ارزیابی قابلیت مدل های یادگیری ماشین در پیش بینی پاسخ های دینامیکی زیردریایی تحقیقاتی کوچک در شرایط صعود اضطراری

صعود اضطراری یکی از شرایط عملیاتی بحرانی زیردریایی ها است که در آن نیروهای هیدرودینامیکی پیچیده و پاسخ های دینامیکی غیرخطی می توانند تاثیر قابل توجهی بر حرکت زیردریایی داشته باشند. شبیه سازی های متداول دینامیک سیالات محاسباتی (CFD)، به ویژه در صورت نیاز به بررسی تعداد زیادی از شرایط عملیاتی، می توانند از نظر محاسباتی زمان بر باشند. ازاین رو، پژوهش حاضر قابلیت مدل های یادگیری ماشین را در پیش بینی پاسخ های دینامیکی یک زیردریایی تحقیقاتی کوچک در شرایط صعود اضطراری بررسی می کند. برای این منظور، مجموعه داده حاصل از شبیه سازی های عددی زیردریایی در شرایط مختلف صعود اضطراری برای توسعه سه مدل یادگیری ماشین شامل جنگل تصادفی (Random Forest)، تقویت گرادیان شدید (XGBoost) و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفت. مدل ها برای یادگیری روابط غیرخطی میان پارامترهای ورودی و پاسخ های دینامیکی زیردریایی آموزش داده شدند و عملکرد آن ها با استفاده از ضریب تعیین (R²) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شد. نتایج نشان داد که هر سه مدل از دقت پیش بینی بالایی برخوردار بوده و مقدار R² آن ها بیش از ۰٫۹۸ است. مدل MLP با ۰.۹۹۱R² =  و ۰.۰۳۳RMSE =  بهترین عملکرد کلی را نشان داد. پس از آن، XGBoost  با ۰.۹۸۷R² =   و ۰.۰۳۶RMSE =  و جنگل تصادفی با ۰.۹۸۲ R² =  و ۰.۰۴۱RMSE =   قرار گرفتند. این نتایج نشان دهنده ظرفیت مدل های یادگیری ماشین به عنوان رویکردی کارآمد برای پیش بینی پاسخ های دینامیکی زیردریایی در شرایط صعود اضطراری است

کلیدواژه ها:

Emergency ascent ، Small research submarine ، Machine learning ، Computational fluid dynamics ، Dynamic response ، Surrogate modeling ، صعود اضطراری ، زیردریایی تحقیقاتی کوچک ، یادگیری ماشین ، دینامیک سیالات محاسباتی ، پاسخ دینامیکی