.png){kind=icon}
返回
A method for generating multiple hull forms at once using MLP (Multi-Layer Perceptron)
.png){kind=icon}
PRE
AI
DOI：10.1016/j.oceaneng.2025.120659.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在设计商业船舶船体线型时，通常的做法是对现有参考船体线型进行手动调整以符合设计要求。在尝试生成多样化的船体线型时，许多形状优化研究或通过参数定义船体线型，或直接修改船体线型的表面，从而允许更灵活的变形。近年来，利用基于深度学习的生成模型，根据现有船体线型生成新的船体线型的研究也呈上升趋势。虽然这些方法相比传统方法在形状变形方面提供了更大的灵活性，但它们存在需要考虑船舶排水量、方形系数等设计要求的局限性。为解决这些局限性，本研究提出了一种利用深度学习中的多层感知器（MLP）同时生成多个船体线型的船体线型生成方法。该方法使用MLP对船体线型进行变形，并采用船体线型的三角网格结构进行基于表面的评估。评估指标包括与设计要求相关的方形系数、有助于生成多样化船体线型的浮心位置，以及与表面质量相关的光顺度。通过应用所提出的方法，能够从一个网格输入生成满足设计要求的多样化船体表面。为验证该方法，将其应用于公开的船体线型，如KCS（KRISO集装箱船）、KVLCC2（KRISO超大型原油运输船）和JBC（日本散货船）。结果表明，该方法在满足多种船型设计要求的同时，成功生成了多样化的船体线型。
Keyword:
Hull form
Hull form generation
MLP (Multi-Layer Perceptron)
Mesh deformation
Surface modification
期刊
IF:
5.5
论文数:
6.1K
被引数:
7.6W
机构
引用论文
Entrance and run angle variations of hull form preserving the prismatic coefficient船体形状的入口和运行角度变化，同时保持棱形系数不变
OAAI
OAAI分享收藏Interpretable, data-driven models for predicting shaft power, fuel consumption, and speed considering the effects of hull fouling and weather conditions可解释的数据驱动模型，用于预测轴功率、燃油消耗量和速度，并考虑船体污损和天气条件的影响OAAI
OAAI分享收藏Improved whale trainer for sonar datasets classification using neural network.png)
APPLIED ACOUSTICS
APPLIED ACOUSTICSIF3.6
PREAI
分享收藏A curve based hull form variation with geometric constraints of area and centroid基于面积和质心几何约束的曲线型船体形式变化
PREAI
分享收藏
分享收藏Hull form optimization of fully parameterized small ships using characteristic curves and deep neural networks基于特征曲线和深度神经网络的全参数化小型船舶船型优化OAAI
OAAI分享收藏
查看更多内容