CN111797570A - 船舶运动性能的预测模型的建立、预测方法、终端及介质 - Google Patents
船舶运动性能的预测模型的建立、预测方法、终端及介质 Download PDFInfo
- Publication number
- CN111797570A CN111797570A CN202010622258.0A CN202010622258A CN111797570A CN 111797570 A CN111797570 A CN 111797570A CN 202010622258 A CN202010622258 A CN 202010622258A CN 111797570 A CN111797570 A CN 111797570A
- Authority
- CN
- China
- Prior art keywords
- ship
- motion performance
- performance
- motion
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请提供船舶运动性能的预测模型的建立、预测方法、终端及介质,本发明通过从运动性能数据库获得训练数据集;其中,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据;所述训练数据集是根据自所述输入参数数据和运动性能数据生成的;通过所述训练数据集来训练神经网络模型,以得到所述用于预测船舶在波浪中运动性能结果的预测模型;进而,在进行实际预测应用时,可获取船舶配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型;获取所述预测模型输出的对应于所述船舶配载方案所预测的运动性能结果。
Description
技术领域
本申请涉及船舶设计技术领域,特别是涉及船舶运动性能的预测模型的建立、预测方法、终端及介质。
背景技术
船舶在波浪中特别是恶劣海洋环境条件下的运动性能对于船舶航行安全具有决定性影响,直接关系到船上人员和货物的安全。
船舶在波浪中的运动性能称为耐波性,通常在设计阶段针对典型设计装载工况开展模型试验或数值计算,校验设计方案是否满足设计目标和相关技术标准。总体上,在现今技术水平条件下,确定船舶运动性能需要通过模型试验或复杂的数值模拟,这对于实施人员的专业素养、耗费时间和经费成本存在较高的要求。
在船舶设计阶段,设计单位为船舶装载手册设计的装载工况通常无法覆盖所有实际营运方案,仅针对典型装载工况开展稳性校核和耐波性评估。在第二代完整稳性衡准颁布实施后,理论上要求所有船舶配载方案均满足该项技术要求。另一方面,随着船舶大型化、智能化和无人化的发展趋势,评估船舶波浪中运动性能的需求将会日益增长。在船舶实际运营阶段,对于船员和航运公司而言,如何针对不包含在装载手册当中的船舶实际配载方案开展波浪中的运动性能预测,并校核其是否满足IMO制定的第二代完整稳性衡准和其他运动性能标准将是一项重大挑战。考虑到时间和经济成本限制,有必要尽量规避开展模型试验或复杂数值模拟。
因此,特别需要开发一种简便易行、快速、精准的船舶配载方案的波浪中运动性能预测的方案。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供船舶运动性能的预测模型的建立、预测方法、终端及介质,用于解决现有技术中会采用模型实验或复杂数值模拟对船舶在波浪中运动性能预测,而导致时间和经济成本上升的问题的问题。
为实现上述目的及其他相关目的,本申请的第一方面提供一种船舶运动性能的预测模型的建立方法,包括:从运动性能数据库获得训练数据集;其中,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据;所述训练数据集是根据自所述输入参数数据和运动性能数据生成的;通过所述训练数据集来训练神经网络模型,以得到用于预测船舶在波浪中运动性能结果的预测模型。
于本申请的第一方面的一些实施例中,所述神经网络模型包括:广义回归神经网络。
于本申请的第一方面的一些实施例中,所述输入参数包括:船舶配载方案相关的第一类型参数、和/或航行及环境条件相关的第二类型参数。
于本申请的第一方面的一些实施例中,所述第一类型参数包括:排水量、重心纵向位置、重心垂向位置、横摇转动惯量、纵摇转动惯量、及中横剖面系数中的一种或多种;和/或,所述第二类型参数包括:入射波浪向、不规则波有义波高、不规则波平均跨零周期、及船舶航速中的一种或多种。
于本申请的第一方面的一些实施例中,所述运动性能数据包括:横摇有义值、纵摇有义值、及垂荡有义值中的一种或多种;所述运动性能数据的获取方式包括:数值模拟软件计算结果、模型试验结果和实船测量数据。
为实现上述目的及其他相关目的,本申请的第二方面提供一种船舶在波浪中运动性能的预测方法,包括:获取船舶的当前配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型;获取所述预测模型输出的对应于所述船舶的当前配载方案所预测的运动性能结果。
于本申请的第二方面的一些实施例中,所述方法还包括:根据船舶技术标准对所述运动性能结果进行校核。
为实现上述目的及其他相关目的,本申请的第三方面提供一种船舶运动性能的预测模型的建立终端,包括:第一存储单元,用于存储至少一计算机程序;第一处理单元,用于运行所述至少一计算机程序,以执行所述的船舶运动性能的预测模型的建立方法。
为实现上述目的及其他相关目的,本申请的第四方面提供一种船舶在波浪中运动性能的预测终端,包括:第二存储单元,用于存储至少一计算机程序;第二处理单元,用于运行所述至少一计算机程序,以执行如权利要求6或7所述的船舶在波浪中运动性能的预测方法。
为实现上述目的及其他相关目的,本申请的第五方面提供一种计算机可读存储介质,存储有至少一计算机程序,所述至少一计算机程序被运行时执行所述的船舶运动性能的预测模型的建立方法;或者,执行所述的船舶在波浪中运动性能的预测方法。
如上所述,本申请的船舶运动性能的预测模型的建立、预测方法、终端及介质,具有以下有益效果:本发明通过从运动性能数据库获得训练数据集;其中,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据;所述训练数据集是根据自所述输入参数数据和运动性能数据生成的;通过所述训练数据集来训练神经网络模型,以得到所述用于预测船舶在波浪中运动性能结果的预测模型;进而,在进行实际预测应用时,可获取船舶配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型;获取所述预测模型输出的对应于所述船舶配载方案所预测的运动性能结果。
附图说明
图1显示为本申请一实施例中船舶运动性能的预测模型的建立方法的流程示意图。
图2显示为本申请一实施例中船舶在波浪中运动性能的预测方法的流程示意图。
图3显示为本申请一实施例中实验所针对大型集装箱实船的船型示意图。
图4A显示为本申请预测方法和数值模拟方法之间在横摇有义值的对比结果示意图。
图4B显示为本申请预测方法和数值模拟方法之间在纵摇有义值的对比结果示意图。
图4C显示为本申请预测方法和数值模拟方法之间在垂荡有义值的对比结果示意图。
图5显示为本申请一实施例中船舶运动性能的预测模型的建立终端的电路结构示意图。
图6显示为本申请一实施例中船舶在波浪中运动性能的预测终端的电路结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本申请中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
鉴于在现有技术中,通过开展模型实验或复杂数值模拟的方式来获得船舶在波浪中的运动性能数据,会导致复杂的运算过程,效率低下;由此,本申请旨在提供基于人工智能的神经网络模型来实现对船舶在波浪中运动性能的高效、快速、精确的预测的方案。
如图1所示,展示本申请实施例中的船舶运动性能的预测模型的建立方法的流程示意图。如图所示,所述预测模型的建立方法具体包括:
步骤S101:从运动性能数据库获得训练数据集。
示例性地,所述运动性能数据库可以是预先建立的,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据。
具体来讲,所述输入参数是会影响到船舶的运动性能的参数,例如船舶设计时采用的参数,或者与实际航运环境相关的参数等。举例来说,所述输入参数包括:船舶配载方案相关的第一类型参数、和/或航行及环境条件相关的第二类型参数。
在一些示例中,所述第一类型参数包括:排水量、重心纵向位置、重心垂向位置、横摇转动惯量、纵摇转动惯量、及中横剖面系数中的一种或多种。具体来讲,重心纵向位置、重心垂向位置即可通过船舶重心的纵向坐标、垂向坐标表示;横摇转动惯量指的是与船舶横摇运动时惯性的量度;纵摇转动惯量指的是与船舶纵摇运动时惯性的量度;中横剖面系数(midship section coefficient)是指船中横剖面浸水面积与其相对应的水线宽和吃水的乘积的比值。
在一些示例中,所述第二类型参数包括:入射波浪向、不规则波有义波高、不规则波平均跨零周期、及船舶航速中的一种或多种。具体来说,波面起伏变化呈现随机性的波浪称为不规则波,有义波高是各种不同波长、波高和陡度的波。
在一些示例中,所述运动性能数据包括:横摇有义值、纵摇有义值、及垂荡有义值中的一种或多种;其中,有义值可以理解为统计值。
所述运动性能数据的获取方式可以是各种途径,包括例如:数值模拟软件计算结果、模型试验结果和实船测量数据中的一种或多种组合。示例性地,运动性能数据可以是在先前的船舶设计工作中所积累的,通过将它们提取并与所述输入参数数据构成运动性能数据库,进一步地,可以利用所述运动性能数据来生成训练数据集。
示例性地,所述训练数据集中包括了多组输入参数和其相关的运动性能结果,之后可以输入到神经网络模型以令其学习输入参数和相关运动性能结果之间的规律,来实现训练目的。
步骤S102:通过所述训练数据集来训练神经网络模型,以得到用于预测船舶在波浪中运动性能结果的预测模型。
示例性地,考虑到船舶在波浪中运动和运动问题的特点,在本申请实施例中采用广义回归神经网络(GRNN,Generalized Regression Neural Network)来建立从输入参数到输出运动性能结果的预测模式。
其中,广义回归神经网络是径向神经网络的一种,它具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题。训练数据作为GRNN的输入,对GRNN网络进行训练,对船舶在波浪中运动性进行学习,通过调整神经网络中各层神经元之间的连接关系与权值,构建精确的船舶在波浪中运动性预测模型,构建完成后,当给定输入数据集,该模型就可以精确预测在该参数情况下船舶波浪中运动性情况。
GRNN具体结构如下:
GRNN为一个四层的神经网络,由输入层、模式层、求和层和输出层构成。对于网络输入X=[x1,x2,…,xn]T,对应输出为Y=[y1,y2,…,yk]T。
(1)输入层。输入层对应输入输入参数,包括:船舶配载方案相关的第一类型参数,例如船舶装载工况等,和/或航行及环境条件相关的第二类型参数,例如航速和环境条件等;其神经元数量等于输入参数的个数;
(2)模式层。模式层的神经元数量等于用于训练的样本数目n,各神经元对应各条训练样本,模式层神经元的传递函数为:
式中,X为网络输入,Xi为第i个神经元所对应的训练样本,σ为高斯函数的宽度系数。
(3)求和层。求和层使用两种类型的求和神经元进行求和。一类的求和计算对所有模式层神经元的输出进行算数求和,其模式层与该类神经元的连结权值为1,计算公式为:
另一类的求和计算对所有模式层神经元进行加权求和,其连结权值为其对应输出样本Yi中对应元素值,计算公式为:
(4)输出层。输出层中的神经元数目等于训练样本中输出向量的维数k,各神经元将求和层的输出相除,结果Y(X)的第j个元素对应神经元j的输出,即:
需特别说明的是,上述GRNN网络只是例示性的一种优选示例,能较好地适配船舶在波浪中运动和运动问题的特点;但是,在其它示例中可以根据场景或要求变化而变化,例如其它类型的径向神经网络等,并非以此为限。
如图2所示,展示本申请实施例中的船舶在波浪中运动性能的预测方法的流程示意图。
所述预测方法具体包括:
步骤S201:获取船舶的当前配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型。
其中,所述船舶配载方案可以是全新设计而待核验的;所述预测模型可以是通过例如图1中所展示的船舶运动性能的预测模型的建立方法训练得到的。
在步骤S202中,获取所述预测模型输出的对应于所述船舶的当前配载方案所预测的运动性能结果。也即,对给定的、新的实际配载方案和航行环境参数,采用机器学习算法构建的智能预测模型进行运动性能结果的预测。
在一些示例中,所述的预测方法还包括:根据船舶技术标准对所述运动性能结果进行校核。具体来讲,所述校核的目的是为了判断预测出的运动性能结果是否满足技术标准中对于船舶安全与否的标准,以便用于判断船舶配载方案的安全性。
在例如图2中,利用训练的预测模型进行运动性能结果的预测方法,实现的优点有:
一方面能够实现实船任意配载方案的运动性能的高精确度、快速预测,规避了开展复杂水动力数值预测与模型实验,能够节省大量经费且不受实验条件限制。
再一方面,对于使用人员的专业技能和知识背景要求较低,无需具备专业知识和技能,仅需直接输入有限的船舶装载工况以及航行和环境条件参数即可。如采用模型实验进行船舶运动性能测试,则需具备国际拖曳水池委员会(ITTC)成员资格的水池实验机构和具备实验资质的专业人员开展;如采用数值模拟预测船舶运动性能,需具备船舶专业耐波性或水动力学相关研究方向学历背景人员在获得充足的培训后开展。
又一方面,经实验,对于本申请实施例中的预测方法,能根据给定全新船舶配载方案的输入参数来预测对应的运动性能结果,与开展水动力数值模拟相比,完全能够实现满足工程需要的预测精度而可以加以替代,实验数据如下:
以某大型集装箱实船为例,应用本申请实施例中的预测方法得到运动性能结果。举例来说,该船主尺度见表1,采用5个装载工况开展数值模拟生成运动性能数据学习集(参见表2),船型示意见图3。
表1某大型集装箱船主尺度
表2运动性能学习集参数
运动预测的数值模拟方法采用基于Duan和纪康等人提出、发展的基于泰勒展开边界元方法的内外域匹配、有航速、船舶六自由度运动的时域Green函数数值模拟方法[1~3]。横摇阻尼采用简化的Ikeda方法估算[4]。
[1]DUAN Wenyang.Taylor Expansion Boundary Element Method for floatingbody hydrodynamics[C]//Proc.27th Intl Workshop on Water Waves and FloatingBodies,Copenhagen,Denmark,2012:1-4.
[2]陈纪康.基于泰勒展开边界元法的水波与浮体二阶水动力问题数值模拟[D].哈尔滨:哈尔滨工程大学,2015:1-145。
[3]郜振纲.船舶三维水动力脉冲响应函数模拟策略及运动响应分析[D].哈尔滨:哈尔滨工程大学,2018:1-85。
[4]Yuki Kawahara,Kazuya Maekawa,Yoshiho Ikeda.ASimple PredictionFormula of Roll Damping of Conventional Cargo Ships on the Basis of Ikeda’sMethod and Its Limitation[C].Proceedings of the 10th International Conferenceon Stability of Ships and Ocean Vehicles,2009.6,387-398.
采用数值模拟方法,针对5个装载工况,生成不同参数组合的计算算例对应横摇、纵摇和垂荡有义值结果用于制定学习集。总计生成学习样本数量为99450个。通过神经网络算法学习后,建立了预测模型。针对下表3给定的预测装载工况和预测参数,可以生成19890个算例的预测结果,分别给出对应的横摇、纵摇和垂荡有义值结果。本发明的预测结果和采用数值模拟方法对应直接计算结果的对比情况见图4A~4C,其中图4A表示横摇有义值的对比结果示意图,图4B表示纵摇有义值的对比结果示意图,图4C表示垂荡有义值的对比结果示意图。在该些图示中,上半部分的区域展示数值模拟(Numerical simulation)的结果,下半部分的区域展示本申请预测方法(利用人工智能预测模型进行预测,即图示的AIprediction)的预测结果。
表3运动性能预测装载工况参数
在此实验中,横摇、纵摇和垂荡有义值的总计算例数量为19890个,横摇均方根误差为0.714度,纵摇均方根误差为0.192度,垂荡均方根误差为0.544m。由对比结果可见,本专利能够对于波浪中船舶任意装载工况、航行和环境条件组合给出与学习样本生成方法趋势一致、精度相近的运动预测结果。
具体来说明比较结果的细节信息:
如采用基于泰勒展开边界条件的时域格林函数方法开展时域耐波性预报,完成某大型集装箱船1个装载工况,13个航速、5个浪向、17个不规则波有义波高和18个不规则波平均跨零周期的参数组合算例的预报,建模和网格划分视使用人员熟练程度和经验需2~4小时,数值模拟约耗时34小时(采用小型工作站,内存128GB,32核并行计算,计算网格数量为3400)。计算结果包括横摇、纵摇和垂荡有义值,总算例数量为19890个。而当采用本发明开展预报时,耗时小于1分钟。如采用模型试验,受模型试验设施限制,约94%以上参数组合算例无法开展模型试验,剩余1260个参数组合算例的试验准备、模型制造和开展试验时间(采用试验室标准流程)需要16周以上。
由上述实验可见,本申请的预测方法相比于现有技术的数值模拟、模型实验的方案来讲,不仅能满足实际工程需求,而且计算效率大大提升,精准度好,且对相关人员的专业度要求不高,能良好解决现有技术的问题。
如图5所示,展示本申请一实施例中船舶运动性能的预测模型的建立终端的电路结构示意图。
本实施例中的船舶运动性能的预测模型的建立终端500,包括:
第一存储单元501,用于存储至少一计算机程序。示例性地,所述第一存储单元501可包括一或多个存储器。所述存储器可以包括高速随机存取存储器,并且还可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中,存储器还可以包括远离一个或多个处理器的存储器,例如经由RF电路或外部端口以及通信网络访问的网络附加存储器,其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等,或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
第一处理单元502,用于运行所述至少一计算机程序,以执行例如图1中的方法。示例性地,所述第一处理单元502可包括一或多个处理器,所述一或多个处理器可以是一个或多个通用微处理器、一个或多个专用处理器、一个或多个现场可编程逻辑阵列、或它们的任何组合。
示例性地,所述船舶运动性能的预测模型的建立终端500可以实现于各种处理终端,例如服务器、台式机、笔记本电脑、智能手机、平板电脑、智能眼镜、智能手环、智能手表等,本实施例不作限定。
如图6所示,展示本申请一实施例中船舶在波浪中运动性能的预测终端的电路结构示意图。
本实施例中的船舶在波浪中运动性能的预测终端600,包括:
第二存储单元601,用于存储至少一计算机程序。示例性地,所述第二存储单元601可包括一或多个存储器。所述存储器可以包括高速随机存取存储器,并且还可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中,存储器还可以包括远离一个或多个处理器的存储器,例如经由RF电路或外部端口以及通信网络访问的网络附加存储器,其中所述通信网络可以是因特网、一个或多个内部网、局域网、广域网、存储局域网等,或其适当组合。存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。
第二处理单元602,用于运行所述至少一计算机程序,以执行例如图1中的方法。示例性地,所述第二处理单元602可包括一或多个处理器,所述一或多个处理器可以是一个或多个通用微处理器、一个或多个专用处理器、一个或多个现场可编程逻辑阵列、或它们的任何组合。
示例性地,所述船舶在波浪中运动性能的预测终端600可以实现于各种处理终端,例如服务器、台式机、笔记本电脑、智能手机、平板电脑、智能眼镜、智能手环、智能手表等,本实施例不作限定。
前述实施例中所实现的各种功能,涉及计算机软件产品;该计算机软件产品存储在存储介质中,用于在被运行时使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤,例如图1、图2方法实施例中的各个流程步骤。
于本申请提供的实施例中,所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外,任何连接都可以适当地称为计算机可读介质。例如,如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术,从网站、服务器或其它远程源发送的,则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而,应当理解的是,计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质,而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则用激光来光学地复制数据。
在一个或多个示例性方面,本申请方法流程中涉及的计算机程序所描述的功能可以用硬件、软件、固件或者其任意组合的方式来实现。当用软件实现时,可以将这些功能作为一个或多个指令或代码存储或传送到计算机可读介质上。本申请所公开的方法或算法的步骤可以用处理器可执行软件模块来体现,其中处理器可执行软件模块可以位于有形、非临时性计算机可读写存储介质上。有形、非临时性计算机可读写存储介质可以是计算机能够存取的任何可用介质。
本申请上述的附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以通过执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以通过专用硬件与计算机指令的组合来实现。
综上所述,本申请的船舶运动性能的预测模型的建立、预测方法、终端及介质,通过从运动性能数据库获得训练数据集;其中,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据;所述训练数据集是根据自所述输入参数数据和运动性能数据生成的;通过所述训练数据集来训练神经网络模型,以得到所述用于预测船舶在波浪中运动性能结果的预测模型;进而,在进行实际预测应用时,可获取船舶配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型;获取所述预测模型输出的对应于所述船舶配载方案所预测的运动性能结果。所以,本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种船舶运动性能的预测模型的建立方法,其特征在于,包括:
从运动性能数据库获得训练数据集;其中,所述运动性能数据库包括:输入参数数据、及其对应的运动性能数据;所述训练数据集是根据自所述输入参数数据和运动性能数据生成的;
通过所述训练数据集来训练神经网络模型,以得到用于预测船舶在波浪中运动性能结果的预测模型。
2.根据权利要求1所述的预测模型的建立方法,其特征在于,所述神经网络模型包括:广义回归神经网络。
3.根据权利要求1所述的预测模型的建立方法,其特征在于,所述输入参数包括:船舶配载方案相关的第一类型参数、和/或航行及环境条件相关的第二类型参数。
4.根据权利要求3所述的预测模型的建立方法,其特征在于,所述第一类型参数包括:排水量、重心纵向位置、重心垂向位置、横摇转动惯量、纵摇转动惯量、及中横剖面系数中的一种或多种;和/或,所述第二类型参数包括:入射波浪向、不规则波有义波高、不规则波平均跨零周期、及船舶航速中的一种或多种。
5.根据权利要求1所述的预测模型的建立方法,其特征在于,所述运动性能数据包括:横摇有义值、纵摇有义值、及垂荡有义值中的一种或多种;所述运动性能数据的获取方式包括:数值模拟软件计算结果、模型试验结果和实船测量数据。
6.一种船舶在波浪中运动性能的预测方法,其特征在于,包括:
获取船舶的当前配载方案相关的输入参数,并输入通过训练神经网络得到的预测模型;
获取所述预测模型输出的对应于所述船舶的当前配载方案所预测的运动性能结果。
7.根据权利要求6所述的预测方法,其特征在于,还包括:
根据船舶技术标准对所述运动性能结果进行校核。
8.一种船舶运动性能的预测模型的建立终端,其特征在于,包括:
第一存储单元,用于存储至少一计算机程序;
第一处理单元,用于运行所述至少一计算机程序,以执行如权利要求1至5中任一项所述的船舶运动性能的预测模型的建立方法。
9.一种船舶在波浪中运动性能的预测终端,其特征在于,包括:
第二存储单元,用于存储至少一计算机程序;
第二处理单元,用于运行所述至少一计算机程序,以执行如权利要求6或7所述的船舶在波浪中运动性能的预测方法。
10.一种计算机可读存储介质,其特征在于,存储有至少一计算机程序,所述至少一计算机程序被运行时执行如权利要求1至5中任一项所述的船舶运动性能的预测模型的建立方法;或者,执行如权利要求6或7所述的船舶在波浪中运动性能的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622258.0A CN111797570A (zh) | 2020-06-30 | 2020-06-30 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622258.0A CN111797570A (zh) | 2020-06-30 | 2020-06-30 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797570A true CN111797570A (zh) | 2020-10-20 |
Family
ID=72811080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622258.0A Pending CN111797570A (zh) | 2020-06-30 | 2020-06-30 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410419A (zh) * | 2022-08-23 | 2022-11-29 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
CN110979589A (zh) * | 2019-12-16 | 2020-04-10 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
-
2020
- 2020-06-30 CN CN202010622258.0A patent/CN111797570A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109214107A (zh) * | 2018-09-26 | 2019-01-15 | 大连海事大学 | 一种船舶航行行为在线预测方法 |
CN110979589A (zh) * | 2019-12-16 | 2020-04-10 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
Non-Patent Citations (3)
Title |
---|
姜彭: "客滚船纯稳性丧失及回转安全性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 4 * |
张泽国;尹建川;胡江强;柳成;: "基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析", 科学技术与工程, no. 33, pages 1 - 5 * |
柳存根,裘泳铭,林杰人,刘建峰,姚震球: "基于神经网络技术建立船舶稳性知识库", 上海交通大学学报, no. 12, pages 2 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410419A (zh) * | 2022-08-23 | 2022-11-29 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network | |
CN109871609A (zh) | 基于bp-fem对海洋浮式平台系泊系统响应的预测方法 | |
Tezzele et al. | An integrated data-driven computational pipeline with model order reduction for industrial and applied mathematics | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN111797474A (zh) | 船舶动稳性性能的预测模型的建立、预测方法、装置及介质 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
CN112836377A (zh) | 一种基于数字化仿真的船舶仿真测试系统 | |
CN102564496A (zh) | 基于bp神经网络和人工鱼群的变电设备微观分析方法 | |
Xing et al. | Modeling ship equations of roll motion using neural networks | |
CN111797570A (zh) | 船舶运动性能的预测模型的建立、预测方法、终端及介质 | |
Wang et al. | Many-objective optimization for a deep-sea aquaculture vessel based on an improved RBF neural network surrogate model | |
CN114818477A (zh) | 飞行器气动特性预测方法、装置及介质 | |
Bye et al. | A computer-automated design tool for intelligent virtual prototyping of offshore cranes | |
CN116842381A (zh) | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 | |
Cotrim et al. | Neural network meta-models for FPSO motion prediction from environmental data with different platform loads | |
CN111814412A (zh) | 波浪增阻性能的预测模型的建立、预测方法、终端及介质 | |
CN113449968A (zh) | 一种基于深度学习的新能源电网频率风险评估方法及装置 | |
Li et al. | Neural Network Application on Ship Motion Prediction | |
Jing et al. | Motion modeling and simulation of maritime autonomous surface ships in realistic environmental disturbances | |
Galvão Filho et al. | Generation of Two Turbine Hill Chart Using Artificial Neural Networks | |
Erikstad et al. | VISTA (Virtual sea trial by simulating complex marine operations): Assessing vessel operability at the design stage | |
CN111428420A (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
Bremer | Using neural networks to predict the response of a floating structure | |
CN109408871A (zh) | 一种破损船舶安全航行策略快速生成方法 |
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 |