论文部分内容阅读
游艇艇身造型优化设计作为游艇总设计的重要部分,对游艇的各项性能以及经济实用性都有着十分重要的意义。游艇总阻力是游艇水动力性能的重要指标,因此,如果能够实现最小阻力的游艇造型,将会极大提升游艇的市场竞争力。论文针对游艇艇身,开展了流体力学仿真分析和以降低游艇总阻力为目标的游艇艇身造型优化研究。本课题主要包含以下研究内容:首先,建立游艇原始模型,对游艇模型进行清理后建立游艇流体力学有限元仿真模型,通过CFD软件对游艇的不同工况进行仿真,并对游艇的流场特性进行分析。其次,建立了基于CFD的游艇造型优化流程,确定优化目标为总阻力。利用拉丁超立方抽样对设计变量进行试验设计,运用自由变形技术对游艇艇身进行自由变形,经过几何建模后建立游艇的有限元仿真模型,通过CFD仿真对总阻力进行采样。利用皮尔逊相关系数对训练数据进行分析,挖掘出设计变量与优化目标之间的联系。分别基于二次响应面模型和Stacking集成学习方法对训练数据建立代理模型,利用网格搜索策略对Stacking模型进行优化,采用平均绝对误差和相对平均绝对误差作为模型评价方法,比较二次响应面模型和Stacking模型分别在5折交叉试验下和所有训练数据下的预测能力。利用遗传算法对所建立的代理模型进行寻优,并对最优解进行仿真验证。对二次响应面和Stacking建立的代理模型的评价结果进行比较后发现,论文提出的基于Stacking建立的代理模型比二次响应面模型具有更好地的预测能力。通过对寻优结果进行仿真验证,基于Stacking建立的代理模型使得优化后的游艇总阻力降低了5.81%,总阻力降低明显,而且相对误差仅为0.65%,优化结果的可信度较高,并且在减低阻力的同时,还将游艇的排水体积增加了1.73%,提高了游艇的载荷能力。对组成Stacking模型的基学习器所建立的代理模型寻优结果表明,通过组合的方式Stacking模型比基学习器建立的代理模型具有更高的泛化能力。在船舶优化过程中,论文提出的基于自由变形技术的优化方法可以应用于任何造型的船舶,并且通过引入Stacking集成学习方法提高了造型优化结果的准确性。船舶造型优化本身需要多学科交叉融合,论文引入机器学习中的各种方法将会为今后船舶优化设计提供新的思路。