PARK Jinyoung

Principal Surveyor of KR ICT Solution Team

  1. 摘要（Abstract）

在集装箱船上制定最优装载方案对于船舶安全航行和经济性具有极其重要的意义。本研究并非采用传统的启发式方法进行装载计划，而是通过深度学习（AI）模型解决集装箱最优堆放问题。所提出的AI模型将装载过程视为时间序列数据，通过LSTM（长短期记忆神经网络）进行学习，并结合多任务学习（MTL）技术，使单一模型能够同时预测多个结构响应值。此外，为实现船上AI（On-Device AI）应用，模型通过ONNX（Open Neural Network Exchange）格式开发为可部署形式。

研究结果表明，该模型无需复杂解析过程即可快速评估集装箱堆放的结构稳定性，并提出最优方案。本文介绍了技术开发背景、模型结构、训练方法及实验结果，并讨论了现阶段的局限性及未来发展方向。

  2. 引言（Introduction）

随着超大型集装箱船的出现，甲板上集装箱堆数增加，安全高效的装载布局显得尤为重要。每个集装箱的装载位置和顺序直接影响船舶重心、复原性以及集装箱及紧固装置承受的荷载分布，因此寻找最优堆放方案是保障船舶安全和航行效率的核心要素。

目前，集装箱装载计划由船公司专业规划人员结合软件工具制定，同时考虑船舶稳定性、货物重量限制、卸载顺序等多种约束。然而，传统方法因可能组合庞大，部分依赖经验和规则启发式算法，并且往往需要通过计算机反复计算才能找到满足所有条件的装载方案。此外，面对装载过程中的计划变更或恶劣天气等动态情况，传统方法的实时应对能力有限，因此近年来尝试利用人工智能技术自主学习最优装载策略。

另一方面，根据国际海运法规和船级社规则，船舶需使用认证的集装箱加固强度软件计算各装载状态下集装箱及紧固装置受力，并验证不超过允许值。为此，包括KR在内的船级社开发了集装箱装载及加固分析软件，如KR的SeaTrust-LS工具可评估给定装载方案的结构安全性，并计算允许装载容量。

然而，为寻找最优装载方案仍需对大量场景进行重复计算，耗时较长。因此，开发基于机器学习的智能化自动装载优化技术成为研究目标。

3. 现有研究与技术背景（Background）

集装箱最优堆放问题长期以来是航行效率和安全优化的研究主题，但大多采用反复计算寻找可行方案的方法。这类优化方法通常假设初始方案并反复改进，因此难以实时应对装载过程中计划变更等动态情况。同时，这类方法多仅针对单个舱位（bay）内的集装箱堆放，难以扩展至整船应用，还需保证集装箱装载的结构安全。

图1. 装载货物时集装箱受力示意

图2. 传统反复计算方法（SeaTrust-LS中）

4. 开发目标与应用技术（Methodology）

本项目设定以下目标并开展技术开发：

• 利用机器学习算法开发集装箱最优堆放算法
• 将开发成果实现为可在实际工作中部署的应用 
• 构建基于船级社规则的学习模型 
• 实现可在个人PC（On-Device, Windows环境）运行的AI代理 
• 综合考虑多种设计变量生成最优装载方案 

核心技术思路是将集装箱装载过程视为序列数据，将逐个堆放集装箱的过程转化为时间序列预测问题，从而构建LSTM模型以记忆已堆放集装箱状态并预测下一集装箱最佳位置。LSTM（Long Short-Term Memory）为循环神经网络（RNN）的一种，具备学习时间序列长期依赖关系的能力。

图3. LSTM应用方法

本项目通过LSTM学习集装箱装载顺序的累积效应，同时采用Multi-Task Learning（MTL）方法，使单一模型能够同时预测多种目标值。换言之，模型可输出与集装箱装载相关的多种荷载案例（如横向推力、剪切力、提升力、压缩力等）的等效响应值。

图4. LSTM + MTL应用示意

在模型及数据实现方面，初期实验尝试了决策树、随机森林等传统机器学习算法，随后转为深度神经网络（DNN）并引入Multi-Task结构提高预测精度。为学习复杂的装载相关性，最终构建了LSTM+MTL模型，在GPU环境下训练以获得最佳性能。训练使用Python/TensorFlow框架，训练完成后将模型转换为ONNX格式，以便在C#环境中部署。

LSTM (Long Short-Term Memory)

适合处理时间序列数据，能够记忆随时间变化的重要信息，同时遗忘不必要信息

MTL(Multi Task Learning)
指单一模型同时学习多种任务，例如同时学习英语和数学。

ONNX(Open Neural Network Exchange)
提供不同深度学习框架（Pytorch, TensorFlow等）之间的统一模型格式，使模型可跨平台使用。

图5. ONNX概念图 

图6. 开发训练模型（ONNX结构）

训练所需大量数据由KR集装箱加固强度计算模块（SDK）生成，通过规则计算不同装载组合的结构响应，形成数据集。数据经预处理后用于模型训练，确保设计变量的复杂关联被充分反映。开发的AI模型以可部署形式实现，并集成至SeaTrust-LS软件，通过API供用户调用。

图7. 流程结构

5. AI模型结构及训练过程（Model Architecture & Training）

输入为每次装载新增集装箱的属性（重量、尺寸等）及其位置（行、列、层等）；输出通过全连接层生成多维向量，预测多个目标响应值。最终模型设计了18个输出神经元，用于预测主要结构响应，包括横向推力、剪切力、上下压缩、拉力、上下捆扎张力等，并生成基于规则的学习模型。

训练通过规则求解器获取各输出的真实值，损失函数为均方误差（MSE），多个输出的误差以相同权重同时优化（MTL）。训练数据为数百万条规则计算生成的场景，按80%训练、10%验证、10%测试划分，用于评估模型泛化性能。输入变量归一化，输出按最大允许值缩放，确保高效训练。

训练在NVIDIA GPU加速环境下进行。为兼顾部署，初期模型可在CPU运行，最终在GPU上训练处理大数据，并采用HDF5格式提升I/O效率，通过小批量数据顺序供应避免内存不足。同时为跨Python-TensorFlow与C#开发环境，使用Socket调试并解决TensorFlow与CUDA版本兼容问题。

图8. On-Device AI模型（ONNX）

6. 实验结果与验证

使用独立测试集评估预测精度，平均绝对误差（MAE）多在0.01~0.03之间，说明模型预测良好。例如，Unlashed Racking MAE约为0.0123，Lashed Racking（Door Side）MAE为0.3175。部分输出误差较大，可能因该荷载变化幅度大且复杂，未来可通过数据扩充和模型优化提高预测精度。

图9. 学习结果