劉 剛，高明星，陳志穎，黃 一

(1.大連理工大學 船舶工程學院，遼寧 大連 116024；2.大連理工大學 工業(yè)裝備結(jié)構(gòu)分析國家重點實驗室，遼寧 大連 116024；3.中國船舶及海洋工程設(shè)計研究院，上海 200011)

FPSO (Floating Production Storage and Offloading)遭受守護船的撞擊是其結(jié)構(gòu)安全的主要威脅[1]。嚴重的碰撞將導致FPSO舷側(cè)結(jié)構(gòu)破裂，進而致使人員傷亡、經(jīng)濟損失及環(huán)境污染等事故的發(fā)生[2]。因此，為了提高FPSO舷側(cè)結(jié)構(gòu)的耐撞性能，開展FPSO舷側(cè)結(jié)構(gòu)的耐撞性能優(yōu)化設(shè)計具有重要意義。

船舶碰撞優(yōu)化的復雜性使得傳統(tǒng)優(yōu)化方法難以有效進行。碰撞優(yōu)化的復雜性主要體現(xiàn)在以下兩點：① 無法給出耐撞性目標函數(shù)與結(jié)構(gòu)設(shè)計變量之間的顯式方程；② 結(jié)構(gòu)的碰撞響應(yīng)主要依賴于非線性有限元計算，而大量樣本點所需的計算成本非常高昂。針對難點一，目前主要通過在優(yōu)化過程中引入試驗設(shè)計和近似模型方法，進而根據(jù)有限樣本點構(gòu)造近似模型來逼近并替代結(jié)構(gòu)耐撞性目標函數(shù)。廣泛采用的近似模型法有Kriging法(KM)[3]、響應(yīng)面法(RFM)[4-9]、徑向基函數(shù)法(RBF)[10]、BP神經(jīng)網(wǎng)絡(luò)[11-14]等。其中BP網(wǎng)絡(luò)由于其強大的非線性映射能力常用于結(jié)構(gòu)耐撞性優(yōu)化領(lǐng)域，但傳統(tǒng)BP網(wǎng)絡(luò)具有容易陷入局部極小值、對初始權(quán)值和閾值極其敏感等缺點，很難獲得預測精度高且泛化能力強的網(wǎng)絡(luò)響應(yīng)面。為了解決傳統(tǒng)BP網(wǎng)絡(luò)的缺點，李慧等利用遺傳算法(GA)對其進行優(yōu)化，優(yōu)化后的網(wǎng)絡(luò)雖然預測精度有很大提高，但是其泛化能力仍不足于代替有限元計算，導致得到的最優(yōu)結(jié)構(gòu)設(shè)計失真。這主要是因為GA的局部空間搜索能力較弱，在優(yōu)化BP網(wǎng)絡(luò)時易出現(xiàn)早熟和陷于局部最優(yōu)，使BP網(wǎng)絡(luò)產(chǎn)生過擬合現(xiàn)象。為了增強GA的局部尋優(yōu)能力，本文將模擬退火算法引入GA框架中[15]，形成模擬退火遺傳算法(SGA)，并用于BP網(wǎng)絡(luò)權(quán)重的組合優(yōu)化中。針對難點二，本文使用Python語言編寫參數(shù)化仿真計算程序[16]，可實現(xiàn)參數(shù)化建模、前處理、自動提交分析及自動后處理等功能，從而大大降低了計算成本。

本文基于正交試驗設(shè)計和ABAQUS參數(shù)化仿真技術(shù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)、遺傳算法和模擬退火算法，對傳統(tǒng)的GA-BP-GA優(yōu)化方法進行改進，提出一種新的結(jié)構(gòu)耐撞性優(yōu)化設(shè)計方法SGA-BP-GA，并以FPSO舷側(cè)結(jié)構(gòu)為研究對象，對其耐撞性能進行優(yōu)化，可以快速獲得最優(yōu)的FPSO舷側(cè)結(jié)構(gòu)尺寸，以驗證所提耐撞性優(yōu)化方法的準確性與可行性。

1 耐撞性能優(yōu)化設(shè)計方法——SGA-BP-GA

BP神經(jīng)網(wǎng)絡(luò)(BP Neural Network，BP)是一種利用誤差反向傳播算法對網(wǎng)絡(luò)進行訓練的多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成，具有較強的非線性映射能力。遺傳算法(Genetic Algorithm，GA)是一種模擬生物界遺傳與進化的并行隨機搜索和全局優(yōu)化算法，它通過選擇、交叉、變異等操作對個體進行篩選，然后反復循環(huán)，直至獲得最優(yōu)個體(最優(yōu)解)，具有較強的全局尋優(yōu)能力。模擬退火算法(Simulated Annealing，SA)是一種模擬金屬材料退火過程而建立的隨機優(yōu)化算法，在某一較高初溫下，伴隨溫度參數(shù)的不斷下降，結(jié)合概率突跳特性在解空間中隨機尋找目標函數(shù)的全局最優(yōu)解，即以時變概率跳出局部最優(yōu)解并最終趨于全局最優(yōu)，SA具有較強的局部搜索能力。

對于設(shè)計變量個數(shù)多的復雜結(jié)構(gòu)耐撞性優(yōu)化問題，僅采用單一算法(比如GA、SA等)對BP網(wǎng)絡(luò)進行優(yōu)化時，由于算法本身的缺陷，優(yōu)化后BP網(wǎng)絡(luò)的泛化能力仍不足以代替仿真計算。因此本文將退火算子引入遺傳算法，形成全局尋優(yōu)和局部搜索能力均較強的SGA，再結(jié)合正交設(shè)計、參數(shù)化仿真技術(shù)、BP網(wǎng)絡(luò)、GA，提出一種適用于復雜結(jié)構(gòu)的耐撞性優(yōu)化方法SGA-BP-GA，其優(yōu)化設(shè)計流程如圖1所示。

SGA-BP-GA方法的基本步驟如下：

步驟1建立結(jié)構(gòu)耐撞性優(yōu)化數(shù)學模型，確定結(jié)構(gòu)的優(yōu)化參數(shù)；

步驟2利用正交試驗確定合適的試驗組，采用ABAQUS參數(shù)化仿真技術(shù)對其進行計算，進而得到BP網(wǎng)絡(luò)的訓練樣本；

步驟3BP網(wǎng)絡(luò)初始化，并利用SGA混合算法對其權(quán)值和閾值進行優(yōu)化；

(1)初始化算法參數(shù)，將BP初始權(quán)重作為GA初始種群，并采用二進制對其進行編碼；

(2)判斷是否滿足GA終止條件，若滿足則輸出BP最優(yōu)權(quán)重，否則進行下一步；

(3)計算種群的適應(yīng)度。本文將輸出樣本預測值與真實值之間的相對誤差絕對值之和作為適應(yīng)度函數(shù)Fit

(1)

(4)對種群依次進行選擇、交叉和變異操作，產(chǎn)生新種群。根據(jù)經(jīng)驗本文選三個遺傳算子依次采用輪盤賭法、單點交叉和單點變異；

(5)對新種群中的最優(yōu)個體進行模擬退火操作，具體過程如下。

① 將新種群中最優(yōu)個體當做SA的當前解S1，并采用狀態(tài)函數(shù)產(chǎn)生新解S2。本文采用的狀態(tài)函數(shù)定義如下

S2=S1+β/20

(2)

其中β為區(qū)間[-0.5,0.5]內(nèi)均勻分布的隨機數(shù)。

② 采用相同的適應(yīng)度函數(shù)Fit對S1和S2進行評價，并根據(jù)Metropolis法則判斷是否接受新解S2，接受新解S2的概率P定義如下

(3)

③ 判斷是否滿足SA終止條件，若滿足跳至步驟3中的第(2)步，若不滿足則進行降溫操作，然后循環(huán)步驟①～③，直至滿足SA終止條件。本文選擇線性降溫函數(shù)，定義如下

圖1 GSA-BP-GA耐撞性能優(yōu)化設(shè)計流程Fig.1 Crashworthiness optimization design flow of the GSA-BP-GA method

Tk+1=kt*Tk

(4)

式中，kt為降溫速率，取0.9。

步驟4將最優(yōu)權(quán)重賦給BP網(wǎng)絡(luò)，并重新訓練，獲得近似最優(yōu)BP網(wǎng)絡(luò)響應(yīng)面，進而替代有限元計算；

步驟5基于BP網(wǎng)絡(luò)和GA開展舷側(cè)結(jié)構(gòu)的耐撞性能優(yōu)化設(shè)計。

① 確定算法參數(shù)、初始化種群；

② 利用BP網(wǎng)絡(luò)計算種群適應(yīng)度，本文取耐撞性函數(shù)作為種群適應(yīng)度函數(shù)；

③ 依次進行選擇、交叉和變異操作，產(chǎn)生子代，然后將子代重新插入父代(保優(yōu))；

④ 判斷是否滿足GA終止條件，若滿足則輸出結(jié)構(gòu)最優(yōu)設(shè)計，否則循環(huán)步驟5中的第②步～第④步。

2 FPSO舷側(cè)結(jié)構(gòu)耐撞性能優(yōu)化設(shè)計

2.1 模型描述

利用非線性有限元軟件ABAQUS/Explicit，模擬2萬噸級油船船首以3 m/s的速度正向撞擊15萬噸級FPSO舷側(cè)結(jié)構(gòu)的場景，其中撞擊位置選為11 780 BL水線和16 030 BL水線間水平桁材與橫向框架所限定的板架區(qū)域的中心位置。在保證計算精度的基礎(chǔ)上，為了提高計算效率，本文將撞擊船簡化成半徑為3m的半球形剛性球殼，且被撞FPSO只保留被撞區(qū)域的局部雙舷側(cè)結(jié)構(gòu)。該局部雙舷側(cè)結(jié)構(gòu)：長×寬×高=21.25 m×3 m×(4.25 m+4.25 m+5.1 m)，肋距為4.25 m，其原設(shè)計的橫剖面圖如圖2所示。

圖2 FPSO局部舷側(cè)結(jié)構(gòu)橫剖面圖Fig.2 Cross-section of the FPSO partial side structure

仿真試驗中，F(xiàn)PSO舷側(cè)結(jié)構(gòu)的材料為船用鋼Q235，并且采用考慮應(yīng)變率效應(yīng)的Cowper-Symonds強化模型[17]。被撞局部雙舷側(cè)結(jié)構(gòu)四周剛性固定，撞擊船首僅保留X方向自由度，建立的有限元模型如圖3所示。在基于數(shù)值仿真計算能夠給出合理計算結(jié)果的前提下，對舷側(cè)結(jié)構(gòu)的碰撞仿真結(jié)果進行分析。圖4為舷側(cè)結(jié)構(gòu)各構(gòu)件的損傷變形云圖，可知此時舷側(cè)外板、外板縱骨、強肋板和平臺發(fā)生較大的損傷變形，為主要的受力構(gòu)件，因此本文選取外板板厚ts、T型縱骨腹板高度hw、T型縱骨腹板厚度tw、平臺厚度tp和強肋板厚度tf五個參量進行優(yōu)化。

圖3 碰撞有限元模型Fig.3 FEM of the FPSO side structure

2.2 耐撞性能優(yōu)化數(shù)學模型與正交試驗設(shè)計

本文主要對FPSO舷側(cè)外板破裂前的耐撞性能進行優(yōu)化設(shè)計。根據(jù)前期研究基礎(chǔ)，被撞結(jié)構(gòu)的比吸能和單位質(zhì)量變形在一定程度上能夠反映結(jié)構(gòu)的耐撞性能，故本文綜合考慮比吸能和單位質(zhì)量變形，建立如下式所示的結(jié)構(gòu)耐撞性能綜合優(yōu)化指標

F=αE·f(βE)+αC·f(1/βC)

(5)

式中：βE和βC分別為比吸能和單位質(zhì)量變形；αE和αC分別為其隸屬度權(quán)重系數(shù)，外板未破裂時取αE=αC=0.5；f()函數(shù)為指標的隸屬度函數(shù)(無因次量)，隸屬度計算方法如下式所示

(b)外板縱骨

(c)舷側(cè)平臺

(d)強肋板圖4 FPSO舷側(cè)結(jié)構(gòu)各構(gòu)件的變形云圖Fig.4 Deformation contour of side structure’s components

(6)

將式(5)作為FPSO舷側(cè)結(jié)構(gòu)耐撞性能優(yōu)化的目標函數(shù)，該值越大，就要求βE越大和βC越小，進而結(jié)構(gòu)的耐撞性能就越好，可以充分體現(xiàn)結(jié)構(gòu)耐撞性能的優(yōu)劣。根據(jù)上一節(jié)確定的五個優(yōu)化設(shè)計變量，建立如下的FPSO舷側(cè)結(jié)構(gòu)耐撞性優(yōu)化數(shù)學模型

m≤194 000 kg

(7)

BP神經(jīng)網(wǎng)絡(luò)的預測精度和泛化能力與訓練樣本的質(zhì)量和數(shù)量密切相關(guān)。利用正交試驗設(shè)計確定的訓練樣本不僅具有典型性，又能保證一定數(shù)量，進而保證了BP神經(jīng)網(wǎng)絡(luò)的性能。本文對每個因素均取五個水平，即采用正交表L25(55)對FPSO舷側(cè)結(jié)構(gòu)各設(shè)計變量進行正交設(shè)計，共得到25組試驗組，如表1所示。

表1 正交試驗設(shè)計結(jié)果Tab.1 Orthogonal experimental design results

2.3 ABAQUS參數(shù)化仿真計算

首先基于ABAQUS 腳本語言Python，編寫以優(yōu)化變量為形參的自定義函數(shù)sideStructure(…)，該函數(shù)可以實現(xiàn)參數(shù)化建模、其他前處理、自動提交分析及自動后處理的功能，其程序結(jié)構(gòu)如圖5所示。最后通過調(diào)用函數(shù)sideStructure(…)，以實現(xiàn)正交設(shè)計試驗組的快速計算及結(jié)果提取，可大大減少計算成本。25組試驗設(shè)計的計算結(jié)果及數(shù)據(jù)處理結(jié)果如表1所示。

2.4 四種BP網(wǎng)絡(luò)訓練樣本預測結(jié)果對比

為了驗證GSA-BP網(wǎng)絡(luò)具有更高的預測精度和泛化能力，首先基于MATLAB語言分別編寫以下四種FPSO耐撞性指標預測模型：傳統(tǒng)BP網(wǎng)絡(luò)預測模型、遺傳算法優(yōu)化BP網(wǎng)絡(luò)預測模型(GA-BP)、模擬退火算法優(yōu)化BP網(wǎng)絡(luò)預測模型(SA-BP)及模擬退火遺傳算法優(yōu)化BP網(wǎng)絡(luò)預測模型(SGA-BP)。然后分別利用四種BP網(wǎng)絡(luò)對25組正交試驗樣本進行訓練，其中以25組設(shè)計變量為輸入樣本，以25組比吸能和單位質(zhì)量變形為輸出樣本。

圖5 sideStructure(…)函數(shù)的程序結(jié)構(gòu)Fig.5 Framework of the sideStructure(…)function

BP網(wǎng)絡(luò)設(shè)計時，采用三層網(wǎng)絡(luò)結(jié)構(gòu)，其中輸入層有5個神經(jīng)元，隱含層有10個神經(jīng)元，輸出層有2個神經(jīng)元；采用有動量的raingdm訓練函數(shù)和learngdm學習函數(shù)，隱層神經(jīng)元采用S型logsig傳遞函數(shù)，輸出層神經(jīng)元采用線性purelin傳遞函數(shù)，訓練總步數(shù)為500步，均方差目標為10-4，學習速率為0.03。

設(shè)置遺傳算法的參數(shù)時，初始種群規(guī)模為40，最大遺傳代數(shù)為200；采用二進制編碼，染色體長度為20；子代與父代之間代溝的概率為0.95，采用單點交叉，交叉概率為0.7，變異概率為0.01；以比吸能及單位重量變形的均方根誤差(RMSE)作為種群的適應(yīng)度函數(shù)，則適應(yīng)度值越小，得到的權(quán)值和閾值越優(yōu)；每代均基于適應(yīng)度值對種群進行選擇，從而將各代最優(yōu)值遺傳下去。

設(shè)置模擬退火算法參數(shù)時，初始溫度為1 000，終止溫度為10-3，各溫度下的迭代次數(shù)為50，降溫速率為0.9，以比吸能及單位重量變形的均方根誤差(RMSE)作為解的狀態(tài)評價函數(shù)，則狀態(tài)函數(shù)值越小，得到的權(quán)值和閾值越優(yōu)。

訓練樣本預測值與真實值相對誤差的大小可以體現(xiàn)BP網(wǎng)絡(luò)的訓練精度。25組正交設(shè)計的四種BP預測相對誤差曲線對比如圖6所示，對應(yīng)的相對誤差范圍如表2所示。由圖6和表2可知：

(1)四種BP預測模型的預測精度由高到低依次為：SGA-BP、GA-BP、SA-BP和傳統(tǒng)BP網(wǎng)絡(luò)。其中，就25組輸出樣本預測而言，SGA-BP、GA-BP和SA-BP預測精度均在-3.5%～3%，可見經(jīng)優(yōu)化的BP網(wǎng)絡(luò)性能遠優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)。

(2)傳統(tǒng)BP網(wǎng)絡(luò)的預測結(jié)果具有不穩(wěn)定、高幅的特征，而SGA-BP、GA-BP和SA-BP網(wǎng)絡(luò)的預測結(jié)果具有穩(wěn)定、微幅的特征。

(a)比吸能

(b)單位質(zhì)量變形圖6 四種BP網(wǎng)絡(luò)訓練樣本預測值與真實值相對誤差對比Fig.6 Comparison of relative error between predicted values and true values of the training samples for the four BP networks

表2 四種BP網(wǎng)絡(luò)預測值與真實值的相對誤差范圍Tab.2 Relative error ranges of predicted values and true values for the four BP networks

2.5 四種BP網(wǎng)絡(luò)測試樣本預測結(jié)果對比

泛化能力是指BP網(wǎng)絡(luò)對未知樣本的預測和推廣能力，它是衡量BP網(wǎng)絡(luò)優(yōu)劣的最重要指標。本文隨機選取12組非正交試驗設(shè)計作為測試樣本，以驗證四種BP網(wǎng)絡(luò)的泛化能力。采用ABAQUS參數(shù)化仿真技術(shù)對測試樣本進行仿真計算，計算結(jié)果如表3所示。

四種BP網(wǎng)絡(luò)測試樣本的預測誤差對比曲線如圖7所示，對應(yīng)的相對誤差范圍見表2。由圖7和表2可知：

(1)四種BP預測模型的泛化能力由高到低依次為：SGA-BP、GA-BP、SA-BP和傳統(tǒng)BP網(wǎng)絡(luò)。

(2)GA-BP和SA-BP測試樣本的預測誤差均比訓練樣本的預測誤差大，表明這兩種BP網(wǎng)絡(luò)均出現(xiàn)一定程度的過擬合現(xiàn)象，具有較差的泛化能力，其中以SA-BP網(wǎng)絡(luò)更為嚴重。

(3)SGA-BP對測試樣本和訓練樣本的預測誤差相差無幾，均維持在-3%～3%，表明經(jīng)模擬退火遺傳算法優(yōu)化的BP網(wǎng)絡(luò)兼有較強的訓練精度和泛化能力，進而說明SGA-BP算法兼有遺傳算法和模擬退火算法的優(yōu)點。

表3 12組測試樣本仿真計算結(jié)果Tab.3 12 sets of test sample simulation calculation results

(a)比吸能

(b)單位質(zhì)量變形圖7 測試樣本預測值與真實值的相對誤差對比Fig.7 Comparison of relative error between predicted values and true values of the test samples

圖8為采用SGA算法優(yōu)化BP網(wǎng)絡(luò)權(quán)值和閾值時的進化曲線，可知曲線整體呈階梯狀不斷下降，60代之前優(yōu)化速率較高，主要利用了遺傳算法的全局尋優(yōu)能力；在60代～160代，優(yōu)化效率明顯降低，但BP網(wǎng)絡(luò)仍不斷趨于更優(yōu)，主要是因為模擬退火算法的概率突跳特性可以跳出局部最優(yōu)解，避免了優(yōu)化進程產(chǎn)生早熟現(xiàn)象和陷于局部最優(yōu)；遺傳至160代時進化曲線趨于收斂，表明BP網(wǎng)絡(luò)獲得近似最優(yōu)的權(quán)重。

圖8 SGA優(yōu)化BP權(quán)值和閾值的進化曲線Fig.8 Evolution process curve of BP optimized by SGA

通過上述的預測誤差對比分析，發(fā)現(xiàn)SGA-BP網(wǎng)絡(luò)在FPSO耐撞性指標的預測上優(yōu)于其他三種網(wǎng)絡(luò)模型，可以替代有限元計算和用于復雜的船體結(jié)構(gòu)耐撞性優(yōu)化問題。

2.6 SGA-BP-GA優(yōu)化分析

以耐撞性目標函數(shù)作為遺傳算法的適應(yīng)度函數(shù)，分別利用SGA-BP-GA和GA-BP-GA方法對FPSO舷側(cè)結(jié)構(gòu)的耐撞性能進行優(yōu)化，進一步驗證SGA-BP-GA方法更加適用于復雜的耐撞性設(shè)計。

圖9是兩種方法優(yōu)化FPSO舷側(cè)結(jié)構(gòu)耐撞性的進化過程曲線。結(jié)果表明，經(jīng)過約40代的遺傳，目標函數(shù)均已收斂，其中SGA-BP-GA對應(yīng)的最大目標函數(shù)值為0.586，優(yōu)于GA-BP-GA對應(yīng)的0.579；SGA-BP-GA得到的最優(yōu)結(jié)構(gòu)設(shè)計為外板板厚ts=23 mm，T型縱骨腹板高度hw=472 mm，T型縱骨腹板厚度tw=14 mm，平臺厚度tp=14 mm，強肋板厚度tf=20 mm，GA-BP-GA得到的最優(yōu)設(shè)計為ts=20.4 mm，hw=460 mm，tw=12.5 mm，tp=10 mm，tf=20 mm。

圖9 遺傳算法進化過程曲線Fig.9 Evolution process curve of GA

表4為兩種方法優(yōu)化結(jié)果與原設(shè)計及正交試驗最優(yōu)設(shè)計的對比。結(jié)果表明，與原設(shè)計相比，SGA-BP-GA得到的耐撞性目標函數(shù)提高了21.7%，高于GA-BP-GA的19.6%和正交最優(yōu)設(shè)計的11.6%；需要注意的是，SGA-BP-GA對應(yīng)舷側(cè)結(jié)構(gòu)雖然耐撞性能最優(yōu)，但結(jié)構(gòu)質(zhì)量也最大，這與采用的結(jié)構(gòu)耐撞性評價體系有關(guān)，與具體的優(yōu)化方法無關(guān)，同時也體現(xiàn)了本文采用的綜合耐撞性指標需要進一步改進。

表4 兩種方法優(yōu)化結(jié)果與原設(shè)計、正交試驗最優(yōu)設(shè)計對比Tab.4 Comparison between the four optimization results

為驗證SGA-BP-GA優(yōu)化方法的準確性和可行性，本文對兩種優(yōu)化結(jié)果進行了仿真計算，結(jié)果如表5所示。由表可知，SGA-BP-GA最優(yōu)設(shè)計的比吸能、單位質(zhì)量變形及目標函數(shù)值與有限元計算值之間的相對誤差絕對值均在1%之內(nèi)，優(yōu)于GA-BP-GA的3%，誤差結(jié)果可以接受，這驗證了SGA-BP-GA優(yōu)化結(jié)果具有更高的準確度，同時也說明了經(jīng)SGA混合算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有更好的預測精度和泛化能力；SGA-BP-GA最優(yōu)設(shè)計的目標函數(shù)仿真值為0.592，比原設(shè)計提高了22.3%，比GA-BP-GA最優(yōu)設(shè)計提高了5.34%，說明SGA-BP-GA優(yōu)化方法具有更高的可行性，能較好的適應(yīng)于復雜的船舶結(jié)構(gòu)耐撞性優(yōu)化設(shè)計。

表5 SGA-BP-GA優(yōu)化結(jié)果與有限元計算值比較Tab.5 Comparison between SGA-BP-GA optimization results and finite element calculations

3 結(jié) 論

(1)采用SGA混合算法對BP網(wǎng)絡(luò)進行了優(yōu)化，解決了單一算法優(yōu)化BP網(wǎng)絡(luò)易出現(xiàn)早熟現(xiàn)象或陷于局部最優(yōu)的缺點，并以FPSO舷側(cè)結(jié)構(gòu)優(yōu)化為例，驗證了SGA-BP網(wǎng)絡(luò)比傳統(tǒng)BP、SA-BP及GA-BP具有更高的預測精度和泛化能力。

(2)提出并搭建了一種新的結(jié)構(gòu)耐撞性優(yōu)化方法SGA-BP-GA，并以FPSO舷側(cè)結(jié)構(gòu)優(yōu)化為例，驗證了SGA-BP-GA方法比GA-BP-GA具有更高的準確性和可行性，能夠更好的應(yīng)用于復雜的船舶結(jié)構(gòu)耐撞性優(yōu)化設(shè)計，其中基于仿真計算結(jié)果合理的前提下，SGA-BP-GA最優(yōu)設(shè)計較原設(shè)計耐撞性能提高了22.3%，較GA-BP-GA最優(yōu)設(shè)計提高了5.34%。

(3)基于Python語言編寫了參數(shù)化仿真計算程序，可實現(xiàn)參數(shù)化建模、前處理、自動提交分析及自動后處理的功能，從而大大降低了計算成本。

(4)所提優(yōu)化方法SGA-BP-GA具有通用性，也可為比如結(jié)構(gòu)抗爆性優(yōu)化等復雜優(yōu)化問題提供參考，具有較好的工程應(yīng)用前景。