基于代理模型阵列的系泊系统自适应采样加速仿真方法

本发明属于船舶等水上载运工具的运行安全评估与数值仿真，尤其涉及一种基于并行代理模型阵列的系泊系统动力响应自适应采样加速仿真方法。

背景技术：

1、在船舶与水上载运工具工程领域，评估系泊系统在复杂海况下的安全性，通常需要通过高保真时域仿真软件进行动力学响应分析。然而，系泊系统的安全边界受到波浪、风、流等多个环境参数的交织影响，形成了高维度的参数空间。

2、传统的系泊系统安全性评估主要依赖高保真时域仿真软件，对多维环境参数（如风、浪、流）构成的海况参数空间网格点进行遍历计算。然而，由于多维度环境参数交织形成的参数空间极其庞大（通常达数亿甚至数十亿量级），直接利用高保真软件进行全域遍历将耗费极其昂贵的计算成本，在实际工程应用中是不可行的。

3、为了缓解算力瓶颈，现有技术通常引入机器学习代理模型与自适应采样算法，通过少量样本训练模型来预测系统响应。例如，现有技术中已有采用单一代理模型结合期望改善采集函数进行迭代采样的方案，即通过orcaflex建立初始系泊模型，采用自适应拉丁超立方抽样建立初始样本集，构建代理模型后计算期望改善以确定采样点并迭代更新。然而，在面对高维复杂系泊场景时，现有加速技术仍存在显著的应用难点：

4、（1）极值捕捉不准。 系泊系统的响应具有强非线性特征（如缆绳物理破断引发的剧烈跳变），传统单一代理模型难以捕捉此类特征，导致在危险边界处的预测精度大幅下降。

5、（2）无法解决“异步恶化”现象。 系泊系统的六自由度运动与多根缆绳的受力在不同海况下恶化步调不一致，常规的单目标寻优或简单的多目标加权算法极易产生风险稀释，漏掉单一维度的潜在危险。

6、（3）探索与开发的失衡。 现有的自适应采样算法在处理超大规模离散空间时，极易陷入局部最优或在局部非线性区域过度聚集采样（算力塌缩），造成昂贵仿真算力的严重浪费。

7、（4）缺乏有效的收敛判据。 现有技术多依赖固定的迭代次数或目标值作为停止条件，缺乏对极限状态面拓扑稳定性的量化监测，难以保证采样结果的工程可靠性。

8、鉴于此，本发明提供一种能够兼顾全域探索效率与边界锁定精度的自适应采样方法，以解决上述问题。

技术实现思路

1、本发明的目的在于提供一种基于代理模型阵列的系泊系统自适应采样加速仿真方法，通过构建解耦的代理模型阵列，结合离散空间的置信上限拦截、跨维极值提取以及空间聚类筛选，在极大幅度降低高保真仿真成本的同时，确保对系泊系统多维异步非线性边界的精准捕捉。采用的技术方案为：

2、一种基于代理模型阵列的系泊系统自适应采样加速仿真方法，包括以下步骤：

3、步骤1、基础样本集构建：

4、构建由环境参数组成的多维离散网格空间，执行初始工况采样并将采样点输入高保真仿真软件获取各采样点的仿真响应真值，对所述仿真响应真值进行预处理后，以环境参数作为输入特征、以预处理后的仿真响应真值作为监督标签，构建基础样本集；其中，所述监督标签包括若干个子监督标签；

5、步骤2、训练代理模型阵列：

6、分别独立建立与多个物理响应指标一一对应的代理模型的模型架构，每个代理模型对应一个物理响应指标，各代理模型均以环境参数作为输入、以其所对应的一个物理响应指标的预测值作为输出，形成解耦的代理模型阵列；

7、将所述基础样本集中的环境参数作为输入特征送入各代理模型进行前向计算，得到各代理模型对物理响应指标的预测值，以与所述物理响应指标相匹配的一个子监督标签作为预测目标，通过最小化所述预测值与预测目标之间的误差来迭代更新各代理模型的内部参数，使各物理响应指标的预测值逐步逼近对应的子监督标签，训练完成后得到训练好的代理模型阵列；

8、步骤3、构成高危候选集：

9、利用训练好的所述代理模型阵列对大规模空间中的候选网格点进行前向预测，得到每一个候选网格点在各物理响应指标上的预测值；

10、对所述预测值进行统计，得到每一个候选网格点在各物理响应指标上的预测均值与预测标准差；

11、针对每一个候选网格点，基于其各物理响应指标的预测均值与预测标准差分别构建置信上限，将任一物理响应指标的置信上限超过预设工程阈值的候选网格点判定为疑似高危样本并拦截，被拦截的候选网格点共同构成高危候选集；

12、步骤4、综合危险度评分与空间聚类筛选：

13、从步骤3获得的预测均值与预测标准差中，提取所述高危候选集中各候选网格点在各物理响应指标上的预测均值与预测标准差，并计算各候选网格点在各物理响应指标上的局部非线性微扰；

14、针对高危候选集中的每一个候选网格点，基于其各物理响应指标的预测均值、预测标准差和局部非线性微扰，经归一化与加权合成后得到各物理响应指标的单维度得分，再取所有单维度得分的最大值作为该网格点的综合危险度得分；

15、然后对所述高危候选集执行空间聚类，提取各簇内综合危险度得分最高的网格点作为自适应采样点，输入高保真仿真软件获取仿真响应真值；

16、步骤5、样本集更新与迭代收敛判定：

17、将步骤4自适应采样点仿真得到的仿真响应真值，经预处理后并入步骤1所述基础样本集，形成更新后的基础样本集；利用更新后的基础样本集再次训练所述代理模型阵列，并动态监测收敛指标；若收敛则输出建模数据集，若未收敛则返回步骤2继续迭代。

18、优选地，步骤1中的所述环境参数为7维向量，包括波高、波向、谱峰周期、风速、风向、流速、流向。

19、优选地，步骤1中的所述初始工况采样采用拉丁超立方抽样在全域连续空间生成初始样本，并通过计算样本坐标与离散网格坐标之间的欧氏距离执行网格吸附处理，使初始样本坐标对齐至最近的合法离散网格坐标。

20、优选地，步骤2中包括纵荡、横荡、升沉、横摇、纵摇、艏摇、最大缆力、最大锚力共8个物理响应指标；所述代理模型为随机森林回归模型，每一代理模型以7维环境参数为输入、以对应的单一物理响应指标的预测值为输出。

21、优选地，步骤3中，所述置信上限的计算公式为：

22、

23、  -对应候选网格点 ，第  个物理响应指标的预测均值；

24、- 对应候选网格点 ，第  个物理响应指标的预测标准差；

25、-控制探索强度的常数。

26、优选地，步骤4中，获取各物理响应指标的单维度得分的步骤具体包括：

27、针对高危候选集  内的每个候选网格点，以步骤3计算得到的预测标准差 作为不确定度分量 ，以步骤3计算得到的预测均值 作为危险度分量，并计算各网格点在各物理响应指标上的局部非线性微扰分量 ，分别执行归一化处理得到 、、；

28、采用预设权重合成单一物理响应指标  的单维度得分：

29、

30、其中，，，为权重系数。

31、优选地，步骤4中，空间聚类与自适应采样点提取具体包括：

32、对高危候选集  执行k-means聚类，切分为  个聚类簇；

33、聚类目标函数为 ；

34、其中  为预设并行仿真算力规模， 为第  个聚类簇；为网格点；

35、 为聚类簇的质心向量；

36、在每个聚类簇  内提取综合危险度得分最高的网格点作为自适应采样目标。

37、与现有技术相比，本发明的优点为：

38、（1）实现算力的非均匀重分配，提供较高的等效采样加速比。

39、在包含数亿个网格点的高维参数空间中，传统的遍历仿真不可行，而常规随机采样命中率较低。本发明构建了融合“认知不确定度”、“预测危险度”与“局部微扰跳变强度”的三维信息增益采集函数。该机制使算法能够主动减少对线性安全区的冗余搜索，将极其昂贵的高保真时域仿真算力靶向聚焦于非线性失效边界处。在维持较高边界识别精度的前提下，大幅缩减了仿真样本需求量，显著提升了工程评估的等效采样加速比。进一步地，在aqwa时域耦合仿真验证中，连续20轮自适应采样结果显示，ⅲ级高风险及ⅳ级临界失效工况在多数迭代轮次中保持接近90%或高于90%的占比，说明本发明能够将高保真仿真资源集中于危险边界及临界失效邻域。在剔除临界失效样本后的有效样本池离线回放验证中，本发明采用预设权重综合采集函数的自适应采样策略在2000个样本预算内取得0.8764的高风险识别f1值和0.7206的危险边界准确率，并在1585个样本时达到f1=0.85，表明本发明能够减少低风险区域冗余采样，并提高危险工况识别效率。

40、（2）消除多维响应“异步恶化”导致的极值风险盲区。

41、系泊系统的多自由度运动与多根缆绳的受力，在复杂海况下通常呈现恶化步调不一致的“异步”特征。传统多目标加权算法容易产生“风险掩盖”效应，导致部分维度的极端风险被均值掩盖。本发明创新性引入解耦代理模型阵列，并结合跨维极值提取逻辑，将不同量纲的物理响应统一映射至归一化风险尺度，并强制提取全局最高风险得分。该机制确保算法对缆绳破断、运动失稳等任何单一维度的失效模式均具备最高优先级的敏感性，从底层数学逻辑上杜绝了极端危险工况的漏报。

42、（3）克服自适应采样的局部聚集缺陷，保障边界拓扑的全域覆盖。

43、传统寻优算法逼近非线性陡峭区域时极易陷入局部最优，导致采样点在狭小空间内过度聚集，造成算力浪费且无法探明完整边界。本发明引入了参数空间k-means聚类分散机制。在高危候选集内强制将高危样本切分为多个聚类簇，有效防止了采样点局部的恶性扎堆，确保新一轮验证样本能够均匀、广泛地散布在全域所有未知的非线性边界上，实现了对系统多维安全边界的高效拓扑覆盖。

44、（4）严格契合工程规范，保障离散域寻优的物理合法性。

45、有别于脱离工程实际的纯数学连续空间寻优，本发明建立在严格遵循船舶与水上载运工具物理步长规范的离散网格集之上。通过执行连续样本向物理离散网格的对齐与采样，确保了最终筛选出的极值样本在物理状态上是完全合法且可复现的。生成的极值包络结果可直接用于指导系泊系统的工程设计与实际作业，具有极强的工程实用价值。