MARC

 008260126s2025        us                              c    eng  d
■001000017358090
■00520260202103642
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314874240
■035    ▼a(MiAaPQ)AAI32092561
■035    ▼a(MiAaPQ)umichrackham006096
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aMarlantes,  Kyle  E.
■24512▼aA  Force-Correcting  Machine  Learning  Method  for  Nonlinear  Marine  Dynamics
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a269  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Maki,  Kevin  J.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aWave-induced  motion  has  a  significant  effect  on  the  efficiency,  economy,  safety,  and  operability  of  a  ship,  so  predicting  the  motion  of  a  ship  in  waves  is  a  subject  of  considerable  interest.  However,  the  ship  motion  problem  is  fraught  with  difficulties:  stochasticity  in  the  wave  environment,  nonlinearity  in  the  hydrodynamic  forces,  and  a  large  number,  or  cardinality,  of  environmental,  operational,  or  design  conditions  which  need  to  be  analyzed.  The  cost  of  high-fidelity  computational  or  experimental  methods  makes  a  direct  assessment  using  high-fidelity  methods  intractable.To  keep  the  seakeeping  problem  tractable  necessitates  simplifying  assumptions  in  the  modeling  of  the  hydrodynamic  forces.  This  has  led  to  widespread  use  of  low-fidelity  methods,  such  as  linear  potential  flow,  which  still  comprise  a  majority  of  industrial  seakeeping  evaluations.  However,  nonlinearity  in  the  hydrodynamic  forces  is  necessary  to  predict  large  amplitude  responses,  global  structural  loads,  and  important  nonlinear  phenomena  such  as  capsize,  parametric  roll,  and  slamming.  As  a  result,  there  exists  a  strong  compromise  between  accuracy  and  computational  cost  in  the  present  state-of-the-art.In  recent  years,  data-driven  methods  have  been  explored  in  pursuit  of  low-cost  models.  However,  most  data-driven  models  require  large  training  datasets  to  generalize,  and  therefore  do  not  adequately  address  the  cardinality  of  seakeeping  evaluations.  Furthermore,  literature  on  data-driven  methods  suffers  from  a  crisis  of  reproducibility,  inconsistency  in  the  metrics  that  are  used  to  evaluate  performance,  and  limited  industrial  adoption.In  this  dissertation,  a  question  is  posed:  Can  a  data-driven  approach  reduce  the  computational  cost  associated  with  the  hydrodynamic  forces  acting  on  a  ship  in  waves  and  reduce  the  challenge  of  the  cardinality  of  a  seakeeping  evaluation?  To  address  this  question,  five  attributes  are  proposed  to  guide  development  of  a  data-driven  method,  considering  accuracy,  inference  cost,  training  cost,  generalizability,  and  interpretability.  Following  this,  a  new  method,  which  takes  a  data-driven  approach  to  the  decomposition  of  the  hydrodynamic  forces  in  a  governing  equation  of  motion,  is  proposed.  The  method  is  developed  mathematically  and  numerically,  and  the  configuration  is  explored  using  two  data  sources:  a  nonlinear  differential  equation  and  a  higher-order  nonlinear  potential  flow  boundary  element  method.  The  proposed  method  is  then  applied  in  two  case  studies:  predicting  the  roll  responses  of  a  tumblehome  hull  using  computational  fluid  dynamics  training  data,  and  to  predict  the  heave  and  pitch  responses  of  a  fast  displacement  ship  in  a  region  of  the  North  Atlantic.  The  first  case  study  demonstrates  an  accuracy  improvement  over  low-fidelity  industry  tools  and  shows  that  the  proposed  method  can  be  used  as  a  new  lumped-moment  roll  damping  model.  The  second  case  study  demonstrates  a  new  workflow  for  seakeeping  evaluations,  where  the  proposed  method  is  used  as  a  data-leveraging  tool  to  predict  responses  over  a  wave  scatter  diagram  using  a  small  initial  high-fidelity  dataset.It  is  found  that  the  proposed  method  offers  low  inference  cost  and  an  order-of-magnitude  reduction  in  training  data  compared  to  other  published  methods.  The  method  also  collapses  the  wave  frequency-amplitude  space  in  the  seakeeping  problem,  thereby  reducing  the  burden  of  cardinality  in  evaluations  by  at  least  a  factor  of  ten.
■590    ▼aSchool  code:  0127.
■650  4▼aEngineering
■650  4▼aOcean  engineering
■650  4▼aNaval  engineering
■653    ▼aSeakeeping  and  ship  motions
■653    ▼aForce-correcting  method
■653    ▼aHybrid  machine  learning
■653    ▼aGeneralizability
■653    ▼aNonlinear  marine  dynamics
■653    ▼aUncertainty  quantification
■690    ▼a0537
■690    ▼a0468
■690    ▼a0547
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bNaval  Architecture  &  Marine  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358090▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서