CN111639397B - 一种基于bp神经网络的大风作用下船舶断缆预警方法 - Google Patents
一种基于bp神经网络的大风作用下船舶断缆预警方法 Download PDFInfo
- Publication number
- CN111639397B CN111639397B CN202010474499.5A CN202010474499A CN111639397B CN 111639397 B CN111639397 B CN 111639397B CN 202010474499 A CN202010474499 A CN 202010474499A CN 111639397 B CN111639397 B CN 111639397B
- Authority
- CN
- China
- Prior art keywords
- ship
- neural network
- model
- max
- parameters
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009471 action Effects 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000000746 purification Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 11
- 230000005484 gravity Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B71/00—Designing vessels; Predicting their performance
- B63B71/10—Designing vessels; Predicting their performance using computer simulation, e.g. finite element method [FEM] or computational fluid dynamics [CFD]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B71/00—Designing vessels; Predicting their performance
- B63B71/20—Designing vessels; Predicting their performance using towing tanks or model basins for designing
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Computer Hardware Design (AREA)
- Ocean & Marine Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于BP神经网络的大风作用下船舶断缆预警方法,本发明综合利用物理模型试验、参数无因次化、BP神经网络方法,创建了一个只要输入船舶长度、船舶宽度、船舶净水高度、船舶干舷高度、靠泊船舶所在码头高度、系缆根数及风速七项数据参数值即可算出未来一段时间内靠泊于港内码头的船舶在大风或台风天气下缆绳最大受力的数值结果,通过判断受力与缆绳实际的最大受力对比即可实时破断处断缆情况,采用BP神经网络的准确度高,更加贴近事实。
Description
技术领域
本发明属于船舶航行安全领域,尤其是涉及一种基于BP神经网络的大风作用下船舶断缆预警方法。
背景技术
随着船舶大型化发展,船舶断缆问题已成为船舶生产事故发生的重要原因。目前,很多船舶装有系泊缆绳受力监测系统,从系统中可以获取缆绳实时受力数据,但无法掌握缆绳随外界环境变化的未来状态,一旦船舶缆绳受力超过极限值,即会发生断缆,引发事故。因此,需要对船舶系泊缆力未来变化情况进行预测,提前判断系泊缆绳在风浪流等作用下所能承载的最大缆力,是解决船舶系泊安全问题的重要研究方向。
目前,对船舶系泊缆力的研究主要有物理模型试验和数值模拟方法。物理模型试验是将浮式结构和系泊系统按照一定的比尺缩小后,在其上施加一定的风、浪、流等环境条件,测量系统的运动响应,在模拟条件相对不很苟刻时较为接近真实情况,但在模拟条件要求较高的情况下模拟结果与真实情况还是有所出入的。数值模拟与物理模型试验相比具有经济、快速的优点,但需要的假设条件较多。且现有两种方法只能计算历史或当前船舶缆绳受力的变化,而对未来一段时间内容船舶缆绳受力情况不能预测。
发明内容
本发明要解决的技术问题是:提供一种基于BP神经网络的大风作用下船舶断缆预警方法,解决现有物理模型试验只能模拟简单情况下的船舶断缆情况,与实际复杂情况差距较大的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种基于BP神经网络的大风作用下船舶断缆预警方法,包括如下步骤:
步骤一、建立物理模型,获取船舶断缆时不同情况下的数据作为BP神经网络模型所需的训练数据集;
步骤1、确定输入参数和输出参数
定义影响船舶缆绳断裂的主要因素为输入船舶长度LOA、船舶宽度B、船舶净水高度HBR、船舶干舷高度HSRHSR、靠泊船舶所在码头高度HD、系缆根数和风速七项因素作为船舶断缆时的输入参数,根据现有文献,船舶靠泊在港内时,影响缆绳受力的变量有船舶长度、船舶宽度、船舶吃水、船舶总吨位 (含货物)、净水高度、干舷高度、船舶重心到船首距离、船舶重心到船底距离、水线以上船舶正投影面积、水线以上船舶侧投影面积、水线以上侧投影形心至船首距离、水线以上侧投影形心至水线距离、船舶甲板上微小物件侧投影形心至船首距离、船舶浮心位置、靠泊水深、码头出水高度、波高、波浪周期、海水密度、风速、风舷角、空气密度、重力加速度、轴向投影面积 24个变量,由于变量相当多,属多变量分析的问题,若直接采用这24个因素来做分析,势必需要大量的样本或情境,且现实环境也不允许。为能顺利进行研究,根据物理模型试验结果的回归分析及相关文献,从24个变量中,筛选出对船舶缆绳受力最为重要的七项数据作为主要输入参数,定义在七项因素作用下的缆绳最大受力Fmax为船舶断缆时的输出参数;
步骤2、建立并验证模型准确性
将船舶等比例缩小制作出模型船,将模型船安置于水槽的码头岸边,缆绳的一端系于船舶的系缆桩上,另一端则穿过转向环,系于放置在岸边的拉力计上,通过拉力计检测模型的受力F检测,通过公式计算船舶的理论受力FWD,对比F检测和FWD,若F检测和FWD的差值的绝对值不大于10%FWD则模型船符合要求;
步骤3、获得数据集
在模型船达标后测得N组在不同输入参数组合下的,输出参数值,每组输入参数的组合和输出参数构成一组参数,N组参数构成BP神经网络模型所需的数据集;
步骤二、对各个参数进行无因次化分析
以船长为特征长度,则靠泊于码头之船舶在风力作用下,分析船舶系泊缆绳受力采用的无因次参数分别为B/LOA、HBR/LOA、HSR/LOA、HD/LOA、θ,并将以上参数作为BP神经网络的输入参数,BP神经网络的输出参数无因次参数则为其中ρa为空气密度(kg/m3),Va为风速(m/s);定义输入和输出之间的咋BP神经网络内的关系为φ,则
步骤三、构建BP神经网络模型
BP神经网络模型中共有三层,第一层是输入层,作为外界输入信息的传递接口,并不对数据做特别处理,第二层、第三层的隐藏层与输出层的神经元利用权重值乘积和偏权值调整并加上激活函数处理进行仿真,
定义x1为B/LOA的正规化后的值,x2为HBR/LOA的正规化后的值,x3为HSR/ LOA的正规化后的值,x4为HD/LOA的正规化后的值,x5为θ的正规化后的值,y 为正规化的值,将x1、x2、x3、x4、x5五个正规化的参数作为BP神经网络输入神经元的输入值;将y作为BP神经网络输入神经元的输出值
x1=(B/LOA—max(B/LOA))/(max(B/LOA)-min(B/LOA))
x2=(HBR/LOA—max(HBR/LOA))/(max(HBR/LOA)-min(HBR/LOA))
x3=(HSR/LOA—max(HSR/LOA))/(max(HSR/LOA)-min(HSR/LOA))
x4=(HD/LOA—max(HD/LOA)/(max(HD/LOA)-min(HD/LOA))
x5=(θ—max(θ))/(max(θ)-min(θ))
将获得训练数据集中的数据分为两组,第一组数据的数量大于第二组数据的数量,将第一组数据作为BP神经网络的训练数据,第二组数据作为验证数据,从而建立BP神经网络模型,
步骤四、验证模型准确性
将明所建BP神经网络的最后训练结果还原为缆绳之最大受力,并计算整体相对误差。采用误差计算公式:误差公式中,下标i表是样本在该群集之编号,N是指样本个数,下标o表示是量测得到的资料,而下标result则是计算的结果计算本发明所构建模型的误差,计算结果显示相对误差大于10%,则重复步骤3直至计算结果显示的相对误差小于 10%%,则模型创建完毕。
所述的FWD所用的计算公式为:
所述的步骤三中的激活函数为S型函数
本发明的有益效果是:本发明综合利用物理模型试验、参数无因次化、 BP神经网络方法,创建了一个只要输入船舶长度、船舶宽度、船舶净水高度、船舶干舷高度、靠泊船舶所在码头高度、系缆根数及风速七项数据参数值即可算出未来一段时间内靠泊于港内码头的船舶在大风或台风天气下缆绳最大受力的数值结果,通过判断受力与缆绳实际的最大受力对比即可实时破断处断缆情况,采用BP神经网络的准确度高,更加贴近实际情况。
附图说明
图1为船舶断缆预警BP神经网络模型示意图。
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。
一种基于BP神经网络的风浪作用下船舶断缆预警方法,包括如下步骤:步骤一、建立物理模型,获取船舶断缆时不同情况下的数据作为BP神经网络模型所需的训练数据集;
步骤1、确定输入参数和输出参数
定义影响船舶缆绳断裂的主要因素为输入船舶长度LOA、船舶宽度B、船舶净水高度HBR、船舶干舷高度HSRHSR、靠泊船舶所在码头高度HD、系缆根数和风速七项因素作为船舶断缆时的输入参数,根据现有文献,船舶靠泊在港内时,影响缆绳受力的变量有船舶长度、船舶宽度、船舶吃水、船舶总吨位(含货物)、净水高度、干舷高度、船舶重心到船首距离、船舶重心到船底距离、水线以上船舶正投影面积、水线以上船舶侧投影面积、水线以上侧投影形心至船首距离、水线以上侧投影形心至水线距离、船舶甲板上微小物件侧投影形心至船首距离、船舶浮心位置、靠泊水深、码头出水高度、波高、波浪周期、海水密度、风速、风舷角、空气密度、重力加速度、轴向投影面积24个变量,由于变量相当多,属多变量分析的问题,若直接采用这24个因素来做分析,势必需要大量的样本或情境,且现实环境也不允许。为能顺利进行研究,根据物理模型试验结果的回归分析及相关文献,从24个变量中,筛选出对船舶缆绳受力最为重要的七项数据作为主要输入参数,定义在七项因素作用下的缆绳最大受力Fmax为船舶断缆时的输出参数;
步骤2、建立并验证模型准确性
将船舶等比例缩小制作出模型船,将模型船安置于水槽的码头岸边,缆绳的一端系于船舶的系缆桩上,另一端则穿过转向环,系于放置在岸边的拉力计上,通过拉力计检测模型的受力F检测,采用只有两条缆绳的绑法,即经过转向环的和没有经过转向环的绑法。以风向垂直于船轴中心线的方式,让风吹向模型船的侧面,量测拉力,做进一步分析。由于只有绑两条缆绳,再加上缆绳角度已知,即可直接由静力平衡分析算出船舶所受风压合力与方向,通过公式计算船舶的理论受力式中, FWD为风压合力,ra为空气密度;Af为水线以上船舶正投影面积;AS为水线以上船舶侧投影面积;Va是相对风速;θ是风舷角;CWF(aR)为风压合力系数。
对比F检测和FWD,若F检测和FWD的差值的绝对值不大于10%FWD则模型船符合要求;
具体在检验时候的参考数据如下:
|sherwood(1972)是目前国际通用的计算船舶风压合力的计算公式,具体就是
根据以上数据可以得到从上至下对应的F检测和FWD的差值的绝对值和FWD 的比值计算结果依次如下:8.6%,8.3%,7.4%,7%,8.9%,1%,9%,7.6%,8.9%, 7%,6.9%,8.9%,8%,9%,8%,9%,7.9%,8.9%,9.2%,7.9%,6.9%,7.9%, 7.9%,4.8%,以上结果均小于10%。
步骤3、获得数据集
对目前常用的两种船舶系缆方式:第一种首缆、尾缆、前倒缆、后倒缆各2 条,合计8条缆绳系缆方式;第二中为首缆2条,尾缆2条,加前倒缆1条,合计5条缆绳的系缆方式,进行不同外界情况下缆绳受力测算。采用3种不同的吃水深度,5种风向,4种不同的风速情况,这样每种系缆方式下均会获取60个数据作为BP神经网络模型的训练和测算数据集在模型船达标后测得 60组在不同输入参数组合下的,输出参数值,每组输入参数的组合和输出参数构成一组参数,60组参数构成BP神经网络模型所需的数据集;
步骤二、对各个参数进行无因次化分析以船长为特征长度,则靠泊于码头之船舶在风力作用下,分析船舶系泊缆绳受力采用的无因次参数分别为B/LOA、HBR/LOA、HSR/LOA、HD/LOA、θ,并将以上参数作为BP神经网络的输入参数,BP神经网络的输出参数无因次参数则为其中ρa为空气密度(kg/m3),Va为风速(m/s);定义输入和输出之间的咋BP神经网络内的关系为φ,则
步骤三、构建BP神经网络模型
BP神经网络模型中共有三层,第一层是输入层,作为外界输入信息的传递接口,并不对数据做特别处理,第二层、第三层的隐藏层与输出层的神经元利用权重值乘积和偏权值调整并加上激活函数处理进行仿真,激活函数为常用的S型函数
为了进行系泊缆力BP神经网络预报模式的构建,我们首先将物理模型试验获取的包含60个情境数据集进行正规化,让其值的范围变成0~1。具体做法为:定义x1为B/LOA的正规化后的值,x2为HBR/LOA的正规化后的值,x3为HSR/ LOA的正规化后的值,x4为HD/LOA的正规化后的值,x5为θ的正规化后的值,y 为正规化的值,将x1、x2、x3、x4、x5五个正规化的参数作为BP神经网络输入神经元的输入值;将y作为BP神经网络输入神经元的输出值
x1=(B/LOA—max(B/LOA))/(max(B/LOA)-min(B/LOA))
x2=(HBR/LOA—max(HBR/LOA))/(max(HBR/LOA)-min(HBR/LOA))
x3=(HSR/LOA—max(HSR/LOA))/(max(HSR/LOA)-min(HSR/LOA))
x4=(HD/LOA—max(HD/LOA)/(max(HD/LOA)-min(HD/LOA))
x5=(θ—max(θ))/(max(θ)-min(θ))
将获得训练数据集中的数据分为两组,接下来,用随机数将物理模型试验获取的60个样本数据分成两组,第一组有40个样本,第二组有20个样本。然后第一组的样本来进行BP神经网络的训练。
训练过程中,测试采用2~6个隐藏层神经元的神经网络模型架构,经训练使用5个或6个隐藏层神经元,会有过度描述的现象,即当输入为训练样本时,可得到相当正确的输出值,但若输入为验证用样本时,则得到的输出值误差会很大。另若只采用2个或3个隐藏层神经元,则建构出来的BP神经网络不足以准确描述输入参数与输出参数之间的复杂关联。最后本发明采用4个隐藏层神经元的BP神经网络模型,
步骤四、验证模型准确性
将明所建BP神经网络的最后训练结果还原为缆绳之最大受力,并计算整体相对误差,采用误差计算公式:误差公式中,下标i表是样本在该群集之编号,N是指样本个数,下标o表示是量测得到的资料,而下标result则是计算的结果计算本发明所构建模型的误差,计算结果显示相对误差为6.38%小于10%,则模型创建完毕。
60组数据如下:
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于BP神经网络的大风作用下船舶断缆预警方法,其特征在于:包括如下步骤:
步骤一、建立物理模型,获取船舶断缆时不同情况下的数据作为BP神经网络模型所需的训练数据集;
步骤1、确定输入参数和输出参数
定义影响船舶缆绳断裂的主要因素为输入船舶长度LOA、船舶宽度B、船舶净水高度HBR、船舶干舷高度HSRHSR、靠泊船舶所在码头高度HD、系缆根数和风速七项因素作为船舶断缆时的输入参数,定义在七项因素作用下的缆绳最大受力Fmax为船舶断缆时的输出参数;
步骤2、建立并验证模型准确性
将船舶等比例缩小制作出模型船,将模型船安置于水槽的码头岸边,缆绳的一端系于船舶的系缆桩上,另一端则穿过转向环,系于放置在岸边的拉力计上,通过拉力计检测模型的受力F检测,通过公式计算船舶的理论受力FWD,对比F检测和FWD,若F检测和FWD的差值的绝对值不大于10%FWD则模型船符合要求;
步骤3、获得数据集
在模型船达标后测得N组在不同输入参数组合下的,输出参数值,每组输入参数的组合和输出参数构成一组参数,N组参数构成BP神经网络模型所需的数据集;
步骤二、对各个参数进行无因次化分析
以船长为特征长度,则靠泊于码头之船舶在风力作用下,分析船舶系泊缆绳受力采用的无因次参数分别为B/LOA、HBR/LOA、HSR/LOA、HD/LOA、θ,并将以上参数作为BP神经网络的输入参数,BP神经网络的输出参数无因次参数则为其中ρa为空气密度(kg/m3),Va为风速(m/s);定义输入和输出之间的咋BP神经网络内的关系为φ,则
步骤三、构建BP神经网络模型
BP神经网络模型中共有三层,第一层是输入层,作为外界输入信息的传递接口,并不对数据做特别处理,第二层、第三层的隐藏层与输出层的神经元利用权重值乘积和偏权值调整并加上激活函数处理进行仿真,
x1=(B/LOA—max(B/LOA))/(max(B/LOA)-min(B/LOA))
x2=(HBR/LOA—max(HBR/LOA))/(max(HBR/LOA)-min(HBR/LOA))
x3=(HSR/LOA—max(HSR/LOA))/(max(HSR/LOA)-min(HSR/LOA))
x4=(HD/LOA—max(HD/LOA)/(max(HD/LOA)-min(HD/LOA))
x5=(θ—max(θ))/(max(θ)-min(θ))
将获得训练数据集中的数据分为两组,第一组数据的数量大于第二组数据的数量,将第一组数据作为BP神经网络的训练数据,第二组数据作为验证数据,从而建立BP神经网络模型;
步骤四、验证模型准确性
3.根据权利要求1所述的一种基于BP神经网络的大风 作用下船舶断缆预警方法,其特征在于:所述的步骤三中的激活函数为S型函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474499.5A CN111639397B (zh) | 2020-05-29 | 2020-05-29 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474499.5A CN111639397B (zh) | 2020-05-29 | 2020-05-29 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639397A CN111639397A (zh) | 2020-09-08 |
CN111639397B true CN111639397B (zh) | 2022-03-04 |
Family
ID=72331570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474499.5A Expired - Fee Related CN111639397B (zh) | 2020-05-29 | 2020-05-29 | 一种基于bp神经网络的大风作用下船舶断缆预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639397B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410419B (zh) * | 2022-08-23 | 2024-02-02 | 交通运输部天津水运工程科学研究所 | 一种船舶系泊预警方法、系统、电子设备及存储介质 |
CN115408919B (zh) * | 2022-10-28 | 2023-03-24 | 华中科技大学 | 一种基于神经网络的重装空投跌落冲击预测方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011246015A (ja) * | 2010-05-27 | 2011-12-08 | Railway Technical Research Institute | 無線踏切制御システム |
CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN109165421A (zh) * | 2018-08-03 | 2019-01-08 | 武汉理工大学 | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 |
CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
-
2020
- 2020-05-29 CN CN202010474499.5A patent/CN111639397B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011246015A (ja) * | 2010-05-27 | 2011-12-08 | Railway Technical Research Institute | 無線踏切制御システム |
CN108711312A (zh) * | 2018-05-24 | 2018-10-26 | 大连海事大学 | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 |
CN109165421A (zh) * | 2018-08-03 | 2019-01-08 | 武汉理工大学 | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 |
CN110009937A (zh) * | 2019-03-21 | 2019-07-12 | 武汉理工大学 | 一种基于ais数据的船舶碰撞风险分析方法 |
CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639397A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3330171B1 (en) | Apparatus for predicting a power consumption of a maritime vessel | |
CN109146179B (zh) | 沿海港口船舶作业条件监测预警方法 | |
CN111639397B (zh) | 一种基于bp神经网络的大风作用下船舶断缆预警方法 | |
Jiao et al. | Assessment of surface ship environment adaptability in seaways: A fuzzy comprehensive evaluation method | |
Bačkalov et al. | Ship stability, dynamics and safety: Status and perspectives from a review of recent STAB conferences and ISSW events | |
Kaptan | Risk assessment of ship anchorage handling operations using the fuzzy bow-tie method | |
Nielsen et al. | A novel approach for navigational guidance of ships using onboard monitoring systems | |
CN111241740B (zh) | 一种fpso软刚臂受力快速准确的计算方法 | |
CN111815120A (zh) | 水上交通风险评估方法、装置、计算机设备和存储介质 | |
Moreira et al. | Recursive neural network model of catamaran manoeuvring | |
CN107122897B (zh) | 基于深度学习算法的无人船适航性评估方法 | |
Kong et al. | Full-scale identification of ice load on ship hull by least square support vector machine method | |
CN116608861A (zh) | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 | |
Tran et al. | Optimization strategy for planing hull design | |
Iqbal et al. | Operability analysis of traditional small fishing boats in Indonesia with different loading conditions | |
CN115410419B (zh) | 一种船舶系泊预警方法、系统、电子设备及存储介质 | |
CN107016169B (zh) | 一种lng船系泊力的分析方法 | |
van den Boom et al. | Ship speed-power performance assessment | |
Ariffin et al. | Real-time evaluation of second generation intact stability criteria | |
CN111797464A (zh) | 升船机船舶-机械牵引系统设计集成系统 | |
CN111275329A (zh) | 水运工程施工安全事故致因分析方法 | |
Kang et al. | Development of ice load generation module to evaluate station-keeping performance for arctic floating structures in time domain | |
CN113296506B (zh) | 一种船舶锚泊控制系统及方法 | |
Habu | Study on Prediction Method of Propulsive Performance by Means of Multi-Fidelity Gaussian Process Regression for On-Board Monitoring Data | |
Tannuri et al. | Assessment of new port operations using integrated analysis: a case study in Port of Mucuripe (CE, Brazil) |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220304 |