Predicting Ship Responses in Different Seaways using a Generalizable Force Correcting Machine Learning Method

如果机器学习（ML）方法能够对与训练数据集不同的输入进行预测，那么它就是具有普适性的。对于波浪引起的船舶响应的预测，普适性是一个重要的考虑因素，如果ML方法要在设计评估中有用的话。此外，训练数据集的大小对于方法的实用性有重要影响，特别是当训练数据使用昂贵的高保真数值工具生成时。本文考虑了一种混合机器学习方法，该方法可以纠正低保真运动方程中的力。该方法应用于两个不同的案例研究：Duffing方程在不规则激励下的非线性响应和Fast Displacement Ship（FDS）在头浪中的高保真横摇和纵摇响应数据。在这两种情况下，通过对与训练数据集不同的不规则波浪条件下的响应进行预测，来确定该方法的普适性。还研究了混合模型中低保真基于物理的术语对普适性的影响。预测结果与两个基准模型进行比较：线性基于物理的模型和数据驱动的LSTM模型。发现当使用小型数据集进行训练时，混合方法在预测准确性和普适性方面都有所提高。

本论文旨在研究机器学习方法在船舶响应预测中的泛化性能和数据集大小的影响，并提出了一种基于低保真度方程的混合机器学习方法来纠正力的预测。

论文提出了一种基于低保真度方程的混合机器学习方法，该方法可以在小型数据集上提高预测准确性和泛化性能。

本论文的实验结果显示，与基于物理的线性模型和数据驱动的LSTM模型相比，混合方法在小型数据集上具有更好的预测准确性和泛化性能。此外，本文还调查了混合模型中低保真度物理学术语对泛化性能的影响。

近期的相关研究包括使用机器学习方法进行船舶响应预测的研究，例如“基于卷积神经网络的船舶运动响应预测”和“机器学习在船舶运动响应预测中的应用”。