آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
عارف جعفری*1 
، مجید عباسپور2
، مجید عباسپور2
1- فارغ‌التحصیل کارشناسی ارشد، دانشگاه صنعتی شریف، تهران، ایران
2- استاد، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران
2- استاد، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران
چکیده: (27 مشاهده)
صعود اضطراری یکی از شرایط عملیاتی بحرانی زیردریایی‌ها است که در آن نیروهای هیدرودینامیکی پیچیده و پاسخ‌های دینامیکی غیرخطی می‌توانند تأثیر قابل توجهی بر حرکت زیردریایی داشته باشند. شبیه‌سازی‌های متداول دینامیک سیالات محاسباتی (CFD)، به‌ویژه در صورت نیاز به بررسی تعداد زیادی از شرایط عملیاتی، می‌توانند از نظر محاسباتی زمان‌بر باشند. ازاین‌رو، پژوهش حاضر قابلیت مدل‌های یادگیری ماشین را در پیش‌بینی پاسخ‌های دینامیکی یک زیردریایی تحقیقاتی کوچک در شرایط صعود اضطراری بررسی می‌کند. برای این منظور، مجموعه‌داده حاصل از شبیه‌سازی‌های عددی زیردریایی در شرایط مختلف صعود اضطراری برای توسعه سه مدل یادگیری ماشین شامل جنگل تصادفی (Random Forest)، تقویت گرادیان شدید (XGBoost) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفت. مدل‌ها برای یادگیری روابط غیرخطی میان پارامترهای ورودی و پاسخ‌های دینامیکی زیردریایی آموزش داده شدند و عملکرد آن‌ها با استفاده از ضریب تعیین (R²) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شد. نتایج نشان داد که هر سه مدل از دقت پیش‌بینی بالایی برخوردار بوده و مقدار R² آن‌ها بیش از ۰٫۹۸ است. مدل MLP با 0.991R² = و 0.033RMSE = بهترین عملکرد کلی را نشان داد. پس از آن، XGBoost با 0.987R² = و 0.036RMSE = و جنگل تصادفی با 0.982 R² = و 0.041RMSE = قرار گرفتند. این نتایج نشان‌دهنده ظرفیت مدل‌های یادگیری ماشین به‌عنوان رویکردی کارآمد برای پیش‌بینی پاسخ‌های دینامیکی زیردریایی در شرایط صعود اضطراری است
واژه‌های کلیدی: صعود اضطراری، زیردریایی تحقیقاتی کوچک، یادگیری ماشین، دینامیک سیالات محاسباتی، پاسخ دینامیکی
متن کامل [PDF 619 kb]
(12 دریافت)
نکات برجسته
۱. مدل‌سازی عددی صعود اضطراری زیردریایی کوچک با رهاسازی وزنه در اعماق ۱۰ تا ۵۰ متر
۲. تولید مجموعه‌داده‌ی پاسخ‌های دینامیکی (سرعت، شتاب، پیچ و هیو) از شبیه‌سازی CFD
۳. ارزیابی سه مدل جنگل تصادفی، XGBoost و شبکه‌ی عصبی MLP برای پیش‌بینی پاسخ‌ها
۴. هر سه مدل با دقت بالا عمل کردند (R² بزرگ‌تر از ۰٫۹۸)
۵. مدل MLP با R² برابر ۰٫۹۹۱ و RMSE برابر ۰٫۰۳۳ بهترین عملکرد را داشت
۱. مدل‌سازی عددی صعود اضطراری زیردریایی کوچک با رهاسازی وزنه در اعماق ۱۰ تا ۵۰ متر
۲. تولید مجموعه‌داده‌ی پاسخ‌های دینامیکی (سرعت، شتاب، پیچ و هیو) از شبیه‌سازی CFD
۳. ارزیابی سه مدل جنگل تصادفی، XGBoost و شبکه‌ی عصبی MLP برای پیش‌بینی پاسخ‌ها
۴. هر سه مدل با دقت بالا عمل کردند (R² بزرگ‌تر از ۰٫۹۸)
۵. مدل MLP با R² برابر ۰٫۹۹۱ و RMSE برابر ۰٫۰۳۳ بهترین عملکرد را داشت
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
طراحي، هیدروديناميك و ساخت زيرسطحي
دریافت: 1405/3/3 | پذیرش: 1405/7/13
دریافت: 1405/3/3 | پذیرش: 1405/7/13
فایل صوتی چکیده مقاله [MP3 2743 KB] (3 دریافت)
فهرست منابع
1. Hou, Y., Duan, F., Zhu, W., Li, H., Shen, S., Shen, X., Wang, J., Huang, Y., Wei, W., Liu, X. and Liu, L., (2024), Time-sequenced hydrodynamics prediction system for underwater vehicles based on AI edge computing, Ocean Engineering, Vol. 294, 116797. DOI: 10.1016/j.oceaneng.2024.116797. [DOI:10.1016/j.oceaneng.2024.116797]
2. Hong, L., Wang, X. and Zhang, D.-S., (2024), CFD-based hydrodynamic performance investigation of autonomous underwater vehicles: A survey, Ocean Engineering, Vol. 305, 117911. DOI: 10.1016/j.oceaneng.2024.117911. [DOI:10.1016/j.oceaneng.2024.117911]
3. Chen, T., Fu, C., Zang, Z., Zhang, Q. and Li, J., (2026), Numerical investigations on the kinematic response of a submarine during emergency ascent subject to internal solitary waves, Ocean Engineering, Vol. 343, 123351. DOI: 10.1016/j.oceaneng.2025.123351. [DOI:10.1016/j.oceaneng.2025.123351]
4. Xiang, G., Ou, Y., Chen, J., Wang, W. and Wu, H., (2024), A study on the influence of unsteady forces on the roll characteristics of a submarine during free ascent from great depth, Journal of Marine Science and Engineering, Vol. 12, 757. DOI: 10.3390/jmse12050757. [DOI:10.3390/jmse12050757]
5. Palaniappan, M., Jyothi, V.B.N., Chowdhury, T., et al., (2024), A method for evaluating safety reliability of descend/ascend drop-weight system and mission abort decision for deep-ocean scientific human submersibles, Scientific Reports, Vol. 14, 19266. DOI: 10.1038/s41598-024-70158-3. [DOI:10.1038/s41598-024-70158-3] [PMID] [PMCID]
6. Lee, J., Kim, S., Shin, J., Yoon, J., Ahn, J. and Kim, M., (2025), Experiment and modeling of submarine emergency rising motion using free-running model, International Journal of Naval Architecture and Ocean Engineering, Vol. 17, 100641. DOI: 10.1016/j.ijnaoe.2024.100641. [DOI:10.1016/j.ijnaoe.2024.100641]
7. Valentinis, F. and Woolsey, C., (2019), Nonlinear control of a subscale submarine in emergency ascent, Ocean Engineering, Vol. 171, p. 646-662. DOI: 10.1016/j.oceaneng.2018.11.029. [DOI:10.1016/j.oceaneng.2018.11.029]
8. Walker, J.M., Coraddu, A. and Oneto, L., (2024), A review on shape optimization of hulls and airfoils leveraging Computational Fluid Dynamics data-driven surrogate models, Ocean Engineering, Vol. 312, Part 3, 119263. DOI: 10.1016/j.oceaneng.2024.119263. [DOI:10.1016/j.oceaneng.2024.119263]
9. Maric, T., Fadeli, M.E., Rigazzi, A., et al., (2025), Combining machine learning with computational fluid dynamics using OpenFOAM and SmartSim, Meccanica, Vol. 60, p. 1831-1850. DOI: 10.1007/s11012-024-01797-z. [DOI:10.1007/s11012-024-01797-z]
10. Dong, Y., Du, L. and Li, G., (2025), Hybrid Ship Design Optimization Framework Integrating a Dual-Mode CFD-Surrogate Mechanism, Applied Sciences, Vol. 15, No. 19, 10318. DOI: 10.3390/app151910318. [DOI:10.3390/app151910318]
11. Rojas Cala, E.F., Béjar, R., Mateu, C., Borri, E. and Cabeza, L.F., (2025), Artificial Intelligence Applied to Computational Fluid Dynamics and Its Application in Thermal Energy Storage: A Bibliometric Analysis, Applied Sciences, Vol. 15, No. 13, 7199. DOI: 10.3390/app15137199. [DOI:10.3390/app15137199]
12. Chen, T., Li, R., Hu, X., Zhang, B., Liu, Y., Wang, L. and Gao, N., (2025), Machine learning as CFD surrogate models for rapid prediction of building-related physical fields: A review of methods and state-of-the-art, Building and Environment, Vol. 285, Part B, 113667. DOI: 10.1016/j.buildenv.2025.113667. [DOI:10.1016/j.buildenv.2025.113667]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
International Journal of Maritime Technology is licensed under a
Creative Commons Attribution-NonCommercial 4.0 International License.