CN113968315B - 一种基于机器学习的集装箱船纵倾优化方法 - Google Patents
一种基于机器学习的集装箱船纵倾优化方法 Download PDFInfo
- Publication number
- CN113968315B CN113968315B CN202111523517.5A CN202111523517A CN113968315B CN 113968315 B CN113968315 B CN 113968315B CN 202111523517 A CN202111523517 A CN 202111523517A CN 113968315 B CN113968315 B CN 113968315B
- Authority
- CN
- China
- Prior art keywords
- container ship
- trim
- ship
- machine learning
- optimal
- 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.)
- Active
Links
Images
Classifications
-
- 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]
-
- 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
- Y02T70/00—Maritime or waterways transport
- Y02T70/10—Measures concerning design or construction of watercraft hulls
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于机器学习的集装箱船纵倾优化方法,包括以下步骤:基于集装箱船模纵倾优化阻力实验数据,建立集装箱船纵倾优化阻力数据库;将数据库分为训练集、测试集和验证集;构建四种不同的机器学习模型,利用数据库分别对四种不同机器学习模型进行训练,得到四种不同的机器学习模型最优参数;采用预测模型评价指标对四种不同的机器学习模型进行比较,选择最优性能的机器学习模型作为集装箱船最佳纵倾预测模型;利用集装箱船最佳纵倾预测模型进行集装箱船纵倾预测,得到集装箱船的最佳纵倾。有益效果是:只需给定集装箱船相关特征数据,即可预测集装箱船在变纵倾状态下的阻力大小,并且找到集装箱船所受阻力最小对应的纵倾状态,简单高效。
Description
技术领域
本发明涉及绿色船舶领域,尤其涉及一种基于机器学习的集装箱船纵倾优化方法。
背景技术
目前对于已经运营的船舶,IMO船舶能效管理计划给出了以下几种节能方法:保持船体和螺旋桨完整避免损伤、使用较低的经济航速、调节主机和螺旋桨、以最佳纵倾角度航行等。IMO将船舶最佳纵倾节能技术确定为实用的节能技术。与其它船舶节能技术相比,船舶最佳纵倾技术不需要对船舶结构做改动,只须通过合理配载,调整船舶首部吃水和尾部吃水,就可实现船舶减阻,达到节能减排的效果。对于运营中的船舶来说,该技术为船东缓解节能减排的压力同时,又避免了船舶型线改造或设备改动带来经济上的损失。
关于船舶最佳纵倾的研究多见于对船舶纵倾优化技术的介绍,通过特定船模试验研究纵倾角与船舶所受阻力关系,运用数值计算的方法开展船舶纵倾优化工作。目前的最佳纵倾研究工作需要针对特定的某种船型开展船模试验和数值计算,所得到的结果不适用于其他船型,对于新的船型需重新开展船模试验与数值计算,这种模式工作量大,难以推广。
发明内容
为了解决以上技术问题,针对以上的需求,提出一种基于机器学习的集装箱船纵倾优化方法,将具有强大预测能力的机器学习与船舶纵倾优化相结合,只需给定集装箱船相关特征数据,即可预测集装箱船在变纵倾状态下的阻力大小,并且找到集装箱船所受阻力最小对应的纵倾状态。
为了实现上述目的,本申请提供了一种集装箱船阻力预测模型的建立方法,包括以下步骤:
S1:基于集装箱船模纵倾优化阻力实验数据,建立集装箱船纵倾优化阻力数据库;
S2:将数据库分为训练集、测试集和验证集;
S3:构建四种不同的机器学习模型,利用所述训练集、测试集和验证集分别对四种不同机器学习模型进行训练,得到四种不同的具有最优参数组合的机器学习模型;
S4:采用预测模型评价指标对四种不同的机器学习模型进行比较,选择最优性能的机器学习模型作为集装箱船最佳纵倾预测模型;
S5:利用集装箱船最佳纵倾预测模型进行集装箱船纵倾预测,得到船舶的最佳纵倾。
进一步地,步骤S1中所述集装箱船模纵倾优化阻力实验数据,通过集装箱船模在不同吃水、不同航速、不同纵倾角度下的阻力实验得到。
进一步地,所述集装箱船模纵倾优化阻力实验数据,包括:纵倾角度、傅汝德数、船模剩余阻力系数、船艏吃水与艉吃水和船型宽。
进一步地,步骤S3中,所述四种不同的机器学习模型包括:BP神经网络、随机森林、决策树和KNN。
进一步地,步骤S4中,所述预测模型评价指标包括:平均绝对百分比误差MAPE、决定系数R2和均方误差MSE。
进一步地,步骤S5的具体过程如下:
S51:获取集装箱船在任一运营状态下的状态数据,包括:纵倾角度、傅汝德数、船艏吃水与艉吃水、船型宽;
S52:将状态数据输入至集装箱船最佳纵倾预测模型,得到集装箱船剩余阻力系数的预测值。
步骤S52中将状态数据输入至集装箱船最佳纵倾预测模型时,其中纵倾角度通过集装箱船在实际运营过程中所能调整到的预设范围及梯度的方式输入,即在范围[a,b]内,以不同的步长Δ分情况输入。
与现有技术相比,本发明的有益效果包括:
1.纵倾优化方法与其它船舶节能技术相比,船舶纵倾优化不需要对船舶结构做改动,只须通过合理配载,调整船舶首部吃水和尾部吃水,就可实现船舶减阻,达到节能减排的效果。对于运营中的船舶来说,该技术为船东缓解节能减排的压力同时,又避免了船舶型线改造或设备改动带来经济上的损失。
2.目前最佳纵倾研究工作需要针对特定的某种船型开展船模试验和数值计算,所得到的结果不适用于其他船型,对于新的船型需重新开展船模试验与数值计算,这种模式工作量大,难以推广。基于机器学习的船舶舶纵倾优化方法,只需给定船舶相关特征数据,即可预测船舶在变纵倾状态下的阻力大小,并且找到船舶所受阻力最小对应的纵倾状态。
附图说明
图1是本发明提供的一种基于机器学习的集装箱船纵倾优化方法流程示意图。
图2是本申请中的随机森林预测模型预测的剩余阻力系数与五种不同刻度纵倾角度的点线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于机器学习的集装箱船纵倾优化方法。请参考图1,图1是本发明方法的流程示意图;方法包括以下步骤:
S1:基于集装箱船模纵倾优化阻力实验数据,建立集装箱船纵倾优化阻力数据库;
作为一种实施例,步骤S1中所述集装箱船模纵倾优化阻力实验数据,通过集装箱船模在不同吃水、不同航速、不同纵倾角度下的阻力实验得到。
所述集装箱船模纵倾优化阻力实验数据,包括:纵倾角度、傅汝德数、船模剩余阻力系数、船模艏吃水与艉吃水和船型宽。其中,所述船模剩余阻力系数越大,表示船模所受阻力越大,船模剩余阻力系数越小,表示船模所受阻力越小。
作为一种实施例,实验数据中,输入数据为:纵倾角度、傅汝德数、船艏艉吃水均值与船型宽的比值;输出数据为:船模剩余阻力系数。
需要特别说明的是,当船为船模时,输入的数据即为:船模艏艉吃水均值与船模型宽的比值;当船为实际航行的船时,输入的数据即为:船艏艉吃水均值与船型宽的比值。输出数据均为:船模剩余阻力系数。
S2:将数据库分为训练集、测试集和验证集;
S3:构建四种不同的机器学习模型,利用所述训练集、测试集和验证集分别对四种不同机器学习模型进行训练,得到四种不同具有最优参数组合的机器学习模型;
作为一种实施例,步骤S3中,所述四种不同的机器学习模型包括:BP神经网络、随机森林、决策树和KNN。
作为其它实施例,还可选择其它不同的机器学习模型。
S4:采用预测模型评价指标对四种不同的机器学习模型进行比较,选择最优性能的机器学习模型作为集装箱船最佳纵倾预测模型;
作为一种实施例,所述预测模型评价指标包括:平均绝对百分比误差MAPE、决定系数R2和均方误差MSE。
作为一种实施例,各个指标代表的含义如下:
平均绝对百分比误差MAPE的范围为[0,+∞),MAPE为0%表示完美模型,MAPE大于100%则表示劣质模型。误差越大,该值越大。
均方误差MSE的范围为[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大。
决定系数R2的范围为[0,1],R2的值越接近于1,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高。
S5:利用集装箱船最佳纵倾预测模型进行集装箱船纵倾预测,得到集装箱船的最佳纵倾。
作为一种实施例,步骤S5的具体过程如下:
S51:获取集装箱船在任一运营状态下的状态数据,包括:纵倾角度、傅汝德数、船艏吃水与艉吃水、船型宽;
S52:将状态数据输入至集装箱船最佳纵倾预测模型,得到集装箱船剩余阻力系数的预测值。
步骤S52中将状态数据输入至集装箱船最佳纵倾预测模型时,其中纵倾角度通过集装箱船在实际运营过程中所能调整到的预设范围及梯度的方式输入,即在范围[a,b]内,以不同的步长Δ分情况输入。
作为一种实施例,不同的步长Δ取值在0.03°到0.05°之间。
请参考图2,图2是本申请中的随机森林预测模型预测的剩余阻力系数与五种不同刻度纵倾角度的点线图。
图2中,将13500TEU集装箱船在傅汝德数为0.15,吃水为7.5m状态下(对应的最佳纵倾角度为0.662°)的纵倾角度按照0.01、0.03、0.05、0.07、0.1、0.2这五种刻度划分,由纵倾优化预报模型得到五种不同刻度下的纵倾角度对应的剩余阻力系数,并画出五种不同刻度下纵倾角度与剩余阻力系数的点线图,其中纵倾角度为横坐标,剩余阻力系数为纵坐标。
刻度选取不宜过大,否则选取的纵倾角度会很大概率以较大的偏差避开最佳纵倾角度,使得最终预测结果不准确,由图2可以看出当刻度选择为≥0.07时,所选取的最佳纵倾角与实际最佳纵倾角的偏差比较小刻度得到的偏差大。也不宜较小,当刻度选取为0.01时,由图2可以看到相邻点之间的剩余阻力系数值很接近,由于模型预测剩余阻力系数存在误差,无法判断相邻的几个点中哪一个点对应的纵倾角度为最佳纵倾角度。当刻度选取为0.03和0.05时,最佳纵倾角度的选取不会像刻度为0.01时一样,由于相邻点之间的剩余阻力系数值很接近受到预测误差的影响。选定的最优纵倾角度与实际纵倾角度的偏差相比较于刻度≥0.7时小很多,最终得出纵倾角度划分刻度取值范围为0.03°到0.05°。
最终,在船舶启航前,将其纵倾角度调整到最佳纵倾状态,开始航行。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本发明的有益效果是:
1.纵倾优化方法与其它船舶节能技术相比,船舶纵倾优化不需要对船舶结构做改动,只须通过合理配载,调整船舶首部吃水和尾部吃水,就可实现船舶减阻,达到节能减排的效果。对于运营中的船舶来说,该技术为船东缓解节能减排的压力同时,又避免了船舶型线改造或设备改动带来经济上的损失。
2.目前最佳纵倾研究工作需要针对特定的某种船型开展船模试验和数值计算,所得到的结果不适用于其他船型,对于新的船型需重新开展船模试验与数值计算,这种模式工作量大,难以推广。基于机器学习的集装箱船纵倾优化方法,只需给定集装箱船相关特征数据,即可预测任一集装箱船在变纵倾状态下的阻力大小,并且找到集装箱船所受阻力最小对应的纵倾状态。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (1)
1.一种基于机器学习的集装箱船纵倾优化方法,其特征在于:包括以下步骤:
S1:基于集装箱船模纵倾优化阻力实验数据,建立集装箱船纵倾优化阻力数据库;
S2:将数据库分为训练集、测试集和验证集;
S3:构建四种不同的机器学习模型,利用所述训练集、测试集和验证集分别对四种不同机器学习模型进行训练,得到四种不同的具有最优参数组合的机器学习模型;
S4:采用预测模型评价指标对四种不同的机器学习模型进行比较,选择最优性能的机器学习模型作为集装箱船最佳纵倾预测模型;
S5:利用集装箱船最佳纵倾预测模型进行集装箱船纵倾预测,得到集装箱船的最佳纵倾;
步骤S1中所述集装箱船模纵倾优化阻力实验数据,通过集装箱船模在不同吃水、不同航速、不同纵倾角度下的阻力实验得到;
所述集装箱船模纵倾优化阻力实验数据,包括:纵倾角度、傅汝德数、船模剩余阻力系数、船艏吃水与艉吃水和船型宽;
步骤S3中,所述四种不同的机器学习模型包括:BP神经网络、随机森林、决策树和KNN;
步骤S4中,所述预测模型评价指标包括:平均绝对百分比误差MAPE、决定系数R2和均方误差MSE;
步骤S5的具体过程如下:
S51:获取集装箱船在任一运营状态下的状态数据,包括:纵倾角度、傅汝德数、船艏吃水与艉吃水、船型宽;
S52:将状态数据输入至集装箱船最佳纵倾预测模型,得到集装箱船剩余阻力系数的预测值;
步骤S52中将状态数据输入至集装箱船最佳纵倾预测模型时,其中纵倾角度通过集装箱船在实际运营过程中所能调整到的预设范围及梯度的方式输入,即在范围[a,b]内,以不同的步长Δ分情况输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523517.5A CN113968315B (zh) | 2021-12-14 | 2021-12-14 | 一种基于机器学习的集装箱船纵倾优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523517.5A CN113968315B (zh) | 2021-12-14 | 2021-12-14 | 一种基于机器学习的集装箱船纵倾优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113968315A CN113968315A (zh) | 2022-01-25 |
CN113968315B true CN113968315B (zh) | 2022-10-21 |
Family
ID=79590599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111523517.5A Active CN113968315B (zh) | 2021-12-14 | 2021-12-14 | 一种基于机器学习的集装箱船纵倾优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113968315B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795663B (zh) * | 2022-11-15 | 2023-07-11 | 中国地质大学(武汉) | 一种实际海况下的船舶最佳纵倾航行确定方法 |
CN117634317A (zh) * | 2023-12-26 | 2024-03-01 | 华中科技大学 | 基于最佳纵倾的龙舟运动员智能排位方法、装置及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104443257A (zh) * | 2014-11-12 | 2015-03-25 | 南通中远川崎船舶工程有限公司 | 一种基于纵倾优化的船舶节能方法 |
CN108068991A (zh) * | 2016-11-15 | 2018-05-25 | 如皋市欧通机械配件有限公司 | 一种基于纵倾优化的船舶节能方法 |
CN111409808B (zh) * | 2020-04-03 | 2021-07-06 | 武汉理工大学 | 基于神经网络算法的电推平底货船减阻节能控制系统 |
CN112009636A (zh) * | 2020-08-21 | 2020-12-01 | 武汉理工大学 | 用于船舶航行的智能配载减阻系统及方法 |
CN113743662B (zh) * | 2021-08-31 | 2024-04-16 | 中山大学 | 一种基于机器学习的船舶关键技术参数预测方法及系统 |
-
2021
- 2021-12-14 CN CN202111523517.5A patent/CN113968315B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113968315A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113968315B (zh) | 一种基于机器学习的集装箱船纵倾优化方法 | |
CN110083983B (zh) | 一种船舶分段航速优化方法和智能管理系统 | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN112699497B (zh) | 航线航速多目标联合优化模型建立方法和系统 | |
CN112464366B (zh) | 基于数据挖掘的自主水下航行器多保真度外形优化方法 | |
CN112836377B (zh) | 一种基于数字化仿真的船舶仿真测试系统 | |
CN115423176A (zh) | 用于船舶航行性能实时分析系统及营运碳排放优化方法 | |
Pawłusik et al. | Optimising rig design for sailing yachts with evolutionary multi-objective algorithm | |
Lin et al. | PID control strategy for UAV flight control system based on improved genetic algorithm optimization | |
CN110457827B (zh) | 一种游艇模拟器中游艇运动数学模型的阻力通用计算方法 | |
CN115481494B (zh) | 一种长江全线客船型线谱系生成方法 | |
CN115410419A (zh) | 一种船舶系泊预警方法、系统、电子设备及存储介质 | |
JP2000025683A (ja) | バブレーヤのrancによる弁開度自動制御方法 | |
CN114818128A (zh) | 船体局部曲面优化神经网络建模方法及船体局部曲面优化方法 | |
Eefsen et al. | Development of frigate designs with good seakeeping characteristics | |
Alexiou et al. | Comparative evaluation of Machine Learning algorithms and Physical based models for the prediction of Vessel Speed in real life applications. | |
Zhao et al. | Influence of different Machine learning algorithms on Prediction Model of Fuel Consumption of Inland Ships | |
CN110941262A (zh) | 一种基于神经网络的船舶自动停泊控制方法 | |
Li et al. | Prediction of ship fuel consumption based on Elastic network regression model | |
CN116703001B (zh) | 一种智能船舶的油耗预测方法、系统、智能船舶及介质 | |
Brown et al. | Naval ship hull structural scantling optimization by reducing weight, increasing safety and lowering vertical center of gravity | |
Zhang | Ship Type Optimization in Waves Using the Surrogate Model | |
Kishev et al. | Global view on ship trim optimization | |
Liu et al. | Research on lightweight design of multi-objective yacht structure based on Isight platform | |
Han et al. | The Analysis Method of Performance Comprehensive Performance Optimization Design for Multi-body Unmanned Boat |
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 |