时间； 采用深度神经网 络对降维后的样本数据库进行学习， 并验证学习 效果； 采用蚁群算法对深度神经网络的结构及超 参数进行优化， 提高深度神经网络训练效率和预 报精度， 输出泛化效果最佳的深度神经网络； 对 使用深度神经网络对水下爆炸载荷下船体板架 结构动响应预报结果进行后处 理。 权利要求书3页 说明书11页 附图3页 CN 113312832 B 2022.04.29 CN 113312832 B 1.一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法， 其特征 是： 包括以下步骤： 步骤1： 采用任意欧拉 ‑拉格朗日方法对水下爆炸载荷下船体板架结构响应进行数值计 算获得数据样本； 步骤2： 根据船体板架结构， 对样本数据库进行降维， 用以缩短深度神经网络训练时间； 步骤3： 采用深度神经网络对降维后的样本数据库进行 学习， 并验证学习效果； 所述步骤2具体为： 据船体板架结构的对称形式对样本数据库进行降维， 对于关于X轴对称的船体板架结 构在水下爆炸载荷下的各节点 位移矩阵A有： 其中， B为船体板架结构对称轴上方节点位移矩阵， C为船体板架结构对称轴下方节点 位移矩阵， bij和cij分别船体板架结构对称轴上 方和下方第i行j列节点 位移信息； 由于船体板架结构关于 X轴对称， cm,n＝bi‑m+1,n， 对矩阵B中的数据进行训练和预测， 实现 数据降维； 对于关于Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式表 示： A＝[B C] 其中， B为船体板架结构对称轴左侧节点位移矩阵， C为船体板架结构对称轴右侧节点 位移矩阵， bij和cij分别船体板架结构对称轴左侧 和右侧第i行j列节点 位移信息； 由于船体板架结构关于Y轴对称， cm,n＝bm,j‑n+1， 对矩阵B中的数据进行训练和预测， 提高 训练效率； 对于关于X和Y轴对称的船体板架结构在水下爆炸载荷下的各节点位移矩阵A通过下式 表示： 其中， B为船体板架结构左上区域节点位移矩阵， C为船体板架结构右上区域节点位移 矩阵， D为船体板架结构左下区域节点位移矩阵， E为船体板架结构右下区域节 点位移矩阵， bij、 cij、 dij和eij分别船体板架结构左上、 右上、 左下和右下区域第i行j列节点 位移信息； 由于船体板架结构关于X和Y轴对称， cm,n＝bm,j‑n+1、 dm,n＝bi‑m+1,n、 em,n＝bi‑m+1,j‑n+1， 对矩 阵B中的数据进行训练和预测；权　利　要　求　书 1/3 页 2 CN 113312832 B 2所述步骤3中具体为： 使用划分好的训练集数据对深度神经网络进行训练， 其中深度神经网络的隐含层数取 为1到3， 从SGD、 RMSprop和Adam 中选取神经网络优化算法， 当选择Adam则ρ1取0.9， 取0.999， ε取10‑8； 选用ReLu函数作为激活函数， 最后将验证集数据代入训练好的神经网络 中验证深 度神经网络的泛化能力； 步骤4： 采用蚁群算法对深度神经网络的结构及超参数进行优化， 提高深度神经网络训 练效率和预报精度， 输出泛化效果 最佳的深度神经网络； 步骤5： 对使用深度神经网络对水下爆炸载荷下船体板架结构动响应预报结果进行后 处理。 2.根据权利要求1所述的一种基于机器学习的水下爆炸载荷下船体板架结构动响应快 速预报方法， 其特 征是： 所述步骤1具体为： 步骤1.1： 根据一定当量炸药水下爆炸产生最大气泡的半径的确定水域尺寸， 水域的尺 寸应为一定当量的炸药在对应水深下产生气泡 最大直径的2到4 倍； 步骤1.2： 根据药包初始半径确定水域网格尺寸， 采用S ‑ALE方法对水域和空气进行离 散， 使气泡最大直径范围内网格尺寸最小， 剩余区域网格尺寸为最大直径范围内网格尺寸 的2倍； 步骤1.3： 对船体板架结构进行建模并保证结构与水域最小网格尺寸一致， 完成模型建 立； 采用任意欧拉 ‑拉格朗日方法ALE对船体板架结构在水下爆炸载荷下的动响应进行计 算， 得到结构各节点的坐标以及各 单元的等效塑性应 变计算数据， 建立样本数据库。 3.根据权利要求1所述的一种基于机器学习的水下爆炸载荷下船体板架结构动响应快 速预报方法， 其特 征是： 所述步骤4具体为： 采用蚁群算法对深度神经网络结构及超参数进行优化， 其中， 蚁群算法首先根据待隐 含层优化范围为1到3， 学习率优化范围为0.001到0.5， 随机失活系数优化范围为0.01到 0.1， 衰减系数优化范围为每训练10000步学习率下降1％到10％进 行路径构建， 对于任意蚂 蚁k， Rk为蚂蚁k的路径记忆向量， 设蚂蚁k当前所在区域为i， 则通过下式表示访问区域j的 概率： 对信息素进行 更新： 其中， m为蚂蚁个 数, ρ 为信息素蒸发率， 0≤ρ ≤1， 默认设置ρ ＝0.5， Δτk(i,j)为蚂蚁k在权　利　要　求　书 2/3 页 3 CN 113312832 B 3