CN110674980A - 工程船实时波浪预测方法 - Google Patents
工程船实时波浪预测方法 Download PDFInfo
- Publication number
- CN110674980A CN110674980A CN201910861814.7A CN201910861814A CN110674980A CN 110674980 A CN110674980 A CN 110674980A CN 201910861814 A CN201910861814 A CN 201910861814A CN 110674980 A CN110674980 A CN 110674980A
- Authority
- CN
- China
- Prior art keywords
- image
- wave
- layer
- value
- ship
- 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
Images
Classifications
-
- 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
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
工程船实时波浪预测方法,其特征在于,(1)在挖泥船设置船载波浪传感器监测施工水域当前波浪的波高和周期;(2)在挖泥船设置设置船载视频传感器,定时捕捉施工过程时间序列的海面图像,预处理;(3)建立波浪场的神经网络预测模型;(4)实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列,输出预测下一波浪的波高、周期数值;(5)以船载姿态传感器监测船体当前的船体运动数据;(6)利用船体运动模型计算获得下一时间点t+1时刻的船体运动姿态;根据疏浚设备受船体运动影响,优化疏浚设备下放深度等施工参数。
Description
技术领域
本发明涉及疏浚施工领域。
背景技术
目前传统的自航耙吸挖泥船的施工过程为,首先挖泥船航行至作业区,然后驾驶员控制好船速(一般将航速降低至约2~3节),根据当前水深情况确定疏浚设备下放的目标水深,并下放耙头,开启泥泵,在耙头下放至目标深度后,开始疏浚施工。
由于挖泥船在水中施工中,耙头设备是通过钢缆与船体软性连接,因此在当前施工水域的波高、周期等条件的显著作用下,船体会产生升降、晃动,从而使与船身相连接的疏浚设备的相对位置发生变化,影响疏浚的效率和安全。
在当前的疏浚施工中,为了减小上述波浪造成的影响,挖泥船疏浚设备操作员一般是根据施工经验,结合作业区水深、气象等条件,预设疏浚设备的下放水深,并通过设置被动波浪补偿器对波浪的影响进行补偿。由于补偿器的行程、补油压力等参数都是根据经验预估设定的,因此与实际情况存在一定的偏差,并且在波浪作用显著区域进行疏浚施工时,存在明显的反馈滞后问题,不能有效的对突发的涌浪引起的船体升沉进行及时反应及合理的补偿,因此,对疏浚精度和施工效率的影响非常大。
发明内容
本发明针对上述疏浚施工中存在的问题,提出一种在疏浚施工中进行同步实时波浪测量,并根据波浪测量数据对挖泥船受波浪作用产生的升沉量进行计算,以及对疏浚设备下放深度的及时调整和主动补偿,从而提高疏浚设备水下下放精度,提高疏浚效率。
为了实现通过对疏浚挖泥船在波浪作用下船体运动的预测,从而提高疏浚设备施工精度及效率的目的,本发明采用以下技术方案实现:
疏浚船实时波浪预测方法,其特征在于,
1)在挖泥船设置船载波浪传感器对施工水域波浪条件的同步监测,用于监测施工水域当前波浪的波高H和周期T,作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分;
2)设置船载视频传感器,监测施工水域范围内的海面波浪情况,定时捕捉施工过程时间序列的海面图像,预处理,作标签,为步骤3)提供训练样本集。
(3)利用现有神经网络技术,通过实测数据开展学习训练,建立波浪场的预测模型。
即:实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列,因为每个像素点在时间序列里面组成一个向量,整个过程,也就是所有像素点的信息组成完整的输入矩阵,输出预测下一波浪的波高、周期数值H’、T’,提供给步骤(6)。
(5)以船载姿态传感器监测船体当前的船体运动数据,提供给步骤(6)。
(6)以步骤(4)波浪预测的波高H’及周期数值T’,和步骤(5)得到的船体当前的船体运动数据,利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态,得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz,提供给步骤(7)。
(7)读取下一时间点t施工水域的水深值D,潮位站播报的潮位值Wl,根据步骤(6)得到的Δz,计算下一时间点的疏浚设备深度S=D+Wl-Δz。
(8)根据步骤(7)计算结果,根据疏浚设备受船体运动影响,优化疏浚设备下放深度等施工参数。
本发明对施工过程中的施工局部海域进行分析,通过得到的实时分析数据,优化疏浚设备下放深度等施工参数,提高施工效率。
附图说明
图1本发明系统
图2本发明方法过程图
图3波向检测算法原理图
图4多层神经网络示意图
图5神经网络算法过程
具体实施方式
结合附图对本发明技术方案做进一步说明。
本发明方法,如图1、图2所示。
1)在挖泥船设置船载波浪传感器(声学传感器)对施工水域波浪条件的同步监测,用于监测施工水域当前波浪的波高H和周期T,作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分;
2)设置船载视频传感器(视频传感器),监测施工水域周边十数km范围内的海面波浪情况,定时捕捉施工过程时间序列的海面图像,预处理,作标签,为步骤3)提供训练样本集。具体步骤为:
利用船载视频传感器监测挖泥船作业水域的海面波浪情况,得到随施工过程时间序列的像素图片;对时间序列像素图片进行预处理,对明暗的特征像素进行数字化;运用波向检测算法对明暗的特征像素进行图像信息分析,得到对应的波向信息,并以该波向信息对图像序列的特征像素进行标签,形成了标记有波向信息的数字化图像序列,提供给步骤(3)。
如图3所示:
S2.1视频单帧图像采集,进行图像数字化:
具体来说,就是把一幅图画分割成一个个小区域(像元或像素),并将各小区域灰度用整数来表示,形成一幅数字图像。它包括扫描、采样、量化三个过程。小区域的位置和灰度就是像素的属性。
扫描-对一幅图像内给定位置的寻址把图像划分为矩形网格,即光栅扫描的最小单元为像素。
采样-在一幅图像的每个像素位置上测量灰度值传感元件将光亮度转化为电压值对图像信号的定义域离散化。数字化采样一般是按正方形点阵取样的,除此之外还有三角形点阵、正六角形点阵取样。
量化-将测量的灰度值用整数表示通过模数转化器实现对图像信号的值域离散化。设连续图像f(x,y)经数字化后,可以用一个离散量组成的矩阵g(i,j)(即二维数组)来表示。
由于g(i,j)代表该点图像的光强度,而光是能量的一种形式,故g(i,j)必须大于零,且为有限值,即:0<g(i,j)<∞。
以上是用g(i,j)的数值来表示位置点(i,j)上灰度级值的大小,即只反映了黑白灰度的关系,如果是一幅彩色图像,各点的数值还应当反映色彩的变化,可用g(i,j,λ)表示,其中λ是波长。
最终,本发明运动的连续彩色图像,则还应是时间t的函数,即可表示为g(i,j,λ,t),提供给S2.2。
S2.2图像信息数字化、检测波向
S2.2.1定向切面预处理:对上述获得的单帧数字化的时间序列图像g(i,j,λ,t),从一帧图像内沿某一取向截取线条状图像切片,再对后续的连续相邻帧在相同位置处用同样方式截取线条状图像切片;
S2.2.2获得时栈图像:依据图像原先的时间序列过程进行图像切片堆叠,形成时栈图像,逐个进行步骤S2.2.3操作;
S2.2.3图像投影变换:对时栈图像投影变换,具体可应用Radon变换方式来实现;
S2.2.4获得波浪速度、方向:即获得单帧图像波浪的模糊前进方向;
S2.2.5依据波浪在海面传播时波峰和波谷具有的纹理特征,应用分水岭变换对波谷形态判断后检测出与波峰波谷带垂直的方向(即为180°的波浪传播方向);根据时栈序列,逐个提供给步骤S2.2.6;
S2.2.6再结合时栈序列,去除方向模糊,获得确定的波浪传播方向,最终获得标有波向信息的数字化图像序列,作为样本x提供给步骤3用于训练或者在监测位置对拍摄图像作为预测对象前的预处理。
所述分水岭变换分割算法,把图像看成一幅“地形图”,其中亮度比较强的区域像素值较大,而比较暗的区域像素值较小,通过寻找“汇水盆地”和“分水岭界限”,对图像进行分割。直接应用分水岭变换分割算法的效果往往并不好,如果在图像中对前景对象和背景对象进行标注区别,再应用分水岭算法会取得较好的分割效果。
(3)利用现有神经网络技术,通过实测数据开展学习训练,建立波浪场的预测模型。
一方面,搭建深度学习多层神经网络(Multi-layer Perceptron Model),该网络模型包括样本输入层、若干隐藏层、输出层,设置多个隐藏层,建立多层预测模型
其中,l为当前层的序数,若l层有n个神经元,k为当前节点,则是当前节点神经元的权重系数,是l-1层在节点k的激活,f是每层的输出函数,Nl-1是连接层数,是隐藏层的偏差值,是l层第n个神经元的输出值。
如图4所示,
a、y分别是神经网络的输入、输出向量,神经元用节点表示,网络由输入层、隐层和输出层节点组成,隐层可一层,也可多层,前层至后层节点通过权联接。网络不仅含有输入节点和输出节点,而且含有一个或多个隐层。输入信号先向前传递到隐层节点,经过作用后,再把隐层节点的输出信息传递到输出节点,最后输出结果。
第二方面,利用多层预测神经网络算法建立映射矩阵网络训练的输出值是y,实测值是所谓映射矩阵,即将前一层每个单元的信号传递至下一层各个单元中的转换系数(或者理解成权重系数)组成的矩阵,针对每一层每个单元都有一个转换系数,可以将系数变成矩阵的表达式,有利于对于神经网络信息传递的直观理解。
所述的预测网络算法为(如图5所示):
输出层的正向计算结果与相应的输出端进行对比,如果精度不能满足设计者的初始设定,则将进行误差的反向传递过程;
根据损失函数反向传播偏差对于每一个l=L,L-1,…,2,bl=((wl+1)Tbl+1)·f′(al),根据反向逐层传递的误差,调整整个网络中映射矩阵的权值和阈值,反复迭代计算,直至网络的预测输出y逼近实测则认为该网络达到了训练目标。
第三方面,神经网络预测的实质就是寻找最优的映射矩阵参数,即权重矩阵w和偏差矩阵b,使网络最终的输出值与实测的波高H、周期T最为接近,为了量化这些指标,则一般定义损失函数为:
式中:w是权重矩阵;b是所有偏差的集合;m是输入的训练样本数;an是输出向量(其值依赖x,w,b);x是训练图像的信息,即样本;||||是表示向量的范数,即向量的长度;C损失函数,当C接近于0则表示网络的学习效果越好。
后一层的二次损失函数为:
第四方面,训练样本时,以步骤2.3)中标记了波向信息的数字化图像序列作为神经网络训练数据的模型输入信息;采用步骤1)中波浪传感器对当前水域监测波浪的波高、周期数值H、T作为步骤(3)神经网络训练输出响应;运用神经网络预测模型进行强化学习训练。强化学习训练中,使损失函数L的值最小化,从而得到映射矩阵的最优参数,该映射矩阵最优参数即神经网络传递过程中的权重系数。
所述强化学习训练是,提供输入数据,根据模型判别的结果,给出正确答案,以此来训练模型的一个过程;该过程应用于本发明,船载波浪传感器能够测到挖泥船当前小区域水域的波高,以视频图像中对应于该小区域的图像作为输入,以当前波浪传感器测得的波高值作为正确答案,对神经网络进行训练,优化网络的映射矩阵。
(4)以船载波浪传感器监测位置的拍摄图像作为输入矩阵,以传感器测得的波高值作为目标值,利用步骤(3)驯化后的映射矩阵预测施工作业区水域未来的波浪条件,提高识别水面波高特征的精确度。
即:实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列,因为每个像素点在时间序列里面组成一个向量,整个过程,也就是所有像素点的信息组成完整的输入矩阵,输出预测下一波浪的波高、周期数值H’、T’,提供给步骤(6)。
(5)以船载姿态传感器监测船体当前的船体运动数据,提供给步骤(6)。
(6)以步骤(4)波浪预测的波高H’及周期数值T’,和步骤(5)得到的船体当前的船体运动数据,利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态,得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz,提供给步骤(7)。
(7)读取下一时间点t施工水域的水深值D,潮位站播报的潮位值Wl,根据步骤(6)得到的Δz,计算下一时间点的疏浚设备深度S=D+Wl-Δz。
(8)根据步骤(7)计算结果,根据疏浚设备受船体运动影响,优化疏浚设备下放深度等施工参数。
本发明对施工过程中的施工局部海域进行分析,通过得到的实时分析数据,优化疏浚设备下放深度等施工参数,提高施工效率。
Claims (7)
1.工程船实时波浪预测方法,其特征在于,包括如下步骤
(1)在挖泥船设置船载波浪传感器对施工水域波浪条件的同步监测,用于监测施工水域当前波浪的波高H和周期T,作为神经网络输入的一部分提供给步骤3)为步骤3)提供预测模型的响应部分;
(2)在挖泥船设置设置船载视频传感器,监测施工水域范围内的海面波浪情况,定时捕捉施工过程时间序列的海面图像,预处理,作标签,为步骤3)提供训练样本集;
(3)利用现有神经网络技术,通过实测数据开展学习训练,建立波浪场的预测模型;
(4)以船载波浪传感器监测位置的拍摄图像作为输入矩阵,以传感器测得的波高值作为目标值,实时向给神经网络模型输入预测施工作业区水域图像对应的标记了波向信息的数字化图像序列,输出预测下一波浪的波高、周期数值H’、T’,提供给步骤(6);
(5)以船载姿态传感器监测船体当前的船体运动数据,提供给步骤(6);
(6)以步骤(4)波浪预测的波高H’及周期数值T’,和步骤(5)得到的船体当前运动数据,利用现有的CFD软件Fluent建立的船体运动模型计算获得下一时间点t+1时刻的船体运动姿态,得到随船体运动的疏浚设备在垂向空间的绝对运动值Δz,提供给步骤(7)。
(7)读取下一时间点t施工水域的水深值D,潮位站播报的潮位值Wl,根据步骤(6)得到的Δz,计算下一时间点的疏浚设备深度S=D+Wl-Δz。
(8)根据步骤(7)计算结果,根据疏浚设备受船体运动影响,确定疏浚设备下放深度施工参数。
2.如权利要求1所述的方法,其特征在于,所述步骤2:利用船载视频传感器监测挖泥船作业水域的海面波浪情况,得到随施工过程时间序列的像素图片;对时间序列像素图片进行预处理,对明暗的特征像素进行数字化;运用波向检测算法对明暗的特征像素进行图像信息分析,得到对应的波向信息,并以该波向信息对图像序列的特征像素进行标签,形成了标记有波向信息的数字化图像序列,提供给步骤(3)。
3.如权利要求2所述的方法,其特征在于,具体为
S2.1 视频单帧图像采集,进行图像数字化
把一幅图画分割成一个个小区域(像元或像素),并将各小区域灰度用整数来表示,形成一幅数字图像,它包括扫描、采样、量化三个过程;
扫描—对一幅图像内给定位置的寻址把图像划分为矩形网格,即光栅扫描的最小单元为像素;
采样—在一幅图像的每个像素位置上测量灰度值传感元件将光亮度转化为电压值对图像信号的定义域离散化;
量化—将测量的灰度值用整数表示通过模数转化器实现对图像信号的值域离散化;设连续图像f(x,y)经数字化后,用一个离散量组成的矩阵g(i,j)来表示,
运动的连续彩色图像,是时间t的函数,表示为g(i,j,λ,t),提供给S2.2;
S2.2 图像信息数字化、检测波向
S2.2.1 定向切面预处理:对上述获得的单帧数字化的时间序列图像g(i,j,λ,t),从一帧图像内沿某一取向截取线条状图像切片,再对后续的连续相邻帧在相同位置处用同样方式截取线条状图像切片;
S2.2.2 获得时栈图像:依据图像原先的时间序列过程进行图像切片堆叠,形成时栈图像,逐个进行步骤S2.2.3操作;
S2.2.3 图像投影变换:对时栈图像投影变换,具体应用Radon变换方式来实现;
S2.2.4 获得波浪速度、方向:即获得单帧图像波浪的模糊前进方向;
S2.2.5 依据波浪在海面传播时波峰和波谷具有的纹理特征,应用分水岭变换对波谷形态判断后检测出与波峰波谷带垂直的方向;根据时栈序列,逐个提供给步骤S2.2.6;
S2.2.6 再结合时栈序列,去除方向模糊,获得确定的波浪传播方向,最终获得标有波向信息的数字化图像序列,作为样本x提供给步骤3用于训练或者在监测位置对拍摄图像作为预测对象前的预处理。
6.如权利要求5所述的方法,其特征在于,所述的预测网络算法为:先给定一组输入样本,其中神经网络的输入端为x,即样本特征参数的集合,则为对应的神经网络输出端;输入样本从网络的输入端经过n个隐藏层逐层进行处理,每个隐藏层节点的输出为
输出层的正向计算结果与相应的输出端进行对比,如果精度不能满足设计者的初始设定,则将进行误差的反向传递过程;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861814.7A CN110674980B (zh) | 2019-09-12 | 2019-09-12 | 工程船实时波浪预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861814.7A CN110674980B (zh) | 2019-09-12 | 2019-09-12 | 工程船实时波浪预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674980A true CN110674980A (zh) | 2020-01-10 |
CN110674980B CN110674980B (zh) | 2023-01-03 |
Family
ID=69077768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910861814.7A Active CN110674980B (zh) | 2019-09-12 | 2019-09-12 | 工程船实时波浪预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674980B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070893A (zh) * | 2020-09-15 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
CN112762935A (zh) * | 2020-12-23 | 2021-05-07 | 赫星(厦门)电子有限公司 | 一种基于船体姿态监测的定位方法及系统 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
CN113759913A (zh) * | 2021-09-04 | 2021-12-07 | 杭州西湖喷泉设备成套有限公司 | 一种漂浮水秀平台位置纠偏方法、系统及存储介质 |
CN114592482A (zh) * | 2022-03-04 | 2022-06-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种移动式高精度水下分层吹填控制施工方法 |
CN114677324A (zh) * | 2022-01-20 | 2022-06-28 | 强企创新科技有限公司 | 水深检测方法及系统 |
CN116147587A (zh) * | 2023-04-17 | 2023-05-23 | 南开大学 | 一种波浪预测方法及波浪测量系统 |
CN114677324B (zh) * | 2022-01-20 | 2024-06-07 | 强企创新科技有限公司 | 水深检测方法及系统 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0106205A1 (de) * | 1982-09-23 | 1984-04-25 | Honeywell-Elac-Nautik GmbH | Echoloteinrichtung mit Wellenhöhenausgleich |
US5190107A (en) * | 1991-04-23 | 1993-03-02 | Shell Oil Company | Heave compensated support system for positioning subsea work packages |
CN1986980A (zh) * | 2005-12-21 | 2007-06-27 | 中国交通建设集团有限公司 | 耙吸挖泥船疏浚施工自动寻优方法 |
JP2008020279A (ja) * | 2006-07-12 | 2008-01-31 | Tokai Univ | 水底土砂厚計測装置および漂砂観測システム |
US20090043436A1 (en) * | 2005-04-15 | 2009-02-12 | Kazuyuki Igarashi | Automatic Vessel Position Holding Control Method and Controller |
JP2010159165A (ja) * | 2009-10-14 | 2010-07-22 | Toyo Constr Co Ltd | 水中作業用吊り具 |
CN102718300A (zh) * | 2012-07-11 | 2012-10-10 | 中交天津港航勘察设计研究院有限公司 | 环保疏浚余水计量混凝处理方法及其装置 |
CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
CN204803944U (zh) * | 2015-06-23 | 2015-11-25 | 深圳滨海万盈海洋工程技术有限公司 | 一种基于波浪补偿器的桥架自动化装置 |
KR20160146179A (ko) * | 2015-06-12 | 2016-12-21 | 삼성중공업 주식회사 | 조파저항 저감형 선박 |
CN106529570A (zh) * | 2016-10-14 | 2017-03-22 | 西安电子科技大学 | 基于深度脊波神经网络的图像分类方法 |
CN106898180A (zh) * | 2017-03-14 | 2017-06-27 | 中交疏浚技术装备国家工程研究中心有限公司 | 耙吸船模拟仿真系统 |
CN107145070A (zh) * | 2017-05-02 | 2017-09-08 | 同济大学 | 一种用于高海况作业浮吊的模糊变结构波浪补偿方法 |
CN108442446A (zh) * | 2018-03-05 | 2018-08-24 | 中交疏浚技术装备国家工程研究中心有限公司 | 耙吸挖泥船全自动挖泥控制系统及方法 |
CN108678776A (zh) * | 2018-03-29 | 2018-10-19 | 中交路桥北方工程有限公司 | 砂质黏土地质隧道冒顶处理方法 |
CN108805100A (zh) * | 2018-06-25 | 2018-11-13 | 大连理工大学 | 二维海况下基于波群特性的畸形波短期预报方法及应用 |
WO2019000854A1 (zh) * | 2017-03-28 | 2019-01-03 | 江苏科技大学 | 一种波浪补偿打捞机器人系统 |
CN109359787A (zh) * | 2018-12-06 | 2019-02-19 | 上海海事大学 | 一种小范围海域多模态海浪预测系统及其预测方法 |
CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿系统的姿态预测方法 |
JP2019120490A (ja) * | 2017-12-28 | 2019-07-22 | シスメット株式会社 | 波浪観測通知システム |
-
2019
- 2019-09-12 CN CN201910861814.7A patent/CN110674980B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0106205A1 (de) * | 1982-09-23 | 1984-04-25 | Honeywell-Elac-Nautik GmbH | Echoloteinrichtung mit Wellenhöhenausgleich |
US5190107A (en) * | 1991-04-23 | 1993-03-02 | Shell Oil Company | Heave compensated support system for positioning subsea work packages |
US20090043436A1 (en) * | 2005-04-15 | 2009-02-12 | Kazuyuki Igarashi | Automatic Vessel Position Holding Control Method and Controller |
CN1986980A (zh) * | 2005-12-21 | 2007-06-27 | 中国交通建设集团有限公司 | 耙吸挖泥船疏浚施工自动寻优方法 |
JP2008020279A (ja) * | 2006-07-12 | 2008-01-31 | Tokai Univ | 水底土砂厚計測装置および漂砂観測システム |
JP2010159165A (ja) * | 2009-10-14 | 2010-07-22 | Toyo Constr Co Ltd | 水中作業用吊り具 |
CN102718300A (zh) * | 2012-07-11 | 2012-10-10 | 中交天津港航勘察设计研究院有限公司 | 环保疏浚余水计量混凝处理方法及其装置 |
CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
KR20160146179A (ko) * | 2015-06-12 | 2016-12-21 | 삼성중공업 주식회사 | 조파저항 저감형 선박 |
CN204803944U (zh) * | 2015-06-23 | 2015-11-25 | 深圳滨海万盈海洋工程技术有限公司 | 一种基于波浪补偿器的桥架自动化装置 |
CN106529570A (zh) * | 2016-10-14 | 2017-03-22 | 西安电子科技大学 | 基于深度脊波神经网络的图像分类方法 |
CN106898180A (zh) * | 2017-03-14 | 2017-06-27 | 中交疏浚技术装备国家工程研究中心有限公司 | 耙吸船模拟仿真系统 |
WO2019000854A1 (zh) * | 2017-03-28 | 2019-01-03 | 江苏科技大学 | 一种波浪补偿打捞机器人系统 |
CN107145070A (zh) * | 2017-05-02 | 2017-09-08 | 同济大学 | 一种用于高海况作业浮吊的模糊变结构波浪补偿方法 |
JP2019120490A (ja) * | 2017-12-28 | 2019-07-22 | シスメット株式会社 | 波浪観測通知システム |
CN108442446A (zh) * | 2018-03-05 | 2018-08-24 | 中交疏浚技术装备国家工程研究中心有限公司 | 耙吸挖泥船全自动挖泥控制系统及方法 |
CN108678776A (zh) * | 2018-03-29 | 2018-10-19 | 中交路桥北方工程有限公司 | 砂质黏土地质隧道冒顶处理方法 |
CN108805100A (zh) * | 2018-06-25 | 2018-11-13 | 大连理工大学 | 二维海况下基于波群特性的畸形波短期预报方法及应用 |
CN109359787A (zh) * | 2018-12-06 | 2019-02-19 | 上海海事大学 | 一种小范围海域多模态海浪预测系统及其预测方法 |
CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿系统的姿态预测方法 |
Non-Patent Citations (5)
Title |
---|
GE YANG ET AL: "Prediction of Ship Motion Attitude Based on BP Network", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE》 * |
王健等: "大型绞吸船桥架波浪补偿系统应用研究", 《船舶》 * |
王元战等: "风浪流作用下耙吸式挖泥船运动数值模拟", 《中国造船》 * |
解迎刚: "基于卡尔曼滤波的主动波浪补偿系统研究", 《计算机工程与应用》 * |
郝宇驰: "耙吸挖泥船装舱溢流过程中非黏性泥沙沉积与冲刷的模拟", 《水运工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070893A (zh) * | 2020-09-15 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
CN112070893B (zh) * | 2020-09-15 | 2024-04-02 | 大连理工大学 | 一种基于深度学习的动态海面三维建模方法及存储介质 |
CN112762935A (zh) * | 2020-12-23 | 2021-05-07 | 赫星(厦门)电子有限公司 | 一种基于船体姿态监测的定位方法及系统 |
CN112762935B (zh) * | 2020-12-23 | 2022-08-12 | 赫星(厦门)电子有限公司 | 一种基于船体姿态监测的定位方法及系统 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
CN113759913A (zh) * | 2021-09-04 | 2021-12-07 | 杭州西湖喷泉设备成套有限公司 | 一种漂浮水秀平台位置纠偏方法、系统及存储介质 |
CN113759913B (zh) * | 2021-09-04 | 2024-03-15 | 杭州西湖喷泉设备成套有限公司 | 一种漂浮水秀平台位置纠偏方法、系统及存储介质 |
CN114677324A (zh) * | 2022-01-20 | 2022-06-28 | 强企创新科技有限公司 | 水深检测方法及系统 |
CN114677324B (zh) * | 2022-01-20 | 2024-06-07 | 强企创新科技有限公司 | 水深检测方法及系统 |
CN114592482A (zh) * | 2022-03-04 | 2022-06-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种移动式高精度水下分层吹填控制施工方法 |
CN114592482B (zh) * | 2022-03-04 | 2024-01-19 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种移动式高精度水下分层吹填控制施工方法 |
CN116147587A (zh) * | 2023-04-17 | 2023-05-23 | 南开大学 | 一种波浪预测方法及波浪测量系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110674980B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674980B (zh) | 工程船实时波浪预测方法 | |
CN109375235B (zh) | 基于深度强化神经网络的内河船舶干舷检测方法 | |
KR20200007084A (ko) | 장면의 다차원 특징을 기반으로 하는 선박 탐지 방법 및 시스템 | |
CN109359557B (zh) | 一种基于迁移学习的sar遥感图像舰船检测方法 | |
CN112883861B (zh) | 一种基于鱼群摄食状态细粒度分类的反馈式投饵控制方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN114266977A (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN114722900A (zh) | 一种机载雷达测深浅海底质分类方法 | |
CN114612454A (zh) | 一种鱼类摄食状态检测方法 | |
Liniger et al. | On the autonomous inspection and classification of marine growth on subsea structures | |
Ovchinnikova et al. | Exploring the potential to use low cost imaging and an open source convolutional neural network detector to support stock assessment of the king scallop (Pecten maximus) | |
CN117172372A (zh) | 一种台风路径预测的方法及系统 | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
CN112632868B (zh) | 高频地波雷达观测径向流缺失值的填补修正方法及系统 | |
CN113763471A (zh) | 一种基于视觉的弹孔检测方法及系统 | |
KR20210150776A (ko) | 해상이미지의 기계학습을 통한 파랑정보 추정시스템 | |
CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 | |
KR20210150790A (ko) | 인식률을 높인 해상이미지의 기계학습을 통한 파랑정보 추정시스템 | |
CN113989665B (zh) | 一种基于路由聚合感知fpn的sar船只检测方法 | |
Yan et al. | Optical remote sensing image waters extraction technology based on deep learning context-unet | |
CN113888362B (zh) | 一种基于时空张量特征的压路机施工轨迹识别方法 | |
CN116823838B (zh) | 高斯先验标签分配与特征解耦的海洋船舶检测方法与系统 | |
CN114022778B (zh) | 一种基于显著性cnn的sar靠岸船只检测方法 | |
CN113450349B (zh) | 基于人工智能的水利工程水闸管理方法及系统 | |
Zhou et al. | GRD: An Ultra-Lightweight SAR Ship Detector Based on Global Relationship Distillation |
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 |