Probabilistic prediction of the heave motions of a semi-submersible by a deep learning model

人工智能 辍学(神经网络) 噪音(视频) 机器学习 高斯过程 计算机科学 概率逻辑 推论 航程(航空) 过程(计算) 时间序列 预测推理 工程类 高斯分布 贝叶斯推理 贝叶斯概率 航空航天工程 频数推理 物理 图像(数学) 操作系统 量子力学
作者
Xiaoxian Guo,Xiantao Zhang,Xinliang Tian,Wenyue Lu,Xin Li
出处
期刊:Ocean Engineering [Elsevier]
卷期号:247: 110578-110578 被引量:25
标识
DOI:10.1016/j.oceaneng.2022.110578
摘要

The real-time motion prediction of a floating offshore platform refers to forecasting its motions in the following one- or two-wave cycles, which helps improve the performance of a motion compensation system and provides useful early warning information. In this study, we extend a deep learning (DL) model, which could give deterministic predictions about the heave motion of a floating semi-submersible 20 to 50 s ahead with good accuracy, to quantify its uncertainty of the predictive time series with the help of the dropout technique. By repeating the inference several times, it is found that the collection of the predictive time series is a Gaussian process (GP). The DL model with dropout learned a kernel inside, and the learning procedure was similar to GP regression. Adding noise into training data could help the model to learn more robust features from the training data, thereby leading to a better performance on test data with a wide noise level range. This study extends the understanding of the DL model to predict the wave excited motions of an offshore platform. • A deep learning model integrated with dropout was developed for the probabilistic prediction of heave motions of a semi-submersible. • The output collection of the predictive time series was identified as a Gaussian process. • The learning procedure is a type of kernel method. • Adding noise into training data helps the model to learn more robust features.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
SPQR完成签到,获得积分10
刚刚
二七发布了新的文献求助10
2秒前
隐形曼青应助王小妖采纳,获得10
3秒前
sun发布了新的文献求助30
3秒前
万能图书馆应助GL_001采纳,获得10
4秒前
5秒前
赘婿应助科研通管家采纳,获得10
5秒前
科研通AI2S应助科研通管家采纳,获得10
5秒前
ppg123应助科研通管家采纳,获得10
5秒前
852应助科研通管家采纳,获得10
5秒前
爆米花应助科研通管家采纳,获得10
6秒前
科研通AI2S应助科研通管家采纳,获得10
6秒前
慕青应助科研通管家采纳,获得10
6秒前
CodeCraft应助科研通管家采纳,获得10
6秒前
今后应助科研通管家采纳,获得10
6秒前
FashionBoy应助科研通管家采纳,获得10
6秒前
ppg123应助科研通管家采纳,获得10
6秒前
邓佳鑫Alan应助科研通管家采纳,获得10
6秒前
ppg123应助科研通管家采纳,获得10
6秒前
邓佳鑫Alan应助科研通管家采纳,获得10
6秒前
邓佳鑫Alan应助科研通管家采纳,获得10
7秒前
7秒前
田様应助科研通管家采纳,获得10
7秒前
Hello应助科研通管家采纳,获得10
7秒前
所所应助科研通管家采纳,获得30
7秒前
上官若男应助科研通管家采纳,获得10
7秒前
7秒前
科研通AI2S应助科研通管家采纳,获得10
7秒前
7秒前
8秒前
Lucas应助请叫我小阿欢采纳,获得10
9秒前
充电宝应助adeno采纳,获得10
12秒前
wgcheng完成签到,获得积分10
12秒前
13秒前
Owen应助YA采纳,获得10
13秒前
欣喜的迎梦完成签到,获得积分10
14秒前
14秒前
希望天下0贩的0应助二七采纳,获得10
16秒前
小高发布了新的文献求助10
16秒前
wgcheng发布了新的文献求助10
17秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256170
求助须知:如何正确求助?哪些是违规求助? 2898255
关于积分的说明 8300702
捐赠科研通 2567460
什么是DOI,文献DOI怎么找? 1394536
科研通“疑难数据库(出版商)”最低求助积分说明 652839
邀请新用户注册赠送积分活动 630511