Ship-D: 使用机器学习进行设计优化的船舶外壳数据集
本文提出了一个深度学习物理优化 (DLPO) 框架,用于设置迪斯堡测试用例 (DTC) 集装箱船的形状优化研究,并展示了两个不同的应用程序:(1) 敏感度分析,用于检测最有前途的通用基础船体形状,以及 (2) 多目标优化,用于量化最优船体形态之间的权衡。DLPO 框架允许自动端到端地评估设计迭代。该模型是由 Extrality 的 Deep Learning Physics (DLP) 模型与 CAD 引擎和优化器相结合而实现。我们的 DLP 模型训练完整的来自 RANS 模拟的三维体积数据,可以实时提供准确和高质量的三维流预测,从而使其成为评估新集装箱船设计在水动力效率方面优化的良好评估器。最终,我们得出结论 DLPO 框架是加速船舶设计过程,并导致具有更好水动力性能的更有效的船舶的有前途的工具。
Jun, 2023
本研究探讨了在无人水下器(UUV)的设计过程中,采用计算流体动力学(CFD)与基于深度神经网络(DNN)的代理模型相结合,通过贝叶斯优化(BO)实现高效样本及快速数据驱动的 UUV 设计优化问题,结果表明,BO LCB 算法是最具高效的优化框架,DNN 代理模型可以实现计算的极速提升与相关精度的优化。
Apr, 2023
本研究提出 ShipHullGAN,一个基于深度卷积生成对抗网络的通用参数模型构建器,能够生成船体和提供几何上有效和实用的传统和新颖设计。
Apr, 2023
本文介绍了一种名为 SimuShips 的用于海上环境的基于模拟的数据集,其中包含各种类型的障碍物,经过了多种气象和照明条件的处理,并通过边界框的形式提供了注释。同时,我们使用 YOLOv5 进行实验,并发现将真实图像与模拟图像相结合可以提高所有类别的召回率。
Sep, 2022
该研究提供了一个包含 10,000 个流体流动和热传递模拟的数据集,这些模拟均采用计算流体力学方法进行处理,并由 28 个设计参数描述。该数据集提供了一个全面的基准,可以用于研究设计优化领域的各种问题和方法。
May, 2023
我们的研究聚焦于船舶图像的超分辨率问题,在基于扩散模型的架构中,利用文本条件的训练来生成超分辨率图像,同时探索了该模型在分类和目标检测等下游任务中的潜在应用。
Mar, 2024
用机器学习方法,通过两年的加拿大西海岸渡轮真实数据集,针对动态和静态状态、行动和干扰,创建了一个时间序列预测模型,用于预测动态状态,为评估渡轮在船长指导下的操作效能提供工具,并为未来的优化算法打下基础,并提供了决策过程的有价值的反馈。
Mar, 2024
利用深度学习从卫星图像中检测船只是海上监视的一种不可或缺的解决方案。然而,将在一个数据集上训练的深度学习模型应用于具有空间分辨率和辐射特征差异的其他数据集时,需要进行许多调整。为了解决这个问题,本文研究了基于包含不同光学图像和雷达与光学数据组合的数据集进行训练的深度学习模型。通过这种方法处理有限数量的训练图像时,深度学习模型的性能是令人满意的。它们可以根据测试的光学图像提高平均精度 5-20%。同样,使用在光学与雷达数据集上训练的深度学习模型可以应用于光学和雷达图像。我们的实验表明,在光学数据集上训练的模型可以用于雷达图像,而在雷达数据集上训练的模型在应用于光学图像时得分非常低。
Mar, 2024