.png){kind=icon}
返回
Designing Ship Hull Forms Using Generative Adversarial Networks
.png){kind=icon}
OA
AI
DOI：10.3390/ai6060129.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于GAN的方法来生成船舶船体线型。与需要几何参数来生成船体线型的数学船体线型不同，所提出的方法需要理想的船舶性能参数，即阻力系数和载重吨位。本研究的目标是证明直接从性能规格生成船体几何形状的可行性，而不依赖于显式的几何输入。为此，我们实现了一个带有梯度惩罚的条件Wasserstein GAN（cWGAN-GP）框架。生成器学习根据目标性能值合成船体几何形状，而判别器被训练来区分真实的船体线型与生成的船体线型。该GAN模型使用基于广义Wigley船体线型生成的船体线型数据集进行训练。所提出的方法通过数值实验进行评估，并成功生成了误差较小的船舶数据：平均绝对百分比误差小于0.08。
Keyword:
GAN-based ship hull generation
conditional Wasserstein GAN with gradient penalty
ship performance parameters
drag coefficient
tonnage
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
5
论文数:
1.0K
被引数:
941
机构
暂无机构信息
引用论文
.png){kind=icon}
Data-driven design exploration method using conditional variational autoencoder for airfoil design基于条件变分自动编码器的翼型设计数据驱动设计探索方法
PREAI
分享收藏Quantification and reduction of uncertainty in aerodynamic performance of GAN-generated airfoil shapes using MC dropouts使用MC丢失量化和减少GAN生成的翼型形状的空气动力学性能的不确定性OAAI
OAAI分享收藏Evaluating Designer Learning and Performance in Interactive Deep Generative Design评估设计师在交互式深度生成设计中的学习与表现
PREAI
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