人工智能和数字孪生在船体结构安全评估中的应用探索

2023-05-17朱俊侠吴嘉蒙

船舶与海洋工程 2023年2期

徐博，韩涛，朱俊侠，吴嘉蒙，胡帆

（中国船舶及海洋工程设计研究院，上海 200011）

0 引言

船舶结构安全是船舶全寿命周期中影响其安全性的关键因素。由于海洋环境的复杂性和不确定性，船舶结构面临的安全风险相对较高。随着船舶的智能化发展，装备船体健康监测系统的智能船体系统已逐渐成为大型船或特种船的标配，并有向数字船体系统发展的趋势。同时，船舶结构安全设计理念逐渐从基于经验、简化力学模型和有限元方法向基于极限状态演变，也正在向基于监测、风险、乃至数字孪生的方向发展。数字孪生技术作为新一代工业概念，是虚拟仿真技术发展的必然趋势。

随着结构“数字孪生”概念的发展，实时获取船舶结构载荷数据至关重要，对于结构设计、结构安全评估和航行稳定性控制而言具有重要意义。然而，传统的载荷测量方法无法满足实时准确的要求，基于人工智能的结构载荷反演技术为实时获取船舶结构载荷提供了一种合适的选择。

本文分别介绍基于人工智能的结构载荷反演技术和数字孪生技术的研究进展情况，以及两者在船舶结构安全评估中的应用前景，并对工程应用中可能存在的难点和亟需解决的关键技术进行探讨。

1 基于人工智能的结构载荷反演技术

船舶在航行过程中会受到来自海浪、机械和螺旋桨等多方面的动态激励的影响，若不能很好地预报和评估作用在船体结构上的载荷，则船体结构存在损坏的风险，因此对船体结构载荷进行分析具有重要意义。

1.1 载荷反演方法

目前，测量船舶在航行过程中所受载荷的方法主要有直接法和间接法2 种［1］。直接法是指在船体结构构件上安装应力传感器获取载荷数据，由于船舶具有结构复杂、体积较大和作业环境恶劣等特点，该方法很难在船舶领域普及应用；间接法是指测量结构受力区域及相邻区域的应变、位移和加速度等物理量的变化，通过载荷反演技术得出载荷的变化。随着计算机技术的快速发展，载荷反演技术得到了蓬勃发展，现在常用的载荷反演方法可分为频域法和时域法2 种。时域法对初始条件和结构模型的边界条件十分敏感，易受到噪声等环境因素的干扰，造成载荷反演的精度和稳定性不高；频域法的识别精度受模态参数和高阶模态阶段误差的影响较大，不能做到载荷实时监测，这限制了其工程应用［2］。

近年来，随着人工智能在船舶结构载荷反演技术领域的应用，研究人员开发出了基于人工智能方法的结构载荷反演技术。该技术克服了以往载荷反演中的缺陷，提高了载荷反演的精度和效率。

1.2 载荷反演技术研究进展

在载荷识别研究领域，基于人工智能的神经网络法为解决具有非线性和不确定性特征的复杂系统的载荷识别问题提供了新思路。该方法通过大量试验数据建立并训练代理模型，用代理模型近似建立应变响应与载荷之间的映射关系。基于人工智能方法的载荷反演技术流程见图1。

图1 基于人工智能方法的载荷反演技术流程图

人工神经网络作为一种常用的代理模型，在对任意连续函数的逼近能力、学习理论和动态网络的稳定性等方面都已取得丰硕成果，可解决分类、回归和预测等多种问题，训练完成的神经网络可实现从输入到输出的快速计算，满足实时性要求。目前该方法已广泛应用于航空、航天、汽车和金融等领域中，但在船舶领域尚未普及。

前馈神经网络作为人工神经网络的一种，适用于回归和函数拟合，已在航天领域得到广泛应用。王珲玮［3］基于MIV算法筛选出关键的飞行参数，建立了飞行参数与飞行载荷之间的映射关系，针对BP（Back Propagation）网络易陷入局部最优解的问题提出了结合遗传算法优化权值的GA-BP网络动态载荷识别算法，对某导弹模型的飞行载荷进行了识别，将速度、高度和迎角等飞行参数作为网络的输入，输出飞行载荷数据，不仅保证了精度，而且显著提高了计算效率。金鑫等［4］采用深度学习方法建立了多层前馈网络代理模型，通过有限元方法构建了典型载荷下的结构响应训练样本集，不断对模型进行训练测试，使用少量的应变测点数据实现了对飞机翼面载荷分布的实时反演和重构。顾宇轩等［5］结合某型飞机有限元模型建立神经网络载荷模型，用于对复杂载荷下的材料或结构疲劳损伤和使用寿命进行预测，利用试验数据进行对比验证，发现神经网络载荷模型预测值比较贴近真实值。

在船舶和海洋工程领域，神经网络的探索应用方兴未艾。林近山等［6］分别采用神经网络方法和传统载荷反演方法对W12-1 平台载荷进行识别，结果发现神经网络方法的识别精度更高，这得益于神经网络既不需要计算结构的模态矩阵、质量矩阵和刚度矩阵，也不需要进行复杂的动力学计算，具有识别精度高、训练收敛速度快、抗干扰性强和系统稳定等优点，说明在对海洋平台等大型结构物进行载荷反演时，神经网络方法具有很大优势。梁峰等［7］采用BP神经网络方法对艉轴承工作时的温度、振动、噪声和摩擦因数等关键参数进行分析，实现了对艉轴承的高精度诊断，为船舶航行的安全提供了保障。

1.3 载荷反演技术的有效性和难点

当前，基于人工智能的载荷反演技术无论是在神经网络模型设计方面，还是在样本训练等方面，都有一定的研究基础，可为船舶领域的应用提供借鉴，为数字孪生的发展提供技术支持，其有效性和难点可归纳如下：

1）船舶结构载荷监测是伴随船舶全生命全周期的，如何根据结构响应数据实时准确构建船舶的载荷分布，一直是载荷反演技术应用的难点。基于监测数据，结合人工智能发展的神经网络方法已在航空航天领域得到大量应用，为船舶领域的载荷反演提供了借鉴。

目前，针对船舶的应力监测技术也已十分成熟，为神经网络算法的学习提供了大量数据支持。在实际使用过程中，可对航行数据进行跟踪监测，对算法进行迭代训练，由此提高载荷反演的精度。

2）基于人工智能的结构载荷反演技术虽然有效，但目前在船舶领域应用较少，具有一定的局限性。与航空航天等领域相比，船舶结构的很多关键部位受总体布置、管路通道和结构连接方式等因素的影响，无法直接安装传感器，只能将其安装在这些部位的相邻区域。传感器的布置方式和位置对载荷反演的数据采集有很大影响。同时，船体载荷形式复杂多样，传感器等设备要面临的环境较为恶劣，这限制了载荷反演的精度。

此外，人工神经网络算法中仍有一些技术问题需深入研究，例如学习算法的收敛性、收敛的速度和精度等问题，因此未能很好地实现实时和高精度识别载荷等。同时，由于非线性模型的多样性，网络的选择和网络结构的确定等有待进一步研究。

2 数字孪生技术在船体结构安全评估领域的应用

2.1 数字孪生的基本概念及其发展

美国国家航空航天局（National Aeronautics and Space Administration，NASA）在阿波罗项目中制造了2 个完全相同的实体空间飞行物，通过对地面上的飞行器进行仿真实验，实际反映和预测空间中飞行器的状态［8］。由此，“孪生体”的概念在机械研究领域开始得到重视。

20 世纪90 年代以来，随着计算机技术的发展，数字化技术和仿真技术得到了迅猛发展，在虚拟空间中构建实物孪生体概念的条件逐渐成熟。美国密歇尔大学的迈克尔教授提出了“与物理产品表达等价的数字化表达”［9］，并于2011 年与约翰·威克斯一起提出了数字孪生的概念模型——真实世界的物理产品、虚拟世界的虚拟产品和连接虚拟空间与真实世界的数据交互［10］。

2010 年，NASA给出了数字孪生的概念性描述：一个集成多物理度、多尺度和多概率模拟的飞行器系统，充分利用物理模型、传感器数据和运行历史等数据，在虚拟空间中构建数字模型，从而反映对应的实体飞行器的全生命周期状态［11］。随后，数字孪生的概念得到广泛关注，例如：武器生产商洛克希德马丁公司将数字孪生列为未来国防和航天工业六大顶尖技术之首；中国科协智能制造技术将数字孪生列为世界智能制造十大科技进展之一。NASA和美国空军实验室通过构建数字孪生体，对飞行器的疲劳寿命和故障预测等进行了大量研究［12-14］。

2.2 数字孪生在船体结构安全评估中的应用基础

由数字孪生的相关定义和理论拆解可知，数字孪生具有以下特性：

1）最终目的是在虚拟空间中构建物理实体的数字化模型；

2）基本要求是数字化模型需具有高保真度；

3）实现途径是数值仿真技术；

4）关键途径是现实与虚拟空间的数据交互。

对于船体结构而言，传统的梁理论、有限元和非线性有限元等技术手段均提供了不同保真度的虚拟模型和数值仿真结果，即上述特性中的第一条和第三条已具有一定的基础，目前实现船体结构数字孪生的关键在于提升虚拟模型和仿真结果的保真度。

目前结构安全评估采用的基本策略是载荷——模型——应力结果。

对于模型而言，目前有限元技术是船体结构安全性评估中较为成熟且公认准确度较高的仿真技术，其仿真结果的准确性等已通过模型试验等手段得到验证，但对于实船的尺度及其复杂的运营环境而言，有限元仿真结果的保真度无法得到有效验证。对于仿真结果而言，除了上述虚拟模型误差造成的保真度不足以外，当前船体结构安全性评估采用的数据输入（载荷）基本上是基于概率论计算的船舶在运营期内受到的最大等效载荷，与船舶真实受到的载荷相比，在数值、组合形式和作用形式等方面有很大的不同。

因此，当前船体结构数值仿真的保真度无法满足数字孪生概念的需求，主要原因在于数值模型和仿真结果是理论值而非实际值，解决办法是将实船数据纳入仿真模型建立和仿真的数据输入中。

关于实船数据采集技术，相关研究早已开展。20 世纪70 年代，lINDEMANN等［15-16］就已开展船体结构监测技术研究。国际船舶结构委员会在1997 年发布的报告中介绍了一种监测船体运动和结构应力的系统［17］，该系统已在美国、英国、挪威和日本等多个国家得到应用，其关注区域集中在高应力区附近（艏艉布置的是加速度传感器）。2003 年，美国海上作战中心与力哈伊大学合作研制了一款针对双体船的长期监测系统，能对结构损伤和疲劳进行监测，其监测布点见图2，在结构交接处的高应力区进行监测，主要针对的是结构的疲劳破坏［18］。

图2 针对双体船的长期监测系统监测布点

经过几十年的发展，相关监测等已有成熟的技术应用，例如意大利的MON-HULL 和CETENA、英国的StressAl和S&MDS、挪威的LightStri、法国的HULLMC和韩国的Global Maritime Engineering等，已在多艘实船上安装使用。目前国内也有船体结构应力监测系统产品，例如哈尔滨工程大学的船体结构应力监测系统［19］、上海海事大学的CSSMAS系统［20］和中国船舶科学研究中心的船舶结构健康监测系统等。虽然目前相关系统已在实船上得到应用，但其商业化运营仍处在起步阶段。目前相关监测数据只能用来进行船体结构状态评估，如屈服、屈曲和疲劳评估等［21-23］。

2.3 关键技术

船体结构的数字孪生的理论构想是：通过环境监测获得载荷数据，通过载荷数据和船体响应数据获得仿真模型，由此建立虚拟与现实的联系，实现由环境监测结果到应力结果的转化。

但是，目前对环境的监测仍处于起步阶段，对应力的监测相对成熟。考虑到实际情况，不可能在船上的所有位置都安装应力监测设备。因此，船体结构的数字孪生的实现构想（见图3）是利用部分应力监测点，通过载荷反演，辅以环境监测数据，将此类数据纳入船体结构数字模型建立和仿真技术的数据输入中，通过高效的仿真手段和高保真的计算获得全船的应力分布和结构状态。该方式不仅能实现对船体安全状态的实时监测，对船舶面临的危险状态的预警，而且能根据气象预报和海况预报等信息对船舶可能出现的危险状态进行预演，提高船舶航行的安全性。同时，相关实测数据和反演数据可反馈给设计者，对设计方案进行实船数据校对，为剩余寿命评估、规范载荷及设计准则修正和新船型开发等提供参考。

图3 船体结构数字孪生技术路线

因此，要实现上述船体结构数字孪生，需突破以下关键技术：

1）多源异构数据获取/处理/挖掘技术。

通过气象卫星、传感器、船载设备（如装载仪等）和历史营运数据等获得涉及船舶营运的海量多源异构数据。由于船舶复杂的营运环境和长时间的营运会使相关数据的数量庞大且质量参差不齐，需研究更多营运数据来源渠道，包括高效滤波、基于大数据处理的数据筛选和故障甄别等适宜的数据处理方式，以及基于多源异构数据的挖掘技术。

2）结构数字孪生体的建模技术。

根据船体结构分析评估场景和需求的不同，采用代理模型技术开展船体结构多尺寸建模仿真，高效率、高精度完成从全船到局部的逐级分析。通过基于降阶的数字孪生高效建模技术，选择适用的降阶模型方法，在离线阶段通过仿真或试验手段建立代理模型，并在在线阶段采用该模型对船体结构进行快速评估和预测。

3）面向载荷、应力的数据同化技术。

数据同化是指根据一定的优化标准和方法，将时空上离散分布的多源异构和不同分辨率的直接或间接观测数据与数学模型有机结合，并将其纳入统一的分析与预报系统中，建立模型与数据相互协调的优化关系，使分析结果的误差最小，改善模型的预报精度。由于不同同化方法的理论原理不同，存在多种数据同化方法。

在结构数字孪生技术中拟采用数据同化，目的是合理动态预测船体载荷和关注位置的应力响应。首先根据研究对象的系统状态空间模型的状态方程、观测方程、状态变量和观测变量的分布确定目标系统的性质，进而选择最佳的数据同化算法完成实时观测数据与模型先验预测的融合，实现载荷反演，或基于有限的应力监测数据预测全船结构的应力分布等。实时地监测船体结构载荷数据至关重要，传统的载荷测量方法无法满足实时准确的要求，基于人工智能的结构载荷反演技术为实现船体结构载荷实时监测提供了一种合适的选择。

4）基于数字孪生的结构强度评估和性能预测技术。

根据监测的应力数据和完整的结构数字孪生模型，采用确定性或可靠性方法评估船体结构的总强度、局部强度、极限强度和疲劳强度；采用描述性或简化有限元法（基于降阶的数字孪生高效建模技术），结合监测数据生成简化的数字孪生模型，在一定时间内快速评估船体结构的安全状态，并在必要时提供预警。完整数字孪生模型的计算结果可用来修正简化数字孪生模型，使快速评估结果更为准确。

采用波浪监测数据、经数据同化反演的载荷或逆有限元法，通过有限的监测数据预测船舶整体结构的应力状态，从而评估船体的结构强度和疲劳损伤；采用模型数据，结合数据驱动方法，融合历史数据和航线规划，预测裂纹扩展情况和结构的剩余疲劳寿命。