基于深度学习的Web应用程序预测客船供电需求

软件影响11（2022）100226原始软件出版物Web应用程序采用以数据为中心的方法，使用深度学习进行JauhariKhairuddina，Saha，AdiMaimuna，KazuoHiekatab，CheeLoonSiowa，Arifah Aliaa马来西亚科技大学海洋技术中心，81310 Skudai，Johor，Malaysiab日本千叶柏之叶东京大学人类与工程环境研究系277-8563A R T I C L E I N F O保留字：船舶设计仿真人工智能深度学习以数据为中心的Web应用A B标准这项工作描述了一个基于人工智能的Web应用程序来预测客船的供电需求。以数据为中心的方法是基于实际的客船设计数据，作为设计工具，以帮助船舶设计师快速估计船舶制动功率。 它强调初步设计阶段，以尽量减少设计任务和繁琐的计算。基于研究，它是观察到，该模型显示出良好的协议，现有的经验方法的结果与10%的平均绝对误差。值得注意的是，这表明该方法能够促进更快和有效的初步设计，以及大型复杂系统的可扩展性。代码元数据当前代码版本V1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-198可复制胶囊GNU通用公共许可证（GPL v3）使用git的代码版本控制系统软件代码语言，工具和服务使用python，html css编译要求、操作环境和依赖关系Python 3.6.15 docker 20.10.10如果可用，请链接到开发人员文档/手册https://github.com/jtkhair/aiship_webapp/blob/master/README.md问题支持电子邮件jauhari. gmail.com，jauhari@graduate.utm.my1. 介绍船舶设计是一个复杂的过程，涉及大量的设计参数和部件，需要考虑许多因素。传统上，船舶设计开发在迭代中顺序执行。它涉及详细而费力的计算，导致开发周期长。在实践中，船舶建筑师依靠参数化设计方法作为起点来估计设计参数，每次评估一个。随着设计的进展，由于设计参数和目标相互冲突，这种方法会导致技术和组织问题。特别是，该过程受到设计不确定性以及非线性设计问题的影响， 参数的相互依赖性。目前解决这些问题的方法是将参数化设计、计算机辅助设计和工程工具相∗通讯作者。优化设计方法[1它强调了搜索 通过集成设计、仿真和分析工具，优化设计参数。然而，启发式方法的成本非常高，计算能力、软件许可证、开发周期以及使用应用程序所需的关键技能。这种影响在初步设计阶段尤为显著。作为对…的补充 综合方法，即作为网络应用程序的概念部署，也被视为分摊某些相关成本的手段[4，5]。最近，人工智能（AI）应用在促进有效的设计过程中获得了相当大的关注[6，7]。在船舶设计领域，所观察到的工作包括预测主要设计参数[8]、船体形状和结构设计参数[9]、船舶操作参数[10]和性能[11]。从根本上说，采用人工智能概念是为了减少计算量，电子邮件地址：jauhari@graduate.utm.my（J. Khairuddin），adi@utm.my（A.Maimun），hiekata@edu.k.u-tokyo.ac.jp（K.Hiekata），scheeloon@utm.my（C.L.Siow），arifahali@utm.my（A.Ali）。https://doi.org/10.1016/j.simpa.2022.100226接收日期：2021年12月25日;接收日期：2022年1月5日;接受日期：2022年1月9日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsJ. Khairuddin，A.迈蒙湾Hiekata等人软件影响11（2022）1002262Fig. 1. Web应用程序架构。成本和交付周期。实现这一点 通过利用经验证的或实际的数据，而不是通过费力的设计和分析过程来增加新的数据。因此，引入这个概念作为Web应用程序被认为是可用性和有效性的重要因素。在此基础上，开发了一个基于AI的Web应用程序，并将其作为“UTMAI_Ship”框架的一部分进行应用。 它 介绍了在初步设计阶段确定船舶动力要求的方法。特别是，这项工作是基于完全连接的前馈人工神经网络（ANN）模型被称为多层感知器（MLP）。它是使用皇家海军建筑研究所（RINA）1992年至2016年在“重要船舶”和“重要小型船舶”中发布的实际客船主要设计参数开发的在这项工作中，Web应用程序在第2节中描述，第3节中有一个案例研究的说明性示例。 然后，在第4节中讨论了应用程序对未来发展的影响，并在第5节中总结了工作。2. 软件描述这个2层Web应用程序由用户界面（UI）和后端组成，后端服务于预训练的ANN模型，如图所示。1.一、Jinja和bootstrap用于Web模板和UI开发，而FastAPI用于开发应用程序编程接口（API）。这包括执行读取输入数据、数据预处理、推理、后处理和可视化的API。整体开发的目的是产生一个快速和响应的应用程序，同时迅速提供接近最佳的设计参数预测。它首先使用scikit-learn机器学习（ML）库在python中开发和调整ANN模型。这里，首先通过在0到1的范围内缩放特征来转换数据。保存拟合的缩放器模型，然后将其序列化为预训练的缩放器。随后，ANN被配置、训练、测试、调整、验证和序列化为预训练模型。基于该架构，实现FastAPI以开发对由客户端发起的API调用的响应，例如，Web应用程序UI。它获取用户在UI中提交的数据，并在后端处理它们然后，它将预测和可视化数据返回给客户端。而Starlette和Uvicorn的功能是帮助构建Penccio服务和ASGI服务器实现。最后，使用Docker将应用程序容器化以实现可移植性在服务模型时，通过改变隐藏层、神经元数量、超参数变量和值来执行神经网络优化，以在最短的训练时间内实现最高的训练和测试精度[12]。与此同时，该模型是专门优化，以解决所观察到的客船设计问题的非线性性质。在这项工作中，该模型使用总数据集的80%进行训练，并使用基于Bailey船体系列经验模型的增强数据3. 说明性实例本示例描述了使用图1中所示的容器技术的本地部署的Web应用程序部署。二、UI突出显示数据输入面板、用于可视化Vs和Fn的预测P的图表以及用于将结果输出制成表格的表格用户首先在*.csv基于预定模式;（1）水线长度（LWL），(2)（3）吃水（T）;（4）长宽比（L/B）;（5）宽吃水比（B/T）。(6)位移（λ），（7）方块系数（CB），（8）速度（Vs）和（9）弗劳德数（Fn）。这将执行对动力预测过程的API调用，推断制动功率（P）并可视化所提交的Vs和Fn范围的输出数据。目前，动力需求预测过程适用于单体客船设计，数据范围如表1所示。4. 影响Web应用程序开发基于已建立的这种确定性和以数据为中心的方法允许快速的设计更改和评估，而无需多次设计迭代。目前，优化的模型训练需要13.6秒，测试分数为85%，推理需要1.9毫秒才能完成。总的来说，使用本地部署的Web应用程序，供电预测大约需要不到1秒。基本上，使用开发的ANN模型实现的准确度优化的ANN模型显示，如表2所示，案例研究的平均误差（MAE）为10%。因此，预测可视化如图。 3显示了良好的协议，得到的结果使用的数据增强的基础上贝利的模型，特别是对于Fn范围0.20-0.35。这是指在数据集中观察到的原则上，这种方法的目的是使并发和有效的设计，大型和复杂的设计开发，因此可扩展性。这可以通过代表整体设计过程的图论中的AI应用进一步研究[12]。 因此，由于速度和准确性，人工智能应用程序被视为具有巨大潜力的大型复杂系统设计开发过程中的关键组成部分。5. 结论这项工作提出了一个基于人工智能的Web应用程序与数据为中心的方法，客船设计过程。是发达作为一种设计工具，帮助造船工程师在初步设计阶段立即估计和可视化船舶制动功率。重要的是，与现有方法相比，本申请提供的人工神经网络模型在复杂性方面J. Khairuddin，A.迈蒙湾Hiekata等人软件影响11（2022）1002263图二. Web应用程序。数据集设计参数范围。以90米客船为例图3.第三章。案例研究的预测和估计（基准）功效比较。成本和效率。因此，研究结果显示出进一步开发和实施的巨大潜力。该应用程序版本目前仅限于一组预训练的定标器和ANN模型。因此，它只测试单体型客船的设计问题。通过包含额外的模型和设计选项，这将使应用程序成为通用AI和基于Web的船舶设计平台。此外，该版本是作为一个2层应用程序开发的，其中不存储推理产生的数据。因此，将数据库集成到应用程序中特别有利于报告和促进ANN模型的改进。建议的其他未来工作包括以模块的形式进行扩展，用于其他设计参数的开发，例如稳定性、操纵性和耐波性性能预测。他们可以在以后组装到构建基于Web的整体船舶设计平台中。重要的是，以数据为中心的方法和图论被视为前瞻性的保存和重用的设计知识和数据，有效的船舶设计和重新设计的目的。因此，这将使应用程序能够通过包括不同的船舶类型和设计特征而得到推广和进一步改进。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作确认该项目由马来西亚技术大学（UTM）通过研究型大学资助（RUG）支持，项目编号：Q. J130000.3851.19J88. 作 者 还 要 感 谢 Muham-mad Amirul SamsulBahar就前端和UI开发进行的咨询引用[1]S. Skoupas湾Zaraphonitis，A. Papanikolaou，高速客滚船的参数化设计和优化，海洋工程。189（2019）106346.[2]联 合 la Monaca ， S. Bertagna ， A. Bucci ， Marinande ， V. ， Integrated shipdesign ： Aninnovative methodology approach enabled by new generationcomputer tools，Int.J. Interact。Des.制造（IJIDeM）14（1）（2020）59[3] M.约基宁河Broglia，S. Gattera，A.奥贝尔河Gunawan湾Schellenberger，S.Harries，H.冯Zadow，双端渡船的设计，在：船舶设计的整体方法，施普林格，Cham，2021年，第 10 0 页。373-426.[4]F.萨尔瓦多河Ponzini，Lincosim：基于Web的HPC云平台，用于自动虚拟拖曳水池分析，J. 网格计算17（4）（2019）771表1L（m）B（m）T（m）L/BB/T���（t）CBVs（kn）Fn功率（kW）80–24014-323-8 3.5-9.03.0-5.52000-32,00000.35-0.7010–300.15-0.50600-70,000表2LWL（m）B（m）T（m）L/BB/T���CBVs（kn）Fn90 14.4 4.966.252.920880.39710–270.17-0.47J. Khairuddin，A.迈蒙湾Hiekata等人软件影响11（2022）1002264[5]A. Fonseca，H.M. Gaspar，基于Web的仿真基础，第33届国际ECMS建模与仿真会议。6月11日至14日意大利卡塞塔，2019年。[6]S. Plappert，P.C.根巴尔斯基河Lachmayer，基于知识的工程系统和人工智能在产品开发中的使用：快照，在：信息系统架构和技术国际会议，施普林格，Cham，2019年，pp. 62比73[7]P. Genmbarski，集成计算机辅助设计和基于知识的工程的三种方法，在：设计协会会议论文集：设计会议，第1卷，2020年，第11页。1255-1264年。[8]S.古尔根岛Altin，M. Ozkok，化学品船主要特征的预测在船舶初步设计中采用人工神经网络，船舶海洋结构。13（5）（2018）459-465。[9]Y.奥，Y. Li，J. Gong，S.李，船体结构的人工智能辅助设计（AIAD），海洋工程学报。（2021年）。[10] K. Alexiou，E.G. Pariotis，T.C.赞尼斯Leligou，基于人工智能技术的船舶运行参数预测，J. Mar. Sci. Eng. 9（6）（2021）681.[11] P. Gupta，A. Rasheed，S. Steen，使用机器学习进行船舶性能监控，2021，arXiv预印本arXiv：2110.03594。[12] A.迈蒙湾希耶卡塔湾Jauhari，C.L. Slow，A. Ali，船舶动力估算在使用图论和机器学习方法进行船舶初步设计中，在2021年国际设计与并行工程会议制造系统会议上。9月3日至4日。虚拟会议，日本，2021年。[13] D. Bailey，NPL高速圆舱底排水船体系列：阻力、推进、操纵和耐波性数据，皇家海军建筑师学会，1976年。[14] S.C.冯，方尾型船舶设计初期阻力及动力预测，1992。