基于RAdam Bi-LSTM的LNG动力船舶上甲板储罐泄漏后果预测方法.pdfVIP

基于RAdamBi-LSTM的LNG动力船舶上

甲板储罐泄漏后果预测方法

摘要：针对液化天然气（LiquidNaturalGas，LNG）动力船舶上甲板储罐泄漏后果预测难度大、预测时间慢和预测

成本高等问题，提出一种基于修正自适应矩估计（RectifiedAdaptiveMomentEstimation，RAdam）优化算法的双向长

短期记忆模型循环神经网络（Bi-DirectionalLongShort-TermMemory，Bi-LSTM）对泄漏后果进行预测。利用FLACS

软件对LNG动力船舶上甲板储罐泄漏过程进行数值模拟，并将数值模拟结果作为神经网络的数据集，使用决定系

数（R-Square,R²）作为评价预测性能指标。为提高Bi-LSTM网络模型的预测精度和适应性，分别对其激活函数修

正线性单元（RectifiedLinearUnit，Relu）、Sigmoid、Tanh与优化器RAdam、自适应矩估计（AdaptiveMomentEstima-

tion，Adam）和随机梯度下降（StochasticGradientDescent，SGD）进行对比分析计算，发现基于Relu激活函数的

RAdamBi-LSTM网络模型的R²均值可达到0.97。为验证Bi-LSTM网络模型的优越性，对循环神经网络（Recurrent

NeuralNetworks，RNN）、长短期记忆模型循环神经网络（LongShort-TermMemory，LSTM）和Bi-LSTM的预测结果进

行对比，发现Bi-LSTM网络模型的R²较其他两个模型分别提高4.5%和1.5%，确定使用Bi-LSTM作为所提出的预

测方法的网络模型。因此，基于Relu激活函数的RAdamBi-LSTM网络模型为所提出预测模型中的最优模型，可作

为LNG储罐泄漏后果的快速预测方法，以解决事故后果预测速度的问题。

关键词：储罐泄漏；神经网络；激活函数；优化器；后果预测

Consequencepredictionofdecktankleakageon

LNGpoweredshipusingRAdamBi-LSTM

Abstract:ToPredicttheconsequencesofdeckstoragetankleakageonaLNGpoweredshipisdifficult,timeconsuming

andcostly.TheRAdam-LSTMisintroducedtohandletheproblem.Asetofdatafornetworktrainingisproducedbymeans

ofsoftwareFLACS.Thepredictionsareevaluatedwiththeirdeterminationcoefficient.TheparameterswithdifferentBi-

LSTMnetworksarecalculatedandcompared,includingthefollowingparameters:rectifiedlinearunit(Relu),sigmoid,

tanh,Adam,andSGD.Basedonthecalculationandcomparison,themostaccurateandsuitableBi-LSTMnetworkis

selected.TheadvantageoftheReluactivatedBi-LSTMmodelisverifiedthroughcomparingittoRNN,ordinaryLSTMand

ordinaryBi-LSTM.ExperimentshowsthattheR’achievedbytheBi-LSTMnetworkis4.5%and1.5%higherthanthat

收稿日期：2021-11-16

王博乔，等：基于RAdamBi-LSTM的LNG动力船舶泄漏后果预测方法61

fromtheothertwomodels,respectively.

Keywords