CN110532685B - 浮式结构物摇荡运动响应预报方法 - Google Patents

浮式结构物摇荡运动响应预报方法 Download PDF

Info

Publication number
CN110532685B
CN110532685B CN201910804845.9A CN201910804845A CN110532685B CN 110532685 B CN110532685 B CN 110532685B CN 201910804845 A CN201910804845 A CN 201910804845A CN 110532685 B CN110532685 B CN 110532685B
Authority
CN
China
Prior art keywords
floating structure
response
wave
neural network
motion
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.)
Active
Application number
CN201910804845.9A
Other languages
English (en)
Other versions
CN110532685A (zh
Inventor
孙承猛
林海花
王瑶
周佳
王凯
赵云鹤
孙洪源
贾风光
宋磊
杨卓懿
于福临
高博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN201910804845.9A priority Critical patent/CN110532685B/zh
Publication of CN110532685A publication Critical patent/CN110532685A/zh
Application granted granted Critical
Publication of CN110532685B publication Critical patent/CN110532685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种浮式结构物摇荡运动响应预报方法，具体包括以下步骤：步骤1，确定浮式结构物的设计工况和重量、重心、重量分布组合；步骤2，建立数值分析模型；步骤3，确定浮式结构物作业海域的浪向；步骤4，确定浮式结构物的摇荡运动响应传递函数；步骤5，确定作业海域的有义波高和波浪跨零周期；步骤6，计算浮式结构物的摇荡运动响应谱；步骤7，计算摇荡运动响应预报值；步骤8，建立响应预报数据库；步骤9，构建BP神经网络；步骤10，输入预报条件对浮式结构物摇荡运动进行预报；通过本发明对浮式结构物摇荡运动进行预报，预报过程耗时短，预报结果准确、可靠，且能对浮式结构物的摇荡运动进行即时预报。

Description

浮式结构物摇荡运动响应预报方法
技术领域
本发明属于海洋工程技术领域，特别是涉及一种浮式结构物摇荡运动响应预报方法。
背景技术
海洋工程领域常用的典型浮式结构物的结构形式包括半潜式、船形和圆柱形，在风、波浪和海流等外界环境条件的作用下，浮式结构物会沿着海平面发生面内漂移运动，依靠浮式结构物上配置的系泊锚链或动力定位系统，浮式结构物能够漂浮于海面上的固定位置，使得浮式结构物在外界环境条件下仍然能够在固定地点进行勘探、钻井或油气开采等作业，但锚链或动力定位系统并不能控制浮式结构物在海平面面外的摇荡运动，如横摇、纵摇和升沉等运动，浮式结构物的摇荡运动会影响浮式结构物的勘探、钻井或油气开采等作业，当摇荡运动幅值过大时，甚至会破坏浮式结构物的正常作业和生存安全，因此在浮式结构物设计初期，需要对浮式结构物的摇荡运动进行预报，以判断浮式结构物的设计是否满足作业需求和生存安全。
在浮式结构物设计初期，需要确定浮式结构物的外形尺寸进行总布置设计，在总布置设计时由于舱室设计更改、设备更换等原因需要对总体的设计方案进行修改，导致浮式结构物的重量、重心和重量分布均发生改变，另外浮式结构物在不同航行状态、作业状态和自存状态下的重量、重心和重量分布也会发生改变，此时浮式结构物所对应的摇荡运动响应值也随之发生变化，浮式结构物的摇荡运动响应值(尤其是恶劣海况下的摇荡运动响应值)是影响浮式结构物能否正常作业和整体安全的重要因素。
目前常在频域内采用面元法对浮式结构物的摇荡运动响应值进行预报，但由于每次总布置设计修改后，都要重新修改分析模型、采用数值方法对不同状态下的摇荡运动响应值重新预报，使得耗时较长，设计工作进度缓慢。
发明内容
本发明的目的在于提供一种浮式结构物摇荡运动响应预报方法，在浮式结构物总布置设计发生改变时，能够及时对浮式结构物的摇荡运动响应值进行预报，为浮式结构物设计方案能否满足作业要求做出及时而准确的判断，为浮式结构物设计工作的进行提供技术保障。
本发明所采用的技术方案是，浮式结构物摇荡运动响应预报方法，具体包括以下步骤：
步骤1，根据浮式结构物的初期设计方案和设计工况，确定浮式结构物在各设计工况下的重量、重心和重量分布组合；
步骤2，使用分析软件SESAM、AQWA或HydroSTAR，根据浮式结构物的外形设计和各重量、重心、重量分布组合，分别创建浮式结构物的数值分析模型，所述数值分析模型为浮式结构物吃水线以下的湿表面模型，将数值分析模型划分为正方形网格或近似正方形网格；
步骤3，根据浮式结构物的初期设计结构及作业海域情况，确定浮式结构物遭遇的浪向；
步骤4，在频域内利用势流理论和格林函数求解浮式结构物周围流场的压力分布，进而求解浮式结构物的运动方程，得到各设计工况在任意浪向下的浮式结构物的横摇、纵摇和升沉运动响应传递函数；
步骤5，确定浮式结构物作业海域的有义波高和波浪跨零周期的范围，根据有义波高和波浪跨零周期的范围确定浮式结构物设计的波浪环境参数；
步骤6，根据波浪环境确定浮式结构物作业海域的波浪谱，将浮式结构物作业海域的波浪谱作为响应传递函数的输入，计算得到浮式结构物的摇荡运动响应谱；
在浮式结构物作业海域波浪谱资料缺失时，选择与浮式结构物作业海域波浪环境相似的海域的波浪谱作为响应传递函数的输入，所述相似海域的波浪谱为P-M谱或JONSWAP谱；
步骤7，对摇荡运动响应谱进行统计分析，得到浮式结构物的摇荡运动响应预报值，摇荡运动响应预报值包括：横摇响应预报值、纵摇响应预报值和升沉响应预报值；
步骤8，对摇荡响应预报值进行归纳整理，构建得到浮式结构物的摇荡响应预报数据库；
步骤9，根据浮式结构物摇荡运动响应预报数据库，构造具有一层隐含层的BP神经网络，使用附加动量法和自适应学习速率对BP神经网络进行改进，建立浮式结构物的摇荡运动响应预报BP神经网络模型；
步骤10，将浮式结构物的实际工况和波浪环境输入BP神经网络模型，对浮式结构物的摇荡运动进行预报。
进一步的，所述浮式结构物的设计工况包括航行状态、作业状态和自存状态，使用坐标值(X,Y,Z)表示重心，用各项重心对坐标轴的重量惯性矩表示重量分布。
进一步的，所述步骤2中划分的正方形网格或近似正方形网格边长小于浮式结构物作业海域波浪波长的1/7。
进一步的，所述步骤3中当浮式结构物不对称时有24个浪向，分别为：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°、195°、210°、225°、240°、255°、270°、285°、300°、315°、330°和345°；
当浮式结构物左右对称时有13个浪向，分别是：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°；
当浮式结构物左右、前后对称时有7个浪向，分别是：0°、15°、30°、45°、60°、75°、90°。
进一步的，所述步骤4中浮式结构物的运动方程计算过程如下：
步骤41，根据浮式结构物数值分析模型的重量和重心确定关于各坐标轴的惯性矩，不同的重量分布产生不同的惯性矩；
步骤42，根据浮式结构物的重量、重心和重量分布及浪向，利用势流理论和格林函数分析浮式结构物周围流场的压力分布，对压力分布进行积分得到水作用于浮式结构物上的水动力F(ω)，则浮式结构物的摇荡运动响应传递函数如公式(1)所示：
Figure BDA0002183350900000031
公式(1)中ω表示波浪圆频率，Ms表示浮式结构物的质量，Ma(ω)表示水动力附加质量，i表示复变函数的虚部，C(ω)表示浮式结构物在水里的总阻尼，K表示浮式结构物的刚度，X(ω)表示浮式结构物的运动响应。
进一步的，所述步骤6中浮式结构物的摇荡运动响应谱Sy(ω)计算如公式(2)所示：
Sy(ω)＝Sx(ω)|X(ω)|2 (2)
公式(2)中Sx(ω)为波浪谱，X(ω)为摇荡运动响应传递函数。
进一步的，所述步骤7中计算浮式结构物的摇荡运动响应值时，首先计算摇荡运动响应基值C，
Figure BDA0002183350900000032
各摇荡运动响应预报值如下：平均摇荡运动响应值为1.25C、三一摇荡运动响应值为2.00C、十一次摇荡运动响应值为2.55C、20次摇荡中最大响应幅值期望值为2.64C、100次摇荡中最大响应幅值期望值为3.23C、500次摇荡中最大响应幅值期望值为3.68C。
进一步的，所述步骤9构建BP神经网络模型的过程如下：
BP神经网络结构隐含层中的激励函数为：
Figure BDA0002183350900000041
β＞0，其中β为系数，xI表示摇荡运动响应的输入量，初始化BP神经网络后，将浮式结构物的设计工况、浪向、波浪环境参数以及重量、重心和重量分布组合置于输入层，摇荡运动响应预报值置于输出层，神经网络学习过程置于隐含层，将各组输入量与其对应的摇荡运动响应预报值反复作用于BP神经网络；
使用梯度下降法、反向传播调整BP神经网络的权重和偏置量，BP神经网络的平均误差准则函数如公式(3)所示：
Figure BDA0002183350900000042
公式(3)中E为BP神经网络中期望输出量与实际输出量的平均误差，n为表示摇荡运动响应预报次数的变量，1≤n≤N，dn为期望输出，即就是利用数值分析模型得到的摇荡运动响应预报值，yn＝f(WxIn)为BP神经网络的实际输出，W是BP神经网络中所有权值组成的向量，xIn表示第n次摇荡运动响应预报的输入量，En表示期望输出与实际输出差值平方的一半；
使用附加动量对BP神经网络的权值进行调整，调整计算式如公式(4)所示：
Figure BDA0002183350900000043
公式(4)中k表示利用摇荡运动响应预报数据库的数据训练BP神经网络的次数，
Figure BDA0002183350900000044
表示第k+1次训练时调整获得的权值，mc为动量因子，取0.95，
Figure BDA0002183350900000045
表示第k次训练时未调整的权值，η表示学习速率，
Figure BDA0002183350900000046
表示输入量为xI时激励函数的梯度；
使用如公式(5)所示公式对BP神经网络的自适应学习速率进行调节：
Figure BDA0002183350900000047
公式(5)中SSE表示网络输出总的误差平方和，η表示学习速率，初始学习速率η(0)可任选，η(k+1)表示第k+1次训练时的学习速率，η(k)表示第k次训练时的学习速率，SSE(k)表示第k次训练时的网络输出误差平方和，SSE(k-1)表示第k-1次训练时的网络输出误差平方和。
本发明的有益效果是：本发明通过数值分析模型模拟浮式结构物外形，同时输入相应的重量、重心、重量分布以及海域情况进行摇荡运动响应预报，并将摇荡运动响应预报值与预报条件整理存储于数据库中，根据数据库构造BP神经网络模型，在实际应用中通过输入响应预报条件(重量、重心、重心分布以及海域环境条件)，获得准确的摇荡运动响应值，无需再对设计方案进行建模和计算响应预报值等一系列操作，缩短了浮式结构物设计时间，能及时给出相应条件下的预报值，且预报结果精确可靠，为浮式结构物设计提供了技术保障，减少了浮式结构物的设计周期，降低了浮式结构物的设计成本，使浮式结构物的设计更能满足作业需求。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的预报流程图。
图2是实施例半潜式平台设计侧视图。
图3是实施例半潜式平台数据分析模型图。
图4是BP神经网络模型结构图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
在进行浮式结构物总体设计时，需要根据浮式结构物的初期设计结构形式、设计工况、作业海域浪向和波浪环境参数，对浮式结构物的摇荡运动响应进行预报，并根据预报结果与实际作业需要的差异，对浮式结构物的总体设计进行调整，以满足实际的作业需求。
参照图1，浮式结构物摇荡运动响应预报方法，具体包括以下步骤：
步骤1，根据浮式结构物的初期设计方案和设计工况，确定各重量、重心和重量分布组合，浮式结构物的设计工况包括航行状态、作业状态和自存状态；重量、重心和重量分布变量组合会影响浮式结构物的摇荡幅值，是浮式结构物摇荡运动响应分析的因变量，即传递函数求解的因变量；
确定浮式结构物初期设计方案在各设计工况下的重量范围，按照实际需要在浮式结构物的重量区间内离散性地选择不同重量；
通常浮式结构物呈对称结构，在浮式结构物初期设计阶段，浮式结构物的漂浮状态确定，即浮式结构物是正浮或具有一定的纵倾角是确定的，设原点O位于结构物中纵面的底部和尾封板的交点处，X轴指向船首为正，Y轴指向左舷为正，Z轴指向上为正，在各设计工况下浮式结构物重心的X坐标和Y坐标保持不变，Z坐标与浮式结构物的重量有关，每一个重量对应一个重心的Z坐标；各设计工况下浮式结构物的重心用坐标值(X,Y,Z)表示；
当浮式结构物的重量和重心一定时，浮式结构物重量分布的微小变化对浮式结构物的摇荡运动响应结果影响不大，即在进行浮式结构物总布置设计时，如果浮式结构物的重量和重心保持不变，局部结构变动对浮式结构物的摇荡运动响应分析结果影响不大；
步骤2，使用分析软件SESAM、AQWA或HydroSTAR，根据设计的浮式结构物的外形、不同重量、重心组合分别创建浮式结构物的数值分析模型，数值分析模型为浮式结构物吃水线以下部分的湿表面模型，将数值分析模型划分为离散的正方形网格或近似正方形网格，以减少网格各边、各角的差异，提高计算精度，网格的边长小于浮式结构物作业海域波浪波长的1/7，网格边长的设定使网格能更好的近似表示浮式结构物的湿表面；
步骤3，根据浮式结构物的设计结构及作业海域情况，确定浮式结构物数值分析的浪向；
当浮式结构物不对称时有24个浪向，分别为：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°、195°、210°、225°、240°、255°、270°、285°、300°、315°、330°和345°；当浮式结构物左右对称时有13个浪向，分别是：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°；当浮式结构物左右、前后对称时有7个浪向，分别是：0°、15°、30°、45°、60°、75°、90°；
步骤4，将每一个网格视作源或汇，利用势流理论和格林函数求解浮式结构物周围流场的压力分布，得到水作用于浮式结构物上的力，求解浮式结构物的运动方程，得到各浪向下的横摇、纵摇和升沉运动响应传递函数；
确定浮式结构物运动方程的过程如下：
41、假设浮式结构物的坐标系统为OXYZ，原点O位于浮式结构物中纵面的底部和尾封板的交点处，X轴指向船首为正，Y轴指向左舷为正，Z轴指向上为正，根据用户输入的重量、重心，分别计算浮式结构物相对各坐标轴的重量惯性矩；
将浮式结构物的总重量划分成若干个微重量，每一个微重量的重量和重心分别对坐标轴求重量惯性矩，则所有微重量惯性矩的和表示重量分布；
使用浮式结构物的重量惯性矩Ixx、Iyy和Izz来衡量摇荡惯性矩，设浮式结构物的微重量为dm，则有：
Figure BDA0002183350900000071
其中x、y、z分别是微重量重心的坐标值，各数值分析模型下浮式结构物的重量惯性矩为(Ixx,Iyy,Izz)；
步骤42，在波浪圆频率的域内波浪谱对应波浪的圆频率，摇荡运动响应谱也对应波浪的圆频率，由于波浪圆频率ω与波浪周期T的乘积为2π，因此波浪谱和摇荡运动响应谱也对应波浪的周期；
将数值分析模型的网格视为面元，每个面元可视为源或汇，利用势流理论和格林函数求解浮式结构物周围流场的压力分布，得到水作用在浮式结构物上的水动力F(ω)，求解浮式结构物的运动方程，浮式结构物的运动方程如公式(1.1)所示：
F(ω)＝{-ω2[Ms+Ma(ω)]-iωC(ω)+K}X(ω) (1.1)
公式(1.1)中ω表示波浪圆频率，Ms表示浮式结构物的质量，Ma(ω)表示水动力附加质量，C(ω)表示浮式结构物在水里的总阻尼，K表示浮式结构物的刚度，X(ω)表示浮式结构物的运动响应，F(ω)表示作用在浮式结构物上的水动力，F(ω)受浪向的影响，在浪向不同时，水作用在浮式结构物上的压力分布发生变化，致使水作用于浮式结构物的水动力改变；
传递函数在数值上等于单位波幅的规则波引起的运动幅值，将波浪设为单位波幅的规则波，则F(ω)为单位波幅规则波产生的力，刚体运动方程中的运动响应X(ω)就是波浪对应的传递函数，传递函数X(ω)的表达式如公式(1.2)所示：
Figure BDA0002183350900000072
步骤5，确定浮式结构物作业海域的有义波高HS和波浪跨零周期TZ，通过船东提供，或根据浮式结构物作业海域的波浪观测统计资料，通过概率统计分析得出浮式结构物工作时遭遇的有义波高和波浪跨零周期的范围；
步骤6，根据有义波高HS和波浪跨零周期TZ的范围，参考各船级社规范和SNAME，确定浮式结构物作业海域的波浪环境；
步骤7，根据浮式结构物作业海域的波浪环境确定作业海域的波浪谱，将波浪谱乘以传递函数的平方计算浮式结构物的摇荡运动响应谱；
在浮式结构物作业海域波浪谱资料缺失时，若浮式结构物的作业海域波浪环境类似于北大西洋充分成长的波浪环境，则选择P-M谱作为波浪谱，若浮式结构物的作业海域波浪环境类似于较为恶劣的北海海域波浪环境，则选择JONSWAP谱作为波浪谱；选择与作业海域波浪环境相似的波浪谱使得预报结果更为准确，浮式结构物的总体设计更能满足在作业海域的工作需求；
设有N个重量、重心和重量分布组合、M个浪向和K个波浪环境参数，则共计算N×M×K个组合下的摇荡运动响应谱，设波浪谱为Sx(ω)、摇荡运动传递函数为X(ω)，则摇荡运动响应谱Sy(ω)的表达式可以用公式(1.3)表示：
Sy(ω)＝Sx(ω)|X(ω)|2 (1.3)；
在波浪谱分别为横摇波浪谱、纵摇波浪谱和升沉波浪谱时，计算获得的摇荡运动响应谱分别为横摇、纵摇、升沉运动响应谱；
步骤8，根据摇荡运动响应谱求解浮式结构物的摇荡运动响应预报值，摇荡运动响应预报值包括：横摇响应预报值、纵摇响应预报值和升沉响应预报值；
求取摇荡运动响应谱的零阶矩C，
Figure BDA0002183350900000081
将零阶矩C作为摇荡运动响应基值，各项摇荡运动预报值如下：平均摇荡运动响应值为1.25C、三一摇荡运动响应值为2.00C、十一次摇荡运动响应值为2.55C、20次摇荡中最大响应幅值期望值为2.64C、100次摇荡中最大响应幅值期望值为3.23C、500次摇荡中最大响应幅值期望值为3.68C；
步骤9，对摇荡运动响应预报值进行归纳整理，构建浮式结构物摇荡运动响应预报数据库；
步骤10，根据浮式结构物摇荡运动响应预报数据库，构造具有一层隐含层的BP神经网络，使用附加动量法和自适应学习速率对BP神经网络进行改进，建立浮式结构物摇荡运动响应预报的BP神经网络模型；
BP神经网络的构建过程如下：
BP神经网络结构隐含层中的激励函数为：
Figure BDA0002183350900000091
β＞0，其中β为系数，xI表示摇荡运动响应的输入量，初始化BP神经网络后，将浮式结构物的设计工况、浪向、波浪环境以及重量、重心和重量分布组合置于输入层，摇荡运动响应预报值置于输出层，神经网络学习过程置于隐含层，将各组输入量与其对应的摇荡运动响应预报值反复作用于BP神经网络；
使用梯度下降法、反向传播调整BP神经网络的权重和偏置量，使神经网络的全局误差达到最小，神经网络的平均误差准则函数如公式(1.4)所示：
Figure BDA0002183350900000092
公式(1.4)中E表示BP神经网络中期望输出量与实际输出量的平均误差，n为表示摇荡运动响应预报次数的变量，1≤n≤N，dn表示期望输出，即就是利用数值分析模型得到的摇荡运动响应预报值，yn＝f(WxIn)表示BP神经网络的实际输出，W表示BP神经网络中所有权值组成的向量，xIn表示第n次摇荡运动响应预报的输入量，En表示期望输出与实际输出差值平方的一半；
对神经网络的输入和输出数据进行预处理，可以加快神经网络的训练速度，在调整BP神经网络的权重时，容易产生学习效率低、收敛速度慢、陷入局部极小的问题，所以使用附加动量法和自适应学习速率对BP神经网络进行改进，以加快神经网络的训练速度、避免陷入局部极小值；
附加动量法使BP神经网络在修正权值时，不仅考虑误差在梯度上的作用，而且考虑误差在误差曲面上变化趋势的影响，通过在权值或阈值的变化上加上正比于前次权值或阈值变化量的值，来产生新的权值或阈值变化，带有附加动量因子的权值调节计算式如公式(1.5)所示：
Figure BDA0002183350900000093
公式(1.5)中k表示利用摇荡运动响应预报数据库的数据训练BP神经网络的次数，
Figure BDA0002183350900000094
表示第k+1次训练时调整获得的权值，mc为动量因子，取0.95，
Figure BDA0002183350900000095
表示第k次训练时未调整的权值，η表示学习速率，
Figure BDA0002183350900000096
表示输入量为xI时激励函数的梯度；
对于某个特定的问题，要选择适当的学习速率并不容易，调节学习速率的准则是：检查权值的修正值是否真正降低了误差函数的学习速率，如果降低了学习速率，则可以适当增加一个量，反之则减少，自适应学习速率的调整计算式如公式(1.6)：
Figure BDA0002183350900000101
公式(1.6)中SSE表示网络输出总的误差平方和，η表示学习速率，初始学习速率η(0)可任选，η(k+1)表示第k+1次训练时的学习速率，η(k)表示第k次训练时的学习速率，SSE(k)表示第k次训练时的网络输出误差平方和，SSE(k-1)表示第k-1次训练时的网络输出误差平方和；
步骤11，在进行浮式结构物的总体设计时，将浮式结构物的实际工况、浪向、波浪环境参数输入BP神经网络模型，对浮式结构物的摇荡运动进行预报，为浮式结构物的总体设计提供理论依据。
利用数值分析模型进行摇荡运动响应预报时，需要对浮式结构物总体设计的重量、重心、重量分布等进行分析，并根据浮式结构物的设计工况建立数值分析模型，结合浮式结构物作业海域、浪向和波浪环境对浮式结构物的摇荡运动进行预报，预报过程复杂、耗时长，本发明通过建立数值分析模型的摇荡运动响应预报值数据库，利用BP神经网络对摇荡运动响应预报进行训练，获得准确、合理的摇荡运动响应预报值，利用BP神经网络模型进行浮式结构物的摇荡运动响应预报，预报的过程简单、耗时短，能够有效地对每组预报条件进行合理预报，预报结果准确，为浮式结构物的总体设计提供了数据支撑，设计的浮式结构物能满足实际需求，保证浮式结构物的耐波性能、减少了其设计时间。
实施例
如图2、图3所示为一半潜式平台的初步设计方案，根据设计方案的初步资料和该平台的设计状态，确定9组摇荡运动响应分析的重量、重心和重量分布组合，其中航行状态、作业状态和自存状态下各选3组重量，分别记作：LC1、LC2、LC3、LC4、LC5、LC6、LC7、LC8、LC9，包含了半潜式平台设计过程中所有的重量、重心和重量分布区间；
半潜式平台在作业海域中呈左右对称形式的正浮状态，9个组合下重心的X坐标和Y坐标相同，Z坐标与重量一一对应，重量分布用重量惯性矩表示，随重量和重心的确定而确定。
设半潜式平台在航行状态、作业状态和自存状态下的重量变化区间分别为[Gmin航行,Gmax航行]、[Gmin作业,Gmax作业]和[Gmin自存,Gmax自存]，则9个组合下，摇荡运动响应分析的重量、重心和重量分布可取为：
LC1：Gmin航行，(X,Y,Z1)，Ixx1，Iyy1，Izz1；
LC2：(Gmin航行+Gmax航行)/2，(X,Y,Z2)，Ixx2，Iyy2，Izz2；
LC3：Gmax航行，(X,Y,Z3)，Ixx3，Iyy3，Izz3；
LC4：Gmin作业，(X,Y,Z4)，Ixx4，Iyy4，Izz4；
LC5：(Gmin作业+Gmax作业)/2，(X,Y,Z5)，Ixx5，Iyy5，Izz5；
LC6：Gmax作业，(X,Y,Z6)，Ixx6，Iyy6，Izz6；
LC7：Gmin自存，(X,Y,Z7)，Ixx7，Iyy7，Izz7；
LC8：(Gmin自存+Gmax自存)/2，(X,Y,Z8)，Ixx8，Iyy8，Izz8；
LC9：Gmax自存，(X,Y,Z9)，Ixx9，Iyy9，Izz9；
其中X、Y分别表示半浮式平台重心的X坐标和Y坐标，Z1～Z9表示重心的Z坐标，Ixx1～Ixx9、Iyy1～Iyy9、Izz1～Izz9分别表示重心的X、Y、Z坐标到坐标轴的重量惯性矩；
在半潜式平台外形尺寸确定的基础上，针对9种重量、重心和重量分布组合，创建9个数值分析模型，如图3所示利用面元法对半潜式平台水线下的部分构建数值分析模型，数值分析模型的网格采用正方形网格或近似正方形网格，网格的边长小于分析波长的1/7；半潜式平台呈左右、前后对称，共有7个浪向，分别是0°、15°、30°、45°、60°、75°和90°，求解各数值分析模型在各浪向下的半潜式平台横摇、纵摇和升沉传递函数，根据现实中波浪的圆频率确定所有工况下的波浪圆频率ω，ω的取值范围为[0.2，2.4]。
根据半潜式平台作业海域的波浪观测统计资料，概率统计分析获得半潜式平台作业海域的有义波高和波浪跨零周期范围，参考各船级社规范和SNAME确定波浪环境，半潜式平台作业海域的波浪环境如表1所示，半潜式平台的作业海域为挪威北海海域，根据有义波高和波浪跨零周期确定的波浪环境可知，挪威北海海域的波浪谱与JONSWAY谱类似，因此选择JONSWAP谱作为求解摇荡运动响应谱的波浪谱形式。
设波浪谱为Sx(ω)、摇荡运动响应函数X(ω)，则摇荡运动响应谱Sy(ω)＝Sx(ω)|X(ω)|2，摇荡运动响应函数为横摇、纵摇或是升沉时，求得的摇荡运动响应谱为相应的横摇、纵摇或是升沉响应谱，计算各重量、重心和重量分布、各波浪环境和各浪向下共9×19×7＝1197个样本的摇荡运动响应谱，对摇荡运动响应谱进行统计分析、求取零阶矩，获得各种情况下的摇荡运动预报值的基值如表2所示，根据预报基值求解摇荡运动预报值，将摇荡运动预报值归纳整理后形成半浮式平台的摇荡运动响应预报数据库。
表1半浮式平台作业海域的波浪环境
序号 有义波高H<sub>s</sub>(m) 波浪跨零周期T<sub>z</sub>(s)
1 8 10.8
2 7.2 9.23
3 7.2 11.32
4 6.4 8.70
5 6.4 10.68
6 5.6 8.14
7 5.6 9.99
8 4.8 7.54
9 4.8 9.25
10 4.0 6.88
11 4.0 8.44
12 3.2 6.15
13 3.2 7.55
14 2.4 5.33
15 2.4 6.54
16 1.6 4.35
17 1.6 5.34
18 0.8 3.08
19 0.8 3.77
表2工况LC1、波浪环境1下各项摇荡运动响应预报基值表
浪向(°) 横摇预报基值(°) 纵摇预报基值(°) 升沉预报基值(m)
0 0.00 2.09 5.17
15 1.08 2.02 5.24
30 1.94 1.82 5.30
45 2.59 1.51 5.35
60 2.86 1.06 5.40
75 3.01 0.55 5.44
90 3.06 0.00 5.49
基于摇荡运动响应预报数据库构建含有一个隐含层的BP神经网络，使用附加动量法和自适应学习速率改进BP神经网络，建立半潜式平台摇荡运动响应预报的BP神经网络模型，在半潜式平台总体设计过程中，通过将重量、重心和重量分布、波浪环境和浪向输入BP神经网络模型，对半潜式平台的摇荡运动进行预报。
表3是BP神经网络模型预报基值与数值分析预报基值的对比表格，由表3可知BP神经网络模型预报的结果与数值分析预报的结果很接近，说明利用BP神经网络模型进行预报的方法是可行的，预报结果准确。
表3 BP神经网络模型预报结果与数值方法预报结果的对比表
Figure BDA0002183350900000131
利用数值分析模型进行浮式结构物摇荡运动响应预报包括：建模、计算摇荡惯性矩、软件分析和对分析结果进行统计处理等步骤，整个过程耗时较长，可能需要几天的时间，不能及时提供关于新总体设计方案摇荡运动响应的技术信息；而利用BP神经网络模型进行摇荡运动响应预报，只需要花上几秒钟的时间，就可以得到某环境条件、重量、重心下的摇荡运动响应值，能够及时提供关于新总体设计方案的摇荡运动响应的技术信息；在浮式结构物初期的总体设计方案确定下来以后，使用数值分析模型对其进行运动响应预报分析并建立数据库，而后建立BP神经网络预报模型，为总体设计方案的调整提供快速、准确的摇荡运动响应预报信息，减少了浮式结构物的设计时间和设计成本，设计的浮式结构物能够满足实际作业需求。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.浮式结构物摇荡运动响应预报方法，其特征在于，具体包括以下步骤：
步骤1，根据浮式结构物的初期设计方案和设计工况，确定浮式结构物在各设计工况下的重量、重心和重量分布组合；
步骤2，使用分析软件SESAM、AQWA或HydroSTAR，根据浮式结构物的外形设计和各重量、重心、重量分布组合，分别创建浮式结构物的数值分析模型，所述数值分析模型为浮式结构物吃水线以下的湿表面模型，将数值分析模型划分为正方形网格或近似正方形网格；
步骤3，根据浮式结构物的初期设计结构及作业海域情况，确定浮式结构物遭遇的浪向；
步骤4，在频域内利用势流理论和格林函数求解浮式结构物周围流场的压力分布，进而求解浮式结构物的运动方程，得到各设计工况在任意浪向下的浮式结构物的横摇、纵摇和升沉运动响应传递函数；
步骤5，确定浮式结构物作业海域的有义波高和波浪跨零周期的范围，根据有义波高和波浪跨零周期的范围确定浮式结构物设计的波浪环境参数；
步骤6，根据波浪环境确定浮式结构物作业海域的波浪谱，将浮式结构物作业海域的波浪谱作为响应传递函数的输入，计算得到浮式结构物的摇荡运动响应谱；
在浮式结构物作业海域波浪谱资料缺失时，选择与浮式结构物作业海域波浪环境相似的海域的波浪谱作为响应传递函数的输入，所述相似海域的波浪谱为P-M谱或JONSWAP谱；
步骤7，对摇荡运动响应谱进行统计分析，得到浮式结构物的摇荡运动响应预报值，摇荡运动响应预报值包括：横摇响应预报值、纵摇响应预报值和升沉响应预报值；
步骤8，对摇荡响应预报值进行归纳整理，构建得到浮式结构物的摇荡响应预报数据库；
步骤9，根据浮式结构物摇荡运动响应预报数据库，构造具有一层隐含层的BP神经网络，使用附加动量法和自适应学习速率对BP神经网络进行改进，建立浮式结构物的摇荡运动响应预报BP神经网络模型；
步骤10，将浮式结构物的实际工况和波浪环境输入BP神经网络模型，对浮式结构物的摇荡运动进行预报；
所述步骤4中浮式结构物的运动方程计算过程如下：
步骤41，根据浮式结构物数值分析模型的重量和重心确定关于各坐标轴的惯性矩，不同的重量分布产生不同的惯性矩；
步骤42，根据浮式结构物的重量、重心和重量分布及浪向，利用势流理论和格林函数分析浮式结构物周围流场的压力分布，对压力分布进行积分得到水作用于浮式结构物上的水动力F(ω)，则浮式结构物的摇荡运动响应传递函数如公式(1)所示：
Figure FDA0003892430720000021
公式(1)中ω表示波浪圆频率，Ms表示浮式结构物的质量，Ma(ω)表示水动力附加质量，i表示复变函数的虚部，C(ω)表示浮式结构物在水里的总阻尼，K表示浮式结构物的刚度，X(ω)表示浮式结构物的运动响应；
所述步骤6中浮式结构物的摇荡运动响应谱Sy(ω)计算如公式(2)所示：
Sy(ω)＝Sx(ω)|X(ω)|2 (2)
公式(2)中Sx(ω)为波浪谱，X(ω)为摇荡运动响应传递函数；
所述步骤7中计算浮式结构物的摇荡运动响应值时，首先计算摇荡运动响应基值C，
Figure FDA0003892430720000022
各摇荡运动响应预报值如下：平均摇荡运动响应值为1.25C、三一摇荡运动响应值为2.00C、十一次摇荡运动响应值为2.55C、20次摇荡中最大响应幅值期望值为2.64C、100次摇荡中最大响应幅值期望值为3.23C、500次摇荡中最大响应幅值期望值为3.68C；
所述步骤9构建BP神经网络模型的过程如下：
BP神经网络结构隐含层中的激励函数为：
Figure FDA0003892430720000023
β＞0，其中β为系数，xI表示摇荡运动响应的输入量，初始化BP神经网络后，将浮式结构物的设计工况、浪向、波浪环境参数以及重量、重心和重量分布组合置于输入层，摇荡运动响应预报值置于输出层，神经网络学习过程置于隐含层，将各组输入量与其对应的摇荡运动响应预报值反复作用于BP神经网络；
使用梯度下降法、反向传播调整BP神经网络的权重和偏置量，BP神经网络的平均误差准则函数如公式(3)所示：
Figure FDA0003892430720000031
公式(3)中E表示BP神经网络中期望输出量与实际输出量的平均误差，n为表示摇荡运动响应预报次数的变量，1≤n≤N，dn表示期望输出，即就是利用数值分析模型得到的摇荡运动响应预报值，yn＝f(WxIn)表示BP神经网络的实际输出，W表示BP神经网络中所有权值组成的向量，xIn表示第n次摇荡运动响应预报的输入量，En表示期望输出与实际输出差值平方的一半；
使用附加动量对BP神经网络的权值进行调整，调整计算如公式(4)所示：
Figure FDA0003892430720000032
公式(4)中k表示利用摇荡运动响应预报数据库的数据训练BP神经网络的次数，
Figure FDA0003892430720000033
表示第k+1次训练时调整获得的权值，mc为动量因子，取0.95，
Figure FDA0003892430720000034
表示第k次训练时未调整的权值，η表示学习速率，
Figure FDA0003892430720000035
表示输入量为xI时激励函数的梯度；
使用如公式(5)所示公式对BP神经网络的自适应学习速率进行调节：
Figure FDA0003892430720000036
公式(5)中SSE表示网络输出总的误差平方和，η表示学习速率，初始学习速率η(0)可任选，η(k+1)表示第k+1次训练时的学习速率，η(k)表示第k次训练时的学习速率，SSE(k)表示第k次训练时的网络输出误差平方和，SSE(k-1)表示第k-1次训练时的网络输出误差平方和。
2.根据权利要求1所述的浮式结构物摇荡运动响应预报方法，其特征在于，所述浮式结构物的设计工况包括航行状态、作业状态和自存状态，使用坐标值(X,Y,Z)表示重心，用各项重心对坐标轴的重量惯性矩表示重量分布。
3.根据权利要求1所述的浮式结构物摇荡运动响应预报方法，其特征在于，所述步骤2中划分的正方形网格或近似正方形网格边长小于浮式结构物作业海域波浪波长的1/7。
4.根据权利要求1所述的浮式结构物摇荡运动响应预报方法，其特征在于，所述步骤3中当浮式结构物不对称时有24个浪向，分别为：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°、195°、210°、225°、240°、255°、270°、285°、300°、315°、330°和345°；
当浮式结构物左右对称时有13个浪向，分别是：0°、15°、30°、45°、60°、75°、90°、105°、120°、135°、150°、165°、180°；
当浮式结构物左右、前后对称时有7个浪向，分别是：0°、15°、30°、45°、60°、75°、90°。
CN201910804845.9A 2019-08-29 2019-08-29 浮式结构物摇荡运动响应预报方法 Active CN110532685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910804845.9A CN110532685B (zh) 2019-08-29 2019-08-29 浮式结构物摇荡运动响应预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910804845.9A CN110532685B (zh) 2019-08-29 2019-08-29 浮式结构物摇荡运动响应预报方法

Publications (2)

Publication Number Publication Date
CN110532685A CN110532685A (zh) 2019-12-03
CN110532685B true CN110532685B (zh) 2023-02-07

Family

ID=68665017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910804845.9A Active CN110532685B (zh) 2019-08-29 2019-08-29 浮式结构物摇荡运动响应预报方法

Country Status (1)

Country Link
CN (1) CN110532685B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709625B (zh) * 2020-06-04 2023-05-26 上海佳豪船海工程研究设计有限公司 一种打桩船海上作业率评估系统及方法
CN112668246B (zh) * 2021-01-07 2022-10-28 中国海洋大学 一种预报海洋平台长期响应极值的方法
CN113111603B (zh) * 2021-04-07 2022-07-15 哈尔滨工程大学 一种双浮体平台波浪激励力及运动响应预报方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0646880A2 (en) * 1993-09-30 1995-04-05 Koninklijke Philips Electronics N.V. Dynamic neural net
US5461699A (en) * 1993-10-25 1995-10-24 International Business Machines Corporation Forecasting using a neural network and a statistical forecast
JP2002175514A (ja) * 2000-12-08 2002-06-21 Mitsubishi Heavy Ind Ltd 浮体の制御系設計モデルの作成方法
CN104817019A (zh) * 2015-02-09 2015-08-05 湘潭大学 一种基于吊物升沉运动预报的船用起重机升沉补偿方法
CN105117602A (zh) * 2015-08-28 2015-12-02 国家电网公司 一种计量装置运行状态预警方法
CN106802978A (zh) * 2016-12-22 2017-06-06 中国石油集团渤海石油装备制造有限公司 一种自升式钻井平台环境图谱绘制方法
CN107291995A (zh) * 2017-05-27 2017-10-24 中国船舶工业集团公司第七〇八研究所 一种基于谱分析法的浮式海洋结构物结构应力计算方法
CN107545250A (zh) * 2017-08-31 2018-01-05 哈尔滨工程大学 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统
CN107704875A (zh) * 2017-09-30 2018-02-16 山东建筑大学 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法
CN108549616A (zh) * 2018-02-28 2018-09-18 哈尔滨工程大学 基于g-n波浪模型的船舶在恶劣海况中大幅运动的预报方法
CN109344531A (zh) * 2018-10-23 2019-02-15 哈尔滨工程大学 预报多浮体结构物波漂载荷的三维频域数值方法
CN109472065A (zh) * 2018-10-23 2019-03-15 哈尔滨工程大学 预报恶劣海况下低速肥大型船舶波浪增阻的三维数值方法
CN109871609A (zh) * 2019-02-18 2019-06-11 中国海洋大学 基于bp-fem对海洋浮式平台系泊系统响应的预测方法
CN109992878A (zh) * 2019-03-29 2019-07-09 山东交通学院 海洋平台整体结构强度分析风载荷加载方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3455167B2 (ja) * 2000-06-29 2003-10-14 川崎重工業株式会社 大型浮体による波浪情報計測方法と装置
CN106251017A (zh) * 2016-08-02 2016-12-21 北京百度网讯科技有限公司 数据预测方法及装置
CN109110073B (zh) * 2017-06-23 2020-05-12 上海交通大学 海洋浮式结构物参数共振运动的预警方法、装置及设备
CN109146179B (zh) * 2018-08-23 2021-07-23 交通运输部天津水运工程科学研究所 沿海港口船舶作业条件监测预警方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0646880A2 (en) * 1993-09-30 1995-04-05 Koninklijke Philips Electronics N.V. Dynamic neural net
US5461699A (en) * 1993-10-25 1995-10-24 International Business Machines Corporation Forecasting using a neural network and a statistical forecast
JP2002175514A (ja) * 2000-12-08 2002-06-21 Mitsubishi Heavy Ind Ltd 浮体の制御系設計モデルの作成方法
CN104817019A (zh) * 2015-02-09 2015-08-05 湘潭大学 一种基于吊物升沉运动预报的船用起重机升沉补偿方法
CN105117602A (zh) * 2015-08-28 2015-12-02 国家电网公司 一种计量装置运行状态预警方法
CN106802978A (zh) * 2016-12-22 2017-06-06 中国石油集团渤海石油装备制造有限公司 一种自升式钻井平台环境图谱绘制方法
CN107291995A (zh) * 2017-05-27 2017-10-24 中国船舶工业集团公司第七〇八研究所 一种基于谱分析法的浮式海洋结构物结构应力计算方法
CN107545250A (zh) * 2017-08-31 2018-01-05 哈尔滨工程大学 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统
CN107704875A (zh) * 2017-09-30 2018-02-16 山东建筑大学 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法
CN108549616A (zh) * 2018-02-28 2018-09-18 哈尔滨工程大学 基于g-n波浪模型的船舶在恶劣海况中大幅运动的预报方法
CN109344531A (zh) * 2018-10-23 2019-02-15 哈尔滨工程大学 预报多浮体结构物波漂载荷的三维频域数值方法
CN109472065A (zh) * 2018-10-23 2019-03-15 哈尔滨工程大学 预报恶劣海况下低速肥大型船舶波浪增阻的三维数值方法
CN109871609A (zh) * 2019-02-18 2019-06-11 中国海洋大学 基于bp-fem对海洋浮式平台系泊系统响应的预测方法
CN109992878A (zh) * 2019-03-29 2019-07-09 山东交通学院 海洋平台整体结构强度分析风载荷加载方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Comparison of Approaches for the Hydroelastic Response Analysis of Very Large Floating Structures;Jiao Lin-lin et al.;《Jouunal of Ship Mechanics》;20060630;第10卷(第3期);第71-91页 *
低长径比浮式圆柱涡激运动实验研究;孙洪源 等;《船舶力学》;20190430;第23卷(第4期);第405-411页 *
岛礁波浪环境下浮式结构物的动响应预报;田超 等;《船舶力学》;20141130;第18卷(第11期);第1284-1291页 *

Also Published As

Publication number Publication date
CN110532685A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110532685B (zh) 浮式结构物摇荡运动响应预报方法
CN107291995B (zh) 一种基于谱分析法的浮式海洋结构物结构应力计算方法
CN108549616B (zh) 基于g-n波浪模型的船舶在恶劣海况中大幅运动的预报方法
CN103984793B (zh) 考虑液舱晃荡影响的flng运动预报方法
Sutherland et al. Characterisation of current and turbulence in the FloWave Ocean Energy Research Facility
Drummen et al. Benchmark study of slamming and whipping
CN109472065A (zh) 预报恶劣海况下低速肥大型船舶波浪增阻的三维数值方法
CN109344531A (zh) 预报多浮体结构物波漂载荷的三维频域数值方法
CN110595472A (zh) 一种无人船双目标气象航线优化方法和系统
CN112052522A (zh) 一种基于疲劳强度的船体结构优化简化计算方法
Lermusiaux et al. Modeling uncertainties in the prediction of the acoustic wavefield in a Shelfbeak environment
Suneela et al. Hydrodynamic performance of planing craft with interceptor-flap hybrid combination
Wu et al. Influence of the legs underwater on the hydrodynamic response of the multi-leg floating structure
CN106529087B (zh) 一种载液船体舱内液体晃荡程度的预测方法
Shahabi et al. Significant wave height forecasting using GMDH model
Kaasen et al. Automatic tuning of vessel models offshore: A feasibility study using high-precision data from model test
Sismani et al. Impact of fixed-bottom offshore wind farms on the surrounding wave field
CN102433867B (zh) 深水半潜式钻井平台或采油平台设计方法
Wu et al. Numerical prediction of wave-induced long-term extreme load effects in a flexible high-speed pentamaran
Faisal et al. Simulating Storm Surge of Tropical Cyclone “Bulbul” using MRI Model
Hermundstad et al. Wave-Current Interaction Effects on Airgap Calculations
Tabeshpour et al. Conceptual study on dynamic responses of semi-submersible platforms
Islam et al. STUDY OF A TLP MOTIONS AND FORCES USING 3D SOURCE TECHNIQUE.
Sokolov et al. Case-Study Modelling Analysis of Hydrodynamics in the Nearshore of the Baltic Sea Forced by Extreme Along-shore Wind in the Case of a Cross-shore Obstacle
Amundsen Semi design-estimation of hull dimensions

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