CN104392138A - 一种船舶破舱进水应急决策辅助方法 - Google Patents

Abstract

本发明公开了一种船舶破舱进水应急决策辅助方法，包括以下步骤：计算已知船舶破损情况下的船舶状态参数；计算未知船舶破损情况下的船舶状态参数；为船舶破舱评估和决策提供依据。由于本发明对典型的船舶破损情况进行预先计算，得到船体在不同位置和大小的破损引起的船舶浮态、剪力和弯矩的变化。在实际发生船体破损的情况下，根据实际船舶破损的情况，利用神经网络进行非线性拟合，得到在该破损情况下船舶浮态、稳性、剪力和弯矩的变化。由于无需进行迭代计算，只需利用神经网络进行一次拟合计算，从而实现了快速计算，无需进行繁琐的迭代计算。本发明对于可见破损的可视化输入，实现了对于可见破损，可利用图形或数据进行破损情况的快速输入。

Description

一种船舶破舱进水应急决策辅助方法

技术领域

本发明属于船舶工程领域，特别是一种船舶破舱进水应急决策辅助方法。

背景技术

传统上对于船舶进水最终状态的计算为重量增加法和浮力损失法。重量增加法将破损舱时的排水量视为比初始排水量增加了一个进水重量，进水使得船舶的重心位置发生了变化。浮力损失法将破舱后的进水区域看成是不属于船舶的，即该部分的浮力已经损失。两种方法均为迭代计算方法，在计算得到新的水线后，在此基础上进行迭代计算，直至计算得到最终的水线，并在此基础上计算船舶的浮态、稳性、剪力和弯矩的变化。但上述两种方法存在以下问题：

(1)在许多情况下，航海人员无法确定船舶的破损状况，无法对船舶最终状态及到达危险状态所需的时间进行计算。

(2)目前常用的计算船舶最终状态的重量增加法和浮力损失法均需要进行迭代计算，在求取船舶状态随时间的变化时需要以极小步长进行计算，耗时较长。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能快速和方便地判断船舶进水后状态的船舶破舱进水应急决策辅助方法。

为了实现上述目的，本发明的技术方案如下：

一种船舶破舱进水应急决策辅助方法，包括以下步骤：

A、判断船舶破损情况是否已知，如果已知，则转步骤B，否则转步骤C；

B、计算已知船舶破损情况下的船舶状态参数；

B1、将船舶破损中心的纵向位置、垂向位置和破损面积以数值作为输入，或者在船舶三维视图表示的船体外壳上直接标绘出破损的位置、大小和形状；

B2、预先模拟不同进水情况下船舶状态参数，利用模拟计算的结果训练神经网络A并确定神经网络A的权值。在船舶发生破损情况下，根据船舶实际破损情况，利用训练得到的神经网络A快速计算船舶的状态参数；所述的状态参数包括首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩以及首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩的变化率。

计算船舶的状态参数的方法包括重量增加法、浮力损失法或计算流体力学方法。转步骤D；

C、计算未知船舶破损情况下的船舶状态参数；

预先模拟不同进水情况下船舶的首吃水、尾吃水、横倾、初稳性高度和复原力臂，以船舶的首吃水、尾吃水、横倾及其变化率为输入、以船舶的破损位置和面积为输出建立神经网络，利用不同进水情况下的船舶进水模拟结果训练神经网络；在船舶破损情况下，首先根据船舶首吃水、尾吃水、横倾及其变化率确定船舶的进水情况，然后根据进水情况通过已知船舶破损情况下的神经网络A计算船舶状态参数。

具体计算步骤如下：

C1、选择不破同损位置和面积作为典型状况，计算在该种破损下对应的船舶的首吃水、尾吃水、横倾及其变化率，利用船舶破舱后的首吃水、尾吃水、横倾及其变化率作为输入，以破损中心的纵向距离、垂向距离和破损面积作为输出建立神经网络映射B，利用典型状况下的计算结果作为样本数据训练神经网络B，确定神经网络B的结构和连接权值。

C2、在船舶发生破损事故时，测量船舶首吃水、尾吃水和横倾及其变化率并将上述数值作为输入，利用神经网络B进行非线性拟合，得到船舶破损中心的破损中心的纵向距离、垂向距离和破损面积。

C3、得到船舶破损中心的破损中心的纵向距离、垂向距离和破损面积后，根据已知船舶破损情况下的计算，利用神经网络A得到船舶破舱后的状态参数，.

D、为船舶破舱评估和决策提供依据

在计算船舶破损后的浮态、稳性、剪力和弯矩后，显示船舶最终状态及达到最终状态所需要的时间，为船长的施救或弃船决策提供依据。

与现有技术相比，本发明具有以下有益效果：

1、由于本发明对典型的船舶破损情况进行预先计算，得到船体在不同位置和大小的破损引起的船舶浮态、剪力和弯矩的变化。在实际发生船体破损的情况下，根据实际船舶破损的情况，利用神经网络进行非线性拟合，得到在该破损情况下船舶浮态、稳性、剪力和弯矩的变化。由于无需进行迭代计算，只需利用神经网络进行一次拟合计算，从而实现了快速计算，无需进行繁琐的迭代计算。

2、由于本发明采用船舶三维视图表示的船体外壳，在已知船舶破损的情况下利用直接在视图上标绘出破损的位置、大小和形状的方式，对于可见破损的可视化输入，实现了对于可见破损，可利用图形或数据进行破损情况的快速输入。

3、由于本发明对典型的船舶破损情况进行预先计算，得到船体在不同位置和破损面积的破损引起的船舶吃水、吃水差和横倾的变化及变化率。在此基础上，建立船舶破损情况的神经网络模型。其中，利用船舶吃水、吃水差和横倾的变化及变化率作为网络的输入，以船舶破损的纵向、垂向坐标和破损面积作为输出建立神经网络映射，并通过典型状态的船舶破损下船舶浮态变化的计算结果作为训练样本以调整神经网路的结构和权值。利用该神经网络，在船舶破损发生时根据实测的船舶浮态的变化判断船体破损的位置和大小，对于不可见破损，利用船舶浮态及运动状态的变化判断船舶破损情况。

4、本发明立足于在船舶发生破舱事故的情况下，为船长的施救或弃船决策提供决策依据，保证船舶人身和财产安全。

附图说明

本发明仅有附图1张，其中：

图1是本发明的流程示意图。

具体实施方式

下面结合附图对本发明进行进一步地描述。如图1所示，一种船舶破舱进水应急决策辅助方法，包括以下步骤：

A、判断船舶破损情况是否已知，如果已知，则转步骤B，否则转步骤C；

B、计算已知船舶破损情况下的船舶状态参数；

B1、将船舶破损中心的纵向位置、垂向位置和破损面积以数值作为输入，或者在船舶三维视图表示的船体外壳上直接标绘出破损的位置、大小和形状；

B2、预先模拟不同进水情况下船舶状态参数，利用模拟计算的结果训练神经网络A并确定神经网络A的权值。在船舶发生破损情况下，根据船舶实际破损情况，利用训练得到的神经网络A快速计算船舶的状态参数；所述的状态参数包括首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩以及首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩的变化率。

神经网络A是通过数据训练得到的。首先需要利用模拟船舶进水的结果，根据对模拟的结果建立输入输出样本，训练得到神经网络A。

计算船舶的状态参数的方法包括重量增加法、浮力损失法或计算流体力学方法。下面以重量增加法为例，描述具体计算步骤如下：

B21、首次近似计算，由船舶首吃水和尾吃水计算初始吃水差和破损中心处的吃水，由此得到破损处在水面以下的深度。

B22、计算破损舱柜对应的进水体积和进水量。为保证计算精度，采用逐步近似计算的方法，如可以每10秒钟的船舶进水量为一次迭代进行计算。

B23、将10秒钟进水量视为船舶新增加的载荷，计算平行下沉量、纵倾角、船舶首尾吃水改变量、横倾角，得到新的船舶首吃水、尾吃水和横倾角。

B24、以新的首吃水、尾吃水和横倾角为基础计算船舶的进水量并进行下一次计算。如此进行迭代计算，如果计算得到的吃水与前一次计算得到的吃水和横倾角的差值小于一确定的阈值，则将水线定为最终的水线。设首吃水、尾吃水的初始值分别为d_f0和d_a0，如首吃水的计算值与前一次迭代计算的差值小于1‰×d_f0，尾吃水的计算值与前一次迭代计算的差值小于1‰×d_a0，横倾值的计算值与前一次的计算值小于0.01°，则计算终止。

B25、在迭代计算过程中根据破损中心在水面下的垂向深度和破损面积进行船舶进水速度的计算，并根据进水速度计算下个10秒钟的进水量；

B26、在迭代计算过程中计算对应的船舶初稳性高度、复原力臂、剪力和弯矩的变化。

转步骤D。

C、计算未知船舶破损情况下的船舶状态参数；

在经过模拟得到破舱后船舶的状态参数后，利用模拟计算的结果分别训练神经网络A和神经网络B。

在对神经网络A的训练中，将船舶破损中心的纵向、垂向位置和破损面积以数值作为输入，以船舶的状态参数为输出建立神经网络映射，并确定神经网络的结构和权值。这些状态参数包括首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩以及首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩的变化率。

在对神经网络B的训练中，将船舶破舱后的首吃水、尾吃水、横倾及其变化率作为输入，以破损中心的纵向距离、垂向距离和破损面积作为输出建立神经网络映射B，利用典型状况下的计算结果作为样本数据训练神经网络B，确定神经网络B的结构和连接权值。

如发生船体破损，在破损情况已知的情况下，则在船舶三维视图上画出该破损的位置和形状，或输入破损中心的位置坐标和面积大小。将破损的位置和形状作为输入，利用神经网络A计算得到并显示该破损状态下船舶的最终的浮态、稳性、剪力和弯矩和达到该浮态、稳性、剪力和弯矩所需要的时间。

如发生船体破损，在破损情况未知的情况下，测量船舶首吃水、尾吃水和横倾及其变化率并将上述数值作为输入，利用神经网络B进行非线性拟合，得到船舶破损中心的破损中心的纵向距离、垂向距离和破损面积。在得到船舶破损的位置和面积后，按照破损情况已知的情况处理，即将破损的位置和形状作为输入，利用神经网络A计算得到并显示该破损状态下船舶的最终的浮态、稳性、剪力和弯矩和达到该浮态、稳性、剪力和弯矩所需要的时间。

D、为船舶破舱评估和决策提供依据

在计算船舶破损后的浮态、稳性、剪力和弯矩后，显示船舶最终状态及达到最终状态所需要的时间，为船长的施救或弃船决策提供依据。

Claims (1)

1.一种船舶破舱进水应急决策辅助方法，其特征在于：包括以下步骤：

A、判断船舶破损情况是否已知，如果已知，则转步骤B，否则转步骤C；

B、计算已知船舶破损情况下的船舶状态参数；

B1、将船舶破损中心的纵向位置、垂向位置和破损面积以数值作为输入，或者在船舶三维视图表示的船体外壳上直接标绘出破损的位置、大小和形状；

B2、预先模拟不同进水情况下船舶状态参数，利用模拟计算的结果训练神经网络A并确定神经网络A的权值；在船舶发生破损情况下，根据船舶实际破损情况，利用训练得到的神经网络A快速计算船舶的状态参数；所述的状态参数包括首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩以及首吃水、尾吃水、横倾角、初稳性高度、复原力臂、剪力和弯矩的变化率；

计算船舶的状态参数的方法包括重量增加法、浮力损失法或计算流体力学方法；转步骤D；

C、计算未知船舶破损情况下的船舶状态参数；

预先模拟不同进水情况下船舶的首吃水、尾吃水、横倾、初稳性高度和复原力臂，以船舶的首吃水、尾吃水、横倾及其变化率为输入、以船舶的破损位置和面积为输出建立神经网络，利用不同进水情况下的船舶进水模拟结果训练神经网络；在船舶破损情况下，首先根据船舶首吃水、尾吃水、横倾及其变化率确定船舶的进水情况，然后根据进水情况通过已知船舶破损情况下的神经网络A计算船舶状态参数；

具体计算步骤如下：

C1、选择不破同损位置和面积作为典型状况，计算在该种破损下对应的船舶的首吃水、尾吃水、横倾及其变化率，利用船舶破舱后的首吃水、尾吃水、横倾及其变化率作为输入，以破损中心的纵向距离、垂向距离和破损面积作为输出建立神经网络映射B，利用典型状况下的计算结果作为样本数据训练神经网络B，确定神经网络B的结构和连接权值；

C2、在船舶发生破损事故时，测量船舶首吃水、尾吃水和横倾及其变化率并将上述数值作为输入，利用神经网络B进行非线性拟合，得到船舶破损中心的破损中心的纵向距离、垂向距离和破损面积；

C3、得到船舶破损中心的破损中心的纵向距离、垂向距离和破损面积后，根据已知船舶破损情况下的计算，利用神经网络A得到船舶破舱后的状态参数，.

D、为船舶破舱评估和决策提供依据

在计算船舶破损后的浮态、稳性、剪力和弯矩后，显示船舶最终状态及达到最终状态所需要的时间，为船长的施救或弃船决策提供依据。