[发明专利]基于轻量化网络的船型参数化设计方法

说明书

本发明公开了基于轻量化网络的船型参数化设计方法，包括：获取描述现有样本船型的船型特征参数，分别生成原始NURBS船型曲面；根据所述船型曲面划分方法进行划分，导出划分后曲面全部NURBS控制点为三维坐标序列；基于所述船型特征参数与控制点三维坐标序列构造船型数据集；构建轻量化网络模型PDNN，将所述船型特征参数作为网络输入、对应船型曲面的三维坐标序列作为输出；利用所述船型数据集训练PDNN网络模型对预测得到的控制点数据进行评估，并生成船型曲面。本发明解决了传统船型参数化设计法计算繁琐、参数冗杂的问题，可用于船型曲面的快速生成与优化，且本发明的算法在小目标方面表现良好，优于其他模型。

技术领域

本发明涉及船舶设计与人工智能领域，尤其涉及基于轻量化网络的船型参数化设计方法。

背景技术

船型参数化设计是一种高效的船舶计算机辅助设计方法，指在船型几何参数与船型曲线或曲面间建立特殊映射关系，辅助设计人员快速生成船型曲面，对于扩展船舶设计空间、优化船舶设计效率具有重要意义。目前的船型参数化设计主要是基于大量的几何参数，再根据数学插值方法拟合得到船型曲线与曲面，其计算过程繁琐，对众多复杂隐性几何参数具有较高输入依赖性，难以在各类船舶的参数化设计中普及应用。

随着近几年来人工智能领域的不断发展，许多学者开始研究其在计算机辅助设计领域的应用。在船舶设计方面，已有基于神经网络技术的船型阻力预测、船舶性能预测等案例的实际应用，且具有较高的可靠性。因此，针对传统船型参数化设计方法计算过程繁琐、输入参数冗杂等问题，可以采用轻量化神经网络方法来解决。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：。

为解决上述技术问题，本发明提供如下技术方案：获取描述现有样本船型的船型特征参数，分别生成原始NURBS船型曲面；

根据所述船型曲面划分方法进行划分，导出划分后曲面全部NURBS控制点为三维坐标序列；

基于所述船型特征参数与控制点三维坐标序列构造船型数据集；

构建轻量化网络模型PDNN，将所述船型特征参数作为网络输入、对应船型曲面的三维坐标序列作为输出；

利用所述船型数据集训练PDNN网络模型对预测得到的控制点数据进行评估，并生成船型曲面。

作为本发明所述的基于轻量化网络的船型参数化设计方法的一种优选方案，其中：所述船型特征参数具体包括，

选取21种能够准确描述船舶特性的典型参数作为船型特征参数，包括主尺度、船型系数、其它参数三类参数。

所述船型曲面划分方法包括将原始船型曲面被沿着船体特征曲线划分为11片子曲面，其中船艏5片、船舯4片、船尾2片；单个船型各子曲面所需控制点共334个，合并导出得到带指定位序的三维坐标序列，序列长度为3×334。

基于所述船型特征参数与控制点三维坐标序列构造的船型数据集包括173艘船型样本，其中162艘船型样本用作训练集、11艘船型样本用作验证集。

包括，

在构建的轻量化网络模型PDNN中，输入层为所述船型特征参数，隐含层由1个正则化层与2个128神经元全连接层组成，全连接层后设置ReLU激活层，输出层为船型曲面控制点的三维坐标序列，在网络输出之前加入平滑层，对坐标数据进行先验的规范处理。

对所述轻量化网络模型PDNN的构建包括，