基于人工智能的深潜耐压球壳应力场映射.pdf

第 20 卷 第 9 期 装 备 环 境 工 程 2023 年 9 月 EQUIPMENT ENVIRONMENTAL ENGINEERING 169 收稿日期：2023-06-24；修订日期：2023-08-24 Received：2023-06-24；Revised：2023-08-24 基金项目：国家重点研发计划（2021YFC2802300）；江苏省卓越博士后计划（2023ZB629）Fund：National Key R&D Program of China(2021YFC2802300);Jiangsu Funding Program for Excellent Postdoctoral Talent(2023ZB629)引文格式：姚骥,汪雪良,叶聪,等.基于人工智能的深潜耐压球壳应力场映射J.装备环境工程,2023,20(9):169-177.YAO Ji,WANG Xue-liang,YE Cong,et al.Stress Field Mapping Algorithm of Deep-sea Pressurized Spherical Shell Based on Artificial Intel-ligenceJ.Equipment Environmental Engineering,2023,20(9):169-177.基于人工智能的深潜耐压球壳应力场映射 姚骥1,2，汪雪良1,2，叶聪1,2，顾学康1,2，孙梦丹1,2，蒋镇涛1,2（1.中国船舶科学研究中心，江苏 无锡 214082；2.深海技术科学太湖实验室，江苏 无锡 214082）摘要：目的目的 针对深潜耐压球壳在真实下潜过程中全局应力场难以直接获取的问题，提出一种基于人工智能的深潜耐压球壳应力场映射算法。方法方法 构建深潜耐压球壳有限元模型，并开展仿真分析。提出深潜耐压球壳监测布点方案，进而利用长短时记忆神经网络（Long-short Term Memory Network，LSTM），将测点应力信息作为输入，将全局应力场信息作为输出，构建深潜耐压球壳应力场映射模型。最后，对不同测点下的映射结果进行分析。结果结果 与模型试验结果相比，仿真误差小于 2%。与 DNN 模型及 BP 模型相比，映射误差分别下降 94.92%与 97.76%。结论结论 所提映射算法可在部分测点失效的情况下仍可以保持较高精度。关键词：深潜耐压球壳；有限元模型；应力场映射；监测布点方案；LSTM；部分测点失效 中图分类号：P751 文献标识码：A 文章编号：1672-9242(2023)09-0169-09 DOI：10.7643/issn.1672-9242.2023.09.019 Stress Field Mapping Algorithm of Deep-sea Pressurized Spherical Shell Based on Artificial Intelligence YAO Ji1,2,WANG Xue-liang1,2,YE Cong1,2,GU Xue-kang1,2,SUN Meng-dan1,2,JIANG Zhen-tao1,2(1.China Ship Scientific Research Center,Jiangsu Wuxi,214082,China;2.Taihu Laboratory of Deep Sea Technology and Science,Jiangsu Wuxi 214082,China)ABSTRACT:Aiming at the problem of difficulty in directly obtaining the global stress field of the deep-sea pressurized spherical shell during the actual diving process,the work aims to propose a stress field mapping algorithm for deep-sea pressur-ized spherical shells based on artificial intelligence.Firstly,a finite element model of the deep-sea pressurized spherical shell was constructed and simulated.The simulation error was less than 2%compared with the model test results.Secondly,a moni-toring point layout plan was proposed.Furthermore,the Long-short Term Memory Network(LSTM)was used to construct the stress field mapping model for deep-sea pressurized spherical shells with motoring point stress information as input and global stress field information as output.Compared with the DNN model and BP model,the mapping error decreases by 94.92%and 97.76%,respectively.Finally,the mapping results under different monitoring points are analyzed,and the results show that the mapping algorithm proposed can still maintain high accuracy in the case of partial monitoring point failure.KEY WORDS:deep-sea pressurized spherical shell;FEM model;stress field mapping;monitoring point layout plan;LSTM;partial monitoring point failure 170 装 备 环 境 工 程 2023 年 9 月 深潜耐压球壳是载人深潜器的核心部件，其结构安全是确保潜器顺利完成水下任务的前提，因此对其结构健康状态的实时监测十分重要。当前，由于安全条件、空间分布等限制，仅能对有限测点的应力信息进行实时监测，无法直接获取深潜耐压球壳全局应力场信息。因此，亟需开展利用有限测点信息，间接测量全局应力场信息的研究。目前，许多学者针对深潜耐压球壳结构的安全性与承载能力开展了大量研究。其中，挪威船级社（DNV）1、法国船级社（BV）2、美国船级社（ABS）3、俄罗斯船级社（RS）4和中国船级社（CCS）5均对载人舱球壳的承载能力设计进行了要求，要求极限承载能力至少应为最大工作压力的 1.5 倍以上6。张磊等7对不同计算公式的计算结果进行了对比，发现各公式预测结果与实验破坏压力均存在偏差。杨露等8通过实验和数值计算方法，对大深度载人舱长期寿命评估中的影响因素开展了研究。王芳等9-13针对大深度载人潜器疲劳问题开展了研究，并在结构退化规律、疲劳寿命预测等方面取得了相关成果。王丹等14针对载人舱球壳本身初始形状对其临界载荷的影响开展了研究，并给出了计算表达式。杨华伟等15为保障载人舱球壳结构安全，开展了载人舱结构健康监测评估系统设计研究，并给出了结构安全性评估算法函数。在应力场监测与映射方面，李卿汉等16针对船海结构疲劳失效的问题，设计了一种基于应力测量和响应技术的船舶结构可靠性监测系统。周天宸等17利用 BP 神经网络和粒子群算法提出了一种船舶结构应力监测数据处理与异常诊断算法。姚骥等18利用人工智能方法提出了一种张力腿结构全局变形场映射方法。张涛等19以海洋平台某连接器结构为研究对象，提出了一种基于 BP 神经网络的应力场求解方法，该方法求解精度达到 93.6%。Kefal 等20-21运用逆有限元法对船舶结构典型位置的全局应力和弯矩进行了计算。张宏等22基于 BP 神经网络和粒子群算法，提出了一种油气管道二维应力分布的机理模型。李成等23对不同荷载作用下圆孔板孔边及孔口附近应力场开展了仿真分析，并建立了基于弹性理论及复变函数理论的计算模型。白茉莉等24基于复变函数方法，结合计算软件的符号运算系统对椭圆形孔口周围应力场进行了推导，并给出了全空间应力场的解析表达式。综上所述，当前对于深潜耐压球壳全局应力场映射研究较少。围绕深潜耐压球壳全局应力场实时映射这一核心问题，本文提出一种基于人工智能的深潜耐压球壳应力场映射模型。首先，基于球壳设计参数、建造过 程数据、模型试验数据，构建深潜耐压球壳有限元模型，并开展仿真分析。其次，综合考虑应力分布形式、相互独立性、安装条件等因素，提出深潜耐压球壳监测 布 点 方 案。然 后 利 用 长 短 时 记 忆 神 经 网 络（Long-short Term Memory Network，LSTM），将测点应力信息作为输入，将全局应力场信息作为输出，构建了深潜耐压球壳应力场映射模型，并与其他神经网络方法进行对比。最后，对不同测点数量下的映射精度进行了验证。1 深潜耐压球壳简介与仿真分析 1.1 深潜耐压球壳 深潜耐压球壳主要由球壳、开口 1 及开口 2 等部件组成，如图 1 所示。在长期服役过程中，经常在工作深度范围内上浮和下潜。当深度发生变化时，球壳承受的外部压力也不断变化。因此，对其结构状态的实时监测十分重要。图 1 深潜耐压球壳示意图 Fig.1 Schematic diagram of deep-sea pressurized spherical shell 深潜耐压球壳主要由高性能钛合金组成，该材料具备屈强比高、潜深大、服役年限长、下潜往复次数多等显著特征。表 1 给出了深潜耐压球壳的相关参数，其中厚度 t 的计算见式（1）（3）。j2 PRt (1)Pj=KP=150 MPa (2)=0.99s=891 MPa (3)式中：Pj为计算载荷；R 为球壳内部半径，取396 mm。因此，球壳厚度 t=33.33 mm。为安全考虑，t 取 35 mm。1.2 深潜耐压球壳仿真分析 深潜耐压球壳在长期服役过程中，主要承受静水 表 1 深潜耐压球壳结构参数 Tab.1 Structural parameters of deep-sea pressurized spherical shell E/MPa P/MPa R/mm t/mm/(kgm3)s/MPa b/MPa 1.02105 0.3 100 396 35 4 510 900 960 第 20 卷 第 9 期 姚骥，等：基于人工智能的深潜耐压球壳应力场映射 171 压力的作用。因此，利用有限元方法构建深潜耐压球壳仿真模型，其中开口 1 与开口 2 处采用等效载荷方式。其次，根据中国船级社潜水系统和潜水器入级规范要求，采用 3 点约束的方式，约束 6 个位移分量，边界条件对称设置，即在壳体位于 x 和 z 坐标轴的位置上（相隔 90）取 3 个节点：在 z 轴上的节点1 和 2，其 ux=uy=0；在 x 轴上的节点 3，其 uy=uz=0。深潜耐压球壳有限元仿真结果如图 2 所示，其中仿真模型选用六面体单元，网格尺寸为 2 cm。可以看出，在开口 1 与开口 2 处均存在高应力区。同时，球壳典型位置处应力分布较为均匀。图 2 深潜耐压球壳有限元仿真云图 Fig.2 Simulation cloud map of deep-sea pressurized spherical shell 将仿真结果与模型试验结果进行对比，结果见表2。可以看出，最大误差仅为 1.92%。说明有限元分析结果较为准确，可为深潜耐压球壳应力场映射算法提供数据支撑。表 2 仿真结果与试验结果对比 Tab.2 Comparison between simulation results and experimental results 节点 有限元计算/MPa 模型 试验/MPa误差/%No.1（开口 1）796.87 781.83 1.92No.2（开口 1）766.51 754.88 1.54No.3（开口 2）617.36 608.52 1.45No.4（开口 2）631.85 622.97 1.43No.5（球壳典型位置）476.36 471.33 1.07No.6（球壳典型位置）481.09 473.27 1.65 1.3 监测布点方案决策 深海耐压球壳应力场成因复杂，影响因素多，现有测量手段往往只能反映局部应力的信息。综合考虑应力分布形式、相互独立性、安装条件等因素，在开口 1、开口 2 等高应力区位置及赤道焊缝处各选取 8 个测点，球壳典型位置处选取 6 个测点。利用人工智能方法，构建测点应力与全局应力场的映射关系模型。2 应力场映射算法研究 2.1 数据集选取 选取载荷步为 0.1 MPa，对设计载荷（100 MPa）进行划分，并开展有限元仿真，共仿真 1 000 个工况。将测点应力作为输入，将全局应力场作为输出，构建球壳应力场映射模型。此外，训练集、交叉验证集与检验集的比例分别为 70%、15%、15%。应力场影响映射算法数据集选取见表 3。表 3 数据集选取 Tab.3 Selection of datasets 参数 数量 测点应力 30 全局应力场 68 197 训练集 700（70%）交叉验证集 150（15%）检验集 150（15%）2.2 长短时记忆神经网络（Long-short Term Memory Network，LSTM）与标准神经网络相比，循环神经网络是以序列数据为输入、在序列演进方向进行递归，且所有节点按链式连接的递归神经网络，可将上一个状态的信息传递到当前状态。当输出为时间序列时，可以将其展开为一系列相互连接的标准神经元。LSTM 神经网络是循环神经网络的一种，用以解决一般循环神经网络中存在的长期依赖问题。LSTM 神经网络结构由Hohreiter 和 Schmidhuber 于 1997 年提出25，是一种特殊的循环神经网络，由一系列 LSTM 元组成，如图3 所示。图 3 LSTM 结构 Fig.3 LSTM structure LSTM 元包括新输入 xt、输出 ht、输入门 it、忘记门 ft、输出门 ot，如图 4 所示。引入输入门、忘记172 装 备 环 境 工 程 2023 年 9 月 门与输出门的目的是控制每一步输出的值，使得误差在该神经元传递过程中保持不变。LSTM 是循环神经网络的一个特例，新输入和每个门都会将前一次的输出 ht1作为本次输入的一部分。因此，新输入 xt、输入门 it、忘记门 ft、输出门 ot的输入都是由xt,ht1二元组构成。图 4 LSTM 循环体结构 Fig.4 LSTM loop structure 新输入xt,ht1经过激活函数 c作用后，得到记忆元的候选值 Ct：cc1c,tttCW x hb (4)式中：Wc表示连接权；bc表示激活函数的一个激活阀值。输入门用于调整候选值 Ct的大小，输入门的输出为：ii1i,tttiW x hb(5)式中：Wi表示连接权；bi表示激活函数的一个激活阀值。候选值 Ct经过输入门的调整，其值为 Ctit。忘记门用于控制 LSTM 元的记忆状态 St1，忘记门的输出为：ff1f,tttfWx hb(6)式中：Wf表示连接权；bf表示激活函数的一个阀值。记忆状态 St1经过忘记门的调整，其值为 ftSt1。此时，t 时刻的状态 St由其所记忆的前一时刻状态 St1和状态更新的候选值加权得到:1tttttSfSC i (7)输出门 ot当作状态 St最终输出的一个权值，控制状态 St的输出大小，输出门的公式为：oo1o,tttoWx hb (8)最终 LSTM 元的输出为：sttthoS (9)式中：c、i、f、o、s为激活函数。2.3 建模过程 LSTM 应力场映射模型如图 5 所示。整个深度学习模型共包括 6 层，其中 LSTM 层数为 2，每层节点数为 10，全连接层数为 2，节点数为 10，最后一层作为输出层。采用均方根误差作为代价函数，训练次数为 1 000。图 5 应力场映射模型 Fig.5 Stress field mapping model 3 结果分析与讨论 3.1 映射结果分析 深海耐压球壳应力场映射算法的训练过程如图 6所示。可以看出，随着训练次数的增加，训练损失值与交叉验证损失值降低，两者具备较好的一致性。同时，训练均方根误差与交叉验证均方根误差随着训练次数的增加而降低。在训练完成时，训练损失值为2.42，交叉验证损失值为 9.44，训练均方根误差为2.20，交叉验证均方根误差为 4.34。不同深度下全局应力场的映射结果如图 7 所示，其中下潜深度选取 1 000、4 000、7 000、10 000 m。可以看出，在下潜深度较小时，映射结果与期望结果存在一定的偏差，其线性拟合斜率为 0.99，接近于 1。当下潜深度增大时，映射结果与期望结果具备较好的一致性，其线性拟合斜率均为 1。相比应力场变化范围，其在 y 轴上的截距较小，进而说明本文所提深潜耐压球壳应力场映射算法具备较好的映射精度。为了进一步分析 LSTM 模型的映射准确率，图 8给出了所提模型的映射残差 Rs：spRyy (10)可以看出，映射残差大多分布在 00.5 MPa。相比于应力场的变化范围，映射残差极小。第 20 卷 第 9 期 姚骥，等：基于人工智能的深潜耐压球壳应力场映射 173 图 6 训练过程 Fig.6 Training process:a)loss;b)RMSE 图 7 不同下潜深度的映射结果 Fig.7 Mapping results of different diving depths 图 8 映射残差分布 Fig.8 Distribution of mapping residual error 为了定量分析所提模型的映射误差，选取平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）MAPE作为评价指标：pMAPE1100%yyny (11)深潜耐压球壳应力场映射模型的映射误差（表示偏差方向）如图 9 所示。可以看出，在下潜深度较小时，映射结果与期望结果相对误差为1.49%。当下潜深度增大时，映射误差较小，均小于 0.5%。在下潜深度为 10 000 m 时，映射误差仅为 0.05%。映射结果表明，本文所提深潜耐压球壳应力场映射算法可 174 装 备 环 境 工 程 2023 年 9 月 图 9 不同下潜深度的映射误差 Fig.9 Mapping error under different diving depths 对其下潜过程中的全局应力场进行准确映射，并具备较高精度。此外，利用相同计算资源（i7-10700CPU2.9 GHz,32RAM,NVIDIA GeForce RTX 2060）开展研 究。有限元模型计算 1 个工况平均耗时为 1.2 s，而本文所提应力场映射模型计算 1 个工况平均耗时0.019 6 s，计算效率提升约 60 倍，为深海耐压球壳在实际服役过程中的应力场实时映射提供支撑。3.2 不同方法映射结果对比 为了评估本文所提深潜耐压球壳应力场映射算法的精度，选取深度神经网络（Deep Neural Network，DNN）与反向传播算法（Back Propagation，BP）作为对比，构建深潜耐压球壳应力场映射模型。其中DNN 模型隐藏层数为 3，各层节点数为 30。BP 模型隐藏层数为 1，节点数为 50。损失函数选取与 LSTM模型一致。不同模型不同下潜深度下的映射结果如图 10 所示。可以看出，相比 LSTM 模型，DNN 模型与 BP模型均存在较大的映射误差。其中，BP 模型在下潜深度较小时，映射结果较差。当下潜深度增加时，映射误差减小。图 10 不同模型的映射结果 Fig.10 Mapping results of different models:a)DNN results,1 000 m;b)BP results,1 000 m;c)DNN results,10 000 m;d)BP results,10 000 m 为了定量分析不同模型的映射精度，图 11 给出了不同模型不同下潜深度下的映射误差。可以看出，BP 模型的映射误差最大，在下潜深度较小时达到了50%以上；DNN 模型的映射误差小于 BP 模型，大于 LSTM 模型，在下潜深度较小时达到 20%以上；LSTM 模型映射误差最小，且远小于 DNN 模型与BP 模型。由不同模型的映射误差可知，LSTM 模型的平均映射误差为 0.23%，相比于 DNN 模型与 BP 模型的4.53%和 10.30%，映射误差分别下降 94.92%与 第 20 卷 第 9 期 姚骥，等：基于人工智能的深潜耐压球壳应力场映射 175 图 11 不同模型不同下潜深度映射误差 Fig.11 Mapping errors of different models under different diving depths 97.76%。这进一步说明了本文所提模型可对实际下潜 过程中深潜耐压球壳全局应力场进行实时映射。3.3 不同监测数量下的映射结果 在深潜耐压球壳长期服役过程中，传感器容易发生机械故障，导致设备失效。此外，失效点存在随机性。因此，采用随机丢失的方式，选取监测点数量为5、10、15、20、25、30（无丢失），利用所提深潜耐压球壳应力场映射算法，构建不同监测数量下的耐压球壳应力场映射模型。不同监测数量下，相同下潜深度（10 000 m）的映射结果如图 12 所示。可以看出，在所选监测数量（5、10、15、20、25、30）下，各映射模型的映射结果与实测结果均保持较好的一致性，其线性拟合斜率均为 1。同时，相比应力场变化范围，其在 y 轴上的斜率较小。图 12 不同监测数量下的映射结果 Fig.12 The mapping results of different monitoring locations 为了定量分析不同模型在不同下潜深度时的映射结果，图 13 给出不同监测数量下各模型在不同下潜深度下的映射误差。可以看出，在下潜深度较小时，各模型的映射误差较大，但也均小于1.5%。在下潜深度较大时，各模型映射误差均小于 0.5%。由不同监测数量下的映射误差可以看出，监测数量为 5 时，映射误差为 0.17%，监测数量为 30 时，映射误差为 0.23%，所提模型的映射误差均小于0.5%。所提深潜耐压球壳应力场映射算法可在测点存在部分失效的情况下仍取得较高的映射精度，同时验证了所提监测布点方案具备监测冗余性。图 13 不同监测点下不同深度的映射误差 Fig.13 The mapping results of different depths of different monitoring locations 176 装 备 环 境 工 程 2023 年 9 月 4 结论 本文提出一种基于人工智能的深潜耐压球壳应力场映射算法，解决了实际下潜过程中全力应力场难以获取的问题，也为耐压结构受力状态全方位监测提供新的思路。主要结论如下：1）基于深潜耐压球壳建造过程数据，建立高保真的有限元模型，并与模型试验数据进行对比，最大误差仅为 1.92%。给出了深海耐压球壳应力监测方案。2）基于 LSTM 网络，构建深潜耐压球壳应力场映射模型。从映射结果可以看出，其全局应力场最大误差仅为 1.49%。与有限元仿真计算相比，所提方法的计算效率提升约 60 倍。3）针对实际服役过程中潜在的传感器失效风险，采用随机丢失的方式，对不同监测数量的映射模型进行分析。所提方法平均误差均小于 0.5%。参考文献：1 XIONG Zhi-xi.Analysis of the Pressure-Bearing Capac-ity of Spherical Hulls Using the Elastic Foundation Beam TheoryJ.Journal of Harbin Engineering University,2014,35(6):690-695.2 KOHNEN W.Manned Underwater Vehicles:A Relevant and Cornerstone Technology for the Future Assessment of Ocean Eco-SystemsC/OCEANS.s.l.:IEEE,2008.3 American Bulean of Shipping.Rules for Building and Classing Underwater Vehicles,Systems and Hyperbaric Facilities 2012K.New York:ACT of Legislature of the State,2011.4 CUI Wei-cheng.A Comparison of Different Rules for the Spherical Pressure Hull of Deep Manned SubmersiblesJ.Journal of Ship Mechanics,2011,15(3):276-285.5 中国船级社.潜水系统和潜水器入级与建造规范K.北京:人民交通出版社,2018.China Classification Society.Specification for the Classi-fication and Construction of Submersible Systems and VehiclesK.Beijing:Peoples Communications Publish-ing House,2018.6 王仁华,俞铭华,王自力,等.大深度载人潜水器耐压壳极限承载力分析J.江苏科技大学学报(自然科学版),2006,20(4):1-5.WANG Ren-hua,YU Ming-hua,WANG Zi-li,et al.Ulti-mate Strength Analysis of Pressure Spherical Hull of Manned Deep-Ocean SubmersiblesJ.Journal of Jiangsu University of Science and Technology(Natural Science Edition),2006,20(4):1-5.7 张磊,胡震.大深度载人潜水器载人舱球壳极限承载能力计算公式研究现状分析J.中国造船,2022,63(5):125-135.ZHANG Lei,HU Zhen.Analysis on the Research Status of the Formula for Ultimate Bearing Capacity of the Spherical Shell of the Large-Depth HOVs Manned Sub-mersibleJ.Shipbuilding of China,2022,63(5):125-135.8 杨露,王芳,王雾雾,等.大深度载人舱长期寿命评估中的影响因素J.中国舰船研究,2019,14(S2):39-46.YANG Lu,WANG Fang,WANG Wu-wu,et al.Influen-tial Factors to be Considered for a Tentative Long-Term Service Life Assessment Method for Deep-Sea Manned CabinsJ.Chinese Journal of Ship Research,2019,14(S2):39-46.9 WANG Fang,WANG Ke,CUI Wei-cheng.A Simplified Life Estimation Method for the Spherical Hull of Deep Manned SubmersiblesJ.Marine Structures,2015,44:159-170.10 王芳,杨青松,胡勇,等.全海深载人潜水器载人舱缩比结构模型试验研究J.中国造船,2018,59(2):62-71.WANG Fang,YANG Qing-song,HU Yong,et al.Study on Scaled Structure for Manned Cabin in Full Ocean Depth SubmersibleJ.Shipbuilding of China,2018,59(2):62-71.11 WANG Fang,HU Yong,CUI Wei-cheng,et al.Prelimi-nary evaluation of Maraging steels on its application to Full Ocean Depth manned CabinJ.Journal of Ship Me-chanics,2016,20(12):1557-1572.12 WANG Fang,CUI Wei-cheng.Experimental Investigation on Dwell-Fatigue Property of Ti-6Al-4V ELI Used in Deep-Sea Manned CabinJ.Materials Science and Engi-neering:A,2015,642:136-141.13 WANG Fang,WANG Wu-wu,ZHANG Yong-kuang,et al.Effect of Temperature and Nonlinearity of PMMA Material in the Design of Observation Windows for a Full Ocean Depth Manned SubmersibleJ.Marine Technol-ogy Society Journal,2019,53(1):27-36.14 王丹,万正权.考虑初始形状影响的耐压球壳临界载荷简化计算公式J.船舶力学,2014,18(5):557-564.WANG Dan,WAN Zheng-quan.Simplified Calculation Formula for Critical Load of Spherical Pressure Shell Considering the Influence of Initial ShapeJ.Journal of Ship Mechanics,2014,18(5):557-564.15 杨华伟,万正权,李艳青,等.深海潜水器载人舱结构健康监测评估系统研究J.舰船科学技术,2017,39(17):74-80.YANG Hua-wei,WAN Zheng-quan,LI Yan-qing,et al.Pressure Structure Health Monitoring and Assessment System for Deep-Sea Manned SubmersibleJ.Ship Sci-ence and Technology,2017,39(17):74-80.16 李卿汉,袁宇波.基于应力测量和响应技术的船舶结构可靠性监测J.舰船科学技术,2022,44(18):61-64.LI Qing-han,YUAN Yu-bo.Reliability Monitoring of Ship Structure Based on Stress Measurement and Re-sponse TechnologyJ.Ship Science and Technology,2022,44(18):61-64.17 周天宸.船舶结构应力监测数据处理与故障诊断方法研究D.哈尔滨:哈尔滨工程大学,2019.ZHOU Tian-chen.Research on Data Processing and Fault Diagnosis Method of Ship Structure Stress Monitor-第 20 卷 第 9 期 姚骥，等：基于人工智能的深潜耐压球壳应力场映射 177 ingD.Harbin:Harbin Engineering University,2019.18 姚骥,武文华,吕柏呈,等.基于 LSTM 神经网络的张力腿受力状态反演方法研究C/第二十届中国海洋(岸)工程学术讨论会论文集(上).湛江:中国海洋学海洋工程分会,2022.YAO Ji,WU Wen-hua,LV Bai-cheng,et al.Research on the Inversion Method of Tension Leg Stress State Based on LSTM Neural NetworkC/Proceedings of the 20th China Oceanographic(Coastal)Engineering Symposium(Part 1).Zhanjiang:China Oceanographic and Marine Engineering Branch,2022.19 张涛,胡嘉骏,汪雪良,等.基于人工智能的三维结构全局应力求解方法研究J.船舶力学,2023,27(2):238-249.ZHANG Tao,HU Jia-jun,WANG Xue-liang,et al.Rese-arch on Global Stress Solution Method of Three-Dim-ensional Structure Based on Artificial IntelligenceJ.Journal of Ship Mechanics,2023,27(2):238-249.20 KEFAL A,OTERKUS E,TESSLER A,et al.A Quadrila-teral Inverse-Shell Element with Drilling Degrees of Freedom for Shape Sensing and Structural Health Moni-toringJ.Engineering Science and Technology,an Inter-national Journal,2016,19(3):1299-1313.21 KEFAL A,MAYANG J B,OTERKUS E,et al.Three Dimensional Shape and Stress Monitoring of Bulk Carri-ers Based on iFEM MethodologyJ.Ocean Engineering,2018,147:256-267.22 张宏,季蓓蕾,刘燊,等.地质灾害段管道结构安全数字孪生机理模型J.油气储运,2021,40(10):1099-1104.ZHANG Hong,JI Bei-lei,LIU Shen,et al.Digital Twin Mechanism Model for the Structural Safety of Pipelines in Geohazards AreaJ.Oil&Gas Storage and Transpor-tation,2021,40(10):10