مدلسازی دینامیکی مانور شناور سطحی مبتنی بر یادگیری عمیق با استفاده از شبکه عصبی بازگشتی

امروزه شناورهای بدون سرنشین سطحی در طیف وسیعی از عملیات‌های دریایی کاربرد دارند. طراحی سیستم کنترل و شبیه سازی مانور این دسته شناورها قبل از اجرای عملیات از اهمیت بالایی برخوردار است از این جهت لازم است تا مدل دینامیکی دقیقی برای هر شناور استخراج گردد. روش های متعددی برای دست یابی به مدل دینامیکی مانور شناور وجود دارد. باتوجه به پیچیدگی ها و اثرات غیرخطی موجود در دینامیک شناور، استخراج مدل آن از معادلات حرکت و هیدرودینامیک نسبتا دشوار است. استفاده از شبکه های عصبی مصنوعی به منظور مدلسازی دینامیک  شناور در سال های اخیر جایگزین مناسبی برای روش های سنتی بوده و در آن نیاز به درک معادلات هیدرودینامیک و بکارگیری آنها برای استخراج مدل دینامیکی کم رنگ تر شده است. در این پژوهش بااستفاده از آموزش یک شبکه عصبی مصنوعی مدل دینامیک میان زاویه سکان و نرخ حرکت سمتی استخراج می‌شود. باتوجه به در دسترس نبودن شرایط برای اجرای تست واقعی از یک مدل کامپیوتری تهیه شده برای شناور در محیط سیمولینک استفاده می‌شود و با استفاده از داده های تست زیگزاگ شبکه آموزش استاتیک و دینامیک داده می‌شود، سپس شبکه آموزش داده شده با ورودی های متفاوت از ورودی آموزش مثل ورودی سینوسی و دندان اره ای ارزیابی می‌شود.

dynamic modeling of surface vessel maneuvering based on deep learning using recurrent neural networks

today, unmanned surface vehicles (usvs) are used in a wide range of maritime operations. designing the control system and simulating the maneuvering behavior of such vessels prior to actual deployment is of great importance. therefore, it is essential to extract an accurate dynamic model for each vessel. there are various methods available to derive a vessel’s maneuvering dynamics. however, due to the complexity and nonlinear effects present in vessel dynamics, deriving the model using equations of motion and hydrodynamics is relatively challenging.in recent years, the use of artificial neural networks for modeling vessel dynamics has become a suitable alternative to traditional methods, reducing the need for detailed understanding and application of hydrodynamic equations. in this study, the dynamic relationship between the rudder angle and the yaw rate is modeled using a trained artificial neural network. since real-world testing conditions were not available, a computer simulation model of the vessel in the simulink environment was utilized. the network was trained using data from zigzag maneuver tests, and then evaluated using input types different from the training data, such as sinusoidal and sawtooth signals.