Ship Manoeuvering Modelling with a Physics-Oriented Neural Network-Based Approach

 

Ship Manoeuvering Modelling with a Physics-Oriented Neural Network-Based Approach

Jorge Lo Presti ^∗ Lalo Magni ^∗∗ Chiara Toffanin ^∗∗∗

∗ Department of Electrical, Computer and Biomedical Engineering, University of Pavia, via Ferrata 3, Pavia, 27100, Italy (e-mail: jorge.lopresti01@universitadipavia.it).

^∗∗ Department of Civil and Architecture Engineering, University of Pavia, via Ferrata 3, Pavia, 27100, Italy (e-mail:lalo.magni@unipv.it).

^∗∗∗ Department of Electrical, Computer and Biomedical Engineering, University of Pavia, via Ferrata 3, Pavia, 27100, Italy (e-mail: chiara.toffanin@unipv.it).

 

 

RESUMED BY FATHIYYAH ROHMANIS.

1. PENDAHULUAN

    Pemodelan sistem dinamik nonlinier merupakan tugas menantang yang memerlukan waktu dan pemahaman luas terhadap sistem yang diteliti, namun faktor-faktor ini seringkali tidak cukup untuk menghasilkan model yang akurat.  Selama beberapa dekade terakhir, teknik Kecerdasan Buatan, yaitu ANN, telah menunjukkan keberhasilan besar di beberapa bidang. Baru-baru ini, gagasan untuk memperkenalkan pengetahuan fisik pada fase pelatihan ANN menjadi lebih populer, karena hasilnya lebih efektif dan dapat dipercaya. Mempertimbangkan pendekatan kotak abu-abu ini, berbagai metode telah diusulkan untuk memodelkan sistem nonlinier, misalnya mengevaluasi energi yang dihasilkan sistem (Daw et al. (2017)  atau mengevaluasi batas dan batasan fisik seperti dalam Raissi et al. (2019). Model nonlinier yang digunakan untuk menghasilkan kumpulan data dibahas di Bagian 2. Penjelasan singkat tentang arsitektur jaringan saraf yang digunakan dalam penelitian ini disajikan di Bagian 3. Kemudian kedua pendekatan pemodelan dirumuskan dan dibahas di Bagian 4. Catatan penutup dan kemungkinan masa depan perkembangannya disajikan pada Bagian 5.    

2. MODEL DINAMIS NONLINEAR

Model MMG digambarkan dengan himpunan persamaan diferensial berikut

(m + m_x)v˙_x(t)   (m + m_y)v_y(t)   x_Gmv² (t)    =  F_s

(m + m_y)v˙_y(t)     (m + m_x)v_x(t)v_ψ(t)     x_gmv˙_ψ(t)   =   F_l

(I_zG + x² m + J_z)v˙_ψ(t)+ x_Gm(v˙_y(t)+ v_x(t)v_ψ(t))  =  M

Terakhir, koordinat spasial kapal dapat dicapai dengan melakukan integrasi

ψ˙(t)   =  v_ψ(t)

x˙₀(t) =  v_x(t)cos(ψ(t))          v_y(t)sin(ψ(t))

y˙˙₀(t)  = v_x(t)cos(ψ(t)) + v_y(t)cos(ψ(t))

Pilihan umum adalah menambahkan lapisan regresi linier, yang dijelaskan sebagai berikut:

y(k) = W_d · H(k)+ b_d

Yang dimana W_d Rny ×nh and b_d Rny harus dioptimalkan dengan baik.

3. PENDAHULUAN JARINGAN SARAF BUATAN.

    3.1. Jaringan Neural Umpan Balik

        Struktur FNN tunggal dapat berisi beberapa lapisan tersembunyi dengan jumlah neuron yang terbatas nh dan output dari neuron ke-i dari lapisan tersembunyi ke-j − ke-1 (ξi,j−1) akan diberikan ke semua neuron dari lapisan tersembunyi berikutnya j sebagai ηj−1:

ξi,j  = fni (ηj−1) = σ(Wi,j  · ηj−1  + bi,j ),

 Dimana ηj−1 Rnη dan Wi,j R1×nη masing-masing adalah vektor input dan bobot dari neuron i, dengan nη adalah jumlah unit lapisan j 1. Khususnya, untuk lapisan lapisan tersembunyi pertama η = u sedangkan untuk yang lain nη = nh karena nh adalah jumlah neuron pada lapisan yang dipertimbangkan. Secara ganda, ξj Rnξ , dengan ξ = y untuk lapisan tersembunyi terakhir dan nξ = nh untuk semua lapisan tersembunyi lainnya.

3.2. Memori Jangka Pendek Panjang

        Dimana, dengan mempertimbangkan struktur LSTM yang terdiri dari nh satuan dan urutan masukan k langkah dengan fitur masukan nu untuk setiap langkah waktu, H(k) ∈ Rnh adalah keadaan tersembunyi yang mewakili keluaran LTSM, C(k) ∈ Rnh adalah penyimpanan sel mewakili keadaan internal jaringan, Wf , Wi, Wc, Wo ∈ Rnh×nu , Rf , Ri, Rc, Ro ∈ Rnh×nh dan vektor bias bf , bi, bc, bo ∈ R adalah parameternya yang harus dioptimalkan dengan benar selama fase pelatihan jaringan dan simbol ◦ adalah operator Hadamard. Pilihan umum adalah menambahkan lapisan regresi linier, dijelaskan sebagai berikut:

y(k) = W_d · H(k)+ b_d

Yang dimana W_d Rny ×nh and b_d Rny harus dioptimalkan dengan baik.

4.PERNYATAAN MASALAH DAN EKSPERIMEN

Untuk tujuan ini, arsitektur FNN yang lebih sederhana juga dievaluasi. Model MMG digunakan untuk menghasilkan kumpulan data insilico yang berguna untuk tahap pelatihan, validasi, dan pengujian jaringan.

4.1. Memori Jangka Pendek sebagai Sistem Dinamis

4.2. Memori Jangka Pendek Berorientasi Fisika

4.3.   Jaringan Neural Feedforward Berorientasi Fisika

5. KESIMPULAN DAN PERLUASAN.

        Dalam karya ini, dua pendekatan pemodelan berdasarkan jaringan saraf telah dibahas. Meskipun pendekatan pertama mencapai hasil yang cukup secara keseluruhan dalam memodelkan proses manuver kapal, telah terbukti bahwa penyertaan pengetahuan fisik secara signifikan meningkatkan kinerja prediksi. Pendekatan ini dapat diselidiki ketika struktur model fisik tersedia atau setidaknya ketika vektor keadaan untuk representasi ruang keadaan diketahui dan diukur. Perlu diperhatikan bahwa dalam PO-ANN yang diusulkan, hanya keadaan awal sebenarnya dan urutan sudut kemudi yang diberikan kepada model selama tahap validasi dan pengujian. Oleh karena itu, perlu dicatat bahwa teknik ini dapat digunakan dalam algoritma kontrol berbasis model, yaitu Model Predictive Control (MPC). Dalam hal ini, penelitian lebih lanjut harus membahas penyertaan PO-ANN dalam skema MPC berbasis pembelajaran.