Data-Driven Extreme Response Estimation

要約

この論文では、極端な船舶応答イベントを迅速に推定する方法が開発されています。
この方法には、長期的な短期メモリ（LSTM）ニューラルネットワークによるトレーニングが含まれ、より忠実度の低い忠実度の流体力学モデルを高忠実度シミュレーションのレベルまで修正します。
大規模なイベント周辺の短い時系列のみで忠実度の低いシミュレーションとトレーニングで特定されたピークイベントの近くでタイムシリーズを分離することにより、より大きな応答にさらに焦点が当てられています。
この方法は、Sea State 5（4.0メートルの有意な波の高さと15.0秒のモーダル期間）におけるピッチ時系列の最大値の推定でテストされ、SimpleCodeと呼ばれる低忠実度の流体力学的ソルバーと、大振幅運動プログラム（LAMP）として知られる高忠実度ツールによって生成されます。
結果は、大規模なイベントについて特別な考慮事項なしに訓練されたLSTMと比較されます。

要約(オリジナル)

A method to rapidly estimate extreme ship response events is developed in this paper. The method involves training by a Long Short-Term Memory (LSTM) neural network to correct a lower-fidelity hydrodynamic model to the level of a higher-fidelity simulation. More focus is placed on larger responses by isolating the time-series near peak events identified in the lower-fidelity simulations and training on only the shorter time-series around the large event. The method is tested on the estimation of pitch time-series maxima in Sea State 5 (significant wave height of 4.0 meters and modal period of 15.0 seconds,) generated by a lower-fidelity hydrodynamic solver known as SimpleCode and a higher-fidelity tool known as the Large Amplitude Motion Program (LAMP). The results are also compared with an LSTM trained without special considerations for large events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google