Оптимизация проектных параметров судов снабжения буровых платформ с использованием генетических алгоритмов и искусственных нейронных сетей

Abstract

В настоящем исследовании разработана инновационная методология многокритериальной оптимизации проектных параметров морских судов снабжения буровых платформ, предназначенных для эксплуатации в акватории Японского (Восточного) моря Кореи. В основе методологии лежит гибридный подход, интегрирующий искусственные нейронные сети (ИНС) и генетические алгоритмы (ГА). В отличие от традиционных методов статистической регрессии, для моделирования высоконелинейных зависимостей между проектными переменными и ключевыми показателями эффективности использована ИНС, обученная на данных модельных испытаний и характеристиках существующих судов. В качестве входных параметров нейросети задавались водоизмещение и длина судна, а выходными являлись основные проектные характеристики. С целью решения многокритериальной задачи, направленной на одновременное повышение остойчивости и топливной эффективности, ИНС была встроена в целевую функцию оптимизационной структуры на основе ГА. Генетический алгоритм применялся для глобального поиска Парето-оптимальных решений в заданном пространстве переменных. Результаты демонстрируют, что предложенная гибридная схема позволяет осуществлять точное прогнозирование и эффективную оптимизацию даже при ограниченном объёме исходных данных. Практическая значимость работы заключается в возможности существенного сокращения временных и финансовых затрат на этапе предварительного проектирования судов. This study develops an innovative methodology for multi-criteria optimization of the design parameters of offshore supply vessels for drilling platforms intended for operation in the Sea of ​​Japan (East Sea) and Korea. The methodology is based on a hybrid approach integrating artificial neural networks (ANNs) and genetic algorithms (GAs). Unlike traditional statistical regression methods, an ANN trained on model test data and the characteristics of existing vessels was used to model highly nonlinear relationships between design variables and key performance indicators. The vessel's displacement and length were specified as input parameters for the neural network, and the key design characteristics were output. To solve a multi-criteria problem aimed at simultaneously improving stability and fuel efficiency, the ANN was embedded in the objective function of a GA-based optimization framework. A genetic algorithm was used to globally search for Pareto-optimal solutions in a given variable space. The results demonstrate that the proposed hybrid scheme enables accurate forecasting and effective optimization even with limited initial data. The practical significance of this work lies in the potential for significant reductions in time and cost during the preliminary design phase of ships.