CN113705090A - 一种长江航道内河船舶航速实时优化方法 - Google Patents

一种长江航道内河船舶航速实时优化方法 Download PDF

Info

Publication number
CN113705090A
CN113705090A CN202110961718.7A CN202110961718A CN113705090A CN 113705090 A CN113705090 A CN 113705090A CN 202110961718 A CN202110961718 A CN 202110961718A CN 113705090 A CN113705090 A CN 113705090A
Authority
CN
China
Prior art keywords
ship
speed
data
channel
navigation
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
CN202110961718.7A
Other languages
English (en)
Other versions
CN113705090B (zh
Inventor
张隆辉
刘正锋
魏纳新
匡晓峰
刘长德
滕延斌
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.)
702th Research Institute of CSIC
Original Assignee
702th Research Institute of CSIC
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 702th Research Institute of CSIC filed Critical 702th Research Institute of CSIC
Priority to CN202110961718.7A priority Critical patent/CN113705090B/zh
Publication of CN113705090A publication Critical patent/CN113705090A/zh
Application granted granted Critical
Publication of CN113705090B publication Critical patent/CN113705090B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种长江航道内河船舶航速实时优化方法，涉及船舶技术领域，该方法包括：通过建立长江航道地理数据库并进一步建立航道分段地理数据库，在内河船舶航行过程中，基于气象站、水文站以及船载设备实时测到环境信息更新数据库，通过船舶油耗模型计算内河船舶在各个航段上的油耗，从而建立船舶油耗模型，将各个航段上的航速作为待优化变量，应用改进差分进化算法在船舶油耗模型的基础上，建立基于油耗最优的航速优化目标函数并进行实时求解，进而对未来航段航速进行实时优化、预报。该优化方法在航行过程中实时保存各项环境、航速以及油耗等数据，从而对原有数据库进行更新、补充，丰富基础数据，使得航速优化结果更为准确、可靠。

Description

一种长江航道内河船舶航速实时优化方法
技术领域
本发明涉及船舶技术领域，尤其是一种长江航道内河船舶航速实时优化方法。
背景技术
随着全球环境变暖、极端气候多发、雾霾天气增多等一系列环境问题的日益增多，世界各国相继制定了针对船舶航运的节能减排法规要求，在节能减排要求的国际环境下，我国内河船舶航运业面临着巨大的节能减排压力。长江内河航道作为我国水上运输最为繁忙、运输量最大的内河航道，其每年在船舶燃油消耗以及废气排放量始终位居全国的首位，同时随着近几年油价不断上涨，燃油成本在船舶运营过程中的总体比重逐年升高，使得内河航运公司对于船舶节能的需求亦越发强烈。
降低燃油消耗是船舶节能减排实施过程中的关键问题，内河航运公司正试图寻找能够降低燃油消耗的途径。降低船舶的推进功率是减小船舶燃油消耗的一种有效手段，且船舶推进器功率与航速呈三次方关系，因此在保证航行计划时间要求的同时，适当降低航速，对于减少内河船舶的油耗以及废气排放有着明显的作用。此外长江内河船舶航线基本固定、重复性高、内河水文周期性变化明显，且航运发送时间稳定，因此对内河船舶固定航线下进行降低航速的优化管理是有重要意义的。故对于长江内河航道的航行，在满足航期的要求下，通过对航速的优化管理，可以达到航次总油耗量最低、二氧化碳排放最少的航行要求，进而达到内河船舶节能减排、降低燃油成本的目的。
发明内容
本发明人针对上述问题及技术需求，提出了一种长江航道内河船舶航速实时优化方法，在满足航期的要求下，通过优化船舶航速，降低航运过程的油耗、减少航运成本。
本发明的技术方案如下：
一种长江航道内河船舶航速实时优化方法，包括如下步骤：
S1、对长江航道地图数据、长江沿线气象站与水文站历史数据进行处理，得到长江航道地理数据库；
S2、确定船型数据、推进系统数据、发动机油耗数据、船舶装载情况、航行任务的起点及终点经纬度数据、计划航行时间、航速限制以及航段划分数目；
S3、根据船型数据、推进系统数据、发动机油耗数据和船舶装载情况，建立船舶油耗模型；
S4、根据起点及终点经纬度数据，从长江航道地理数据库中提取对应的航道地理信息，包括航道曲率半径、水深、风速、风向、流速、流向、航道长度以及航行路线上各点经纬度，并根据航段划分数目对航道地理信息进行分段，得到航道分段地理数据库；
S5、根据长江沿线各地气象站、水文站测量的航道环境信息，以及船舶上安装的风速仪、流速仪、测深仪实时更新长江航道地理数据库及航道分段地理数据库；
S6、根据航道分段地理数据库、船舶油耗模型及航行约束条件，建立内河船舶航速优化问题模型，应用改进差分进化算法计算得到航道内各个航段的最佳航速；
S7、实时记录船舶航行数据，存入航行数据库；
S8、根据船舶当前经纬度数据与终点经纬度数据判断航行任务是否结束，若未结束，则返回S5；若结束，则保存历史航行数据库和长江航道地理数据库。
其进一步技术方案为，S1具体包括：
由长江航道地图提取长江航道经纬度数据，利用墨卡托投影方法将长江航道经纬度数据转换为北东坐标系数据，并利用三点圆弧公式计算对应的航道曲率半径；
由长江航道地图按经纬度数据提取长江航道基础水深数据；
对长江沿线气象站与水文站历史数据按月份进行平均处理，获得不同月份下的长江沿线各处的平均风速及风向、平均流速及流向、平均水深变化量数据；
对长江航道基础水深数据与月份平均水深变化量数据进行叠加处理，获得不同月份下的长江航道水深数据；
对提取的长江航道经纬度数据以及不同月份下的长江航道水深数据、平均风速及风向、平均流速及流向按经纬度数据进行插值、填充处理，得到长江航道地理数据库。
其进一步技术方案为，在S2中，船型数据包括船舶型线、水线长、排水体积、船宽、吃水、船舶湿表面积；
推进系统数据包括螺旋桨个数、轴系传动效率、船舶推力减额系数、船舶伴流系数、螺旋桨推力系数曲线、推进器效率和轴系减速比；
确定船舶装载情况，即确定船舶状态为满载、半载或空载；
将船舶由航行任务起点到终点的最大允许计划航行时间作为计划航行时间；
航速限制指确定船舶由航行任务起点到终点的最大航速以及最小航速；
航段划分数目用于将航行任务起点到终点的路程按航段划分数目进行均分。
其进一步技术方案为，S3具体包括：
根据船型数据和船舶装载情况计算目标内河船舶不同航速、不同装载条件以及水深条件下的船舶阻力，建立目标内河船舶的航速-水深-阻力数据库；
通过推进系统数据、根据当前船舶阻力计算不同航速下船舶发动机所需的转速、扭矩数据，并根据发动机油耗数据建立发动机转速-扭矩-油耗关系图谱，计算不同航速下的船舶油耗，从而建立船舶油耗模型。
其进一步技术方案为，在S4中，并根据航段划分数目对航道地理信息进行分段，得到航道分段地理数据库，包括：
根据航段划分数目将起点至终点经纬度范围内的航道进行分段，得到多个航段并计算每个航段的航段长度、平均航道曲率半径以及不同月份下的航段平均水深、航段平均流速及流向、航段平均风速及风向，得到航道分段地理数据库。
其进一步技术方案为，S5具体包括：
由长江沿线各地气象、水文站的网络发布数据，获取当前测点的风速及风向、流速及流向、水深变化量数据；若与长江航道地理数据库中的测点数据不一致，则实时更新长江航道地理数据库和航道分段地理数据库；
由船舶上安装的风速仪、流速仪和测深仪，获得当前船舶所处位置的风速及风向、流速及流向、水深数据；若长江航道地理数据库中不存在当前船舶所处位置，则对获取的风速及风向、流速及流向、水深数据根据欧式距离最小的经纬度位置在长江航道地理数据库中进行插值处理，同时实时更新航道分段地理数据库。
其进一步技术方案为，在S6中，根据航道分段地理数据库、船舶油耗模型及航行约束条件，建立内河船舶航速优化问题模型，包括：
内河船舶航速优化问题模型表示为：
Figure RE-GDA0003307352670000041
其中，fi(·)为船舶的油耗计算函数，下标i为航段编号；Vi为当前航段的最佳航速，为待求值；n为航段划分数目；Parami为当前航段的已知参数，包括船舶阻力系数、环境风速及风向、流速及流向、水深数据；Si为每个航段的路程，且
Figure RE-GDA0003307352670000042
Stotal为总航道长度；gi(Vi)为航行时间约束条件；PlanTime为计划航行时间；Vmin为最小航速，Vmax为最大航速。
其进一步技术方案为，S7具体包括：
记录船舶航行所途经路线的经纬度数据、船舶实时航速、主机功率；
记录船舶航行过程中风速仪和流速仪测得的风速及风向、流速及流向数据；
记录船舶航行各气象站、水文站测得的风速及风向、流速及流向以及水深变化量数据；
记录船舶航行过程中的柴油消耗数据。
其进一步技术方案为，通过推进系统数据、根据当前船舶阻力计算不同航速下船舶发动机所需的转速、扭矩数据，包括：
根据船舶阻力计算船舶发动机所需的转速、扭矩数据，包括：
根据当前船舶航速Vship、水深条件以及装载条件，通过查询航速-水深-阻力数据库获得当前船舶阻力r，并根据船舶推力减额系数td计算得到船舶所需螺旋桨推力为T＝r/((1-td)Pnum)；
根据螺旋桨推力T以及螺旋桨推力系数曲线KT，计算得到螺旋桨转速np；
根据轴系减速比i，计算得到发动机转速ne＝np·i；
根据当前船舶航速Vship、船舶伴流系数ω计算得到螺旋桨流速为 Vp＝Vship(1-ω)，并根据螺旋桨推力T计算得到螺旋桨功率为PT＝Vp·T；
通过轴系效率ηs和推进器效率ηT，计算得到主机功率为Pe＝PT/(ηSηT)，同时计算得到发动机扭矩为Qe＝9550Pe/ne。
其进一步技术方案为，在S6中，应用改进差分进化算法计算得到航道内各个航段的最佳航速，包括：
应用改进差分进化算法对内河船舶航速优化问题模型进行重构，得到：
Figure RE-GDA0003307352670000051
其中，Vi k为各个航段的航速、下标i表示航段编号、上标k表示第一迭代次数；P(Vi,uk,ck)为优化目标函数，Ftotal(Vi,Parami)为航行的总油耗量；uk为拉格朗日乘子，ck为惩罚系数，β为大于1的系数；
Figure RE-GDA0003307352670000052
表示对优化目标函数寻找最佳航速使得其函数值最小；
应用差分进化算法格式对
Figure RE-GDA0003307352670000053
进行求解，差分进化算法格式为：
Figure RE-GDA0003307352670000054
其中，Vi,j,g表示航段航速，下标i,j,g分别表示航段编号、种群编号、第二迭代次数；randi(0,1)表示取0～1之间的随机浮点数；Vmax,i,j与Vmin,i,j分别表示种群中第j个航段的最大航速与最小航速；Vi,r0,g、Vi,r1,g、Vi,r2,g均表示在当前迭代次数g 时，随机从种群中抽取一个个体，且三者选中的个体不相同；F为0～1之间的正实数，由该值确定种群进化的变化率；Cr为变异系数，P′(·)为改进后的优化目标函数；
对
Figure RE-GDA0003307352670000055
的求解方法包括：
从所有航段航速中选取J个航速个体建立种群，初始化种群Vi,j,g＝0、拉格朗日乘子uk、惩罚系数ck和系数β，并设置最大迭代次数max_iter，令g＝k＝0；
计算种群中每个个体的优化目标函数P(Vi,j,g,uk,ck)，从中选取令函数值最小的个体Vi,j,g，记为最佳个体Vj,g；
令g＝g+1，k＝k+1；
从当前种群中随机抽取三个个体，记为Vi,r0,g、Vi,r1,g、Vi,r2,g，并通过公式得到新个体vi,j,g；
对种群中每个原有个体对应生成一个随机浮点数randi(0,1)，若随机浮点数randi(0,1)小于等于变异系数Cr，则将新个体vi,j,g替代原有个体Vi,j,g；否则保留原有个体Vi,j,g，将新个体记为di,j,g；
计算新个体di,j,g的优化目标函数P′(di,j,g,uk,ck)，并与最佳个体Vj,g的优化目标函数P(Vj,g,uk,ck)进行比较，若P′(di,j,g,uk,ck)≤P(Vj,g,uk,ck)，则令Vj,g+1＝di,j,g，否则Vj,g+1＝Vj,g；
计算uk＝max{0,uk+ck·gi(Vj,g)}、c＝β·ck；
若g≥max_iter，则迭代结束，得到航道内各个航段的最佳航速Vj,g；否则重新执行令g＝g+1，k＝k+1。
本发明的有益技术效果是：
通过长江航道地理数据库进一步建立了航道分段地理数据库，在内河船舶航行过程中，基于气象站、水文站实时测到环境信息，更新数据库，通过船舶油耗模型计算内河船舶在各个航段上的油耗，通过累加运算从而建立船舶油耗模型，将各个航段上的航速作为待优化变量，航道中的各环境、地理信息参数则为已知变量；应用改进差分进化算法在更新得到的船舶油耗模型的基础上，建立基于油耗最优的航速优化目标函数，并在内河船舶航行过程中进行实时求解，进而对未来航段航速进行实时优化、预报。所设计的优化方法，在航行过程中实时保存各项环境、航速以及油耗等数据，从而对原有数据库进行更新、补充，丰富基础数据，使得航速优化结果更为准确、可靠。
附图说明
图1是本申请提供的长江航道内河船舶航速实时优化方法的流程示意图。
图2是船舶满载条件下船舶的航速-水深-阻力数据的三维图。
图3是本申请提供的内河船舶油耗计算流程示意图。
图4是本申请提供的航段划分流程示意图。
图5是本申请提供的利用改进差分进化算法求解航速优化问题模型的流程示意图。
图6是本申请提供的航速优化结果示意图。
图7是本申请提供的优化油耗最优值收敛过程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示，一种长江航道内河船舶航速实时优化方法，其特征在于，包括：
S0、对长江航道地图的数字化处理工作，包括：
若所掌握的长江航道地图为纸质地图，需利用扫描仪将其转换为数字图片输入计算机，并应用地理信息图像识别软件将数字图片中的地理信息进行提取，形成可以用于计算机处理的通用电子地图格式文件。若所掌握的长江航道地图已经为通用电子地图格式，则可以省略该步骤。
S1、对长江航道地图数据、长江沿线气象站与水文站历史数据进行处理，得到长江航道地理数据库，具体包括：
<1>由长江航道地图提取长江航道经纬度数据：根据长江地理特征以及内河船舶航行方向的不同可以分为长江自西向东长江航道数据以及自东向西长江航道数据。由于内河船舶在航行时航道宽度对其航行路线的影响较小，因此对于航道的地理信息忽略内河航道的宽度，将自西向东或自东向西的长江航道按航道中心线简化为两条曲线，并提取曲线上各点的经纬度数据(Lon,Lat)，将其作为长江航道经纬度数据。
<2>利用墨卡托投影方法将长江航道经纬度数据转换为北东坐标系数据，原经纬度坐标系数据单位为[°]，变换后的北东坐标系下的坐标单位为[km]。基于航道各点的北东坐标系数据(N,E)利用三点圆弧公式计算对应的航道曲率半径R[km]，并将北东坐标数据与航道曲率半径数据存入数据库中。
<3>由长江航道地图按经纬度数据提取长江航道基础水深数据Depthb：根据长江航道经纬度数据，由电子地图上按经纬度进行水深数据的查询。
<4>对长江沿线气象站与水文站历史数据按月份进行平均处理，获得不同月份下的长江沿线各处的平均风速Vwindb及风向DIRwindb、平均流速Vflowb及流向 DIRflowb、平均水深变化量数据ΔDepthmb。
<5>对长江航道基础水深数据Depthb与月份平均水深变化量数据ΔDepthmb进行叠加处理，获得不同月份下的长江航道水深数据。
<6>以气象站、水文站测量点的经纬度对数据库进行索引，对于不存在的经纬度，则由临近的气象站、水文站数据对提取的长江航道经纬度数据以及不同月份下的长江航道水深数据、平均风速及风向、平均流速及流向进行插值、填充处理，得到长江航道地理数据库。
由S1建立的某一月份长江航道地理数据库的格式表示如表1所示。
表1某一月份长江航道地理数据库
序号 经度[°] 纬度[°] 北坐标[km] 东坐标[km] 曲率半径[km] 水深[m] 风速[m/s] 风向[°] 流速[m/s] 流向[°]
1 104.6363 28.7709 -416.58439 3220.14113 1000 8.5 5 180 0.5 180
2 104.6369 28.7712 -416.52363 3220.16371 0.245 8.5 5 180 0.5 180
3 104.6385 28.7712 -416.37001 3220.15174 1.215 8.5 5 180 0.5 180
… … … … … … … … … … …
m 120.974 31.791 1161.25133 3539.92671 1000 15 6 150 0.8 165
S2、确定船型数据、推进系统数据、发动机油耗数据、船舶装载情况、航行任务的起点及终点经纬度数据、计划航行时间、航速限制以及航段划分数目，具体包括：
船型数据包括船舶型线、水线长Lpp、排水体积Dis、船宽B、吃水d、船舶湿表面积S。
推进系统数据包括螺旋桨个数Pnum、轴系传动效率ηs、船舶推力减额系数td、船舶伴流系数ω、螺旋桨推力系数曲线KT、推进器效率ηT和轴系减速比i。
本实施例的发动机油耗数据为发动机台架油耗试验数据。
确定船舶装载情况，即确定船舶状态为满载、半载或空载。
确定船舶航行起点经纬度(LonStart,LatStart)、终点经纬度(LonEnd,LatEnd)。
将船舶由航行任务起点到终点的最大允许计划航行时间作为计划航行时间PlanTime。
航速限制指确定船舶由航行任务起点到终点的最大航速Vmax以及最小航速 Vmin。
航段划分数目n用于将航行任务起点到终点的路程按航段划分数目进行均分。
S3、根据船型数据、推进系统数据、发动机油耗数据和船舶装载情况，建立船舶油耗模型，具体包括：
<1>根据船型数据和船舶装载情况计算目标内河船舶不同航速、不同装载条件(如满载、半载、空载)以及水深条件下的船舶阻力r，建立不同装载条件下的目标内河船舶的航速-水深-阻力数据库。对于确定的装载条件，数据库可以以三维数据图的方式进行表示，如图2所示。
<2>通过推进系统数据、根据当前船舶阻力计算不同航速下船舶发动机所需的转速、扭矩数据，如图3所示，包括：
根据当前船舶航速Vship、水深条件以及装载条件，通过查询航速-水深-阻力数据库获得当前船舶阻力r，并根据船舶推力减额系数td计算得到船舶所需螺旋桨推力为T＝r/((1-td)Pnum)。
根据螺旋桨推力T以及螺旋桨推力系数曲线KT，计算得到螺旋桨转速np。
根据轴系减速比i，计算得到发动机转速ne＝np·i。
根据当前船舶航速Vship、船舶伴流系数ω计算得到螺旋桨流速为 Vp＝Vship(1-ω)，并根据螺旋桨推力T计算得到螺旋桨功率为PT＝Vp·T。
通过轴系效率ηs和推进器效率ηT，计算得到主机功率为Pe＝PT/(ηSηT)，同时计算得到发动机扭矩为Qe＝9550Pe/ne。
<3>根据发动机台架油耗试验数据建立发动机转速-扭矩-油耗关系图谱 Ge(Qe,ne)，由该关系计算不同航速下的发动机转速ne以及扭矩Qe，从而计算船舶油耗Ge，以此建立船舶油耗模型。
S4、根据起点及终点经纬度数据，从长江航道地理数据库中提取起点至终点经纬度范围内的航道地理信息，包括航道曲率半径、水深、风速、风向、流速、流向、航道长度以及航行路线上各点经纬度；
根据航段划分数目对航道地理信息进行分段，得到航道分段地理数据库，包括：
根据航段划分数目将起点至终点经纬度范围内的航道进行分段，得到多个航段并计算每个航段的航段长度、平均航道曲率半径以及不同月份下的航段平均水深、航段平均流速及流向、航段平均风速及风向，得到航道分段地理数据库，其中某一月份航道分段地理数据库的格式表示如表2所示。
表2某一月份航道分段地理数据库
Figure RE-GDA0003307352670000091
由表2可知，每个航段包括一个航段的起始点和一个航段的终止点，所计算的航段长度为航段起始点到航段终止点的总路程长度，所计算的航段平均水深、航段平均流速及流向、航段平均风速及风向为航段对应数据库数据的平均值。航段划分的示意图如图4所示，由图可知由航行任务的起点至终点被划分为n个路程相等的航段，即每个航段的路程计算公式为Si＝Stotal/n,(i＝1,2,3...,n)， Stotal为总航道长度；假设每个航段中存在m个气象/水文站测点C1,…,Cm，每个测点的流速及流向、风速及风向、水深变化等测量数据分别为Vflowe,i、DIRflowe,i、 Vwinde,i、DIRwinde,i、ΔDepthi，则平均流速Vflowm、流向DIRflowm、风速Vwindm、风向DIRwindm以及平均水深Depthm的计算公式分别为：
Figure RE-GDA0003307352670000101
Figure RE-GDA0003307352670000102
Figure RE-GDA0003307352670000103
Figure RE-GDA0003307352670000104
Figure RE-GDA0003307352670000105
假设航段中存在e个航道曲率半径测点，如图4所示，则该航段中的平均曲率半径计算公式为：
Figure RE-GDA0003307352670000106
S5、根据长江沿线各地气象站、水文站测量的航道环境信息，以及船舶上安装的风速仪、流速仪、测深仪实时更新长江航道地理数据库及航道分段地理数据库，具体包括：
<1>由长江沿线各地气象、水文站的网络发布数据，获取当前测点的风速 Vwinde及风向DIRwinde、流速Vflowe及流向DIRflowe、水深变化量数据ΔDepthe。若与长江航道地理数据库中的测点数据不一致，则实时更新长江航道地理数据库和航道分段地理数据库。
<2>由船舶上安装的风速仪、流速仪和测深仪，获得当前船舶所处位置的风速Vwinds及风向DIRwinds、流速Vflows及流向DIRflows、水深数据Depths。若长江航道地理数据库中不存在当前船舶所处位置，则对获取的风速及风向、流速及流向、水深数据根据欧式距离最小的经纬度位置在长江航道地理数据库中进行插值处理，同时实时更新航道分段地理数据库。
现以风速数据为例表述其具体数据插值过程：
获取风速数据对应的经纬度为(LonT,LatT)z(z＝1,2,…,u)，表1数据库中的经纬度数据为(LonD,LatD)w(w＝1,2,…,m)，根据欧式距离公式计算表1数据库中与风速数据所对应经纬度最为接近的经纬度值，按照大小顺序将风速数据所对应的经纬度值插入表1数据库中，欧式距离公式为：
Figure RE-GDA0003307352670000111
当z对应的经纬度(LonT,LatT)确定时，则必能找到一个对应w的经纬度(LonD,LatD)使得Odis的值最小。
S6、根据航道分段地理数据库、船舶油耗模型及航行约束条件，建立内河船舶航速优化问题模型，应用改进差分进化算法计算得到航道内各个航段的最佳航速，具体包括：
<1>内河船舶航速优化问题模型表示为：
Figure RE-GDA0003307352670000112
其中，fi(·)为船舶的油耗计算函数，下标i为航段编号；Vi为当前航段的最佳航速，为待求值；n为航段划分数目；Parami为当前航段的已知参数，包括船舶阻力系数、环境风速及风向、流速及流向、水深数据；Si为每个航段的路程； gi(Vi)为航行时间约束条件；PlanTime为计划航行时间；Vmin为最小航速，Vmax为最大航速。
<2>应用改进差分进化算法对内河船舶航速优化问题模型进行重构，将非线性约束问题转换为无约束问题并进行求解，重构后的内河船舶航速优化问题模型为：
Figure RE-GDA0003307352670000121
其中，Vi k为各个航段的航速、下标i表示航段编号、上标k表示第一迭代次数；P(Vi,uk,ck)为优化目标函数，Ftotal(Vi,Parami)为航行的总油耗量；uk为拉格朗日乘子，ck为惩罚系数，β为大于1的系数，根据问题收敛情况做具体调整；
Figure RE-GDA0003307352670000122
表示对优化目标函数寻找最佳航速使得其函数值最小。
应用差分进化算法格式对
Figure RE-GDA0003307352670000123
进行求解，差分进化算法格式为：
Figure RE-GDA0003307352670000124
其中，Vi,j,g表示航段航速，下标i,j,g分别表示航段编号、种群编号、第二迭代次数；randi(0,1)表示取0～1之间的随机浮点数；Vmax,i,j与Vmin,i,j分别表示种群中第j个航段的最大航速与最小航速；Vi,r0,g、Vi,r1,g、Vi,r2,g均表示在当前迭代次数g时，随机从种群中抽取一个个体，且三者选中的个体不相同；F为0～1之间的正实数，由该值确定种群进化的变化率；Cr为变异系数，P′(·)为改进后的优化目标函数。
如图5所示，对
Figure RE-GDA0003307352670000125
的求解方法包括：
(1)从所有航段航速中选取J个航速个体建立种群，初始化种群Vi,j,g＝0、拉格朗日乘子uk、惩罚系数ck和系数β，并设置最大迭代次数max_iter，令g＝k＝0。
(2)计算种群中每个个体的优化目标函数P(Vi,j,g,uk,ck)，从中选取令函数值最小的个体Vi,j,g，记为最佳个体Vj,g。
(3)令g＝g+1，k＝k+1。
(4)从当前种群中随机抽取三个个体，记为Vi,r0,g、Vi,r1,g、Vi,r2,g，并通过公式得到新个体vi,j,g。
(5)对种群中每个原有个体对应生成一个随机浮点数randi(0,1)，若随机浮点数randi(0,1)小于等于变异系数Cr，则将新个体vi,j,g替代原有个体Vi,j,g；否则保留原有个体Vi,j,g，将新个体记为di,j,g。
(6)计算新个体di,j,g的优化目标函数P′(di,j,g,uk,ck)，并与最佳个体Vj,g的优化目标函数P(Vj,g,uk,ck)进行比较，若P′(di,j,g,uk,ck)≤P(Vj,g,uk,ck)，则令Vj,g+1＝di,j,g，否则Vj,g+1＝Vj,g。
(7)计算uk＝max{0,uk+ck·gi(Vj,g)}、c＝β·ck。
(8)若g≥max_iter，则迭代结束，得到航道内各个航段的最佳航速Vj,g；否则重新执行令g＝g+1，k＝k+1。
S7、实时记录船舶航行数据，存入航行数据库，具体包括：
记录船舶航行所途经路线的经纬度数据(Lon,Lat)、船舶实时航速V′ship、主机功率Pe。
记录船舶航行过程中风速仪和流速仪测得的风速Vwinds及风向DIRwinds、流速 Vflows及流向DIRflows数据。
记录船舶航行各气象站、水文站测得的风速Vwinde及风向DIRwinde、流速Vflowe及流向DIRflowe以及水深变化量数据ΔDepthe。
记录船舶航行过程中的柴油消耗数据Ge。
S8、根据船舶当前经纬度数据与终点经纬度数据判断航行任务是否结束，若未结束，则返回S5；若结束，则保存历史航行数据库和长江航道地理数据库。
根据船舶当前位置经纬度数据，通过地理坐标系变换，将经纬度数据转换为北东坐标系下的公里数据；
判断船舶位置公里数据与航行终点位置公里数据偏差是否小于水线长的一半，若满足条件，则认为航行任务结束，否则返回S5。
针对本申请所提出的一种长江航道内河船舶航速实时优化方法，以一艘 7500T级的内河船舶为研究对象，取宜宾港为起点、南京港为终点，设航行计划时间为不超过180h，最大航速5m/s、最小航速2.5m/s，将全程航道划分为 38个航段，应用改进差分进化算法获得的航速优化结果如图6所示，油耗最优值收敛过程如图7所示。由计算结果可以看到，优化后的宜宾港到南京港的各航段航速的总体趋势为“先慢后快”，优化后的航行总油耗为6916kg。若全程按平均航速3.41m/s进行行驶，则航行油耗为7623kg，可见若按优化后的航速进行行驶，能节约707kg的油耗，降低了约9％的油量消耗。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种长江航道内河船舶航速实时优化方法，其特征在于，包括：
S1、对长江航道地图数据、长江沿线气象站与水文站历史数据进行处理，得到长江航道地理数据库；
S2、确定船型数据、推进系统数据、发动机油耗数据、船舶装载情况、航行任务的起点及终点经纬度数据、计划航行时间、航速限制以及航段划分数目；
S3、根据所述船型数据、推进系统数据、发动机油耗数据和船舶装载情况，建立船舶油耗模型；
S4、根据所述起点及终点经纬度数据，从所述长江航道地理数据库中提取对应的航道地理信息，包括航道曲率半径、水深、风速、风向、流速、流向、航道长度以及航行路线上各点经纬度，并根据所述航段划分数目对所述航道地理信息进行分段，得到航道分段地理数据库；
S5、根据长江沿线各地气象站、水文站测量的航道环境信息，以及船舶上安装的风速仪、流速仪、测深仪实时更新所述长江航道地理数据库及航道分段地理数据库；
S6、根据所述航道分段地理数据库、船舶油耗模型及航行约束条件，建立内河船舶航速优化问题模型，应用改进差分进化算法计算得到航道内各个航段的最佳航速；
S7、实时记录船舶航行数据，存入航行数据库；
S8、根据船舶当前经纬度数据与所述终点经纬度数据判断航行任务是否结束，若未结束，则返回S5；若结束，则保存历史航行数据库和长江航道地理数据库。
2.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，所述S1具体包括：
由长江航道地图提取长江航道经纬度数据，利用墨卡托投影方法将所述长江航道经纬度数据转换为北东坐标系数据，并利用三点圆弧公式计算对应的航道曲率半径；
由所述长江航道地图按经纬度数据提取长江航道基础水深数据；
对所述长江沿线气象站与水文站历史数据按月份进行平均处理，获得不同月份下的长江沿线各处的平均风速及风向、平均流速及流向、平均水深变化量数据；
对长江航道基础水深数据与月份平均水深变化量数据进行叠加处理，获得不同月份下的长江航道水深数据；
对提取的所述长江航道经纬度数据以及不同月份下的所述长江航道水深数据、平均风速及风向、平均流速及流向按经纬度数据进行插值、填充处理，得到所述长江航道地理数据库。
3.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，在所述S2中，所述船型数据包括船舶型线、水线长、排水体积、船宽、吃水、船舶湿表面积；
所述推进系统数据包括螺旋桨个数、轴系传动效率、船舶推力减额系数、船舶伴流系数、螺旋桨推力系数曲线、推进器效率和轴系减速比；
确定所述船舶装载情况，即确定船舶状态为满载、半载或空载；
将船舶由航行任务起点到终点的最大允许计划航行时间作为所述计划航行时间；
所述航速限制指确定船舶由航行任务起点到终点的最大航速以及最小航速；
所述航段划分数目用于将航行任务起点到终点的路程按所述航段划分数目进行均分。
4.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，所述S3具体包括：
根据所述船型数据和船舶装载情况计算目标内河船舶不同航速、不同装载条件以及水深条件下的船舶阻力，建立目标内河船舶的航速-水深-阻力数据库；
通过所述推进系统数据、根据当前船舶阻力计算不同航速下船舶发动机所需的转速、扭矩数据，并根据所述发动机油耗数据建立发动机转速-扭矩-油耗关系图谱，计算不同航速下的船舶油耗，从而建立所述船舶油耗模型。
5.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，在所述S4中，所述并根据航段划分数目对航道地理信息进行分段，得到航道分段地理数据库，包括：
根据所述航段划分数目将起点至终点经纬度范围内的航道进行分段，得到多个航段并计算每个航段的航段长度、平均航道曲率半径以及不同月份下的航段平均水深、航段平均流速及流向、航段平均风速及风向，得到所述航道分段地理数据库。
6.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，所述S5具体包括：
由长江沿线各地气象、水文站的网络发布数据，获取当前测点的风速及风向、流速及流向、水深变化量数据；若与所述长江航道地理数据库中的测点数据不一致，则实时更新所述长江航道地理数据库和航道分段地理数据库；
由船舶上安装的风速仪、流速仪和测深仪，获得当前船舶所处位置的风速及风向、流速及流向、水深数据；若所述长江航道地理数据库中不存在所述当前船舶所处位置，则对获取的所述风速及风向、流速及流向、水深数据根据欧式距离最小的经纬度位置在所述长江航道地理数据库中进行插值处理，同时实时更新所述航道分段地理数据库。
7.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，在所述S6中，所述根据所述航道分段地理数据库、船舶油耗模型及航行约束条件，建立内河船舶航速优化问题模型，包括：
所述内河船舶航速优化问题模型表示为：
Figure FDA0003222263660000031
其中，fi(·)为船舶的油耗计算函数，下标i为航段编号；Vi为当前航段的最佳航速，为待求值；n为所述航段划分数目；Parami为当前航段的已知参数，包括船舶阻力系数、环境风速及风向、流速及流向、水深数据；Si为每个航段的路程，且
Figure FDA0003222263660000032
Stotal为总航道长度；gi(Vi)为航行时间约束条件；PlanTime为所述计划航行时间；Vmin为最小航速，Vmax为最大航速。
8.根据权利要求1所述的长江航道内河船舶航速实时优化方法，其特征在于，所述S7具体包括：
记录船舶航行所途经路线的经纬度数据、船舶实时航速、主机功率；
记录船舶航行过程中所述风速仪和流速仪测得的风速及风向、流速及流向数据；
记录船舶航行各气象站、水文站测得的风速及风向、流速及流向以及水深变化量数据；
记录船舶航行过程中的柴油消耗数据。
9.根据权利要求4所述的长江航道内河船舶航速实时优化方法，其特征在于，所述通过所述推进系统数据、根据当前船舶阻力计算不同航速下船舶发动机所需的转速、扭矩数据，包括：
根据所述船舶阻力计算船舶发动机所需的转速、扭矩数据，包括：
根据当前船舶航速Vship、水深条件以及装载条件，通过查询所述航速-水深-阻力数据库获得当前船舶阻力r，并根据船舶推力减额系数td计算得到船舶所需螺旋桨推力为T＝r/((1-td)Pnum)；
根据螺旋桨推力T以及螺旋桨推力系数曲线KT，计算得到螺旋桨转速np；
根据轴系减速比i，计算得到发动机转速ne＝np·i；
根据所述当前船舶航速Vship、船舶伴流系数ω计算得到螺旋桨流速为Vp＝Vship(1-ω)，并根据所述螺旋桨推力T计算得到螺旋桨功率为PT＝Vp·T；
通过轴系效率ηs和推进器效率ηT，计算得到主机功率为Pe＝PT/(ηSηT)，同时计算得到发动机扭矩为Qe＝9550Pe/ne。
10.根据权利要求7所述的长江航道内河船舶航速实时优化方法，其特征在于，在所述S6中，所述应用改进差分进化算法计算得到航道内各个航段的最佳航速，包括：
应用所述改进差分进化算法对所述内河船舶航速优化问题模型进行重构，得到：
Figure FDA0003222263660000041
其中，Vi k为各个航段的航速、下标i表示航段编号、上标k表示第一迭代次数；P(Vi,uk,ck)为优化目标函数，Ftotal(Vi,Parami)为航行的总油耗量；uk为拉格朗日乘子，ck为惩罚系数，β为大于1的系数；
Figure FDA0003222263660000042
表示对所述优化目标函数寻找最佳航速使得其函数值最小；
应用差分进化算法格式对
Figure FDA0003222263660000051
进行求解，所述差分进化算法格式为：
Figure FDA0003222263660000052
其中，Vi,j,g表示航段航速，下标i,j,g分别表示航段编号、种群编号、第二迭代次数；randi(0,1)表示取0～1之间的随机浮点数；Vmax,i,j与Vmin,i,j分别表示种群中第j个航段的最大航速与最小航速；Vi,r0,g、Vi,r1,g、Vi,r2,g均表示在当前迭代次数g时，随机从种群中抽取一个个体，且三者选中的个体不相同；F为0～1之间的正实数，由该值确定种群进化的变化率；Cr为变异系数，P′(·)为改进后的优化目标函数；
对
Figure FDA0003222263660000053
的求解方法包括：
从所有航段航速中选取J个航速个体建立种群，初始化种群Vi,j,g＝0、拉格朗日乘子uk、惩罚系数ck和系数β，并设置最大迭代次数max_iter，令g＝k＝0；
计算种群中每个个体的优化目标函数P(Vi,j,g,uk,ck)，从中选取令函数值最小的个体Vi,j,g，记为最佳个体Vj,g；
令g＝g+1，k＝k+1；
从当前种群中随机抽取三个个体，记为Vi,r0,g、Vi,r1,g、Vi,r2,g，并通过公式得到新个体vi,j,g；
对种群中每个原有个体对应生成一个随机浮点数randi(0,1)，若所述随机浮点数randi(0,1)小于等于变异系数Cr，则将所述新个体vi,j,g替代原有个体Vi,j,g；否则保留所述原有个体Vi,j,g，将新个体记为di,j,g；
计算新个体di,j,g的优化目标函数P′(di,j,g,uk,ck)，并与所述最佳个体Vj,g的优化目标函数P(Vj,g,uk,ck)进行比较，若P′(di,j,g,uk,ck)≤P(Vj,g,uk,ck)，则令Vj,g+1＝di,j,g，否则Vj,g+1＝Vj,g；
计算uk＝max{0,uk+ck·gi(Vj,g)}、c＝β·ck；
若g≥max_iter，则迭代结束，得到航道内各个航段的最佳航速Vj,g；否则重新执行所述令g＝g+1，k＝k+1。
CN202110961718.7A 2021-08-20 2021-08-20 一种长江航道内河船舶航速实时优化方法 Active CN113705090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110961718.7A CN113705090B (zh) 2021-08-20 2021-08-20 一种长江航道内河船舶航速实时优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110961718.7A CN113705090B (zh) 2021-08-20 2021-08-20 一种长江航道内河船舶航速实时优化方法

Publications (2)

Publication Number Publication Date
CN113705090A true CN113705090A (zh) 2021-11-26
CN113705090B CN113705090B (zh) 2023-06-30

Family

ID=78653727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110961718.7A Active CN113705090B (zh) 2021-08-20 2021-08-20 一种长江航道内河船舶航速实时优化方法

Country Status (1)

Country Link
CN (1) CN113705090B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099054A (zh) * 2022-07-12 2022-09-23 江苏船来船往物流科技股份有限公司 基于船联网航道内河的船舶航速实时优化方法及其系统
CN115796065A (zh) * 2022-08-24 2023-03-14 河海大学 基于实时水情的船舶航行碳减排优化方法
CN116663696A (zh) * 2023-01-14 2023-08-29 武汉理工大学 基于遗传算法的北极东北航线多目标航速优化方法及装置
CN116702940A (zh) * 2023-04-19 2023-09-05 上海宇佑船舶科技有限公司 一种航速优化方法及系统
CN116776464A (zh) * 2023-06-09 2023-09-19 武汉理工大学 一种特定航线江海直达集装箱船型线谱系生成方法及系统
CN115796065B (zh) * 2022-08-24 2024-07-02 河海大学 基于实时水情的船舶航行碳减排优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4934756B1 (ja) * 2011-11-10 2012-05-16 三井造船株式会社 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
CN102722854A (zh) * 2012-05-21 2012-10-10 长江航道局 一种基于数据库的长江电子航道图生产应用方法
CN107292451A (zh) * 2017-07-18 2017-10-24 上海海阳气象导航技术有限公司 一种船舶航速优化方法及设备
WO2018182170A1 (ko) * 2017-03-27 2018-10-04 한국해양과학기술원 운항선의 표준 운항 상태 선속-동력 해석 시스템
CN110147900A (zh) * 2019-01-04 2019-08-20 上海海事大学 一种船舶航线航速多任务综合优化方法
CN111199103A (zh) * 2019-12-30 2020-05-26 中国船舶重工集团公司第七一一研究所 全电力推进船舶的全流程自动计算的航速优化方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4934756B1 (ja) * 2011-11-10 2012-05-16 三井造船株式会社 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法
CN102722854A (zh) * 2012-05-21 2012-10-10 长江航道局 一种基于数据库的长江电子航道图生产应用方法
WO2018182170A1 (ko) * 2017-03-27 2018-10-04 한국해양과학기술원 운항선의 표준 운항 상태 선속-동력 해석 시스템
CN107292451A (zh) * 2017-07-18 2017-10-24 上海海阳气象导航技术有限公司 一种船舶航速优化方法及设备
CN110147900A (zh) * 2019-01-04 2019-08-20 上海海事大学 一种船舶航线航速多任务综合优化方法
CN111199103A (zh) * 2019-12-30 2020-05-26 中国船舶重工集团公司第七一一研究所 全电力推进船舶的全流程自动计算的航速优化方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099054A (zh) * 2022-07-12 2022-09-23 江苏船来船往物流科技股份有限公司 基于船联网航道内河的船舶航速实时优化方法及其系统
CN115099054B (zh) * 2022-07-12 2023-08-04 江苏船来船往物流科技股份有限公司 基于船联网航道内河的船舶航速实时优化方法及其系统
CN115796065A (zh) * 2022-08-24 2023-03-14 河海大学 基于实时水情的船舶航行碳减排优化方法
CN115796065B (zh) * 2022-08-24 2024-07-02 河海大学 基于实时水情的船舶航行碳减排优化方法
CN116663696A (zh) * 2023-01-14 2023-08-29 武汉理工大学 基于遗传算法的北极东北航线多目标航速优化方法及装置
CN116702940A (zh) * 2023-04-19 2023-09-05 上海宇佑船舶科技有限公司 一种航速优化方法及系统
CN116702940B (zh) * 2023-04-19 2023-12-05 上海宇佑船舶科技有限公司 一种航速优化方法及系统
CN116776464A (zh) * 2023-06-09 2023-09-19 武汉理工大学 一种特定航线江海直达集装箱船型线谱系生成方法及系统
CN116776464B (zh) * 2023-06-09 2024-01-30 武汉理工大学 一种特定航线江海直达集装箱船型线谱系生成方法及系统

Also Published As

Publication number Publication date
CN113705090B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN113705090B (zh) 一种长江航道内河船舶航速实时优化方法
Wang et al. A Three-Dimensional Dijkstra's algorithm for multi-objective ship voyage optimization
CN110083983B (zh) 一种船舶分段航速优化方法和智能管理系统
CN110110943B (zh) 一种基于大数据的船队能效综合智能优化管理系统和优化方法
CN113033073A (zh) 一种基于数据驱动的无人船能效数字孪生方法及系统
CN107525509B (zh) 一种基于遗传算法的开敞水域帆船路径规划方法
CN111199103B (zh) 全电力推进船舶的全流程自动计算的航速优化方法及系统
Takashima et al. 4 On the fuel saving operation for coastal merchant ships using weather routing
CN111552299B (zh) 一种风翼助航船舶能效智能优化管理系统与优化方法
CN115755934A (zh) 一种船舶进港航迹控制方法、装置、电子设备及存储介质
CN112949140A (zh) 一种基于动态条件的大型船舶安全乘潮入港的方法
CN111709579A (zh) 船舶航速优化方法及装置
Hagiwara et al. Practical weather routing of sail-assisted motor vessels
Dalang et al. Stochastic optimization of sailing trajectories in an upwind regatta
CN112550592B (zh) 一种基于数据驱动的船舶能耗预测方法
CN116127614B (zh) 基于求解风包络的动力定位能力分析方法及系统
CN113052357B (zh) 一种遍历与贪心法结合的优化航线计算方法
CN112836448A (zh) 一种船舶水动力系数的实船试验方法
Thacker Irregular-grid finite-difference techniques for storm surge calculations for curving coastlines
CN113191100B (zh) 一种风帆助航船舶航线节能评估方法
CN112254720B (zh) 考虑风能捕获的自然能驱动机器人航线规划方法
CN113919549A (zh) 一种船舶滑失率预测系统
Motte et al. On the selection of discrete grid systems for on-board micro-based weather routeing
CN111090911A (zh) 一种船舶航速节能优化辅助方法
TWI792418B (zh) 預測船舶油耗的方法

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
GR01 Patent grant
GR01 Patent grant