0 引　言

大型船舶作为海洋运输的主力军，不仅承载促进全球经济一体化的重任，也是技术创新与工程美学的集大成者^[1]。随着科技的进步和环保意识的增强，大型船舶的设计不再仅局限于满足基本的航行与载货需求，而是更加注重能效、环保、安全性以及审美价值的综合提升^[2]。因此，大型船舶的外形设计研究成为当前船舶工程领域的一个重要课题。外形设计作为船舶设计的基础环节，直接关系到船舶的水动力性能、结构强度、航行稳定性以及视觉美观度等多方面特性。对于大型船舶而言，其庞大的体积和复杂的结构对外形设计提出更高要求。

在此背景下，大量学者开始关注并深入研究大型船舶的外形设计。谭钱等^[3]通过分析大型船舶的外观形状与内部功能区域配置特点，构建一个包含典型特征值的船型数据库。运用匹配值和关联值的方法，并依托这个特征值丰富的船型数据库，创造出船舶的设计外形方案。虽然匹配值和关联值的方法可以提供一定设计指导，但其准确性和可靠性受到算法本身的限制，以及数据库中特征值完整性和准确性的影响。王一镜等^[4]通过模拟粒子群在搜索空间中的动态行为，自动调整变异策略以寻找最优船舶结构参数，提升船舶性能和效率。粒子群优化算法性能受到初始参数设置的影响，如粒子数量、惯性权重等，不恰当的参数设置会导致算法陷入局部最优解。Patterson等^[5]通过预先设计的标准模板快速生成和定制船舶设计方案。标准模板无法涵盖所有类型的船舶设计需求。汪俊泽等^[6]采用子模型分解法，将复杂船舶结构拆分为小子模型分别优化；利用代理模型预测子模型性能，提升优化效率。最后整合优化结果，调整确保整体最优。将复杂船舶结构拆分为子模型需要一定的专业知识和经验，不恰当的划分会导致优化结果不准确或整体性能下降。

在大型船舶设计过程中，存在大量的不确定性和模糊性信息，如市场需求的变化、材料性能的波动、设计参数的相互依赖关系等。人工智能技术中智能模糊推理系统能够处理不确定性和模糊性的信息，生成更多样化的设计方案，为此，研究基于人工智能技术的大型船舶外形设计方法，提高船舶的航速、稳性、阻力等关键性能。

1 大型船舶外形设计 1.1 大型船舶外形设计数据库构建

人工智能技术中智能模糊推理系统的推理过程需要以现有大型船舶数据作为支撑。为此，依据用户需求，构建大型船舶外形设计参数数据库以及大型船舶性能参数数据库。大型船舶外形设计参数数据库包含大量船型的设计参数，如船体尺寸、形状、结构布局，这些数据是智能模糊推理系统进行学习和推理的基础。大型船舶性能参数数据库包含稳定性与阻力性能等参数，为智能模糊推理系统提供全面的性能数据支持，生成满足设计要求的最优大型船舶外形设计方案。依据用户需求，设计大型船舶外形设计参数数据库，主要内容如表1所示。

依据用户需求，设计大型船舶性能参数数据库的主要内容如表2所示。

以矩阵形式描述已知大型船舶的性能参数$ {{\boldsymbol{{Q}^R}}} = \left[ {{X_1},{X_2}} \right] $，$ R $为已知母型船的性能参数；$ Q $为大型船舶性能数值；$ {X_1} $、$ {X_2} $分别为船模阻力与复原力臂。$ {X_1} $越小的船型，在相同的主机功率下能够达到更高的航速。$ {X_2} $越大的船舶，在横倾时能够产生更大的复原力矩，更容易恢复到正浮状态，具有更好的稳定性能。

1.2 基于人工智能技术的大型船舶数值推理

人工智能技术中智能模糊推理系统，利用模糊C均值聚类算法，处理1.1小节设计的大型船舶性能参数数据库，得到所有用户需求的船舶性能数值模糊化后的隶属度矩阵，具体步骤如下：

步骤1　模糊化处理1.1小节设计的已知大型船舶性能参数$ {Q^R} $，在FCM算法内输入模糊化的大型船舶性能参数。

步骤2　初始化聚类中心，得到初始聚类中心矩阵$ {{\boldsymbol{Q}}^0} $。

步骤3　求解大型船舶性能参数样本和$ {Q^0} $的相关程度，并求解初始隶属度矩阵$ {{\boldsymbol{U}}^0} $。

步骤4　依据$ {{\boldsymbol{U}}^0} $求解大型船舶性能参数聚类目标函数，公式如下：

$ J\left( {U,Q} \right) = \sum\limits_{k = 1}^N {\sum\limits_{i = 1}^C {{{\left( {{\mu _{ik}}} \right)}^\lambda }{{\left( {{d_{ik}}} \right)}^2}} }。$

(1)

式中：$ \lambda $为模糊平滑参数；$ {d_{ik}} $为第$ k $个大型船舶性能参数样本和第$ i $个聚类中心的欧式距离；$ {\mu _{ik}} $为隶属度函数；$ N $为大型船舶性能参数样本数量；$ C $为聚类中心数量。

步骤5　更新大型船舶性能参数聚类中心。

步骤6　更新隶属度矩阵$ {\boldsymbol{U}} $。

步骤7　当$ J\left( {{\boldsymbol{U}},{\boldsymbol{Q}}} \right) $取得最小值时，输出大型船舶性能参数聚类矩阵$ {{\boldsymbol{Q_i}}} $，以及全部用户需求的大型船舶性能数值模糊化后的隶属度矩阵$ {{\boldsymbol{U^R}}} $。

令用户需求的语言变量为$ {Q^L} $，利用FCM算法处理，得到全部用户需求的语言变量模糊化后的隶属度矩阵$ {{\boldsymbol{U^L}}} $。依据用户需求的语言变量模糊量$ \mu _j^L \in {{\boldsymbol{U^L}}} $，以及大型船舶性能数值的模糊量$ \mu _\tau ^R \in {{\boldsymbol{U^R}}} $，推理出满足用户需求的大型船舶性能数值模糊量，公式如下：

$ Z = \left( {\mu _j^Land\mu _\tau ^R} \right) \circ G。$

(2)

式中：$ \circ $为智能模糊推理系统的模糊合成运算；$ and $为模糊算子；$ G $为模糊蕴涵关系。

通过智能模糊推理系统推理一次用户需求内的各项大型船舶性能数值，得到符合用户需求相应的大型船舶性能数值的模糊隶属度矩阵$ {{\boldsymbol{U^Z}}} $。

通过加权平均法清晰化，得到具体的大型船舶性能数值，公式如下：

$ {\boldsymbol{Q_i}}^F = \dfrac{{\displaystyle\sum\limits_{i = 1}^C {{{\boldsymbol{Q}}_i}\mu _i^Z} }}{{\displaystyle\sum\limits_{i = 1}^C {\mu _i^Z} }} 。$

(3)

式中：$ Q_i^F $为第$ i $个大型船舶性能推理后的数值。

$ {Q^F} $为推理获取的大型船舶性能参数。

1.3 基于人工智能的大型船舶外形设计参数推理

通过欧式距离，匹配分析$ {Q^F} $与$ {Q^R} $内相应的性能参数，得到匹配的样本序号$ M $。令各大型船舶性能参数对应$ \eta $条船舶外形设计参数，按照$ M $，在1.1小节设计的大型船舶外形设计参数数据库内，获取满足用户需求的大型船舶外形设计参数矩阵$ {{\boldsymbol{A^o}}} $。通过FCM算法处理设计的大型船舶外形设计参数数据库，得到大型船舶外形设计参数隶属度矩阵，并结合式(2)模糊化$ {{\boldsymbol{A^o}}} $，得到符合用户需求相应的大型船舶外形设计参数的模糊隶属度矩阵$ {{\boldsymbol{U^A}}} $，通过式(3)清晰化处理$ {{\boldsymbol{U^A}}} $，得到符合用户需求的大型船舶外形设计参数$ {A^F} $。

根据$ {A^F} $使用计算机辅助设计（CAD）软件来生成具体的大型船舶外形设计结果。

2 性能测试与分析

随着全球贸易的增长和航运业的快速发展，对大型船舶的性能和效率提出了更高要求。传统船舶设计方法耗时长、成本高，且难以全面优化船舶性能。因此，本文方法利用人工智能技术，进行大型船舶外形设计，提高设计效率和质量，降低设计成本。

按照用户需求，利用本文方法推理出大型船舶外形设计参数的数值，推理结果如表3所示。可知，本文方法可有效利用智能模糊推理系统推理出，符合用户需求的大型船舶外形设计参数，为后续大型船舶外形设计提供数据支持。

分析本文方法设计的大型船舶，在不同航速下的阻力性能，分析结果如图1所示。可知，随着航速的提升，母型船和本文方法设计的大型船舶，其船模阻力均呈上升趋势。在不同航速下，本文方法设计大型船舶的船模阻力，均低于母型船，本文方法设计大型船舶的最大船模阻力在26.5 N左右，符合用户低于27 N的需求。阻力是影响船舶航行效率的关键因素之一。降低阻力意味着在相同功率下，船舶能够达到更高的航速，或者在保持航速不变的情况下减少能耗。因此，本文方法设计的大型船舶在航行效率方面预计将显著提升，对于提高船舶的运营经济效益和节能减排具有重要意义。实验证明：相较于母型船，本文方法设计的大型船舶在降低船模阻力方面具有显著效果，表现出更为出色的阻力性能。

分析本文方法设计的大型船舶，在不同横摇角下的稳定性能，分析结果如图2所示。可知，随着横摇角的提升，母型船和本文方法设计的大型船舶，其复原力臂均先上升后下降。在不同横摇角下，本文方法设计大型船舶的复原力臂均显著高于母型船，且复原力臂始终高于用户设计高于0.8 m的需求。由于复原力臂的增加，船舶在航行过程中能够更好地抵抗外界干扰，保持稳定的航向和航速。不仅有利于提高船舶的运输效率，还能减少因航行不稳定而带来的额外能耗和排放，符合当前绿色航运的发展趋势。实验证明：本文方法设计的大型船舶，可有效提升复原力臂，具备较优的稳定性能。

3 结　语

本研究通过引入人工智能技术，成功推理出符合用户需求的大型船舶外形设计参数，并依据这些参数完成大型船舶的外形设计，实现船舶性能的全面优化，包括阻力性能和稳定性能的提升。实验证明，在不同航速下，采用本文方法设计的大型船舶，其船模阻力均低于母型船，且最大船模阻力控制在26.5 N左右，远低于用户设定的27 N上限，表现出更为出色的阻力性能。本文方法设计的大型船舶，其复原力臂显著高于母型船，且始终高于用户设计的0.8 m需求，有效提升船舶的稳定性能。