CN113553775A - 一种基于机器学习的港内码头系泊船舶运动量预报方法 - Google Patents

一种基于机器学习的港内码头系泊船舶运动量预报方法 Download PDF

Info

Publication number
CN113553775A
CN113553775A CN202111021470.2A CN202111021470A CN113553775A CN 113553775 A CN113553775 A CN 113553775A CN 202111021470 A CN202111021470 A CN 202111021470A CN 113553775 A CN113553775 A CN 113553775A
Authority
CN
China
Prior art keywords
ship
model
wharf
machine learning
wave
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
Application number
CN202111021470.2A
Other languages
English (en)
Other versions
CN113553775B (zh
Inventor
沈文君
耿宝磊
陈恩慈
陈汉宝
孙潍
金瑞佳
高峰
栾英妮
胡克
谭忠华
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.)
Zhongruizhihang Zhejiang Engineering Technology Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
Original Assignee
Zhongruizhihang Zhejiang Engineering Technology Co ltd
Tianjin Research Institute for Water Transport Engineering MOT
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 Zhongruizhihang Zhejiang Engineering Technology Co ltd, Tianjin Research Institute for Water Transport Engineering MOT filed Critical Zhongruizhihang Zhejiang Engineering Technology Co ltd
Priority to CN202111021470.2A priority Critical patent/CN113553775B/zh
Publication of CN113553775A publication Critical patent/CN113553775A/zh
Application granted granted Critical
Publication of CN113553775B publication Critical patent/CN113553775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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 Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于机器学习的港内码头系泊船舶运动量预报方法，包括以下步骤：S1、确定码头前沿的风浪流工况组合：分析泊位处的水文条件，根据工程自身的水文参数，确定风、浪、流模拟的范围，其中包括风速、风向、流速、流向、浪高、周期和浪向。本发明有益效果：应用本发明一种基于机器学习的港内码头系泊船舶运动量预报方法，通过建立船水协同的运动量数据库，运用机器学习算法可快速为给定风浪流条件下的船舶运动量进行预报，为码头运营人员提供可靠的数据支撑，提前对码头作业进行合理安排，对实际操作具有指导意义。

Description

一种基于机器学习的港内码头系泊船舶运动量预报方法
技术领域
本发明属于海洋工程及港口近岸工程领域，尤其是涉及一种基于机器学习的港内码头系泊船舶运动量预报方法。
背景技术
船舶运动量是码头系泊安全的重要衡量指标，一旦船舶运动量过大，则会发生船舶断缆、船舶撞击码头等事故，进而对港口运营单位产生较大的影响，因此船舶在码头的安全系泊受到了较多的关注。船舶靠泊与系泊期间受到风力、水流、波浪的冲击力、护舷的挤靠力，在外力作用下，船舶靠泊期间的线性运动有横荡(沿X轴)、纵荡(沿Y轴)、升沉(沿Z轴)；主要角运动有横摇(绕Y轴Roll)、纵摇(绕X轴Pitch)和艏摇(绕Z轴Yaw)的转动。继而船舶的六自由度运动下，带动各系泊缆绳的张弛变化，其复杂性不言而喻。随着智慧港口的深入建设，码头运营单位对船舶运动量的智能预报有极大的需求，装卸作业人员可根据未来时间内的船舶运动量大小，合理地安排调度，提高码头的装卸效率。
目前，一般计算系泊船舶的运动量采用物理模型，通过在试验室模拟港区的平面布置、船舶、缆绳、护舷等结构，获得试验条件下的船舶运动量，但这种无法直接对船舶的运动响应进行工程现场未知条件的快速预报；
也有学者通过数值模拟仿真，获得船舶的运动过程曲线，这种方法可以实现船舶的预报，但目前多是应用成熟的商业软件，需要进行二次开发来实现预报功能，且每个工况的计算耗时较长；
除以上的手段外，还有学者是通过物理模型实验总结经验公式来计算运动量，结合实测数值和物理模型试验结果，提出了一些半经验性、半理论性的建议计算公式，以估算船舶运动量，公式中多有一些假定的系数，公式的普遍应用性还有待进一步验证。
随着人工智能水平的不断发展，神经网络技术也愈发成熟，基于机器学习的预报技术，可以快速准确地获得船舶在不同环境条件的运动量。
发明内容
有鉴于此，本发明旨在提出一种基于机器学习的港内码头系泊船舶运动量预报方法，基于深度学习网络，建立船舶运动量预测模型。模型采用LM方法，通过不断的学习和训练以及将网络的输出数据与实际数据相比较，直到网络的输出数据对所有训练数据与理想输出数据之差在要求的误差范围之内，从而可以进一步对数据进行预测。基于相同的组次，分别对比实测结果与机器学习预报模型结果，进一步对预报模型优化。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于机器学习的港内码头系泊船舶运动量预报方法，包括以下步骤：
S1、确定码头前沿的风浪流工况组合：分析系泊船舶处的水文条件，根据工程自身的水文参数，确定风浪流参数模拟的范围；
S2、建立码头-系泊船舶的仿真分析模型：分别建立码头模型和系泊船舶模型，得到船舶的附加质量矩阵Ma、辐射阻尼矩阵B、一阶波浪力矩阵FHF，并基于全QTF矩阵法得到港区浅水下船舶的二阶低频波浪荷载矩阵FLF；
建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元，其中缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合，得到多项式对应的各个系数，(dl/L)i＝常数+a1i·Ti+a2i·Ti 2+a3i·Ti 3+a4i·Ti 4+a5i·Ti 5+a6i·Ti 6，其中i为缆绳分段，由钢缆、尼龙缆以及高分子缆混合组成；Ti为第i段缆绳在变形dl下所受拉力；dl/L为缆绳的拉伸量与原长度之比；a1i是多项式中一次项的系数；a2i是多项式中二次项的系数；a3i是多项式中三次项的系数；a4i是多项式中四次项的系数；a5i是多项式中五次项的系数；a6i是多项式中六次项的系数；
其中护舷非线性刚度曲线通过三种不同长度、不同内径的嵌套弹簧叠加而成，其中x3<x2<x1，k1,k2,k3分别代表对应弹簧的刚度：
Figure BDA0003241590600000031
综上，基于时频转换理论，建立码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，运动方程如下所示：
Figure BDA0003241590600000032
其中，X(t)表示位移，
Figure BDA0003241590600000033
表示速度项，
Figure BDA0003241590600000034
表示加速度项，M表示质量矩阵；Ma表示时域附加质量；[B]rad表示辐射阻尼项；[B]linear表示线性阻尼项；C表示静水回复刚度；FLF(t)表示浮体系统受到二阶力，FHF(t)表示浮体受到的一阶力，Fwind和Fcurrent表示浮体受到的风力和流力，F护舷为护舷力，∑Ti为缆绳拉力；
对于港内系泊船舶，[B]linear的表达式如下：
Figure BDA0003241590600000035
其中，KX，KY，KZ为系泊系统在X方向、Y方向和绕Z方向产生的刚度，MaX，MaY，MaZ为在X方向、Y方向和绕Z方向的附加质量/附加惯性矩，IZ为绕Z轴的惯性矩，XG为重心位置的横向位置。
S3、建立船水协同的运动量数据库：基于S2步骤建立的码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，在时域内开展步骤S1确定的风浪流工况组合的计算，得到各种水文参数下以及船舶载度组合条件下的船舶运动量，形成船水协同的环境要素与船舶运动量对应的数据库；
S4、建立基于机器学习的预报模型：基于S3获得的船水协同运动量数据库，分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层、输出层的神经元数量，输入层包括风、浪、流、载度参数，输出层包括船舶六自由度运动量参数，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型；
S5、优化完善预报模型：与现场监测数据与数值仿真结果对比，分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，若误差超出设定值，则通过改变迭代次数和节点数，逐步提高预报精度。
进一步的，在步骤S1中，水文参数包括风、浪、流，具体包括风速、风向、流速、流向、浪高、周期和浪向。
进一步的，在步骤S2中，建立码头结构水动力模型，基于势流理论分析码头结构对浅水船舶水动力特性的影响。
进一步的，在步骤S4中，分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层、输出层的神经元数量，其中输入层包括风、浪、流、载度参数，输出层包括船舶六自由度运动量参数，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型。
进一步的，在步骤S4中，优化完善预报模型的方法为：将现场监测数据与数值仿真结果对比，分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，通过修改迭代次数和节点数对学习方法进行修正和完善，提高预报精度。
进一步的，在步骤S1中，确定码头前沿的风浪流工况组合的方法：
A1、分析泊位处的风资料，获得风速风向的联合分频分级特性，确定主要考虑的风速范围，，确定出n1个需要计算的代表风速组次，确定风向的范围，选取出n2个需要计算的代表风向组次；
A2、分析泊位处的波浪资料，获得波高波向周期的联合分频分级特性，选取合适的波谱，确定主要考虑的波高范围，选取n3个需要计算的代表波高，确定主要考虑的波向范围，选取n4个需要计算的代表波向，确定主要考虑的周期范围，选取n5个需要计算的代表周期；
A3、分析泊位处的潮流资料，获得潮流特性，确定主要考虑的流速范围，选取n6个需要计算的代表流速，确定主要考虑的流向范围，选取n7个需要计算的代表流向；
A4、分析码头结构形式的种类：n8为码头结构类型的数量；
A5、确定需要模拟的总组次：n1×n2×n3×n4×n5×n6×n7×n8。
进一步的，在步骤S2中，建立码头-系泊船舶的仿真分析模型的方法为：
B1、根据船舶的型线图，建立船舶水动力网格模型，根据不同的码头结构，建立码头结构网格模型，通过在码头与船体中间区域，设置阻尼项来分析近距离系泊船舶与码头结构间的水体干扰，获得船舶浅水下的频域水动力荷载；
B2、基于时频转换理论，将考虑系泊船舶与码头耦合的水动力荷载进行傅立叶变换得到时域下波浪作用力、附加质量和迟滞函数，建立缆绳、护舷的模拟模型，在时域内建立码头-系泊船舶与缆绳、护舷耦合的仿真分析模型，
其中缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合，得到多项式对应的各个系数，(dl/L)i＝常数+a1i·Ti+a2i·Ti 2+a3i·Ti 3+a4i·Ti 4+a5i·Ti 5+a6i·Ti 6，其中i为缆绳分段，由钢缆、尼龙缆以及高分子缆混合组成；Ti为第i段缆绳在变形dl下所受拉力；dl/L为缆绳的拉伸量与原长度之比；a1i是多项式中一次项的系数；a2i是多项式中二次项的系数；a3i是多项式中三次项的系数；a4i是多项式中四次项的系数；a5i是多项式中五次项的系数；a6i是多项式中六次项的系数；
其中护舷非线性刚度曲线通过三种不同长度、不同内径的嵌套弹簧叠加而成，其中x3<x2<x1，k1,k2,k3分别代表对应弹簧的刚度：
Figure BDA0003241590600000061
进一步的，在步骤S3中，建立船水协同的环境要素与船舶运动量对应的数据库方法为：
C1、首先以一种满载的船舶为研究对象，针对分析的全部组次开展系列计算，然后逐次分析其他半载、压载状态下的运动响应；
C2、考虑真实海浪的随机性，模拟时不同的波浪种子数会得到不同的模拟结果，为了获得具有代表性的数据库，在计算时重复该工况的计算次数，重复计算m(m≥10)次，Si＝(Si1+…+Sim)/m作为该工况对应的响应结果存入到数据库中，其中i为1～6，1～6分别代表船舶六自由度的运动量，横荡、纵荡、垂荡、横摇、纵摇和艏摇。
进一步的，在步骤S4中，建立机器学习预报模型的方法为：
D1、将数据库分成两部分样本，训练样本和测试样本；
D2、分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据预报功能和需求，设置输入层输出层神经元数量，构建机器学习网络，然后进行模型训练，xs+1＝xs-(H+αI)-1G,其中α是梯度下降的步长，xs、xs+1分别为第s次的训练结果和第s+1次的训练结果，H是多维向量的Hessian矩阵，G是多维向量的一阶梯度；调节α数值，测试模型的收敛速度和准确度，当输出总误差
Figure BDA0003241590600000071
Figure BDA0003241590600000072
满足误差范围要求时，记录计算迭代步数和时间，重复以上步骤，找到最适应的梯度下降步长，选用上述机器学习模型进行预测；
D3、调用测试样本进行该机器学习模型的预报结果测试，将测试集作为输入数据集进行模型内部的准确性验证，得到测试集的测试结果文件，当结果文件与自动划分的测试集数据结果对比满足误差要求时，验证了该机器学习网络的准确性；
D4、进一步进行该机器学习模型的验证，验证数据库随机在数据库选择部分数据，在模型运行之前，将验证数据库编写在程序内，让机器学习预测模型读取数据库内容，进行结果预测，经过10次循环计算后，将生成的模型预测结果与验证数据库结果进行比对，用来提高预报精度。
进一步的，在步骤S4中，优化完善预报模型的方法为：
E1、设置误差允许范围；
E2、将预测值与实测值进行比对，若误差大于设定值，则分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，返回对机器学习模型的训练函数和算法进行改进，重新进行预测和验证；若误差小于等于设计值，则直接输出预报数据。
相对于现有技术，本发明所述的一种基于机器学习的港内码头系泊船舶运动量预报方法具有以下有益效果：
本发明所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，通过建立船水协同的运动量数据库，运用机器学习算法可快速为给定风浪流条件下的船舶运动量进行预报，为码头运营人员提供可靠的数据支撑，提前对码头作业进行合理安排，对实际操作具有指导意义。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为基于机器学习的船舶运动量预报方法和系统整体流程图；
图2为本发明风、浪、流与载度工况组合计算示意图；
图3为本发明输入层、隐含层和输出层设置；
图4为本发明机器学习模型详细流程图；
图5为横荡机器学习结果与训练样本结果对比；
图6为纵荡机器学习结果与训练样本结果对比；
图7为垂荡机器学习结果与训练样本结果对比；
图8为横荡数据库值、模型值、经验公式值数据图；
图9为横荡数据库值、模型值、公式值数据图；
图10为纵荡数据库值、模型值、经验公式值数据图；
图11为纵荡数据库值、模型值、公式值数据图；
图12为垂荡数据库值、模型值、经验公式值数据图；
图13为垂荡数据库值、模型值、公式值数据图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图13所示，一种基于机器学习的港内码头系泊船舶运动量预报方法，包括以下步骤：
步骤A，确定码头前沿的风浪流工况组合：分析泊位处的水文条件，根据工程自身的水文参数，确定风、浪、流模拟的范围，其中包括风速、风向、流速、流向、浪高、周期和浪向。如图2所示，具体包括：
步骤A1、分析泊位处的风资料，获得风速风向的联合分频分级特性，确定主要考虑的风速范围，，确定出n1个需要计算的代表风速组次，确定风向的范围，选取出n2个需要计算的代表风向组次；以图2为例进行说明，如果风速范围在6-12m/s，则可选取4个代表风速，如果风向范围在0°-315°，则可选取8个代表风向进行计算，则风速和风向的组合即为：4*8＝32组，以下类似；
步骤A2、分析泊位处的波浪资料，获得波高波向周期的联合分频分级特性，选取合适的波谱，确定主要考虑的波高范围，选取n3个需要计算的代表波高，确定主要考虑的波向范围，选取n4个需要计算的代表波向，确定主要考虑的周期范围，选取n5个需要计算的代表周期。
步骤A3、分析泊位处的潮流资料，获得潮流特性，确定主要考虑的流速范围，选取n6个需要计算的代表流速，确定主要考虑的流向范围，选取n7个需要计算的代表流向；
步骤A4、分析码头结构形式的种类：n8种码头结构类型的数量；
步骤A5、确定需要模拟的总组次：n1×n2×n3×n4×n5×n6×n7×n8。
步骤A2中，所述的波谱可为，JONSWAP谱、PM谱、ITTC谱等。
步骤B，建立码头-系泊船舶的仿真分析模型：分别建立码头模型和系泊船舶模型，得到船舶水动力特性，并基于全QTF矩阵法得到港区浅水下船舶的二阶低频波浪荷载，建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元，基于时频转换理论，建立码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，具体包括：
步骤B1、根据船舶的型线图，建立船舶水动力网格模型，根据不同的码头结构，建立码头结构网格模型，通过在码头与船体中间区域，设置阻尼项来分析近距离系泊船舶与码头结构间的水体干扰，得到船舶的附加质量矩阵Ma、辐射阻尼矩阵B、一阶波浪力矩阵FHF，并基于全QTF矩阵法得到港区浅水下船舶的二阶低频波浪荷载矩阵FLF；
步骤B2、建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元，其中缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合，得到多项式对应的各个系数，(dl/L)i＝常数+a1i·Ti+a2i·Ti 2+a3i·Ti 3+a4i·Ti 4+a5i·Ti 5+a6i·Ti 6，其中i为缆绳分段，可由钢缆、尼龙缆以及高分子缆等混合组成；Ti为第i段缆绳在变形dl下所受拉力；dl/L为缆绳的拉伸量与原长度之比；a1i是多项式中一次项的系数；a2i是多项式中二次项的系数；a3i是多项式中三次项的系数；a4i是多项式中四次项的系数；a5i是多项式中五次项的系数；a6i是多项式中六次项的系数。
其中护舷非线性刚度曲线通过三种不同长度、不同内径的嵌套弹簧叠加而成，其中x3<x2<x1，k1,k2,k3分别代表对应弹簧的刚度：
Figure BDA0003241590600000111
综上，基于时频转换理论，建立码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，运动方程如下所示：
Figure BDA0003241590600000112
其中，X(t)表示位移，
Figure BDA0003241590600000113
表示速度项，
Figure BDA0003241590600000114
表示加速度项，M表示质量矩阵；Ma表示时域附加质量；[B]rad表示辐射阻尼项；[B]linear表示线性阻尼项；C表示静水回复刚度；FLF(t)表示浮体系统受到二阶力，FHF(t)表示浮体受到的一阶力，Fwind和Fcurrent表示浮体受到的风力和流力，F护舷为护舷力，∑Ti为缆绳拉力；
对于港内系泊船舶，[B]linear的表达式如下：
Figure BDA0003241590600000115
其中，KX，KY，KZ为系泊系统在X方向、Y方向和绕Z方向产生的刚度，MaX，MaY，MaZ为在X方向、Y方向和绕Z方向的附加质量/附加惯性矩，IZ为绕Z轴的惯性矩，XG为重心位置的横向位置。
步骤C，建立船水协同的运动量数据库：基于步骤B建立的码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，在时域内开展步骤A确定的风浪流工况组合展开计算，得到以上工况组合以及船舶载度组合条件下的船舶运动量，形成船水协同的环境要素与船舶运动量对应的数据库。具体包括：
步骤C1、首先以一种满载的船舶为研究对象，针对分析的全部组次开展系列计算，然后逐次分析其他半载、压载状态下的运动响应；
步骤C2、考虑真实海浪的随机性，模拟时不同的波浪种子数会得到不同的模拟结果，为了获得具有代表性的数据库，在计算时增加同一工况的计算次数，重复计算m(m≥10)次，Si＝(Si1+…+Sim)/m作为该工况对应的响应结果存入到数据库中，其中i为1～6，代表船舶六自由度的运动量，横荡、纵荡、垂荡、横摇、纵摇和艏摇。
步骤C1中，所述的全部组次，根据步骤A5得出。
步骤D，建立基于机器学习的预报模型：基于S3获得的船水协同运动量数据库，分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层(风、浪、流、载度)、输出层(船舶六自由度运动量)的神经元数量，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型。具体包括：
步骤D1、将数据库分成两部分样本，训练样本和测试样本；
步骤D2、分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据预报功能和需求，设置输入层输出层神经元数量，构建机器学习网络，然后进行模型训练，xs+1＝xs-(H+αI)-1G,其中α是梯度下降的步长，xs、xs+1分别为第s次的训练结果和第s+1次的训练结果，H是多维向量的Hessian矩阵，G是多维向量的一阶梯度；调节α数值，测试模型的收敛速度和准确度，当输出总误差
Figure BDA0003241590600000121
Figure BDA0003241590600000131
满足误差范围要求时，记录计算迭代步数和时间，重复以上步骤，找到最适应的梯度下降步长，选用上述机器学习模型进行预测。
D3、调用测试样本进行该机器学习模型的预报结果测试，将测试集作为输入数据集进行模型内部的准确性验证，得到测试集的测试结果文件，当结果文件与自动划分的测试集数据结果对比满足误差要求时，则进一步验证了该机器学习网络的准确性；
D4、在上述基础上，进一步进行该机器学习模型的验证，验证数据库随机在数据库选择部分数据，也可以用其它完整数据库进行验证，在模型运行之前，将验证数据库编写在程序内，让机器学习预测模型读取数据库内容，进行结果预测，经过10次循环计算后，将生成的模型预测结果与验证数据库结果进行比对，用来提高预报精度。图5-图7为采用本发明进行的预测值与数据库数据对比，结果表明拟合程度很好，基本都达到0.97以上。将验证集输入到模型中来得到船舶运动量的预测值，并将得到的预测值和验证集数据进行比较。神经网络计算结果与训练样本结果对比发现，计算值误差基本为百分之五左右，均分布在y＝x±10％包络图内。
步骤E，优化完善预报模型：与现场监测数据与数值仿真结果对比，分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，若误差超出设定值，则通过改变迭代次数和节点数，逐步提高预报精度。具体包括：
步骤E1、设置误差允许范围；
步骤E2、将预测值与实测值进行比对，若误差大于设定值，则分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，返回对机器学习模型的训练函数和算法进行改进，重新进行预测和验证；若误差小于等于设计值，则直接输出预报数据。
本方法中的所有参数的计算均采用现有公式和现有方法，可以依据下面的参考文献：
1、BERNARD MOLIN著，刘水庚译.海洋工程水动力学[M]，国防工业出版社，2012.
2、中华人民共和国交通运输部，港口工程荷载规范，JTS 144-1-2010[S].北京：2010.
3.陈明等著，MATLAB神经网络原理与实例精解[M]，清华大学出版社，2013.
4.张志明，周丰，杨国平，孙昭晨.离岸深水港码头系泊船舶运动量研究[J]，中国港湾建设，2010，169：49-52.
为了验证本发明的适用性，利用文献4中的总结的经验公式计算检验样本中数据的船舶运动量，并与机器学习预报结果进行比较。
张志明通过理论分析结合系统的物理模型试验，提出了较以往计算公式适用范围更广、计算更准确的多参数系泊船舶运动量半经验半理论计算公式，如下：
Figure BDA0003241590600000141
Figure BDA0003241590600000142
Figure BDA0003241590600000143
Figure BDA0003241590600000144
Figure BDA0003241590600000145
Figure BDA0003241590600000146
其中，H为波高(m)，H0为船舶吃水(m)，T为波浪周期(s)，T0为船舶横摇周期(s)，T1为船舶纵摇周期(s)，α为波浪入射角度(°)，Cα1，Cα2，CH1，CH2，X和Y均为经验公式系数，Cr为与船舶质量有关的系数，详见参考文献4。
选取部分数据，数据主体内容为：波高包括0.4,0.6,0.8,1.2,1.6,2.0(单位是m)，周期包括：6,8.4,10.8,7.2(单位是s)，吃水深度：21.4,14,10.8(单位是m),通过经验公式进行验证，同时用预测模型进行计算，将所得结果进行趋势对比，数据选取方式是从验证集中每间隔30取一个验证数据，共取14个，不同波高，不同周期，不同吃水深度。把十四个数据按顺序排好，横坐标为1-14个数据，纵坐标为运动量数值。从对比图中可以看出，本发明的计算船舶运动量的方法是可行的，在保证计算精度的前提下，提高了计算速度，做到了同时输出六个船舶自由度运动量。
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单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
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，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于，包括以下步骤：
S1、确定码头前沿的风浪流工况组合：分析系泊船舶处的水文条件，根据工程自身的水文参数，确定风浪流参数模拟的范围；
S2、建立码头-系泊船舶的仿真分析模型：分别建立码头模型和系泊船舶模型，得到船舶的附加质量矩阵Ma、辐射阻尼矩阵B、一阶波浪力矩阵FHF，并基于全QTF矩阵法得到港区浅水下船舶的二阶低频波浪荷载矩阵FLF；
建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元，其中缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合，得到多项式对应的各个系数，(dl/L)i＝常数+a1i·Ti+a2i·Ti 2+a3i·Ti 3+a4i·Ti 4+a5i·Ti 5+a6i·Ti 6，其中i为缆绳分段，由钢缆、尼龙缆以及高分子缆混合组成；Ti为第i段缆绳在变形dl下所受拉力；dl/L为缆绳的拉伸量与原长度之比；a1i是多项式中一次项的系数；a2i是多项式中二次项的系数；a3i是多项式中三次项的系数；a4i是多项式中四次项的系数；a5i是多项式中五次项的系数；a6i是多项式中六次项的系数；
其中护舷非线性刚度曲线通过三种不同长度、不同内径的嵌套弹簧叠加而成，其中x3＜x2＜x1，k1，k2，k3分别代表对应弹簧的刚度：
Figure FDA0003241590590000011
基于时频转换理论，建立码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，运动方程如下所示：
Figure FDA0003241590590000021
其中，X(t)表示位移，
Figure FDA0003241590590000022
表示速度项，
Figure FDA0003241590590000023
表示加速度项，M表示质量矩阵；Ma表示时域附加质量；[B]rad表示辐射阻尼项；[B]linear表示低频线性阻尼项；C表示静水回复刚度；FLF(t)表示浮体系统受到二阶力，FHF(t)表示浮体受到的一阶力，Fwind和Fcurrent表示浮体受到的风力和流力，F护舷为护舷力，∑Ti为缆绳拉力；
对于港内系泊船舶，[B]linear的表达式如下：
Figure FDA0003241590590000024
其中，KX，KY，KZ为系泊系统在X方向、Y方向和绕Z方向产生的刚度，MaX，MaY，MaZ为在X方向、Y方向和绕Z方向的附加质量/附加惯性矩，IZ为绕Z轴的惯性矩，XG为重心位置的横向位置；
S3、建立船水协同的运动量数据库：基于S2步骤建立的码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，在时域内开展步骤S1确定的风浪流工况组合的计算，得到各种水文参数下以及船舶载度组合条件下的船舶运动量，形成船水协同的环境要素与船舶运动量对应的数据库；
S4、建立基于机器学习的预报模型：基于S3获得的船水协同运动量数据库，分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层、输出层的神经元数量，输入层包括风、浪、流、载度参数，输出层包括船舶六自由度运动量参数，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型；
S5、优化完善预报模型：与现场监测数据与数值仿真结果对比，分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，若误差超出设定值，则通过改变迭代次数和节点数，逐步提高预报精度。
2.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S1中，水文参数包括风、浪、流，具体包括风速、风向、流速、流向、浪高、周期和浪向。
3.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S2中，建立码头结构水动力模型，基于势流理论分析码头结构对浅水船舶水动力特性的影响。
4.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S4中，分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层、输出层的神经元数量，其中输入层包括风、浪、流、载度参数，输出层包括船舶六自由度运动量参数，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型。
5.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S1中，确定码头前沿的风浪流工况组合的方法：
A1、分析泊位处的风资料，获得风速风向的联合分频分级特性，确定主要考虑的风速范围，，确定出n1个需要计算的代表风速组次，确定风向的范围，选取出n2个需要计算的代表风向组次；
A2、分析泊位处的波浪资料，获得波高波向周期的联合分频分级特性，选取合适的波谱，确定主要考虑的波高范围，选取n3个需要计算的代表波高，确定主要考虑的波向范围，选取n4个需要计算的代表波向，确定主要考虑的周期范围，选取n5个需要计算的代表周期；
A3、分析泊位处的潮流资料，获得潮流特性，确定主要考虑的流速范围，选取n6个需要计算的代表流速，确定主要考虑的流向范围，选取n7个需要计算的代表流向；
A4、分析码头结构形式的种类：n8为码头结构类型的数量；
A5、确定需要模拟的总组次：n1×n2×n3×n4×n5×n6×n7×n8。
6.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S2中，建立码头-系泊船舶的仿真分析模型的方法为：
根据船舶的型线图，建立船舶水动力网格模型，根据不同的码头结构，建立码头结构网格模型，通过在码头与船体中间区域，设置阻尼项来分析近距离系泊船舶与码头结构间的水体干扰，获得船舶浅水下的频域水动力荷载。
7.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S3中，建立船水协同的环境要素与船舶运动量对应的数据库方法为：
C1、首先以一种满载的船舶为研究对象，针对分析的全部组次开展工况组合计算，然后逐次分析其他半载、压载状态下的运动响应；
C2、模拟时为了获得具有代表性的数据库，在计算时重复选定工况的计算次数，重复计算m(m≥10)次，Si＝(Si1+…+Sim)/m作为计算工况对应的响应结果存入到数据库中，其中i为1～6，1～6分别代表船舶六自由度的运动量，横荡、纵荡、垂荡、横摇、纵摇和艏摇。
8.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S4中，建立机器学习预报模型的方法为：
D1、将数据库分成两部分样本，训练样本和测试样本；
D2、分析隐含层层数对预报精度的敏感性，选取双层隐藏层，通过调整第一层隐含层节点数来调整模型误差，根据预报功能和需求，设置输入层输出层神经元数量，构建机器学习网络，然后进行模型训练，xs+1＝xs-(H+αI)-1G，其中α是梯度下降的步长，xs、xs+1分别为第s次的迭代结果和第s+1次的迭代练结果，H是多维向量的Hessian矩阵，G是多维向量的一阶梯度，I是单位矩阵；调节α数值，测试模型的收敛速度和准确度，当输出总误差
Figure FDA0003241590590000051
满足误差范围要求时，记录计算迭代步数和时间，其中J为最后迭代步数，重复以上步骤，找到最适应的梯度下降步长α，选用上述机器学习模型进行预测；
D3、调用测试样本进行该机器学习模型的预报结果测试，将测试集作为输入数据集进行模型内部的准确性验证，得到测试集的测试结果文件，当结果文件与自动划分的测试集数据结果对比满足误差要求时，验证了该机器学习网络的准确性；
D4、进一步进行该机器学习模型的验证，验证数据库随机在数据库选择部分数据，在模型运行之前，将验证数据库编写在程序内，让机器学习预测模型读取数据库内容，进行结果预测，经过10次循环计算后，将生成的模型预测结果与验证数据库结果进行比对，用来提高预报精度。
9.根据权利要求1所述的一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于：在步骤S4中，优化完善预报模型的方法为：
E1、设置误差允许范围；
E2、将预测值与实测值进行比对，若误差大于设定值，则分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，返回对机器学习模型的训练函数和算法进行改进，重新进行预测和验证；若误差小于等于设计值，则直接输出预报数据。
CN202111021470.2A 2021-09-01 2021-09-01 一种基于机器学习的港内码头系泊船舶运动量预报方法 Active CN113553775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111021470.2A CN113553775B (zh) 2021-09-01 2021-09-01 一种基于机器学习的港内码头系泊船舶运动量预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111021470.2A CN113553775B (zh) 2021-09-01 2021-09-01 一种基于机器学习的港内码头系泊船舶运动量预报方法

Publications (2)

Publication Number Publication Date
CN113553775A true CN113553775A (zh) 2021-10-26
CN113553775B CN113553775B (zh) 2022-03-08

Family

ID=78106176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111021470.2A Active CN113553775B (zh) 2021-09-01 2021-09-01 一种基于机器学习的港内码头系泊船舶运动量预报方法

Country Status (1)

Country Link
CN (1) CN113553775B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351440A (zh) * 2023-12-06 2024-01-05 浙江华是科技股份有限公司 基于开放式文本检测的半监督船舶检测方法及系统
CN117893575A (zh) * 2024-03-15 2024-04-16 青岛哈尔滨工程大学创新发展中心 图神经网络融入自注意力机制的船舶运动预报方法及系统
WO2024124440A1 (zh) * 2022-12-14 2024-06-20 中交公路长大桥建设国家工程研究中心有限公司 大型桥梁深水预制基础定位沉放智能控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3330747A1 (en) * 2016-11-30 2018-06-06 Offshore Navigation Limited Apparatus for providing a metocean forecast
CN108399279A (zh) * 2018-01-25 2018-08-14 交通运输部天津水运工程科学研究所 波浪影响下码头系泊船舶损失作业天数分析与控制方法
CN109146179A (zh) * 2018-08-23 2019-01-04 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
US20200225385A1 (en) * 2019-01-15 2020-07-16 International Business Machines Corporation Dynamic adaption of vessel trajectory using machine learning models
CN111444624A (zh) * 2020-04-03 2020-07-24 交通运输部天津水运工程科学研究所 一种港区内停靠船舶作业状态安全的判断方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3330747A1 (en) * 2016-11-30 2018-06-06 Offshore Navigation Limited Apparatus for providing a metocean forecast
CN108399279A (zh) * 2018-01-25 2018-08-14 交通运输部天津水运工程科学研究所 波浪影响下码头系泊船舶损失作业天数分析与控制方法
CN109146179A (zh) * 2018-08-23 2019-01-04 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
US20200225385A1 (en) * 2019-01-15 2020-07-16 International Business Machines Corporation Dynamic adaption of vessel trajectory using machine learning models
CN111444624A (zh) * 2020-04-03 2020-07-24 交通运输部天津水运工程科学研究所 一种港区内停靠船舶作业状态安全的判断方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024124440A1 (zh) * 2022-12-14 2024-06-20 中交公路长大桥建设国家工程研究中心有限公司 大型桥梁深水预制基础定位沉放智能控制方法
CN117351440A (zh) * 2023-12-06 2024-01-05 浙江华是科技股份有限公司 基于开放式文本检测的半监督船舶检测方法及系统
CN117351440B (zh) * 2023-12-06 2024-02-20 浙江华是科技股份有限公司 基于开放式文本检测的半监督船舶检测方法及系统
CN117893575A (zh) * 2024-03-15 2024-04-16 青岛哈尔滨工程大学创新发展中心 图神经网络融入自注意力机制的船舶运动预报方法及系统
CN117893575B (zh) * 2024-03-15 2024-05-31 青岛哈尔滨工程大学创新发展中心 图神经网络融入自注意力机制的船舶运动预报方法及系统

Also Published As

Publication number Publication date
CN113553775B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN113553775B (zh) 一种基于机器学习的港内码头系泊船舶运动量预报方法
CN110009529B (zh) 一种基于堆栈降噪自动编码器的暂态频率获取方法
CN116184836B (zh) 一种基于片体间流体干扰力预测的船舶运动预报方法
Ruzzo et al. Scaling strategies for multi-purpose floating structures physical modeling: state of art and new perspectives
CN111241740B (zh) 一种fpso软刚臂受力快速准确的计算方法
CN116341358A (zh) 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法
CN117113725B (zh) 参数摆式波浪能装置的获能分析方法
CN108007499A (zh) 一种结合计算力学和现场监测的拦网工作状态监测预警方法
CN112765703B (zh) 一种危险品码头结构性能退化评估方法
CN110222910A (zh) 一种有源配电网态势预测方法及预测系统
CN111597506B (zh) 近岸波浪破碎参数和波高的预测方法
CN116127846A (zh) 一种减摇技术的智能评估方法及系统
CN115099506A (zh) 一种风速预测方法、系统、电子设备及介质
CN113034018A (zh) 基于功率矩分析的电网供需平衡调节方法
Tang et al. Autonomous recognition of a ship structure characteristic signal based on machine learning
Ding et al. Fault diagnosis of wind turbines gearbox based on SOFM neural network
Guo et al. Research on collision identification between ships and offshore wind turbines based on neural network
Chen et al. Software-in-the-loop combined Machine learning for dynamic responses analysis of floating offshore wind turbines
Dagher et al. 1: 50 scale testing of three floating wind turbines at MARIN and numerical model validation against test data
Liu et al. Effects of second-order wave force on fatigue damage assessment of a TLP-type floating wind turbine
Alkarem et al. Digital twin model development for mitigating floating offshore wind turbine motions due to wave actions
CN113836805B (zh) 一种列车表面压力预测方法、装置、电子设备及存储介质
Dey et al. Performance and Stability Assessment of Hybrid Semisubmersible Platform Under Metoceanic Condition of Bay of Bengal
Gao Performance Optimization of Floating Offshore Wind Turbine Designs Allowing Large Rotational Motions
CN112116003A (zh) 一种复杂传感器网络自适应动态故障诊断方法及系统

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