Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models

Diese Arbeit stellt einen datengetriebenen LSTM-basierten Surrogatmodell-Ansatz vor, der aus Wellen-Bewegungs-Zeitreihen nichtlineare Zusammenhänge lernt, um sowohl parametrische Roll-Episoden als auch die damit verbundenen statistischen Verschiebungen in der Schiffsbewegung über verschiedene Datenquellen hinweg präzise vorherzusagen.

Das Wesentliche

Das große Problem: Wenn Schiffe „tanzen" statt zu schwimmen

Stell dir vor, ein Schiff fährt durch eine stürmische See. Normalerweise wiegt es sich einfach hin und her. Aber manchmal passiert etwas Seltenes und Gefährliches: Das Schiff fängt an, extrem stark zu schlingern (zu rollen), fast wie ein Teller, der auf einem Finger balanciert wird. Man nennt das „parametrisches Rollen".

Das Tückische daran: Es passiert nicht, weil eine riesige Welle das Schiff trifft, sondern weil die Wellen in einem ganz bestimmten Rhythmus kommen. Stell dir vor, du schwingst auf einer Schaukel. Wenn du genau im richtigen Moment (im Takt) nachdrückst, kommst du immer höher. Das Schiff macht das Gleiche: Die Wellen „drücken" genau dann, wenn das Schiff in die falsche Richtung kippt, und verstärken die Bewegung explosionsartig.

Das Problem für Ingenieure: Diese Ereignisse sind selten, aber wenn sie passieren, ist es katastrophal. Herkömmliche Computermodelle sind wie sehr langsame, vorsichtige Lehrer. Sie berechnen den Durchschnitt und sagen: „Im Durchschnitt ist es okay." Aber sie übersehen oft die seltenen, extremen Momente, die das Schiff kentern lassen könnten.

Die Lösung: Ein KI-„Schüler", der aus der Vergangenheit lernt

Die Autoren dieses Papers haben einen neuen Ansatz entwickelt. Statt das Schiff mit komplizierten physikalischen Formeln zu simulieren (was extrem viel Rechenleistung braucht), haben sie eine Künstliche Intelligenz (KI) trainiert, die wie ein sehr aufmerksamer Schüler funktioniert.

Hier ist die Idee im Detail:

1. Der Lehrer (Die Daten):
   Die Forscher haben dem KI-Modell Tausende von Stunden an „Schulstunden" gegeben. Diese Daten kamen von einem hochmodernen digitalen Wasserbecken (einem URANS-Simulator), in dem ein Schiff in verschiedenen Sturmszenarien getestet wurde.

   • Der Input: Die KI sah nur die Wellen, die auf das Schiff zukamen (wie ein Wellen-Tagebuch).
   • Der Output: Die KI musste vorhersagen, wie das Schiff darauf reagiert hat.

2. Der Schüler (Die LSTM-KI):
   Die verwendete KI-Architektur heißt LSTM. Stell dir das wie ein Gehirn mit einem exzellenten Kurzzeitgedächtnis vor.

   • Ein normaler Computer sieht nur die Welle jetzt.
   • Diese KI erinnert sich daran, wie die Wellen in den letzten Minuten waren. Sie weiß: „Aha, die Wellen kommen in einem bestimmten Rhythmus, der das Schiff zum Schlingern bringt." Sie kann also das „Aufschaukeln" (den Regimewechsel) vorhersagen, bevor es passiert.

3. Das Besondere: Keine Etiketten, nur Intuition
   Normalerweise würde man der KI sagen: „Achtung, jetzt ist Sturmstärke 5!" oder „Achtung, jetzt ist Sturmstärke 10!".
   Diese KI bekommt keine solchen Hinweise. Sie muss die Gefahr allein aus dem Muster der Wellen ableiten. Das ist, als würdest du einem Schüler sagen: „Schau dir diese Wolken an und sag mir, ob es stürmt", ohne ihm zu sagen, wie stark der Wind weht. Wenn die KI das schafft, ist sie wirklich clever.

Das große Experiment: Wie gut lernt die KI die „Extremen"?

Das eigentliche Ziel war nicht nur, den Durchschnitt zu treffen, sondern die schlimmsten Fälle (die „Ausreißer") vorherzusagen.

• Der Test: Die KI wurde auf neue, unbekannte Wellenszenarien getestet.
• Das Ergebnis:
  • Bei ruhigerem Wetter sagte die KI das Verhalten fast perfekt vorher.
  • Bei extremem Sturm (dem schlimmsten Szenario) sah die KI genau das, was die Physik vorhersagte: Das Schiff beginnt plötzlich wild zu schlingern. Die KI hat diesen „Regimewechsel" (von normal zu extrem) erkannt.
  • Die Statistik: Die Forscher haben nicht nur auf die Zeitlinie geschaut, sondern auf die Wahrscheinlichkeiten. Sie haben geprüft: „Wie oft sagt die KI, dass das Schiff 20 Grad schlingert?" Die KI hat die Wahrscheinlichkeit für diese extremen Ereignisse fast genauso gut getroffen wie die teuren physikalischen Simulationen.

Der Trick mit dem „Fokus" (Die Verlustfunktion)

Hier kommt ein spannendes Detail: Wie lernt die KI am besten?

• Methode A (Der Durchschnitt): Wenn die KI nur darauf trainiert wird, den Durchschnittsfehler klein zu halten, ignoriert sie oft die seltenen, extremen Ereignisse. Sie sagt: „Meistens ist es okay, also ist das gut genug."
• Methode B (Der Extrem-Fokus): Die Forscher haben der KI eine spezielle „Belohnung" gegeben. Sie haben gesagt: „Es ist okay, wenn du bei kleinen Wellen einen kleinen Fehler machst, aber wenn du bei einer riesigen Welle falsch liegst, bekommst du eine riesige Strafe."
  • Das Ergebnis: Mit dieser Methode hat die KI die schlimmsten Fälle (den „Schwanz" der Verteilung) viel besser vorhergesagt. Sie hat die Gefahr erkannt, auch wenn sie selten ist.

Warum ist das wichtig?

Stell dir vor, du planst eine Reise mit einem Frachtschiff.

• Früher: Du hast lange gewartet, bis ein Computer die Simulation fertig hat. Oder du hast auf Durchschnittswerte vertraut und warst überrascht, als das Schiff in einem seltenen Sturm fast gekentert ist.
• Jetzt: Mit dieser KI kannst du in Sekundenbruchteilen Tausende von Szenarien durchspielen. Die KI sagt dir nicht nur: „Im Durchschnitt ist es sicher." Sie sagt dir: „Achtung, bei diesem Wellenmuster gibt es eine 5-prozentige Chance, dass das Schiff extrem stark schlingert. Vermeide diesen Kurs!"

Zusammenfassung in einem Satz

Die Forscher haben eine KI trainiert, die aus dem Muster der Wellen lernt, wann ein Schiff in eine gefährliche, chaotische Schwingung gerät, und zwar so gut, dass sie sogar die seltenen, katastrophalen Ereignisse erkennt – und das alles ohne teure physikalische Simulationen, sondern nur durch das „Sehen" der Wellenvergangenheit.

Technische Zusammenfassung

Titel

Lernen von Response-Statistik-Shifts und Parametrischen Roll-Episoden aus Wellen-Schiff-Zeitreihen mittels LSTM-Funktionalmodellen

1. Problemstellung

Parametrisches Rollen ist eine seltene, aber hochriskante Instabilität bei Schiffen, die zu plötzlichen Regimewechseln in der Schiffsbewegung führen kann. Dies äußert sich in starken Amplitudensprüngen, abrupten Änderungen des Antwortregimes und signifikanten Verschiebungen der statistischen Verteilung der Rollbewegung (insbesondere im "Tail" der Verteilung, also bei Extremereignissen).

Die Herausforderung besteht darin, dass:

• Diese Ereignisse nichtlinear und selten sind und daher durch lineare oder schwach nichtlineare Seegangsmodelle nicht erfasst werden.
• Hochpräzise CFD-Simulationen (z. B. URANS) zur Quantifizierung von Überschreitungswahrscheinlichkeiten extrem rechenintensiv sind, da viele lange Zeitreihen in irregulären Seegangsbedingungen benötigt werden.
• Bisherige maschinelle Lernansätze oft nur auf Trajektorienfehler (MSE) fokussieren und die Veränderung der Wahrscheinlichkeitsverteilung (Distributional Fidelity) sowie das Verhalten im Extrembereich (Tail Risk) vernachlässigen.

Das Ziel der Arbeit ist es zu untersuchen, ob ein datengetriebenes Surrogatmodell in der Lage ist, eine nichtlineare funktionale Abbildung von einfallenden Wellenhistorien zu Schiffsbewegungen zu lernen, die sowohl die parametrischen Roll-Episoden als auch die damit verbundenen statistischen Verschiebungen korrekt reproduziert.

2. Methodik

Datengrundlage und Szenario:

• Schiff: DTMB 5415 (ein Standard-Kampfschiff-Modell).
• Bedingungen: Vorwärtsfahrt mit Froude-Zahl $Fr = 0.4$ in schrägen, irregulären Wellen (30° Wellenangriff).
• Seegangsbedingungen: Drei verschiedene Seegangszustände (SS-1, SS-2, SS-3) mit steigender Seegangshöhe ($H_s$) und Wellenperiode ($T_p$), basierend auf einem modifizierten Pierson-Moskowitz-Spektrum.
• Datenquelle: Ein Ensemble von 49 Zufallsphasen-Realisierungen pro Seegangszustand wurde mit einem URANS-Löser (Unsteady Reynolds-Averaged Navier-Stokes) mit VOF-Methode (Volume of Fluid) und DFBI-Kopplung (Dynamic Fluid-Body Interaction) simuliert. Dies ermöglicht die Erfassung von viskosen Effekten und nichtlinearen Wellenkinematiken.
• Datensatz: Insgesamt ca. 3600 Sekunden Simulationsdauer pro Ensemble. Die Daten umfassen Wellenhöhen an mehreren Sonden und die Schiffsbewegungen (Heben, Stampfen, Rollen).

Modellarchitektur (Functional Surrogate):

• Ansatz: Ein Stacked LSTM (Long Short-Term Memory) Netzwerk wird als funktionaler Surrogat verwendet. Es lernt eine Abbildung von Zeitreihen zu Zeitreihen (Wellenhistorie $\to$ Schiffsbewegung), anstatt einer statischen Input-Output-Beziehung.
• Input: Ein räumlich-zeitlicher "Stencil" (Fenster) der Wellenhöhen an mehreren Sonden über eine historische Zeitspanne $K$.
• Output: Die Schiffsbewegungen (Heave, Pitch, Roll) zum aktuellen Zeitpunkt.
• Besonderheit: Das Modell wird nicht mit expliziten Seegangskenngrößen (wie $H_s$ oder $T_p$) konditioniert. Es muss die Regimewechsel und die Art des Seegangs allein aus der rohen Wellenhistorie inferieren. Dies macht das Modell "datenquellenagnostisch" (anwendbar auf Experimente oder Simulationen).

Verlustfunktionen (Loss Functions):
Um die Genauigkeit im Extrembereich (Tail) zu verbessern, werden drei Verlustfunktionen verglichen:

1. MSE (Mean Square Error): Standard-Verlust für durchschnittliche Trajektorien-Genauigkeit.
2. RE (Relative Entropy / KL-Divergenz): Ein Ansatz, der durch exponentielles "Tilting" (Umverteilung) große Amplituden im Trainingsprozess stärker gewichtet, um die Wahrscheinlichkeitsmasse im Extrembereich besser zu erfassen.
3. AWMSE (Amplitude-Weighted MSE): Eine gewichtete MSE-Variante, bei der der Fehler bei großen Amplituden explizit höher bestraft wird ($w(Y) \propto Y^2$).

3. Wichtige Beiträge

1. End-to-End nichtlineares funktionales Surrogat: Formulierung der Vorhersage als Approximation eines Funktionals mittels gestapelter LSTMs, das stark nichtlineare Antworten aus der Wellenhistorie ableitet.
2. Kontrollierte Demonstration im schweren Seegang: Nutzung eines URANS-Ensembles über drei Seegangszustände, um ein physikalisch interpretierbares Testfeld für nichtlineare Regimewechsel zu schaffen.
3. Fidelität von Regimewechseln: Nachweis, dass das Modell das Einsetzen und Wachstum von parametrischen Roll-Episoden auf ungesehenen Daten (Held-out Realisierungen) reproduzieren kann.
4. Statistische Verschiebungen und Tail-Fidelität: Analyse zeigt, dass das Modell nicht nur die Zeitreihe, sondern auch die Änderung der Wahrscheinlichkeitsdichtefunktion (PDF) und das "Heavy-Tail"-Verhalten erfasst. Es wird gezeigt, wie die Wahl der Verlustfunktion einen Trade-off zwischen durchschnittlichem Fehler und Tail-Genauigkeit ermöglicht.
5. Open-Source Benchmark: Bereitstellung des kuratierten URANS-Wellen-Bewegungs-Datensatzes als Referenz für zukünftige Studien.

4. Ergebnisse

• Zeitreihen-Reproduktion: Das Modell erfasst die dominante Oszillationsstruktur und die Phasenlage der Bewegungen (Heben, Stampfen, Rollen) über alle Seegangszustände hinweg sehr gut.
• Parametrisches Rollen: In den STFT-Analysen (Short-Time Fourier Transform) und Phasenportraits (Roll-Pitch-Kopplung) zeigt sich, dass das Modell die charakteristischen Merkmale des parametrischen Rollens (Resonanz bei halber Wellenperiode) korrekt abbildet.
• Statistische Verschiebung:
  • In milderen Seegangszuständen (SS-1, SS-2) bleibt die Roll-Verteilung annähernd gaußförmig.
  • Im schwersten Seegang (SS-3) entwickelt sich eine ausgeprägte nicht-gaußförmige Verteilung mit schweren Tails (Heavy Tails), was auf parametrische Instabilität hindeutet.
  • Das Surrogatmodell reproduziert diesen Übergang von gaußförmig zu heavy-tailed korrekt, wenn es ohne explizite Seegangskennwerte trainiert wird.
• Einfluss der Verlustfunktion:
  • MSE liefert die beste durchschnittliche Genauigkeit, neigt aber dazu, die Extremwerte (Tails) zu unterschätzen.
  • RE und AWMSE opfern einen Teil der durchschnittlichen Genauigkeit, um die Wahrscheinlichkeitsverteilung im Extrembereich (Tail) deutlich besser abzubilden. AWMSE erwies sich als robusteste Wahl für einen ausgewogenen Kompromiss.
• Fehleranalyse: In den schwersten Bedingungen (SS-3) neigt das Modell zu einer systematischen Unterschätzung der Amplituden, behält aber dennoch die nicht-gaußförmige Struktur der Verteilung bei, was für Risikobewertungen entscheidend ist.

5. Bedeutung und Fazit

Diese Arbeit demonstriert, dass datengetriebene funktionale Modelle (LSTMs) in der Lage sind, komplexe nichtlineare Phänomene wie parametrisches Rollen und die damit verbundenen statistischen Regimewechsel direkt aus lokalen Wellenmessungen zu lernen, ohne dass externe Seegangskennwerte benötigt werden.

Der entscheidende Fortschritt liegt darin, dass das Modell nicht nur "richtige" Zeitreihen erzeugt, sondern auch die Veränderung der Unsicherheitsverteilung (Distributional Shift) korrekt abbildet. Dies ist für die operative Sicherheit und Risikobewertung (z. B. Überschreitungswahrscheinlichkeiten) essenziell. Durch die Anpassung der Verlustfunktion kann das Modell gezielt für Anwendungen optimiert werden, bei denen die Genauigkeit im Extrembereich (Tail Risk) wichtiger ist als der durchschnittliche Fehler.

Das vorgestellte Framework bietet eine vielversprechende Alternative zu rechenintensiven CFD-Simulationen für schnelle Seegangsbewertungen und ermöglicht die Analyse von Extremereignissen in einem Bruchteil der Rechenzeit, wobei die physikalische Glaubwürdigkeit der nichtlinearen Dynamik erhalten bleibt.