Прогнозирование главных размерений судна на стадии предварительного проектирования с использованием искусственной нейронной сети
DOI:
https://doi.org/10.24866/2227-6858/2025-3/55-68Ключевые слова:
искусственные нейронные сети, средняя абсолютная процентная ошибка, предварительное проектирование, входной слой, выходной слойАннотация
В настоящей работе изучалось применение искусственных нейронных сетей (ИНС) в проектировании судов. В отличие от эмпирических формул и статистических методов, ИНС предлагают гибкую и эффективную альтернативу, продемонстрировав свою способность точно моделировать сложные системы. Цель данного исследования – разработать модель ИНС для прогнозирования главных размерений рыболовных судов на стадии предварительного проектирования. Входной слой включал водоизмещение и скорость судна, а выходной слой – главные размерения корпуса (наибольшая длина, ширина, осадка и высота борта). Используя данные о 590 рыболовных судах, исключая сестринские суда, разработанная модель ИНС показала многообещающие результаты с минимальными погрешностями. Метрики, такие как средняя абсолютная процентная ошибка (MAPE) и коэффициенты корреляции, подчёркивают адекватность модели и высокую предсказательную точность измеряемых размерений (длины L, ширины B, высоты H и осадки T).
Библиографические ссылки
1. Эванс Дж.Х. Основные концепции проектирования // Journal of the American Society of Naval Engineers. 1959. Т. 71, № 4. С. 671–678. (англ.). https://doi.org/10.1111/j.1559-3584.1959.tb01836.x
2. Папаниколау А. Методология предварительного проектирования судов. Dordrecht: Springer, 2014. 625 с. (англ.). https://doi.org/10.1007/978-94-017-8751-2
3. Клаусен Х.Б., Лютцен М., Фрис-Хансен А., Бьёрнебу Н.К. Байесовские и нейронные сети для предварительного проектирования судов // Marine Technology. 2001. Т. 38, № 4. С. 268–277. (англ.). https://doi.org/10.1016/B978-008043950-1/50044-2
4. Алкан А., Гюлез К., Йылмаз Х. Проектирование надёжной архитектуры нейронной сети для определения параметров начальной остойчивости рыболовных судов // Ocean Engineering. 2004. Т. 31, № 6–7. С. 761–777. (англ.). https://doi.org/10.1016/j.oceaneng.2003.08.002
5. Матуйя Д., Деалла Р., Барбир О. Применение искусственной нейронной сети для выбора максимально эффективного гребного винта судна // Journal of Ship Production and Design. 2010. Т. 26, № 3. С. 199–205. (англ.).
6. Ким С., Мун Б., Ким Д. Оптимальное проектирование системы проектирования судна с использованием метода нейронных сетей на этапе начального проектирования обшивки корпуса // KSME International Journal. 2004. Т. 18, № 11. С. 1923–1931. (англ.).
7. Цуй Ю., Туран О., Сайер П. Оптимизация проектирования судов с помощью алгоритмов машинного обучения // Computer-Aided Design. 2012. Т. 44, № 3. С. 186–195. (англ.). https://doi.org/10.1038/nature14539
8. ЛеКан Й., Бенджио Й., Хинтон Г. Глубокое обучение // Nature. 2015. Т. 521, № 7553. С. 436–444. (англ.). https://doi.org/10.1038/nature14539
9. Гудфеллоу И., Бенджио Й., Курвилл А. Глубокое обучение. Cambridge (MA): MIT Press, 2016. 800 p. (англ.).
10. Шмидхубер Й. Глубокое обучение в нейронных сетях // Neural Networks. 2015. Т. 61. С. 85–117. (англ.). https://doi.org/10.1016/j.neunet.2014.09.003
11. Хейкин С. Нейронные сети и методы машинного обучения. Upper Saddle River: Prentice Hall, 2009. 906 p. (англ.).
12. Хорник К., Стинчкомб М., Уайт Х. Многослойные сети – универсальные аппроксиматоры // Neural Networks. 1989. Т. 2, № 5. С. 359–366. (англ.). https://doi.org/10.1016/0893-6080(89)90020-8
13. Чжан Ц., Уоллес Б. Анализ чувствительности свёрточных нейронных сетей для классификации предложений // Proceedings of the 8th International Joint Conference on Natural Language Processing (IJCNLP‑2017). 2017. С. 253–263. (англ.). https://aclanthology.org/I17-1026.pdf
14. Вербос П.Дж. Обратное распространение во времени: что это такое и как это делать // Proceedings of the IEEE. 1990. Т. 78, № 10. С. 1550–1560. (англ.). https://ieeexplore.ieee.org/document/58337
15. Шоле Ф. Глубокое обучение на Python. Manning, 2018. 384 p. (англ.).
16. Гэвин Х.П. Алгоритм Левенберга – Марквардта для нелинейных задач наименьших квадратов. Durham: Duke University, 2024. 23 с. (англ.). https://people.duke.edu/~hpgavin/lm.pdf
17. Мёллер М.Ф. Масштабированный метод сопряжённых градиентов для быстрого обучения // Neural Networks. 1993. Т. 6, № 4. С. 525–533. (англ.).
18. Аджитеш К. Алгоритм backpropagation в нейронных сетях // Analytics Yogi. 2023. Т. 1, № 1. С. 1–10. (англ.). https://vitalflux.com/neural-network-back-propagation-python-examples/
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Вестник Инженерной школы ДВФУ
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
