Ship flooding time prediction method based on attention mechanismsle
-
摘要: 为解决现有数值模拟方法难以快速模拟浸水时间的问题，本文提出一种使用注意力机制的船舶浸水时间预测算法。对现有复合神经网络方法进行改进，在基于端到端模型的基础上，通过引入SwinTransformer使得模型可以获得更加细致的图像特征。其次将循环神经网络改进为多头注意力机制，使模型更容易关注到水面特征的变化，从而提高准确率。实验验证，最高的舱室准确率可以达到97.5%，平均舱室预测准确率达到了93.2%。对比现有方法，全舱室平均准确率提升了0.8%，单舱室准确率最高提升1.9%。该方法可以准确预测破损舱室浸水时间，从而帮助船长制定科学合理的人员疏散策略。Abstract: To address the challenge of rapid simulation of flooding time in existing numerical simulation methods, this paper proposes a ship flooding time prediction algorithm, utilizing an attention mechanism. The proposed method improves upon existing compound neural network approaches by incorporating the SwinTransformer, which enables the model to capture more detailed image features in an end-to-end framework. Additionally, the recurrent neural network is enhanced with a multi-head attention mechanism, allowing the model to more effectively focus on changes in water features, thereby improving accuracy. Experimental validation demonstrates that the accuracy for the most accurate compartment reaches up to 97.5%, with an average compartment prediction accuracy of 93.2%. Compared to existing methods, the overall average accuracy across all compartments is improved by 0.8%, with the highest single-compartment accuracy increased by 1.9%. This method can accurately predict the flooding time of damaged compartments, aiding the captain in formulating scientifically sound and reasonable personnel evacuation strategies.
-
船舶是海上交通的主要工具，在全球贸易中，船舶运输扮演着至关重要的角色。其中，船舶安全的重要性无法忽视，船舶事故直接关系到船员和乘客的生命安全[1]。船舶浸水是导致死亡事故主要原因之一。据调查，2011至2017年共发生405起事故，造成683人死亡。事故原因主要是“碰撞”和“浸水/沉没”，分别占死亡人数的35.2%和23.6%，合计占死亡人数的58.8%[2]。为了防止伤亡事故的发生，需要采取足够的措施。准确掌握船舶浸水状态可以在船舶遭遇浸水事故时为决策提供必要的信息，从而为船员和船舶管理者制造更多的逃生时间来减少损失[3]。
船舶浸水过程模拟是为了了解和预测船舶在遭受损害或意外事件时的浸水情况，这个过程通常包括了多个方面的工作，涉及物理原理、数值模拟、实验研究和统计分析等多个层面。船舶受损后的浸水过程大致可以分为瞬态、渐进态和稳定态3个阶段[4]。瞬态对应船舶刚浸水的状态，根据破口位置的不同，可能会导致船舶倾斜或是立即倾覆。如果船舶没有在瞬态倾覆，则会进入到渐进态。根据船舶的规模，渐进态可以持续数个小时。第3个阶段为稳定态，在前2个阶段水会不断流入船体并扩散，而稳定态的浸水量为0。到了这个阶段船舶不会出现倾覆，但是水流会随着船舶的运动在船体内流动。对浸水的模拟通常是在稳态进行的[5]。传统的对浸水过程的研究通常是对船舶建模来进行数值模拟，典型代表的有计算流体力学（computational fluid dynamics, CFD）方法[6−8]。CFD用于模拟受损舱室中水流的流动，且具有较高的预测精度[9]。但是这种方法通常需要考虑到尽量多的细节，费时费力，不适合作为决策系统[10]。由于浸水场景不是固定的，船舶的状态每时每刻都在变化，例如浸水的速率会根据缺口位置的不同与非水密门状态的不同产生变化[11]，导致传统方法难以兼顾速度和准确度，计算的时间通常以小时为单位。
近年来，随着技术的进步，深度学习的方法也逐渐进入了研究人员的视野。深度学习方法通过浸水过程的视频或图像信息来预测浸水时间，相比传统的数值模拟方法，深度学习方法不需要大量的硬件支持，同时可以更快速地做出响应。Li 等[12]通过卷积神经网络（convolutional neural networks, CNN）+长短期记忆网络（long short-term memory, LSTM）的复合神经网络来预测浸水时间并取得了优秀的时间预测准确率。本文在此研究基础上提出了1种使用了注意力机制的船舶浸水时间预测算法Swin-Attention。算法使用了SwinTransformer提取浸水图像的外观特征，并选择了多头自注意力机制作为时间特征提取方法。该方法对复合神经网络算法进行了改进，改进后的算法可以更加准确地预测船舶浸水时间。
1. 实验方法
本文使用的数据集为通过物理模型模拟的破舱浸水实验的过程视频。模型为仿照游轮制作的1∶ 200比例的船模。实验模拟的浸水时间数据可以通过数学模型估算为实际船舶航行场景下的浸水时间，假设实船的破口位置与模型的破口位置相同，根据伯努利原理可以得到破口处的水流速v为
$$ v=c_{\mathrm{d}}\sqrt{2g\left(h_{\mathrm{\alpha}}-h_{\mathrm{b}}\right)} $$ 式中：
$ h\mathrm{_a} $ 和$ h_{\mathrm{b}} $ 分别为海面与破口处到水底的高度，$ c\mathrm{_d} $ 为常数的开口流量系数，g为重力加速度。分别计算模型与实船在破口处的水流速，可以得到模型浸水时间与实船浸水时间的转换系数，从而可以将实验模拟的浸水时间转换为实船浸水时间。实验对船舶受损模拟有着实际的意义。模型中共包含4个舱室，舱室和舱室之间被隔壁分离。为了模拟在破口不同情况下的浸水状况，模型上被均匀地打上了272个小孔，每次浸水模拟开启其中一个小孔使水流进模型。实验对4个舱室在破口位置不同时的浸水过程进行了模拟。实验之前设定固定的高度值，水位达到指定高度则记为浸水状态。图1给出了第1个舱室出现破口的情况下水流蔓延的情形。摄像头设置在破口舱室的上方，以观察水流的运动。水流会从破口舱室的舱室门扩散到所有舱室，但是除破口舱室外，在到达浸水状态之前没有任何信息的收集。
图 1 舱室浸水示意
下载:
全尺寸图片
通过实验获得了不同光照条件下共816组实验数据，标签数据为4个舱室从开始浸水到浸水状态的时间，精度为小数点后2位。为了将视频数据处理成模型可以接受的输入形式，将视频以相同的时间间隔进行采样，得到每组150张的浸水图像。模型的输入为浸水前期的图像信息，输出为预测的每个舱室达到浸水状态的时间。由于浸水图像中可以获取的信息有限，预测的精度也有上限，所以实验将所有时间数据以10 s为一级，共分为15个浸水速度等级，将回归预测问题转换为分类预测问题。浸水图像示例如图2所示。
图 2 浸水图像示例下载:
全尺寸图片
得到了浸水图像与浸水时间之后，就可以对模型进行训练与验证，实验整体流程如图3所示。
图 3 实验整体流程下载:
全尺寸图片
2. 相关模型
预测具体时间的回归问题转换为分类问题后，就可以参考视频分类相关模型来对问题进行分析。代表性的视频分类模型有3种：1) 三维卷积神经网络（3D convolutional neural networks, 3DCNN）模型[13−14]，通过使用三维卷积来对多个帧进行滤波，提取相连帧的运动信息；2) CNN+循环神经网络（recurrent neural network，RNN）的端到端模型[15-17]，这种模型具有2段式的结构，分别使用CNN与RNN进行外观特征提取与顺序关系建模，从而计算图像之间的变化关系；3) Transformer模型[18-20]，使用注意力机制计算同一帧内的相关度与帧间相关度来对视频进行理解的。由于浸水模拟中船体会因为水的流入而左右摇晃，帧与帧之间的变化较为复杂，相比于学习视频整体，端到端的时间−空间结构是通过捕捉两帧之间的运动变化的3DCNN模型与Transformer模型，单独提取浸水图像特征后再对时间关系建模，这样更容易对水的变化进行关注，故选择端到端的时间−空间结构作为模型的基本架构。同时本文从基于注意力的模型中获得启发，使用时间注意力机制来对时间相关的图像的特征进行建模以获得更高的准确率。
3. 算法结构
Swin-Attention算法主要使用SwinTransformer的空间特征提取结构和多头自注意力机制组成的时间特征提取结构。Swin-Attention通过学习水面变化等视觉特征与浸水速度的关系来对浸水时间进行预测，由空间特征提取结构获得单个图像的外观特征，时间特征提取结构来获得连续图像的上下文关系。首先模型的空间特征提取结构将连续的浸水图像转换为图像的特征，由于这些特征是时间上相关的，注意力机制可以通过计算特征之间的相关度来学习特征之间的变化与浸水速度的关系，例如图像中水的面积变化是与浸水速度相关的。通过空间特征提取结构理解图像之间的关系，进而对浸水时间进行预测。模型的输入为时间上连续的数个破损舱室的浸水图像，这些浸水图像顺序输入到空间特征提取结构SwinTransformer中。整个网络的处理流程如下：图像首先经由补丁嵌入分为数个图像块，再经过数层注意力层计算不同分辨率下图像块之间的相关度，以获得多尺度的图像特征信息；接着时间特征提取结构将得到的数个时间相关的图像特征进行再次注意力操作，得到的结果送入线性层投影为每一个浸水速度等级的概率。整个网络的结构如图4所示。
图 4 Swin-Attention整体网络结构示例下载:
全尺寸图片
3.1 空间特征提取模块
SwinTransformer由VisionTransformer改进而来，将图像分块后转化为向量，计算不同图像块的上下文关系来获得整张图像的特征信息，从而达到图像理解的效果。SwinTransformer采用多级结构来获取不同尺度的图像特征。随着层数的递进，图像会经过数次下采样，这就使得模型可以获取不同粒度的特征。同时每一层特征的感受野也是不同的，这种结构使得SwinTransformer可以获得更加丰富的图像特征。SwinTransformer的第2个特点是使用了位移窗口注意力，传统的注意力方法随着图像大小的增长，计算量会指数级增加，这种方法可以大幅减小大尺寸图像的计算量，使计算复杂度随着图像大小线性增长。浸水视频经过采样操作得到T帧，映射成形状为V∈RT×H×W×C 的图像序列作为模型的输入。H和W为图像的高度和宽度，C为图像的通道数。T张图像顺序送入去除了全连接层的SwinTransformer，模型包含4个注意力层，每个注意力层包含1个下采样模块和数个注意力模块，其中注意力模块由数个两阶段结构的注意力操作组成。第1个阶段为窗口内的注意力操作，图像被分成数个窗口，窗口内的图像块互相计算相关度。第2阶段为移动窗口注意力，通过移动窗口的方式来进行窗口与窗口之间的通信，这样的结构给模型带来了更高的计算效率。输入V首先经过补丁嵌入和绝对位置编码，分割为嵌入了位置信息的
$ \dfrac{H}{P\mathrm{_h}}\times\dfrac{W}{P\mathrm{_w}} $ 个图像块，其中$ P\mathrm{_h} $ ，$ P\mathrm{_w} $ 为图像块的高度和宽度。接着V经过数个注意力层的计算，每层1个图像大小的V变为$\left(\dfrac{L_{\mathrm{h}}}{2}, \dfrac{L_{\mathrm{w}}}{2}, 2 C\right) $ ，以获得更加抽象的图像特征，$ L_{\mathrm{h}} $ 与$ L_{\mathrm{w}} $ 为当前层的图像的高度和宽度。输入V经过所有注意力层的特征提取后得到(49,768)的特征张量。最后使用平均池化和展平操作，得到768维的最终的空间图像特征。T张图片全部提取完特征后进行连接操作，得到(T，768)的张量。3.2 时间特征提取模块
多头自注意力机制可以通过计算相关度来得到浸水图像序列的变化关系，进而得到时间维度的浸水特征。这种机制和同为序列到序列结构的循环神经网络相比，解决了循环神经网络中处理长序列时会出现的梯度消失问题。由于多头自注意力是并行处理数据的非顺序结构，可以轻易地捕捉远距离元素之间的关系特征，这使得多头自注意力可以处理长期依赖。浸水初期场景为水向舱室扩散的阶段，这个阶段水面在视觉上变化较大，可以获得直观的浸水的信息。而到了浸水中后期阶段水面会将舱室底部覆盖，随着时间流逝，水面的变化会因为船舱形状的原因逐渐减小。多头自注意力机制可以以非顺序的方式计算浸水图像的差异，使模型更加容易捕捉到水面的变化，从而提高预测准确率。注意力层的输入为经过空间特征提取的浸水图像X。多头自注意力层的结构如图5所示，其中Q、K、V为输入X的投影。
图 5 多头自注意力层结构下载:
全尺寸图片
由于多头自注意力机制是并行处理的结构，而浸水特征的顺序是时间预测不可少的因素，所以经过空间特征提取模块后的特征需要加入可学习位置编码。可学习位置编码为形状与X相同的张量，在训练开始时随机初始化，可学习位置编码的参数随着模型训练一起更新。X需要与可学习位置编码拼接后再输入到多头自注意力模块中进行计算。其中每个头的注意力操作定义为
$$ \text { Attention}({\boldsymbol{Q,K,V}}) =\operatorname{Softmax}\left(\frac{{\boldsymbol{Q K}}^{{\mathrm{T}}}}{\sqrt{D_{k}}} \right){{\boldsymbol{V}}} $$ 式中Softmax为激活函数操作。多头自注意力内部结构如图6所示，Nhead为头的数量。
图 6 多头自注意力内部结构下载:
全尺寸图片
3.3 输出结构
为了获得每个舱室的浸水时间，输出结构采用多个平行且独立参数的线性层。线性层的输入x为经过层归一化的时间特征提取模块的输出，输出为每个浸水速度等级的概率y。线性层的操作定义为
$$ \mathit{y} \mathbf= \mathrm{MLP(LN(} \mathit{x} \mathrm{))} $$ 式中：MLP为线性层操作，LN为层归一化操作。
由于模型为多个输出，在反向传播的时候应该同时考虑这些输出，所以损失函数也应当使用综合的形式。实验对每个输出应用交叉熵损失函数，得到每个输出的损失值
$ \boldsymbol{L}_{1} $ 、$ \boldsymbol{L}_{\mathbf{2}} $ 、$ \boldsymbol{L}_{3} $ 、$ \boldsymbol{L}_{4} $ ，分别代表4个舱室的浸水速度预测值。最终的损失值$ \boldsymbol{L}_{s} $ 定义为$$ \boldsymbol{L}_{s}= \boldsymbol{L}_{1}+ \boldsymbol{L}_{2}+ \boldsymbol{L}_{3}+ \boldsymbol{L}_{4} $$ 4. 实验验证
4.1 实验项目与实验环境
本文的开发框架为Pytorch2.0.0+CUDA118，Python版本为Python3.8.10。开发环境为PyCharm IDE，操作系统为Windows10。硬件环境为2080Ti11GBGPU与Intel(R) Xeon(R) Platinum 8255C@ 2.50GH 12v CPU。
数据集中共有816组浸水过程视频，实验以8∶2的比例分配训练集和测试集，其中浸水过程视频分割为30帧图像用于输入模型。样本经预处理后缩放成像素值大小为224×224的图像，使用水平翻转的方式来进行数据增强。模型使用预训练完成的SwinTransformer模型，同时对参数进行冻结。优化器使用AdamW，优化算法为余弦退火算法。
4.2 实验参数设置
实验中优化器的学习率为0.001，批量大小为16，迭代次数为60，多头自注意力的头数量设置为4。
4.3 实验结果
由于浸水数据集大小有限，迭代次数设置过多会导致过拟合现象，故选取60个迭代作为性能评判的标准。实验使用4种不同参数设置的模型进行了对比，经过60个迭代的训练后选取最高准确率。将4个舱室设定为舱室A、舱室B、舱室C、舱室D，得到的4个舱室浸水类别准确率为表1。
表 1 不同参数的浸水类别准确率层数 头维度 舱室A/% 舱室B/% 舱室C/% 舱室D/% 1 32 96.9 91.2 93.1 87.5 1 64 97.5 92.0 94.3 88.7 2 32 97.5 91.2 93.1 86.8 2 64 96.9 90.6 93.7 89.3 输入模型的图像数量也会影响预测的精度，输入图像的数量不同代表着模型接受了不同长度的浸水过程的信息，过多的信息会导致预测所需要的时间变长，对硬件的要求也会更高。表2记录了不同帧数下模型性能的改变。
表 2 不同帧数的浸水类别准确率% 帧数 舱室A 舱室B 舱室C 舱室D 20 96.9 90.6 91.2 87.5 25 96.9 91.2 93.1 87.5 30 97.5 92.0 94.3 88.7 最终选取4个舱室平均准确率最高的1层注意力和头维度为64+30帧的配置。实验结果得出，舱室A准确率最高，为97.5%；舱室D准确率最低，为89.3%。实验同时收集了模型预测的极端情况，在测试集160个测试样本中，预测值和真实值相差2以上的结果有一例，场景在舱室A破口状态下，对于舱室C的浸水速度的预测，标签与真实值的差为3。结果表明该方法可以很好地预测浸水的速度，同时极端情况较少，可以作为参考信息帮助制定浸水时的紧急决策。
4.4 消融实验
为了研究算法中不同模块对于结果的影响，分别选取Resnet18与LSTM作为文中模型的空间注意力层与时间注意力层的替代来进行训练。LSTM的层数设置为1，隐藏维度设置为256。现将SwinTransformer模块记为①，Resnet18模块记为②，时间注意力层记为③，LSTM记为④。评价指标将从两方面进行考虑，为了同时考虑所有舱室的准确率状态以及直观的性能表现，选用所有舱室的平均准确率作为一方面的评价指标。另一方面考虑到实际的船舶浸水事故中，预测的浸水时间与实际值的误差应尽量小，为了评估模型在实际状况下辅助决策的能力，现将误差定义预测值与实际的差值，通过计算测试集所有样本的平均误差作为第二的评价指标。表3和表4详细记录了各个组合的训练情况，包括不同模型情况下各个舱室浸水时间预测的平均准确率和平均误差。
表 3 不同模型的舱室的平均准确率% 模型 平均准确率 舱室A 舱室B 舱室C 舱室D ①+③ 93.1 97.5 92.0 94.3 88.7 ①+④ 92.8 96.8 90.0 94.3 90.0 ②+③ 92.8 97.5 90.7 93.7 89.2 ②+④ 92.3 97.5 90.1 93.0 88.7 表 4 不同模型的舱室的平均误差模型 误差和 舱室A 舱室B 舱室C 舱室D ①+③ 0.313 0.031 0.086 0.076 0.120 ①+④ 0.324 0.038 0.105 0.075 0.106 ②+③ 0.331 0.031 0.099 0.081 0.120 ②+④ 0.343 0.031 0.105 0.088 0.119 由表3可以发现，通过将LSTM更换注意力层后，除在SwinTransformer条件下的D舱室在更换之后准确率下降，其余舱室的准确率均为提升或不变，且平均准确率皆相较于使用LSTM的模型有提升，可以证明多头自注意力机制具有更好的性能。而使用了SwinTransformer的模型由于特征提取方式不同的原因，会出现部分舱室准确率小于更换为Resnet的情况，例如A舱室，在使用不同时间特征提取结构的时候均小于Resnet的准确率，但是这种减小均不显著，最大的差距为在LSTM条件下的A舱室相差的0.7%。而对于准确率提升的舱室效果会更明显，例如使用时间注意力层的模型通过将Resnet18更换为SwinTransformer后，B舱室的准确率提升了1.3%。
综合来说，使用了SwinTransformer的模型比没有使用的模型表现要更好。对于更换不同模块对平均误差的改变则大致与对准确率的改变相同。经过4种不同模型的对比发现，SwinTransformer +时间注意力的模型取得了最佳的平均准确率和误差和，证明了本文模型中模块的不可替代性。经过实验，各个模型的平均准确率与训练损失随训练迭代次数的变化如图7和图8所示。
图 7 不同模型的平均准确率变化下载:
全尺寸图片
图 8 不同模型的训练损失变化下载:
全尺寸图片
观察到使用了时间注意力层的模型相比没有使用的模型拟合的速度要更快，且当使用Resnet18提取图像特征时尤为明显，这可能是因为Resnet18所提取的特征为边缘与纹理等简单特征，多头自注意力机制可以轻易地学习这些特征。同时使用LSTM的模型在与SwinTransformer结合的状态下也取得了优秀的性能表现，需要注意的是，SwinTransformer在获得了更高准确率的同时，需要的资源也更多，在硬件资源有限的情况下，选择使用了Resnet18的消耗更小的模型也足以作为应急决策的辅助。表5为模型大小与平均准确率的对比，可以看到②+③的模型大小比准确率最高的①+③模型降低了一半以上，平均准确率只降低了0.4%。
表 5 模型大小与准确率的对比模型 模型大小/MB 平均准确率/% ①+③ 130 93.1 ①+④ 113 92.7 ②+③ 54.8 92.7 ②+④ 47.8 92.3 综合考虑，SwinTransformer +时间注意力的模型可以更好地完成浸水预测的任务。
5. 结论
本文提出了一种用于预测船舶浸水时间的将SwinTransformer与注意力机制结合的端到端模型Swin-Attention，通过船舶模型的浸水视频对浸水速度进行了预测，得到的结论如下。
1）该方法对CNN+LSTM的算法进行了改进，在原有的基础上引入了SwinTransformer和时间注意力层，取得了更高的平均舱室准确率与平均误差。
2）SwinTransformer可以提取更加丰富的浸水图像特征来提高预测的准确率，同时多头自注意力方法相比LSTM方法表现出了更强的学习能力。
3）本文以准确率作为算法性能的评价指标，实际的浸水过程较为复杂，未来的工作可以从不同角度或多个因素来对算法进行考量。
实验表明，本文提出的方法可以从船舶舱室浸水图像来快速预测破损舱室浸水时间，辅助船长在预测浸水时间内完成人员疏散，保证船上人员在安全时间内撤离具有实际的应用价值。
-
图 1 舱室浸水示意
下载:
全尺寸图片
图 2 浸水图像示例
下载:
全尺寸图片
图 3 实验整体流程
下载:
全尺寸图片
图 4 Swin-Attention整体网络结构示例
下载:
全尺寸图片
图 5 多头自注意力层结构
下载:
全尺寸图片
图 6 多头自注意力内部结构
下载:
全尺寸图片
图 7 不同模型的平均准确率变化
下载:
全尺寸图片
图 8 不同模型的训练损失变化
下载:
全尺寸图片
表 1 不同参数的浸水类别准确率
层数 头维度 舱室A/% 舱室B/% 舱室C/% 舱室D/% 1 32 96.9 91.2 93.1 87.5 1 64 97.5 92.0 94.3 88.7 2 32 97.5 91.2 93.1 86.8 2 64 96.9 90.6 93.7 89.3 表 2 不同帧数的浸水类别准确率
% 帧数 舱室A 舱室B 舱室C 舱室D 20 96.9 90.6 91.2 87.5 25 96.9 91.2 93.1 87.5 30 97.5 92.0 94.3 88.7 表 3 不同模型的舱室的平均准确率
% 模型 平均准确率 舱室A 舱室B 舱室C 舱室D ①+③ 93.1 97.5 92.0 94.3 88.7 ①+④ 92.8 96.8 90.0 94.3 90.0 ②+③ 92.8 97.5 90.7 93.7 89.2 ②+④ 92.3 97.5 90.1 93.0 88.7 表 4 不同模型的舱室的平均误差
模型 误差和 舱室A 舱室B 舱室C 舱室D ①+③ 0.313 0.031 0.086 0.076 0.120 ①+④ 0.324 0.038 0.105 0.075 0.106 ②+③ 0.331 0.031 0.099 0.081 0.120 ②+④ 0.343 0.031 0.105 0.088 0.119 表 5 模型大小与准确率的对比
模型 模型大小/MB 平均准确率/% ①+③ 130 93.1 ①+④ 113 92.7 ②+③ 54.8 92.7 ②+④ 47.8 92.3 -
[1] 印桂生, 孙颖, 杨东梅, 等. 船舶安全事故典型案例分析与研究[J]. 船舶, 2021, 32(4): 1−14. [2] EMSA E. Annual overview of marine casualties and incidents 2018[EB/OL]. (2018−11−14)[2024−06−14]. https://www.emsa.europa.eu/publications/reports/item/3406-annual-overview-of-marine-casualties-and-incidents-2018.html [3] 刘强, 段文洋. 舰船破舱进水过程时域模拟[J]. 舰船科学技术, 2012, 34(3): 45−49. doi: 10.3404/j.issn.1672-7649.2012.03.009 [4] XU Sangming, GAO Zhiliang, XUE Wen. CFD database method for roll response of damaged ship during quasi-steady flooding in beam waves[J]. Applied ocean research, 2022, 126: 103282. doi: 10.1016/j.apor.2022.103282 [5] RODRIGUES J M. A review of methods for modelling flooding, its progression and outcome in damaged ships[J]. Journal of marine science and engineering, 2024, 12(2): 251. doi: 10.3390/jmse12020251 [6] 董良志, 陈霖, 麦松彦, 等. 基于CFD的邮轮破舱浸水仿真[J]. 舰船科学技术, 2024, 46(7): 14−19. doi: 10.3404/j.issn.1672-7649.2024.07.003 [7] 张思航, 顾俊, 吴俊, 等. 基于CFD的船舶破舱进水流量系数研究[J]. 舰船科学技术, 2019, 41(19): 59−62. doi: 10.3404/j.issn.1672-7649.2019.10.011 [8] 吴家俊, 李廷秋, 李杰. 基于CFD的破舱进水数值研究[J]. 中国造船, 2023, 64(2): 25−35. doi: 10.3969/j.issn.1000-4882.2023.02.003 [9] XUE Wen, GAO Zhiliang, XU Sangming. Numerical study on attitude and resistance of a side-damaged ship during steady flooding[J]. Journal of marine science and engineering, 2022, 10(10): 1440. doi: 10.3390/jmse10101440 [10] BRAIDOTTI L, MAURO F. A fast algorithm for onboard progressive flooding simulation[J]. Journal of marine science and engineering, 2020, 8(5): 369. doi: 10.3390/jmse8050369 [11] RUPONEN P. On the effects of non-watertight doors on progressive flooding in a damaged passenger ship[J]. Ocean engineering, 2017, 130: 115−125. doi: 10.1016/j.oceaneng.2016.11.073 [12] LI Ze, YANG Dongmei, YIN Guisheng. Ship flooding time prediction based on composite neural network[J]. Journal of marine science and engineering, 2023, 11(6): 1123. doi: 10.3390/jmse11061123 [13] TRAN D, BOURDEV L, FERGUS R, et al. Learning spatiotemporal features with 3D convolutional networks[C]//2015 IEEE International Conference on Computer Vision. Piscataway: IEEE, 2015: 4489−4497. [14] ALAKWAA W, NASSEF M, BADR A. Lung cancer detection and classification with 3D convolutional neural network (3D-CNN)[J]. International journal of advanced computer science and applications, 2017, 8(8). [15] ZHANG Qin, XU Jialang, CRANE M, et al. See the wind: Wind scale estimation with optical flow and VisualWind dataset[J]. Science of the total environment, 2022, 846: 157204. doi: 10.1016/j.scitotenv.2022.157204 [16] 穆家宝. 结合注意力机制的CNN-LSTM的视频中双相抑郁症检测方法[J]. 信息技术与网络安全, 2022(5): 72−76. [17] CARDONA J L, HOWLAND M F, DABIRI J O. Seeing the wind: visual wind speed prediction with a coupled convolutional and recurrent neural network[EB/OL]. (2019−05−30)[2024−06−14]. https://arxiv.org/abs/1905.13290v3 [18] ARNAB A, DEHGHANI M, HEIGOLD G, et al. ViViT: a video vision transformer[C]//2021 IEEE/CVF International Conference on Computer Vision. Piscataway: IEEE, 2021: 6816−6826. [19] BERTASIUS G, WANG Heng, TORRESANI L. Is space-time attention all you need for video understanding? [EB/OL]. (2021−02−09)[2024−06−14]. http://arxiv.org/abs/2102.05095v4. [20] YAN Shen, XIONG Xuehan, ARNAB A, et al. Multiview transformers for video recognition[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2022: 3323−3333.
