基于RAdam Bi-LSTM的LNG动力船舶上甲板储罐泄漏后果预测方法

针对液化天然气(Liquid Natural Gas,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(Rectified Adaptive Moment Estimation,RAdam)优化算法的双向长短期记忆模型循环神经网络(Bi-Directional Long Short-Term Memory,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(Rectified Linear Unit,Relu)、Sigmoid、Tanh 与优化器 RAdam、自适应矩估计(Adaptive Moment Estima-tion,Adam)和随机梯度下降(Stochastic Gradient Descent,SGD)进行对比分析计算,发现基于Relu激活函数的RAdam Bi-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 Neural Networks,RNN)、长短期记忆模型循环神经网络(Long Short-Term Memory,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RAdam Bi-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.