CN113609782A - 运动负载受波浪力的实时预测方法及仿真系统 - Google Patents

运动负载受波浪力的实时预测方法及仿真系统 Download PDF

Info

Publication number
CN113609782A
CN113609782A CN202110943138.5A CN202110943138A CN113609782A CN 113609782 A CN113609782 A CN 113609782A CN 202110943138 A CN202110943138 A CN 202110943138A CN 113609782 A CN113609782 A CN 113609782A
Authority
CN
China
Prior art keywords
wave
pool
numerical
waves
floating body
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
CN202110943138.5A
Other languages
English (en)
Other versions
CN113609782B (zh
Inventor
马昕
王凯
宋锐
荣学文
李贻斌
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 University
Original Assignee
Shandong 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 University filed Critical Shandong University
Priority to CN202110943138.5A priority Critical patent/CN113609782B/zh
Publication of CN113609782A publication Critical patent/CN113609782A/zh
Application granted granted Critical
Publication of CN113609782B publication Critical patent/CN113609782B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了运动负载受波浪力的实时预测方法及仿真系统，包括：建立数值波浪水池及求解器；利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。本发明在数值波浪池中可以设计控制器，数值水池中预设控制器接口，即在配置文件中可以加入控制方程，在仿真计算过程中，通过反馈信息计算得到控制力，然后施加到被控物体上，实现对物体的控制来稳定物体运动。本发明的数值波浪水池可以方便的模拟不同物体在不同海况下的浮体运动情况，具有很大的灵活性和实用性。

Description

运动负载受波浪力的实时预测方法及仿真系统
技术领域
本发明属于波浪力的实时预测技术领域，尤其涉及运动负载受波浪力的实时预测方法及仿真系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在海况恶劣的情况下，将货物安全、平稳吊放入海水中进行工程的建设是海洋工程中一个极其重要的问题。
由于深海起重机固定到船舶等运动平台上，船舶受到海浪的影响会产生升沉，横摇等运动。当所吊放的负载接触海水之后，负载也会受到波浪的影响产生一些列非线性无规则的运动，这些运动可能会导致负载与船体的碰撞，从而造成负载的损害或缆绳的断裂，进一步造成严重事故，损害生命财产安全。这就需要对深海起重机的控制系统进行设计来使得其中工作的安全有效进行。
发明人在研究中发现，时滞现象是实际工程中经常出现的一种现象，网络传输速度，传感器较长的采样时间都会造成数据反馈的时滞现象，所以不论对于船体还是水中的负载，及时得到他们的运动与受力数据是困难的，尤其是当负载远离起重机，它的受力信息更不能及时反馈到起重机的控制系统中。这些因素都会增加深海起重机控制器设计的难度。
发明内容
为克服上述现有技术的不足，本发明提供了运动负载受波浪力的实时预测方法，能够在线提供浮体(船和负载)的受力信息。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了运动负载受波浪力的实时预测方法，包括：
建立仿真模拟波浪和浮体相互作用的数值波浪水池及求解波浪与浮体相互作用的求解器；
利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；
利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。
进一步的技术方案，所述数值波浪水池为三维仿真模型，原点o放置在数值水池底部，x轴与静水面平行方向水平向右，z轴竖直向上，y轴为数值波浪水池的宽度边所在的方向，波浪沿着x轴方向传播。
进一步的技术方案，所述数值波浪水池仿真模拟波浪和浮体相互作用之前需要设置数值波浪水池网格及边界条件设置。
进一步优选的，所述设置数值波浪水池网格具体为：
设置数值波浪水池的尺寸；
利用六面体网格离散计算区域，将控制方程对每一个网格进行积分，得到整个计算区域的离散方程组。
进一步优选的，利用六面体网格离散计算区域时，离散的网格设置为不均匀或者均匀大小网格，计算区域中流场变量变化程度与网格的密集程度正相关；
在波浪与物体相互作用的仿真中，波浪生成边界即水池左侧区域、浮体所在区域即水池中间区域和消波区即水池右侧区域采用密度更高的网格。
进一步的技术方案，设置边界条件时，被约束的变量包括速度、压力以及自由面；
数值波浪水池采用流体体积法来求解自由液面的形状，相分数α用于区分空气和液体，相分数α为1时网格单元为液体，当相分数α为0时网格单元充满着空气，当相分数α在0到1之间时，这一网格单元存在于自由液面处；
优选的，数值波浪水池侧面为wall类型的边界，防止水流出，顶部是atmosphere边界，防止回流现象，用于平衡水池内的压强。
进一步的技术方案，所述浮体被生成后导入到数值波浪水池中，围绕浮体生成所需的网格。
进一步的技术方案，所述训练后的神经网络在线预测浮体在具体环境下受到的波浪力，具体为：
每一时间步，神经网络接受一组负载姿态数据，两层GRU单元将输入信息拓展到高维空间进行处理；
其中，GRU是一种循环神经网络，通过记忆单元h来记录之前输入数据的隐藏信息；
最后数据经过一个全连接层，输出物体的受力信息。
进一步的技术方案，神经网络每个时间步的输入为有多个元素的一维向量，分别包含波浪参数和物体的姿态信息，输出的是一个一维向量，分别是浮体在x、y、z轴方向上的所承受的力和力矩。
第二方面，公开了运动负载受波浪力的实时预测系统，包括：
仿真模型建立模块，被配置为：建立仿真模拟波浪和浮体相互作用的数值波浪水池及求解波浪与浮体相互作用的求解器；
求解模块，被配置为：利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；
在线预测模块，被配置为：利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。
以上一个或多个技术方案存在以下有益效果：
本发明基于计算流体力学的数值水池用于计算浮体与波浪的相互作用，利用数值水池产生大量的数据来训练神经网络，训练好的神经网络用于为起重机控制系统在线提供浮体(船和负载)的受力信息，采用上述方式可以在线获得所需的受力信息，便于控制器根据受力信息做出控制策略，从而实现精确的浮体控制。
本发明的数值波浪水池可以方便的模拟不同物体在不同海况下的浮体运动情况，成本更低，模型的建立和设置也更加的灵活，因此具有很大的灵活性和广泛的实用性。本发明基于GRU结构设计的一种神经网络用于快速实时预测负载在波浪中的受力。
由于物理实验的成本很高，所以用于训练神经网络的数据并不能很容易的通过物理实验获得，本发明利用计算流体力学的方法，通过数值波浪水池得到不同参数波浪下运动浮体受到的波浪力，将这些受力数据作为训练集用于训练神经网络，训练好的神经网络可以预测特定浮体在特定环境下受到的波浪力，训练好的神经网络可用于深海起重机的控制器设计，并且，训练好的神经网络可以布置到计算流体力学软件OpenFOAM中来测试深海起重机控制器的性能表现。
另外，本发明基于计算流体力学的数值波浪水池同样可用于验证所设计的深海起重机控制器的性能表现。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书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。
图1为本发明实施例数值波浪水池模型图；
图2为本发明实施例数值波浪池网格分布(主视图)；
图3为本发明实施例“凸”字形浮体网格图；
图4(a)为本发明实施例计算域的主视图以及相应的参数设置示意图；
图4(b)为本发明实施例当前模型得到的负载旋转量和升沉位移结果与物理实验进行验证示意图；
图5为本发明实施例预测波浪受力的网络模型示意图；
图6为本发明实施例训练集数据与预测值均方差值示意图；
图7为本发明实施例案例A1的测试数据与参考数据对比示意图；
图8为本发明实施例案例D1的测试数据与参考数据对比示意图；
图9为本发明实施例案例T1的测试数据与参考数据对比示意图；
图10为本发明实施例测试集数据与预测值均方差值示意图；
图11为本发明实施例案例C1的测试数据与参考数据对比示意图；
图12为本发明实施例案例C2的测试数据与参考数据对比示意图；
图13为本发明实施例数值波浪水池中设计控制器稳定浮体示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
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。
实施例一
本实施例公开了运动负载受波浪力的实时预测方法，结合了计算流体力学软件OpenFOAM与GRU神经网络的方法用于实时预测运动负载受到的波浪力。
本实施例基于计算流体力学的数值水池用于计算浮体与波浪的相互作用，利用数值水池产生大量的数据来训练神经网络，训练好的神经网络用于为起重机控制系统在线提供浮体(船和负载)的受力信息。并且基于计算流体力学的数值波浪水池同样可用于验证所设计的深海起重机控制器的性能表现。
在一实施例子中，还可以通过导入PyTorch库，将已训练好的神经网络引入OpenFOAM来与预测数据，拓展OpenFOAM的功能。
具体的，该方法分为两部分，第一部分，首先在开源计算流体力学软件OpenFOAM结合waves2Foam库建立用于仿真模拟波浪和浮体相互作用的数值波浪水池，在waves2Foam自带求解器的基础上，将interDyMFOAM的动网格求解更新过程加入到waves2Foam中，使其在求解两相流问题的过程中还能利用动网格技术处理物体运动问题，从而制定出一种适用于求解波浪与运动物体相互作用的求解器。数值波浪水池包括：网格划分工具、波浪生成器、初始边界条件配置工具、物体网格生成工具和求解器。数值波浪水池和新建立的求解器可以求解二维和三维的不同形状物体与不同参数波浪的相互作用，可以计算得到物体随波浪的运动姿态与每一时刻下的受力信息。
在具体实施例子中，首先基于计算流体力学软件OpenFOAM和waves2Foam工具结合的数值波浪水池。
数值水池模型示意图如图1所示，仿真模型是三维的，该仿真模型优由于结合了waves2Foam工具，水池入口边界可以自定义多种类型的波浪，在入口与出口处可以设置松弛区，来消除不必要的波浪反射，通过六自由度刚体求解器和变形网格技术处理物体运动过程。数值模型还有控制器设计接口，可任意将控制系统的控制方程加入到数值模型中，在求解过程中对被控物体施加控制力。坐标系(o-xyz)设置如图1所示，原点o放置在数值水池底部，x轴与静水面平行方向水平向右，z轴竖直向上，y轴为数值波浪水池的宽度边所在的方向，波浪沿着x轴方向传播。
然后，仿真波浪与物体相互作用，包括：
步骤一：数值波浪水池网格设置：
通过OpenFOAM的blockMesh工具设置数值水池的尺寸，并且利用六面体网格离散计算区域，将控制方程对每一个网格进行积分，得到整个计算区域的离散方程组。用于离散的网格可设置为不均匀的，在流场变量变化较大的区域可以用更密集的网格进行离散以提高计算的准确性。网格分布主视图如图2所示，在波浪与物体相互作用的仿真中，波浪生成边界(即水池左侧区域)、浮体所在区域(水池中间区域)和消波区(即水池右侧区域)采用密度更高的网格。
步骤二：边界条件设置：
数值波浪水池的边界条件对数值水池的场有约束作用。被约束的变量包括速度、压力以及自由面。数值水池采用流体体积法来求解自由液面的形状，相分数α用于区分空气和液体，相分数α为1时网格单元为液体，当相分数α为0时网格单元充满着空气，当相分数α在0到1之间时，这一网格单元存在于自由液面处。数值波浪水池侧面为wall类型的边界，防止水流出。顶部是atmosphere边界，防止回流现象用于平衡水池内的压强。具体数值波浪水池的边界条件如下表所示：
Figure BDA0003215646160000071
步骤三：运动浮体的生成
数值水池可以仿真各种形状的物体在波浪中的运动情况，仿真物体可以由3D画图软件生成，然后再导入到数值水池中，通过OpenFOAM的自带工具snappyHexMesh围绕物体生成贴合物体表面的网格，物体附近的网格密度可以在控制文件中设定。以“凸”字形浮体为例，其网格如图3所示。
步骤四：波浪的生成
数值波浪水池的波浪的生成方法是由waves2Foam库提供，在造波边界处设置特定的液体速度产生波浪。以Stokes二阶规则波为例，其波浪速度分布的公式为：
Figure BDA0003215646160000081
Figure BDA0003215646160000082
其中u(x,z,t)和w(x,z,t)分别为波浪速度的水平分量和竖直分量。H是波浪的波高，ω是波浪的角频率，h是水深。在Stokes规则波中，水深、波浪周期和波高是可以设置的参数，不同的参数对应不同的波浪。
步骤五：利用波浪与物体相互作用求解器求解
本发明集合了OpenFOAM自带两相流求解器interDyMFOAM和waves2Foam中的求解器waveFoam开发了一个适用于波浪与运动物体相互作用求解器。新开发的求解器可以求解在波浪条件下的两相流问题，并且可以利用变形网格技术求解物体运动。
具体的求解过程如下：通过物理守衡定律得到连续性方程，动量方程和能量方程，在每个控制体上做积分，得到代数方程组。之后求解方程组来得到每个网格的流场变量，通过流场信息得到物体的受力数据，通过Newmark方法求解物体的运动变量，例如线速度，位移，角速度等数据，然后更新动网格网格点的位置，实现物体的运动。
本发明的第二部分是基于GRU结构的预测浮体在波浪中受力的神经网络。
本发明利用GRU单元建立了双层循环神经网络用于实时预测浮体在波浪中的受力。网络结构如图5所示。每一时间步，神经网络都会接受一组负载姿态数据，两层GRU单元将输入信息拓展到高维空间进行处理。GRU是一种循环神经网络，通过记忆单元h来记录之前输入数据的隐藏信息。最后数据经过一个全连接层，输出物体的受力信息。神经网络每个时间步的输入为有9个元素的一维向量，分别包含波浪参数和物体的姿态信息。输出是一个大小为6的一维向量，分别是负载在x、y、z轴方向上的所承受的力和力矩。
神经网络的训练数据使用的为上述实施例子提到的数值波浪水池通过计算流体力学仿真得到的，仿真了浮体在不同海况下的运动响应，不同波浪条件是通过在数值波浪水池中改变波高、波浪周期和水深实现的。每一组浮体与波浪的相互作用都在数值波浪水池中仿真了20s的时间，在仿真过程中最大时间步长为0.0001s，时间步长设置为可自动调节，最大库朗数为0.8。将上述案例得到的所有数据在每次训练时竖直拼接成训练集，每次训练集的拼接顺序随机打乱，最终得到一个数量约为10万数据的训练集，训练集的参数如表1所示。
在训练过程中，模型的损失函数为均方差(MSE)，其表达式为：
Figure BDA0003215646160000091
其中，n为数据量，yi是预测值，
Figure BDA0003215646160000092
是通过数值波浪水池得到的参考值。使用Adam算法作为梯度下降的方法，学习率设置为0.00005，为避免过拟合，将dropout系数设置为0.1。整个训练过程对训练集循环训练1200次。
表1训练集数据参数
Figure BDA0003215646160000093
Figure BDA0003215646160000101
最终训练完成的神经网络用于预测浮体在波浪中的受力，其对训练集的方差结果如图6所示，可以得到水平力Fx的预测结果最差，竖直力Fz的预测结果最好。部分结果如图7-9所示，可以看出训练好的神经网络的预测数据基本与计算流体力学方法的得到的数据大致相同。并且神经网络预测出物体受力数据的计算时间很短，几乎是实时预测出在波浪中物体的受力信息。
为了证明训练好的神经网络可以更好地实现其功能，使用不在训练集的数据测试神经网络的预测精度，测试集参数如表2所示，测试集均方差值如图10所示，部分数据对比结果如图11-12所示。可以看到虽然预测效果不如测试集，但是总体还是令人满意。
表2测试集数据参数
Figure BDA0003215646160000102
在上述基础上，将训练好的神经网络与数值波浪水池相结合：
在计算流体力学软件OpenFOAM中引入PyTorch库，将训练好的网络加入到数值波浪水池中，通过设计控制器来对浮体施加相应的作用力，控制器的反馈输入为神经网络预测的数值，记录被控浮体的运动，来验证控制器的有效性，示意图如图13所示。
波浪与物体相互作用仿真示例
以“凸”字形的浮体与波浪相互作用为例，求解浮体在规则波中的运动与受力，如图4(a)所示。在仿真开始，浮体放置在数值波浪池中间，并且浮体被约束不能进行水平位移。仿真开始后波浪开始生成，浮体开始随波浪运动，浮体的升沉和旋转数据如图4(b)所示。实线为物理实验结果，虚线为数值波浪水池的仿真数据结果，可以看到两组物体运动的结果基本吻合。证明了数值波浪水池计算波浪与物体相互作用问题的正确性。
本发明利用OpenFOAM和waves2Foam库设计了一种用于求解运动物体与波浪相互作用的数值波浪水池，并开发了新的求解器可以求解动网格问题。
本发明设计了一种基于GRU单元的神经网络来预测运动物体受到的波浪力，其训练数据都是通过前面提出的数值波浪池来得到。
本发明在数值波浪池中可以设计控制器，数值水池中预设控制器接口，即在配置文件中可以加入控制方程，在仿真计算过程中，通过反馈信息计算得到控制力，然后施加到被控物体上，实现对物体的控制来稳定物体运动。上述的反馈信息可以通过仿真计算得到，也可以通过神经网络得到。
本发明通过导入PyTorch的C++代码库，实现神经网络和计算流体力学软件OpenFOAM结合。将一训练好的神将网络加入到数值波浪水池，设计的控制器可以利用神经网络预测的数据对物体进行控制，进而验证与神经网络相结合的控制器的可行性。
实施例二
本实施例的目的是提供一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供运动负载受波浪力的实时预测系统，包括：
仿真模型建立模块，被配置为：建立仿真模拟波浪和浮体相互作用的数值波浪水池及求解波浪与浮体相互作用的求解器；
求解模块，被配置为：利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；
在线预测模块，被配置为：利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.运动负载受波浪力的实时预测方法，其特征是，包括：
建立仿真模拟波浪和浮体相互作用的数值波浪水池及求解波浪与浮体相互作用的求解器；
利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；
利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。
2.如权利要求1所述的运动负载受波浪力的实时预测方法，其特征是，所述数值波浪水池为三维仿真模型，原点o放置在数值水池底部，x轴与静水面平行方向水平向右，z轴竖直向上，y轴为数值波浪水池的宽度边所在的方向，波浪沿着x轴方向传播。
3.如权利要求1所述的运动负载受波浪力的实时预测方法，其特征是，所述数值波浪水池仿真模拟波浪和浮体相互作用之前需要设置数值波浪水池网格及边界条件设置；
进一步优选的，所述设置数值波浪水池网格具体为：
设置数值波浪水池的尺寸；
利用六面体网格离散计算区域，将控制方程对每一个网格进行积分，得到整个计算区域的离散方程组。
4.如权利要求3所述的运动负载受波浪力的实时预测方法，其特征是，利用六面体网格离散计算区域时，离散的网格设置为不均匀或者均匀大小网格，计算区域中流场变量变化程度与网格的密集程度正相关；
在波浪与物体相互作用的仿真中，波浪生成边界即水池左侧区域、浮体所在区域即水池中间区域和消波区即水池右侧区域采用密度更高的网格。
5.如权利要求3所述的运动负载受波浪力的实时预测方法，其特征是，设置边界条件时，被约束的变量包括速度、压力以及自由面；
数值波浪水池采用流体体积法来求解自由液面的形状，相分数α用于区分空气和液体，相分数α为1时网格单元为液体，当相分数α为0时网格单元充满着空气，当相分数α在0到1之间时，这一网格单元存在于自由液面处；
优选的，数值波浪水池侧面为wall类型的边界，防止水流出，顶部是atmosphere边界，防止回流现象，用于平衡水池内的压强。
6.如权利要求1所述的运动负载受波浪力的实时预测方法，其特征是，所述浮体被生成后导入到数值波浪水池中，围绕浮体生成所需的网格。
7.如权利要求1所述的运动负载受波浪力的实时预测方法，其特征是，所述训练后的神经网络在线预测浮体在具体环境下受到的波浪力，具体为：
每一时间步，神经网络接受一组负载姿态数据，两层GRU单元将输入信息拓展到高维空间进行处理；
其中，GRU是一种循环神经网络，通过记忆单元h来记录之前输入数据的隐藏信息；
最后数据经过一个全连接层，输出物体的受力信息；
进一步的优选的，神经网络每个时间步的输入为有多个元素的一维向量，分别包含波浪参数和物体的姿态信息，输出的是一个一维向量，分别是浮体在x、y、z轴方向上的所承受的力和力矩。
8.运动负载受波浪力的实时预测仿真系统，其特征是，包括：
仿真模型建立模块，被配置为：建立仿真模拟波浪和浮体相互作用的数值波浪水池及求解波浪与浮体相互作用的求解器；
求解模块，被配置为：利用上述求解器求解二维和三维的不同形状浮体与不同参数波浪的相互作用，计算得到浮体随波浪的运动姿态与每一时刻下的受力信息；
在线预测模块，被配置为：利用计算得到的运动姿态及受力信息训练神经网络，利用训练后的神经网络在线预测浮体在具体环境下受到的波浪力。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
CN202110943138.5A 2021-08-17 2021-08-17 运动负载受波浪力的实时预测方法及仿真系统 Active CN113609782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110943138.5A CN113609782B (zh) 2021-08-17 2021-08-17 运动负载受波浪力的实时预测方法及仿真系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110943138.5A CN113609782B (zh) 2021-08-17 2021-08-17 运动负载受波浪力的实时预测方法及仿真系统

Publications (2)

Publication Number Publication Date
CN113609782A true CN113609782A (zh) 2021-11-05
CN113609782B CN113609782B (zh) 2023-08-22

Family

ID=78340954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110943138.5A Active CN113609782B (zh) 2021-08-17 2021-08-17 运动负载受波浪力的实时预测方法及仿真系统

Country Status (1)

Country Link
CN (1) CN113609782B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492220A (zh) * 2021-11-23 2022-05-13 华北电力大学 基于OpenFOAM平台的海洋大气边界层流动特性的预测方法及系统
CN114510887A (zh) * 2022-01-20 2022-05-17 哈尔滨工程大学 一种基于代理模型的海洋条件下大容器液位快速预测方法
CN114624002A (zh) * 2022-03-15 2022-06-14 浙江大学 一种基于机器学习的智能造波方法
CN114715331A (zh) * 2022-06-02 2022-07-08 中国海洋大学 一种浮式海洋平台动力定位控制方法及系统
CN116011356A (zh) * 2023-01-09 2023-04-25 浙江大学 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506970A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种船舶水动力性能评估方法
CN111506969A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于多目标粒子群算法的船型优化方法
CN111506968A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于bp神经网络算法的船型优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506970A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种船舶水动力性能评估方法
CN111506969A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于多目标粒子群算法的船型优化方法
CN111506968A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于bp神经网络算法的船型优化方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492220A (zh) * 2021-11-23 2022-05-13 华北电力大学 基于OpenFOAM平台的海洋大气边界层流动特性的预测方法及系统
CN114510887A (zh) * 2022-01-20 2022-05-17 哈尔滨工程大学 一种基于代理模型的海洋条件下大容器液位快速预测方法
CN114510887B (zh) * 2022-01-20 2022-11-15 哈尔滨工程大学 一种基于代理模型的海洋条件下大容器液位快速预测方法
CN114624002A (zh) * 2022-03-15 2022-06-14 浙江大学 一种基于机器学习的智能造波方法
CN114624002B (zh) * 2022-03-15 2023-02-14 浙江大学 一种基于机器学习的智能造波方法
CN114715331A (zh) * 2022-06-02 2022-07-08 中国海洋大学 一种浮式海洋平台动力定位控制方法及系统
CN116011356A (zh) * 2023-01-09 2023-04-25 浙江大学 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法
CN116011356B (zh) * 2023-01-09 2023-09-08 浙江大学 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法

Also Published As

Publication number Publication date
CN113609782B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN113609782B (zh) 运动负载受波浪力的实时预测方法及仿真系统
Lu et al. Multi-scale modeling of shock interaction with a cloud of particles using an artificial neural network for model representation
Wei et al. Chaos in breaking waves
CN110598168B (zh) 一种物体入水的数值仿真方法及系统
Sohn et al. Numerical analysis of vortex core phenomenon during draining from cylinder tank for various initial swirling speeds and various tank and drain port sizes
Campbell et al. Simulating structural response to water impact
Pinkster et al. A real-time simulation technique for ship-ship and ship-port interactions
CN110348171B (zh) 基于OpenFOAM的三维海浪与负载交互的数值仿真模型建立方法
Panahi Simulation of water-entry and water-exit problems using a moving mesh algorithm
Yang et al. Numerical simulations of highly nonlinear steady and unsteady free surface flows
Sukhinov et al. Long waves simulation in coastal systems using parallel computational technologies
CN113312857B (zh) 一种基于sph的数值水池中方形波浪的模拟方法
Mnasri et al. A moving grid model for simulation of free surface behavior induced by horizontal cylinders exit and entry
Belostotskiy et al. Numerical simulation of oil tank behavior under seismic excitation. fluid–structure interaction problem solution
Cha et al. Numerical investigation of motion response of two model ships in regular waves
Johannessen Use of CFD to Study Hydrodynamic Loads on Free-Fall Lifeboats in the Impact Phase.: A verification and validation study.
Eskilsson et al. Estimation of nonlinear forces acting on floating bodies using machine learning
López et al. Framework for the shape optimization of aerodynamic profiles using genetic algorithms
CN113673007B (zh) 一种基于sph的双向波浪中船舶耐波性预报方法
Zhang et al. Fluid-structure interaction problem of hydrodynamic motion of an independent escape capsule under variable constraint conditions
Mola et al. Ship sinkage and trim predictions based on a CAD interfaced fully nonlinear potential model
Skorpa Numerical simulation of flow around remotely operated vehicle (ROV)
CN111428434B (zh) 一种物体在洋流中下落的数值仿真方法及系统
Paci et al. 3D-numerical analysis of wave-floating structure interaction with OpenFOAM
Vukcevic et al. Rapid simulations of pure sway motion using FVM in OpenFOAM

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