CN110162895A - 一种两阶段的高能效船型优化设计方法 - Google Patents
一种两阶段的高能效船型优化设计方法 Download PDFInfo
- Publication number
- CN110162895A CN110162895A CN201910447647.1A CN201910447647A CN110162895A CN 110162895 A CN110162895 A CN 110162895A CN 201910447647 A CN201910447647 A CN 201910447647A CN 110162895 A CN110162895 A CN 110162895A
- Authority
- CN
- China
- Prior art keywords
- design
- optimization
- ship
- reliability
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明提供一种两阶段的高能效船型优化设计方法,本发明基于仿真的船型优化设计模式,立足于不确定性思想,深入考虑设计参数的摄动对高能效船型优化设计的影响,提高设计结果对设计参数不确定性的可靠性与免疫能力;针对具有非概率信息的摄动设计参数,构建适应性强的完整船型表达方法,结合约束条件构建确定性船型优化模型,得到确定性船型方案;进行设计参数与优化目标的敏感度分析,提取具有重要影响价值的设计参数着重考虑,得出设计参数与优化目标的相关分析图谱;考虑参数的摄动影响,引入可靠性优化理念,进行船型参数可靠性分析与优化设计,通过多种计算方法得到强可靠性船型优化方案。本发明为船型设计向数据化、可靠化方向发展提供理论依据和技术支持。
Description
技术领域
本发明涉及船舶设计技术领域,具体而言,尤其涉及一种两阶段的高能效船型优化设计方法。
背景技术
船型优化设计是船舶总体设计的核心环节,近年来一种面向知识化、智能化的船型设计模式——基于仿真的设计(Simulation Based Design,SBD)技术悄然兴起,将传统的“先提方案后做评估”的正向设计模式转变为新型的“以设计目标驱动方案生成”的逆向设计模式,大幅提升了船型智能设计能力。
可靠性(Reliability)是指系统在一定时间内、在一定条件下无故障地执行指定功能的能力或可能性,可通过可靠度、失效率、平均无故障间隔等来评价系统的可靠性。在实际问题中,外部环境或系统内部的参数摄动是普遍存在的。“摄动”的概念源于天体动力学,指天体的规则运动受其它力影响而产生小范围偏离与波动的现象,在工程中可泛指由干扰而使系统在规定状态的运行发生小范围不规则的偏离,体现了实际环境的不确定性。在实际设计中,船体的设计参数不可避免地受到外部环境和船体系统运行不确定性的干扰,产生摄动现象。其中,航速作为最重要的航行参数之一,对于以最小阻力为目标的优化模式,具有至关重要的地位,其直接决定了航行状态与阻力评估的准确性。参数摄动产生的不确定幅值虽然在多数情况下数值较小,但在SBD模式中,持续的迭代计算和与其他参数耦合影响会使系统响应产生较大的偏差。因此,考虑设计参数摄动的不确定性影响,对于船型可靠性优化设计意义重大。
传统的船型SBD优化模式一般基于确定的系统参数和求解模型,并借助确定性优化方法进行计算,忽略了参数不确定性的影响,使结果稳健性降低。
发明内容
根据上述提出传统的船型SBD优化模式一般基于确定的系统参数和求解模型,并借助确定性优化方法进行计算,忽略了参数不确定性的影响,使结果稳健性降低的技术问题,而提供一种两阶段的高能效船型优化设计方法。本发明方法能够深入考虑设计参数的摄动对高能效船型优化设计的影响,提高船舶设计结果对设计参数不确定性的可靠性与免疫能力。
本发明采用的技术手段如下:
一种两阶段的高能效船型优化设计方法,包括如下步骤:
步骤S1:针对具有非概率信息的设计参数,构建完整船型表达方法,结合约束条件构建确定性船型优化模型,得到确定性船型方案;
步骤S2:对设计参数与优化目标进行敏感度分析,得出设计参数与目标的相关分析图谱;
步骤S3:考虑参数的摄动影响,引入可靠性理念,对确定性船型方案进行参数可靠性分析;
步骤S4:根据可靠性分析结果,结合可靠性优化数学模型,得到强可靠性船型优化方案。
进一步地,在所述步骤S1和步骤S4中,优化目标设定为能效设计指数的最小化。
进一步地,所述步骤3中还包括针对设计约束与设计目标进行可靠性分析的步骤。
进一步地,所述步骤S2中对设计参数与优化目标采用有效进行“空间填充”的拉丁超立方设计对输出响应进行敏感度分析。
进一步地,所述可靠性优化数学模型表达式如下:
式中:X是不确定性变量,F与G为被期望μ和标准差σ定义的可靠性优化的目标与约束函数;±ΔX为X的波动域,XLSL与XUSL为X的上下限。
进一步地,所述目标函数F可以分解为两部分:平均目标与最小偏差:
式中:i为性能参数矩的元素标号;M为期望平均性能目标;ω1与ω2为期望μ与标准差σ的权重,S1与S2为μ与σ的归一化系数。
较现有技术相比,本发明具有以下优点:
1、本发明提供的两阶段的高能效船型优化设计方法,能够深入考虑设计参数的摄动对高能效船型优化设计的影响,提高设计结果对设计参数不确定性的可靠性与免疫能力的船型设计方法。
2、本发明为船型设计向数据化、可靠化方向发展提供理论依据和技术支持。
基于上述理由本发明可在船舶设计等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明两阶段高能效船型优化设计方法流程图。
图2为本发明实施例可靠度与σ水平示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例
如图1所示,本发明提出一种两阶段的高能效船型优化设计方法,在船型优化设计中考虑设计参数的不确定性影响,包括如下步骤:
步骤S1:针对具有非概率信息的设计参数,构建完整船型表达方法,结合约束条件构建确定性船型优化模型,得到确定性船型方案;本实施例中,在船型优化模型的构建研究中,以船型SBD优化模式为基础研究框架,其中以最小总阻力(兴波阻力+粘性阻力)作为优化目标,并引入船舶能效设计指数EEDI来判别生成方案的可行性,以反映船体形状变化的控制参数作为设计变量,以排水量非大幅改变作为约束条件,采用神经网络法建立船体阻力CFD数值仿真结果的近似模型,以数学船型为研究对象进行优化计算。
步骤S2:为了分析设计变量的变化对输出的响应关系,对设计参数与优化目标进行敏感度分析,从而提取具有重要影响价值的设计参数着重考虑,得出设计参数与目标的相关分析图谱;本实施例中,采用能够有效进行“空间填充”的拉丁超立方(LHD)设计对输出响应进行敏感度分析。
拉丁超立方设计方法的优点为:
(1)有效的空间填充能力。拉丁超立方设计试验次数=水平数≥因子数+1。
(2)拟合非线性响应。与正交试验相比,拉丁超立方设计用同样的点数可以研究更多的组合。相比正交试验,拉丁超立方设计对水平值分级宽松,试验次数可以人为控制。
从敏感度分析结果中可提取对输出响应产生主要影响的设计参数,从而更加明确了优化设计问题的目标导向并净化设计空间。
步骤S3:考虑参数的摄动影响,引入可靠性理念,对确定性船型方案进行参数可靠性分析;可靠性可以用两个指标表示:
(1)失效概率(Pf),指产品的性能违反约束条件的概率,它可以通过计算性能指标概率分布位于规定限值之外的面积而得到。
(2)可靠度(R),指产品的性能满足约束条件的概率,它可以通过计算性能指标概率分布位于规定限值之内的面积而得到。
Sigma表示产品性能的标准方差。如图2所示,通过测量产品性能指标在平均值μ周围的概率分布,评价产品性能与理想值的偏差。假设产品性能波动是正态分布的,那么σ水平范围内所包含的面积,直接与取值范围区域里的性能损失率有关(例如:±1σ的概率为0.683)。
常用的可靠性分析方法有:
(1)一阶可靠性方法(FORM)
一阶可靠性方法(First Order Reliability Method,FORM)是根据线性功能函数和独立正态随机变量二阶矩所提出的计算方法。其基本原理是:对于非线性功能函数,首先将其线性化,按照Taylor级数展开并近似取其一次式,利用随机变量的一阶矩、二阶矩计算功能函数的均值和标准差,从而计算其可靠性指标。对于基本变量是非独立和非正态变量的,需要作相应的变换处理。最早出现的是均值FORM法,该方法是在均值点附近将非线性功能函数线性化,其可靠性指标误差大。
(2)二阶可靠性方法(FORM)
相较于一阶可靠性方法,二阶可靠性方法(Second order reliability method,SORM)在失效率函数对MPP是非线性时,对结果的可靠性指标会有一个更好的评价。二阶可靠性方法完善了一阶可靠性方法在失效面的曲率上的近似评价。SORM是一个概率性方法,给定一个或多个随机变量的确定,关注的焦点在评估结构可靠度分析的失败率。
步骤S4:根据可靠性分析结果,结合可靠性优化数学模型,得到强可靠性船型优化方案。可靠性优化可使结果远离不可行边界,提高结果的可靠性。
可靠性优化数学模型表达式如下:
式中:X是不确定性变量,F与G为被期望μ和标准差σ定义的可靠性优化的目标与约束函数;±ΔX为X的波动域,XLSL与XUSL为X的上下限。
目标函数F可以分解为两部分:平均目标与最小偏差:
式中:i为性能参数矩的元素标号;M为期望平均性能目标;ω1与ω2为期望μ与标准差σ的权重,S1与S2为μ与σ的归一化系数。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种两阶段的高能效船型优化设计方法,其特征在于,包括如下步骤:
步骤S1:针对具有非概率信息的设计参数,构建完整船型表达方法,结合约束条件构建确定性船型优化模型,得到确定性船型方案;
步骤S2:对设计参数与优化目标进行敏感度分析,得出设计参数与目标的相关分析图谱;
步骤S3:考虑参数的摄动影响,引入可靠性理念,对确定性船型方案进行参数可靠性分析;
步骤S4:根据可靠性分析结果,结合可靠性优化数学模型,得到强可靠性船型优化方案。
2.根据权利要求1所述的两阶段的高能效船型优化设计方法,其特征在于,在所述步骤S1和步骤S4中,优化目标设定为能效设计指数的最小化。
3.根据权利要求1所述的两阶段的高能效船型优化设计方法,其特征在于,所述步骤3中还包括针对设计约束与设计目标进行可靠性分析的步骤。
4.根据权利要求1所述的两阶段的高能效船型优化设计方法,其特征在于,所述步骤S2中对设计参数与优化目标采用有效进行“空间填充”的拉丁超立方设计对输出响应进行敏感度分析。
5.根据权利要求1所述的两阶段的高能效船型优化设计方法,其特征在于,所述可靠性优化数学模型表达式如下:
式中:X是不确定性变量,F与G为被期望μ和标准差σ定义的可靠性优化的目标与约束函数;±ΔX为X的波动域,XLSL与XUSL为X的上下限。
6.根据权利要求5所述的两阶段的高能效船型优化设计方法,其特征在于,所述目标函数F可以分解为两部分:平均目标与最小偏差:
式中:i为性能参数矩的元素标号;M为期望平均性能目标;ω1与ω2为期望μ与标准差σ的权重,S1与S2为μ与σ的归一化系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447647.1A CN110162895B (zh) | 2019-05-27 | 2019-05-27 | 一种两阶段的高能效船型优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910447647.1A CN110162895B (zh) | 2019-05-27 | 2019-05-27 | 一种两阶段的高能效船型优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162895A true CN110162895A (zh) | 2019-08-23 |
CN110162895B CN110162895B (zh) | 2023-04-07 |
Family
ID=67629084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910447647.1A Active CN110162895B (zh) | 2019-05-27 | 2019-05-27 | 一种两阶段的高能效船型优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162895B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111619755A (zh) * | 2020-06-09 | 2020-09-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN112347556A (zh) * | 2020-09-28 | 2021-02-09 | 中测新图(北京)遥感技术有限责任公司 | 一种机载lidar航摄设计配置参数优化方法及系统 |
CN115859528A (zh) * | 2022-12-30 | 2023-03-28 | 苏州斯曼克磨粒流设备有限公司 | 一种复杂机械结构的优化方法及系统 |
CN117010086A (zh) * | 2023-07-20 | 2023-11-07 | 大连海事大学 | 一种提高参数敏感度的船体变形自融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530467A (zh) * | 2013-10-23 | 2014-01-22 | 中国兵器科学研究院 | 一种基于缺陷概率的工艺分析与优化设计方法 |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
US20190080040A1 (en) * | 2017-09-13 | 2019-03-14 | Dalian University Of Technology | Integration method for accurate modeling and analysis and reliability-based design optimization of variable stiffness composite plate and shell structures |
-
2019
- 2019-05-27 CN CN201910447647.1A patent/CN110162895B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530467A (zh) * | 2013-10-23 | 2014-01-22 | 中国兵器科学研究院 | 一种基于缺陷概率的工艺分析与优化设计方法 |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
US20190080040A1 (en) * | 2017-09-13 | 2019-03-14 | Dalian University Of Technology | Integration method for accurate modeling and analysis and reliability-based design optimization of variable stiffness composite plate and shell structures |
Non-Patent Citations (2)
Title |
---|
李冬琴等: "多维随机不确定性下的船舶多学科稳健设计优化研究", 《船舶工程》 * |
蒋国伟等: "基于蒙特卡罗模拟的船体型线稳健优化设计", 《江苏船舶》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111619755A (zh) * | 2020-06-09 | 2020-09-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN111619755B (zh) * | 2020-06-09 | 2021-05-04 | 中国船舶科学研究中心 | 一种基于卷积神经网络的船体型线设计方法 |
CN112347556A (zh) * | 2020-09-28 | 2021-02-09 | 中测新图(北京)遥感技术有限责任公司 | 一种机载lidar航摄设计配置参数优化方法及系统 |
CN112347556B (zh) * | 2020-09-28 | 2023-12-01 | 中测新图(北京)遥感技术有限责任公司 | 一种机载lidar航摄设计配置参数优化方法及系统 |
CN115859528A (zh) * | 2022-12-30 | 2023-03-28 | 苏州斯曼克磨粒流设备有限公司 | 一种复杂机械结构的优化方法及系统 |
CN117010086A (zh) * | 2023-07-20 | 2023-11-07 | 大连海事大学 | 一种提高参数敏感度的船体变形自融合方法 |
CN117010086B (zh) * | 2023-07-20 | 2024-04-19 | 大连海事大学 | 一种提高参数敏感度的船体变形自融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110162895B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162895A (zh) | 一种两阶段的高能效船型优化设计方法 | |
Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
CN101661530B (zh) | 基于相关分析求取风电场稳态等效风速与发电功率的方法 | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
Bao et al. | A data-driven framework for error estimation and mesh-model optimization in system-level thermal-hydraulic simulation | |
Callaway | Sequential reliability forecasting for wind energy: Temperature dependence and probability distributions | |
Wang et al. | A Review of the Extrapolation Method in Load Spectrum Compiling. | |
CN105718634A (zh) | 一种基于非概率区间分析模型的翼型鲁棒优化设计方法 | |
CN106289691A (zh) | 一种基于微波雷达装置的桥梁分块冲击振动检测方法及检测装置 | |
CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
D'Amico et al. | Wind speed modeled as an indexed semi‐Markov process | |
Wang et al. | Wind speed frequency distribution modeling and wind energy resource assessment based on polynomial regression model | |
Xu et al. | Damage detection of wind turbine blades by Bayesian multivariate cointegration | |
CN105843733A (zh) | 一种大数据平台的性能检测方法及装置 | |
CN115470731A (zh) | 一种基于微气象的风场风电功率预测方法及系统 | |
Chakraborty et al. | An efficient algorithm for building locally refined hp–adaptive H-PCFE: Application to uncertainty quantification | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN105808962A (zh) | 考虑多个风电出力随机性的电力系统电压概率的评估方法 | |
Wu et al. | Research on data reconciliation based on generalized T distribution with historical data | |
Tastu | Short-term wind power forecasting: probabilistic and space-time aspects | |
Gu et al. | Quantifying the effects of different data streams on the calibration of building energy simulation | |
KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
CN109038550B (zh) | 基于电压静态稳定性的电力系统自复性指标计算方法 | |
CN115099066A (zh) | 一种基于Kriging的输电塔结构风灾易损性建模方法 | |
Shahane et al. | Sensitivity analysis of lift and drag coefficients for flow over elliptical cylinders of arbitrary aspect ratio and angle of attack using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231031 Address after: 266400 Fusion Road 687, Fusion Road, Fusion Innovation Demonstration Zone, Guzhenkou, Binhai Street, Huangdao District, Qingdao City, Shandong Province Patentee after: QINGDAO WUJIANG TECHNOLOGY Co.,Ltd. Address before: 116026 1 Linghai Road, hi tech park, Dalian, Liaoning Patentee before: Dalian Maritime University |