Розробка гібридної (фізично-інформованої) моделі динаміки руху судна
DOI:
https://doi.org/10.33216/1998-7927-2026-300-2-5-18Ключові слова:
physics-informed neural networks, наукове машинне навчання, гідродинаміка судна, суднові енергетичні установки, діагностування технічного стану, нейронні мережі, обчислювальна гідродинамікаАнотація
Підвищення ефективності експлуатації морських суден та надійності суднових енергетичних установок потребує застосування сучасних методів інтелектуального аналізу даних і моделювання складних динамічних процесів. Одним із перспективних напрямів є наукове машинне навчання, зокрема physics-informed neural networks (PINN), які поєднують фізичні закономірності функціонування технічних систем із можливостями глибокого навчання. Метою роботи є дослідження можливостей застосування фізично інформованих нейронних мереж для моделювання гідродинамічних процесів і інтелектуального діагностування технічного стану суднових енергетичних установок. У статті виконано аналіз сучасних підходів обчислювальної гідродинаміки та методів машинного навчання, що використовуються для опису динаміки руху судна та робочих процесів морських енергетичних систем. Особливу увагу приділено принципам побудови моделей PINN, у яких диференціальні рівняння, що описують фізику досліджуваних процесів, безпосередньо включаються до функції втрат нейронної мережі. Такий підхід дозволяє підвищити точність прогнозування та стійкість моделей за умов обмеженого обсягу експериментальних і експлуатаційних даних. Показано, що використання physics-informed neural networks забезпечує більш коректне відтворення нелінійних динамічних залежностей між параметрами руху судна, гідродинамічними характеристиками та енергетичними показниками силової установки. На основі аналізу сучасних наукових публікацій і результатів досліджень визначено переваги підходу PINN порівняно з традиційними методами обчислювальної гідродинаміки та суто дата-орієнтованими алгоритмами машинного навчання. Встановлено, що інтеграція фізичних моделей і нейромережевих алгоритмів підвищує достовірність прогнозування технічного стану обладнання та створює основу для розроблення інтелектуальних систем моніторингу й діагностування суднових енергетичних установок. Отримані результати підтверджують перспективність застосування physics-informed нейронних мереж для розв’язання задач аналізу гідродинаміки судна, прогнозування експлуатаційних параметрів і підвищення ефективності систем технічної діагностики в морській інженерії.
Посилання
1. Fossen T. I. Handbook of Marine Craft Hydrodynamics and Motion Control. 2nd ed. Wiley; 2021.ISBN: 978-1-119-57505-4.
2. Larsson L., Stern F., Visonneau M., eds. Numerical Ship Hydrodynamics: An Assessment of the Gothenburg 2010 Workshop. Springer; 2020. DOI: https://doi.org/10.1007/978-94-007-7189-5.
3. International Towing Tank Conference (ITTC). ITTC Recommended Procedures and Guidelines - Model Testing and CFD for Ship Hydrodynamics. ITTC; 2021–2024.
4. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press; 2016. 800 рр. DOI: https://doi.org/10.1007/s10710-017-9314-z
5. Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735.
6. Raissi M., Perdikaris P., Karniadakis G. E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics. 2019. Vol. 378. P. 686–707. DOI: https://doi.org/10.1016/j.jcp.2018.10.045.
7. Karniadakis G. E., Kevrekidis I. G., Lu L., Perdikaris P., Wang S., Yang L. Physics-informed machine learning. Nature Reviews Physics. 2021. Vol. 3. P. 422–440. DOI: https://doi.org/10.1038/s42254-021-00314-5.
8. Cuomo S., Jiang Z., Wang Z., et al. Scientific machine learning through physics-informed neural networks: where we are and what’s next. Journal of Scientific Computing. 2022. Vol. 92. Article 88. DOI: https://doi.org/10.1007/s10915-022-01816-3.
9. Vychuzhanin V. V., Vychuzhanin A. Adequacy and verification of an intelligent diagnostic model for ship power plants. Informatics and Mathematical Methods in Simulation. 2025. Vol. 15, No. 3. P. 312–326. DOI:https://doi.org/10.15276/imms.v15.no3.312.
10. Вычужанин В. В. Информационное обеспечение мониторинга и диагностирования технического состояния судовых энергоустановок. Вісник Одеського національного морського університету. Збірник наукових праць. 2012. № 35. Р. 111–124.
11. Slotine J.-J. E., Li W. Applied Nonlinear Control. Prentice Hall; 1991.
12. Villaverde A. F. Observability and structural identifiability of nonlinear biological systems. Annual Reviews in Control. 2019. Vol. 48. P. 1–21. DOI: https://doi.org/10.1016/j.arcontrol.2019.08.001.
13. Xu P., Han C., Cheng H., et al. A physics-informed neural network for the prediction of unmanned surface vehicle dynamics. Journal of Marine Science and Engineering. 2022. Vol. 10, No. 2. Article 148. DOI: https://doi.org/10.3390/jmse10020148.
14. An G., Xiang G. Physics-informed neural networks based identification modelling of ship maneuvering motion and associated optimal excitation design. Engineering Applications of Computational Fluid Mechanics. 2025. Vol. 19. DOI: https://doi.org/10.1080/19942060.2025.2566860.
15. Hou X., Zhou X., Huang X. Reconstruction of ship propeller wake field based on physics-informed neural networks. Journal of Shanghai Jiao Tong University. 2024. Vol. 58, No. 11. P. 1654–1664. DOI: https://doi.org/10.16183/j.cnki.jsjtu.2023.101.
16. Wang Y., Zhang H., Li J. Physics-informed neural networks for vessel main engine power prediction. Ocean Engineering. 2025. Article 121344. DOI: https://doi.org/10.1016/j.oceaneng.2025.121344.
17. Lee J., Park K., Jung W. Physics-informed neural networks for cantilever dynamics and fluid-induced excitation. Applied Sciences. 2024. Vol. 14, No. 16. Article 7002. DOI:https://doi.org/10.3390/app14167002.
18. Brumand-Poor F., Barlog F., Plückhahn N., et al. Physics-informed neural networks for the Reynolds equation with transient cavitation modeling. Lubricants. 2024. Vol. 12, No. 11. Article 365. DOI: https://doi.org/10.3390/lubricants12110365.
19. Fu T., Hu Z., Zhang T., et al. Physics-informed neural networks-based online excavation trajectory planning for unmanned excavator. Chinese Journal of Mechanical Engineering. 2024. Vol. 37, No. 1. DOI: https://doi.org/10.1186/s10033-024-01109-2.
20. Martinez Y., Rojas L., Peña A., et al. Physics-informed neural networks for structural analysis and monitoring: a review. Mathematics. 2025. Vol. 13, No. 10. Article 1571. DOI: https://doi.org/10.3390/math13101571.
21. Wong J. C., Ooi C., Chiu P., Dao M. Improved surrogate modeling of fluid dynamics with physics-informed neural networks. Computer Methods in Applied Mechanics and Engineering. 2021. DOI: https://doi.org/10.48550/arXiv.2105.01838.
22. Alam M. M., Soares A., Rodrigues-Jr. J. Physics-informed neural networks for vessel trajectory prediction. Ocean Engineering. 2025. DOI: https://doi.org/10.48550/arXiv.2506.12029.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 В.В. Вичужанін, О.В. Вичужанін
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
