Abstract
パラメトリックロールはまれではあるものの影響が大きい不安定性であり、船の応答において、ロール統計の顕著な変化やテールリスクの増大を含む、急激なレジーム転換を引き起こし得ます。本論文では、入射波―運動の時系列から船体運動への、非線形で因果的な汎関数マッピングを学習するデータ駆動型のサロゲート（代理モデル）を構築し、そのサロゲートが（i）パラメトリックロールのエピソードと（ii）それに伴う応答の統計的な変化の両方を再現することを示します。重要なのは、学習フレームワークがデータソースに非依存である点です。波―運動の対となる時系列は、船体が存在する場合には制御された実験（例えば、波動プローブと運動追跡を用いた曳航水槽やバシン試験）から得ることができ、実験がまだ利用できない設計段階では高忠実度シミュレーションから得ることができます。制御された厳しい海況でのデモンストレーションを行うため、修正したPierson―Moskowitzスペクトルから合成した長くれじ（ロングクレスト）の不規則海を用い、URANS数値波動水槽によって学習データを生成します。デモンストレーション用データセットは、3つの海状態それぞれについて49件のランダム位相の実現を含み、さらにパラメトリックロールのエピソードが起こり得る遭遇条件となるよう選定した一定の前進速度でシミュレーションしています。積層LSTMサロゲートを、波高時系列に基づいて学習し、時間領域の精度および分布特性の忠実度を示す指標を用いて、保持（ホールドアウト）した実現に対して評価します。最も厳しいケースでは、モデルがパラメトリック励起と整合する大振幅ロールの発生と成長を追跡し、ロールの確率密度関数（PDF）に対応する変化を捉えることができます。さらに、損失関数の選択肢（MSE、相対エントロピーに基づく目的関数、および振幅重み付けの変種）を比較し、運用性およびリスク評価に関連するテール忠実度の向上のために、平均誤差との間でどのようなトレードオフが生じるかを示します。
