平台舱室噪声的预报,在改进平台声学优化设计,降低平台噪声等方面均有重要意义。并且随着对远洋石油作业人员生命健康安全的重视,无论是IMO、ISO等国际组织还是各国船级社,皆对大型海洋钻井平台的噪声控制做出了更为严苛规范。但是平台系统是集生产生活于一体的综合系统,其内部结构复杂,难以准确实现对该类平台舱室噪声的快速预报。因此,本文试图采用人工智能算法对这一问题进行研究,构建完成影响舱室噪声结构参数输入变量和目标舱倍频程声压级输出的算法模型,实现对平台各舱室分频段声压级的快速预报及分析。主要研究工作如下:(1)对半潜式海洋平台实船设备振动和噪声测试的工况选择、测点布置、测量方法等进行了总结归纳阐述,并对实测数据进行针对性处理,得出了平台实测声振载荷,为后续的数值仿真和智能算法预报提供扎实的数据支撑。(2)用统计能量方法对平台结构进行三维数值建模和仿真计算,实现实测载荷激励下的舱室噪声预报,并对其仿真与测试声压级结果进行了对比分析,指出平台舱室噪声分布特征。其次,对舱室噪声关键激励、传递特点、结构等影响因素进行灰色关联度分析,完成算法中结构因素、载荷因素、舾装因素三类主要输入参数的数据库构建。(3)对五种K均值聚类RBF算法、梯度下降算法RBF算法、正交最小二乘法RBF网络、粒子群算法以及差分进化法算法的原理、思想、特点进行了简要阐述,同时完成基于MATLAB的算法编写工作。并对该算法进行受控参数优化选择,完成平台舱室分频段声压级预报检验测试。结果表明差分进化法模型对平台舱室噪声预报效果最佳,具有均衡的预报精度和全局寻优能力,收敛更加稳定;而其他算法模型对舱室噪声预报误差相对较大。(4)基于上述算法对平台舱室噪声的实测数据库、仿真与实测联合数据库、以及另一艘平台实测噪声数据库进行预报。结果表明:对于单一的实测噪声数据库,受实测采集噪声数据样本数量的约束,其分频段声压级预报误差较差;而对于仿真与实测联合数据库训练下的算法模型而言,数据规模的扩充使得其预报精度得到大幅提升,算法精度较高,其预报稳定性较、泛化能力均较强;对另一艘不同型号平台进行舱室噪声预报时,此时算法对该数据库预报具有较差预报性能,显示出舱室噪声预报算法不具备对相异型号平台进行精确预报的能力。