基于AGPSO-CNN-BiLSTM-attention的船舶设备的多目标全球敏感性分析
ShuangShuang Wu1, Ming Yan2, Lei Zhang3
1School of Mechanical Engineering, Shenyang University of Technology, Shenyang, 110870, China.
Scientific reports
|November 20, 2025
概括
本研究介绍了一种优化的深度学习模型 (CNN-BiLSTM-Attention),用于对复杂的船载设备进行高效的全球灵敏度分析. 该方法显著降低了计算成本,同时准确识别了关键设计参数.
科学领域:
- 计算力学是计算力学.
- 结构工程是结构工程.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 复杂的结构系统的全球敏感性分析,如船载设备,在计算上是昂贵的.
- 多输入多输出 (MIMO) 系统的高效评估对于结构设计和优化至关重要.
- 现有的方法经常与高维度和计算负担作斗争.
研究的目的:
- 开发一种计算效率高的方法,用于对大型船载设备进行全球灵敏度分析.
- 使用先进的元启发算法优化深度学习模型的超参数.
- 建立一个MIMO灵敏度评估的框架,使用集成深度学习和已建立的灵敏度分析方法.
主要方法:
- 一个CNN-BiLSTM-Attention模型被开发和优化,使用自适应性遗传算法-粒子群优化 (AGPSO) 进行超参数调整 (学习速率,批量大小,L2规范化).
- 优化模型与Sobol的全球灵敏度分析集成,以创建一个MIMO灵敏度框架.
- 拟议的方法应用于燃气轮机隔离系统,以评估其有效性.
主要成果:
- AGPSO-CNN-BiLSTM-Attention模型实现了高训练精度 (相对位移为99.49%,绝对加速为99.12%).
- 综合框架有效量化了MIMO系统中的参数影响.
- 成功确定了影响燃气轮机隔离系统中冲击响应的关键隔离器和限制器参数.
结论:
- 拟议的AGPSO-CNN-BiLSTM-Attention模型显著提高了灵敏度分析的预测性能和计算效率.
- 综合的Sobol方法和深度学习框架为船舶设备的结构设计和优化提供了宝贵的工具.
- 这种方法为复杂系统分析提供了更高的效率和概括能力.
