Marine Engineering

fa ارزیابی قابلیت مدل‌های یادگیری ماشین در پیش‌بینی پاسخ‌های دینامیکی زیردریایی تحقیقاتی کوچک در شرایط صعود اضطراری Evaluation of Machine Learning Models for Predicting the Dynamic Responses of a Small Research Submarine During Emergency Ascent طراحي، هیدروديناميك و ساخت زيرسطحي Submarine Hydrodynamic & Design مقاله پژوهشي Research Paper 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 Emergency ascent is a critical operational condition for submarines, during which complex hydrodynamic forces and nonlinear dynamic responses can significantly affect vehicle motion. Conventional computational fluid dynamics (CFD) simulations can be computationally demanding when a large number of operating conditions must be evaluated. Therefore, this study investigates the capability of machine learning models to predict the dynamic responses of a small research submarine during emergency ascent. A dataset obtained from numerical simulations under different emergency ascent conditions was used to develop three machine learning models: Random Forest, Extreme Gradient Boosting (XGBoost), and Multilayer Perceptron (MLP). The models were trained to learn the nonlinear relationships between the input parameters and the submarine’s dynamic responses. Their predictive performance was evaluated using the coefficient of determination (R²) and root mean square error (RMSE). The results showed that all three models achieved high predictive accuracy, with R² values greater than 0.98. Among the investigated models, MLP achieved the highest overall performance, with R² = 0.991 and RMSE = 0.033. XGBoost followed with R² = 0.987 and RMSE = 0.036, while Random Forest achieved R² = 0.982 and RMSE = 0.041. These results demonstrate the potential of machine learning models as an efficient computational approach for predicting submarine dynamic responses during emergency ascent صعود اضطراری,زیردریایی تحقیقاتی کوچک,یادگیری ماشین,دینامیک سیالات محاسباتی,پاسخ دینامیکی Emergency ascent,Small research submarine,Machine learning,Computational fluid dynamics,Dynamic response,Surrogate modeling 118 127 http://marine-eng.ir/browse.php?a_code=A-10-2028-1&slc_lang=fa&sid=1 Aref Jafari عارف جعفری aref.jafari748@sharif.edu 10031947532846006548 10031947532846006548 Yes M.Sc. Graduate, Sharif University of Technology, Tehran, Iran فارغ‌التحصیل کارشناسی ارشد، دانشگاه صنعتی شریف، تهران، ایران Madjid Abbaspour مجید عباسپور abbpor@sharif.edu 10031947532846006549 10031947532846006549 No Professor, Department of Mechanical Engineering, Sharif University of Technology, Tehran, Iran استاد، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران