CN115270644B - 一种智能船舶节能航行编队方法、电子设备和存储介质 - Google Patents
一种智能船舶节能航行编队方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115270644B CN115270644B CN202211205527.9A CN202211205527A CN115270644B CN 115270644 B CN115270644 B CN 115270644B CN 202211205527 A CN202211205527 A CN 202211205527A CN 115270644 B CN115270644 B CN 115270644B
- Authority
- CN
- China
- Prior art keywords
- resistance
- formation
- working condition
- ship
- ships
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Fluid Mechanics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种智能船舶节能航行编队方法、电子设备和存储介质,其通过样本数据集训练深度前馈神经网络,得到能够表征工况特征和阻力特征之间映射关系的阻力预报模型,其中工况特征包括用于描述不同队形的队形特征,这样通过阻力预报模型,便可以知晓船舶队伍在不同队形特征下的阻力信息,这样根据阻力信息,便可以选择出船舶在对应航行计划下的最优队形,得到最优编队方案。相比于现有技术,本发明提出了一套完整的编队方法,即从训练深度前馈神经网络到利用阻力预报模型进行编队的完整的流程,实现了根据具体航行任务的不同,灵活制定编队方案以使航行船舶均获得最大的阻力收益的目的,进而能够实现节能减排。
Description
技术领域
本发明涉及船舶交通调度技术领域,尤其涉及一种智能船舶节能航行编队方法、电子设备和存储介质。
背景技术
随着全球气候变化问题日益严峻,温室气体排放对自然生态系统和社会经济系统带来巨大的风险。根据IPCC(政府间气候变化专门委员会)的排放情况统计,全球每年排放的氮氧化物气体中30%来自于海上船舶,因此航运业承受巨大的压力。除此之外,随着油价飞涨,船舶营运成本中燃料费所占比例急剧增大。为降低温室气体排放量、提高航运经济效益,发展船舶节能减排技术是大势所趋。
船舶排放、燃油消耗与船舶所受阻力息息相关。根据阻力产生的物理原因,将减阻方法分为三类:1)减小摩擦力,如:水下轮廓优化、气泡减阻、喷洒高分子聚合物等;2)减小粘压阻力,如:型线优化、前缘引流、反向射流减阻等;3)减小兴波阻力,如:加装球鼻艏、消波水翼或压浪板等。上述减阻方法需要对船舶进行较大改动,或安装额外装置,改造成本往往较高。
近年来,研究人员从水禽游泳阵列得到启发,提出利用船舶集群实现减阻增效的思路。当船舶位于合适位置时,领航船舶产生的波浪将降低追随船舶的阻力,即跟随船可利用船间有利的兴波干扰,“乘坐”领航船所产生的波浪,实现减阻增效。对于远洋运输和海上作战而言,这种仿生减阻方式成本更低,且更容易实现。但是,目前对于以节能为目标的船舶编队的研究,均停留在船舶航行时具体的编队方式对阻力、能耗等因素产生的影响上,并没有形成一套完整可行且具备普适性的编队方法。
发明内容
有鉴于此,有必要提供一种智能船舶节能航行编队方法、电子设备和存储介质,用以达到根据具体航行任务的不同,灵活制定编队方案以使航行船舶均获得最大的阻力收益,进而实现节能减排的目的。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供了一种智能船舶节能航行编队方法,包括:
获取样本数据集,所述样本数据集包括多个船舶在不同工况下航行时的阻力信息,所述工况包括多种工况特征,所述工况特征包括队形特征,所述阻力信息包括多种阻力特征;
根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,其中所述阻力预报模型用于表征工况特征和阻力特征的映射关系;
获取多个待编队船舶的航行计划,并根据所述阻力预报模型计算所述多个待编队船舶在不同队形特征下的阻力信息,得到所述多个待编队船舶的最优编队方案。
进一步的,所述工况特征包括船舶特征,所述获取多个待编队船舶的航行计划,并根据所述阻力预报模型计算所述多个待编队船舶在不同队形特征下的阻力信息,得到所述多个待编队船舶的最优编队方案,包括:
获取多个待编队船舶的航行计划,得到目标航道和待编队船舶的船舶特征;
根据所述目标航道和所述待编队船舶的船舶特征,将所述目标航道划分为多个航段;
基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形;
根据多个所述最优队形,得到所述最优编队方案。
进一步的,所述基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形,包括:
根据所述阻力预报模型,基于不同预设的所述队形特征和所述待编队船舶的船舶特征,得到所述待编队船舶在对应所述航段内的多个预估阻力信息;
根据多个所述预估阻力信息,基于预设评价条件选择最优的所述预估阻力信息所对应的所述预设的所述队形特征,作为所述最优队形。
进一步的,所述工况特征还包括航道特征;所述根据所述目标航道和所述待编队船舶的船舶特征,将所述目标航道划分为多个航段,包括:
根据所述目标航道,得到所述目标航道的航道特征;
基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级;
根据所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级,将所述目标航道划分为多个航段。
进一步的,所述根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,包括:
获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征;
根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,所述阻力预报模型用于表征所述关键工况特征和所述阻力特征的映射关系。
进一步的,所述获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征,包括:
获取多个待评价工况特征;
建立理论阻力计算模型,并根据所述理论阻力计算模型建立评价函数;
根据所述评价函数,基于序列后向搜索策略对多个所述待评价工况特征进行筛选,得到所述关键工况特征。
进一步的,所述根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,包括:
以所述关键工况特征作为输入参数,以所述阻力特征作为输出参数,建立初始深度前馈神经网络模型;
根据所述初始深度前馈神经网络模型的输出参数,建立损失函数;
采用小批量梯度下降法和Nesterov加速梯度自适应学习率方法建立优化器;
根据所述样本数据集,基于所述损失函数和所述优化器训练所述初始深度前馈神经网络模型,并将训练后的所述深度前馈神经网络模型作为所述阻力预报模型。
进一步的,所述获取样本数据集,包括:
建立预设工况集和初始数值模拟方法;
通过所述初始数值模拟方法对所述预设工况集内的工况进行模拟,得到阻力信息初始模拟结果;
获取所述预设工况集的物模实验数据,并根据所述物模实验数据和所述阻力信息初始模拟结果,优化所述初始数值模拟方法,得到优化后数值模拟方法;
根据所述优化后数值模拟方法,模拟所述预设工况集内的工况,得到所述预设工况集内的工况对应的阻力信息;
根据所述预设工况及其对应的阻力信息,建立所述样本数据集。
第二方面,本发明还提供一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任一项所述智能船舶节能航行编队方法中的步骤。
第三方面,本发明还提供一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述任一项所述智能船舶节能航行编队方法中的步骤。
本发明提供的一种智能船舶节能航行编队方法、电子设备和存储介质,其通过样本数据集训练深度前馈神经网络,得到能够表征工况特征和阻力特征之间映射关系的阻力预报模型,其中工况特征包括用于描述不同队形的队形特征,这样通过阻力预报模型,便可以知晓船舶队伍在不同队形特征下的阻力信息,这样根据阻力信息,便可以选择出船舶在对应航行计划下的最优队形,得到最优编队方案。相比于现有技术,本发明提出了一套完整的编队方法,即从训练深度前馈神经网络到利用阻力预报模型进行编队的完整的流程,实现了根据具体航行任务的不同,灵活制定编队方案以使航行船舶均获得最大的阻力收益的目的,进而能够实现节能减排。
附图说明
图1为本发明提供的智能船舶节能航行编队方法一实施例的方法流程图;
图2为图1中步骤S101一实施例的方法流程图;
图3为本发明提供的智能船舶节能航行编队方法一实施例中的预设工况集内的队形示意图;
图4为图1中步骤S103一实施例的方法流程图;
图5为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明通过构建样本数据集,以获取船舶在不同工况下的阻力信息,包括在不同队形下的阻力信息,通过样本数据集训练深度前馈神经网络,得到能够预测船舶在不同工况下阻力信息的阻力预报模型,再根据船舶的实际航行计划,利用阻力预报模型预测船舶在不同队形特征下的阻力情况,选择最优的队形以得到船舶的最优编队方案。
本发明提供了一种智能船舶节能航行编队方法、电子设备及存储介质,以下分别进行说明。
结合图1所示,本发明的一个具体实施例,公开了一种智能船舶节能航行编队方法,该方法包括:
S101、获取样本数据集,所述样本数据集包括多个船舶在不同工况下航行时的阻力信息,所述工况包括多种工况特征,所述工况特征包括队形特征,所述阻力信息包括多种阻力特征;
S102、根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,其中所述阻力预报模型用于表征工况特征和阻力特征的映射关系;
S103、获取多个待编队船舶的航行计划,并根据所述阻力预报模型计算所述多个待编队船舶在不同队形特征下的阻力信息,得到所述多个待编队船舶的最优编队方案。
上述过程通过样本数据集训练深度前馈神经网络,得到能够表征工况特征和阻力特征之间映射关系的阻力预报模型,其中工况特征包括用于描述不同队形的队形特征,这样通过阻力预报模型,便可以知晓船舶队伍在不同队形特征下的阻力信息,这样根据阻力信息,便可以选择出船舶在对应航行计划下的最优队形,得到最优编队方案。相比于现有技术,本发明提出了一套完整的编队方法,即从训练深度前馈神经网络到利用阻力预报模型进行编队的完整的流程,实现了根据具体航行任务的不同,灵活制定编队方案以使航行船舶均获得最大的阻力收益的目的,进而能够实现节能减排。
需要说明的是,本实施例中的工况特征为多种数值的统称,其包括了船舶的数量、船舶的排列队形、船的横向间距、纵向间距等用于描述不同船舶队形的队形特征,以及船舶的质量、体积、行进速度等用于描述不同船只的船舶特征,和航道走向、航道布局、航道水流速度等用于描述不同航道的航道特征。三种工况特征共同用于描述船舶的不同工况。同样地,阻力特征也为多种数值的统称,即不同水动力因子的统称,其包括了纵向力、横向力、艏摇力矩等用于描述船舶在行进时受力情况的特征,多种阻力特征能够描述船舶的阻力信息,通过对阻力信息进行分析,可以判断出船舶运行时的能耗水平。
以船舶运行时的能耗水平作为评判标准,便可以从已有队形中挑选出最优队形,完成船舶的编队。实际中在不同的工况下,船舶的阻力信息也不尽相同,本实施例中通过样本数据集训练深度前馈神经网络,以达到更加准确的判断船舶阻力信息的目的。获取样本数据集可以采用多种现有的方法,例如获取实验的结果、获取船只运行时的历史数据等。本实施例提供了一种基于仿真的获取样本数据集的方法。
具体地,结合图2所示,作为优选的实施例,本实施例中的步骤S101、获取样本数据集,具体包括:
S201、建立预设工况集和初始数值模拟方法;
S202、通过所述初始数值模拟方法对所述预设工况集内的工况进行模拟,得到阻力信息初始模拟结果;
S203、获取所述预设工况集的物模实验数据,并根据所述物模实验数据和所述阻力信息初始模拟结果,优化所述初始数值模拟方法,得到优化后数值模拟方法;
S204、根据所述优化后数值模拟方法,模拟所述预设工况集内的工况,得到所述预设工况集内的工况对应的阻力信息;
S205、根据所述预设工况及其对应的阻力信息,建立所述样本数据集。
上述过程采用仿真的方式对一些预设的工况进行处理,得到其对应的阻力信息,使样本数据集的建立更加灵活,样本覆盖范围更广,且具备一定程度的真实性。同时,在进行仿真的过程中,上述过程还通过物模实验数据优化初始数值模拟方法,进一步提高获取的阻力信息的精度。
本发明还提供一优选的实施例,用以更加详细地说明上述过程S201~S205:
首先,以常见的货船为代表目标船型,通过收集文献资料,根据车辆编队、水禽编队等自然现象及多体船“消波减阻”原理,分析内河水上交通系统相关历史数据与运输需求,梳理典型内河水上交通场景参数特征,设定航道条件、船型、船舶数量、航速等特征参数,建立包含不同工况的预设工况集。
需要说明的是,如图3所示,本实施例中预设工况集内包括了三船系统的三种队形的工况,即串联、并联以及三角形,其中ST1和ST2为船间的纵向间距,SP1和SP2为船间的横向间距,上述特征均为队形特征。基于上述三种工况建立的预设工况集,包括了上述三种队形配合不同的船舶特征、航道特征所对应的不同阻力信息。后续建立的深度前馈神经网络也是上述三种队形对于不同阻力信息的映射,同样地,在最后编队的过程中,也是基于上述三种队形中的一种,并对纵向间距、横向间距等队形特征进行调整,得到最佳的队形特征作为最优编队方案。上述三种队形仅作为举例说明使用,以方便理解,实际用也可以包括其他更加复杂的队形。
同时,确定初始数值模拟方法,即初步确定上述工况的具体仿真方法,本实施例中,初始数值模拟方法不仅包括了仿真的具体步骤,还包括了仿真参数、网格划分标准等仿真过程中需要考虑的、且需要调整的因素的设定过程。具体地,本实施例中的初始数值模拟方法,采用商业软件Star CCM+,基于雷诺平均Navier-Stokes方程(Reynolds AveragedNavier-Stokes Equation, RANSE)对预设工况集内的工况进行仿真计算,仿真过程中需要进行如下设置:
当待仿真的船舶航速较低(船速值Fr < 0.2)时,可将自由液面视为刚体,采用叠模方法,将计算域顶部设置为对称面,结合相应设置湍流模型与近壁区域,实现船舶编队系统阻力的快时模拟;当0.2≤Fr≤0.3时, 兴波阻力占比逐渐增大,需考虑自由液面的影响,采用流体体积域法(Volume of Fluid,VOF)法,将计算域顶部设置为速度入口,并设置相应的湍流模型与近壁区域,实现对自由液面的捕捉;
同时,计算采用六面体网格,对曲率、流速较大的地方,进行局部网格加密。此外,由于船舶编队航行涉及多体运动,船舶进行操作时,如转向,编队内船舶时间不同,即异步,需结合动态驱动体模型(Dynamic Fluid Body Interaction,DFBI),对编队内每条船的旋转半径、旋转角速度、释放时间、停止时间等参数进行设置,进而准确、快速地实现编队船舶转向过程模拟。最后,采用重叠网格技术,使重叠区域包裹船体,以减少网格数量,提高计算效率。
通过上述手段模拟出的阻力信息,即为阻力信息初始模拟结果。在数值仿真中,头层网格高度、网格密度、湍流模型、边界条件等设置对计算结果影响较大,为保证计算精度,本实施例还通过物模试验对数值模拟结果进行验证,进而对网格密度、头层网格高度、湍流模型、计算方法等进行调整、优化,进而确定最终的仿真方法,即优化后数值模拟方法。通过优化后数值模拟方法,便可以准确的模拟出预设工况集内每个工况对应的阻力信息,进而建立真实、准确的样本数据集。
可以理解的是,前文中未具体说明的一些细节,均为本领域技术人员能够轻松想到或者直接获取的现有技术,本文中不做过多赘述。此外,受计算机算力限制,挑选典型工况进行数值仿真难以穷尽所有工况,无法获得完备的编队系统力学特征数据集,而完备数据集是编队系统最优构型的选取依据,因此,本发明中,在建立样本数据集后,利用样本数据集训练深度前馈神经网络,以获得准确的阻力预报模型。
作为优选的实施例,本实施例中的步骤S102、根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,具体包括:
获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征;
根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,所述阻力预报模型用于表征所述关键工况特征和所述阻力特征的映射关系。
由于影响编队后船舶阻力信息的因素众多(即待评价工况特征),且各影响因素的重要性不明晰。因此,需要对各个影响因素进行特征选择,以去除无关、弱相关且冗余特征,保留弱相关非冗余和强相关特征(即从待评价工况特征中筛选出关键工况特征),在不改变原特征物理意义的同时有效提高数据驱动模型(DFNN)计算速度和泛化性能。
具体地,作为优选的实施例,上述过程中的步骤:获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征,具体包括:
获取多个待评价工况特征;
建立理论阻力计算模型,并根据所述理论阻力计算模型建立评价函数;
根据所述评价函数,基于序列后向搜索策略对多个所述待评价工况特征进行筛选,得到所述关键工况特征。
具体地,上述过程中,可以基于船舶流体力学相关理论、自主推进物体集群式运动相关研究等领域知识,分析船舶编队减阻机理,厘清影响编队中船舶水动力的因素,如航速、编组单元个数、相对距离、船舶尺度比等,获取多个待评价工况特征,同时建立理论阻力计算模型。其中理论阻力计算模型可以理解为知识驱动的船舶编队水动力预报模型,其可以包含多个用于反应不同的工况特征和阻力特征对应关系的公式,此处以串联为例,三船系统内各个船舶的总阻力系数(、、)与船速(Fr)、纵向距离(ST)的关系如下:
船1:
船2:
船3:
建立理论阻力计算模型后,便可以结合实际具体情况,通过理论阻力计算模型建立评价函数。例如,根据理论阻力计算模型计算各个待评价工况特征对阻力特征的影响程度,建立评价函数,该影响程度可以从多个维度进行考量,如待评价工况特征在整个模型中作为自变量所占的比重,或者对其对应阻力特征的数值的影响大小等,将上述过程以表达式的形式表征出来,便可作为评价函数。评价函数用于对每个待评价工况特征进行打分,进而评价其重要程度。
构建评价函数后,便可以对不同的待评价工况特征进行筛选,作为优选的实施例,本实施例中的得到关键工况特征的具体过程为:
1、将所有待评价工况特征作为初始特征集,采用序列后向搜索(SequentialBackward Selection,SBS)策略进行搜索,搜索起点是初始特征全集;
2、基于搜索后的特征采用多输出支持向量回归进行回归(Multiple-outputSupport Vector Regression,M-SVR)进行回归预测,使用Sigmoid核函数, 将自变量映射到Hilbert空间,提升算法运行速度。并通过10-折交叉验证(Cross Validation,CV),确定特征的重要性,根据回归模型权重以及评价函数,评价特征重要性并排序;
3、删除得分最低的特征构建新的特征集,返回第2步以此循环,确定平均分最高的特征集,完成最优特征子集选择,即为关键工况特征的集合。
得到关键工况特征集合后,便可以开始训练深度前馈神经网络,作为优选的实施例,本实施例中的步骤:根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,具体包括:
以所述关键工况特征作为输入参数,以所述阻力特征作为输出参数,建立初始深度前馈神经网络模型;
根据所述初始深度前馈神经网络模型的输出参数,建立损失函数;
采用小批量梯度下降法和Nesterov加速梯度自适应学习率方法建立优化器;
根据所述样本数据集,基于所述损失函数和所述优化器训练所述初始深度前馈神经网络模型,并将训练后的所述深度前馈神经网络模型作为所述阻力预报模型。
上述过程中,利用深度前馈神经网络(Deep Feedforward Neural Networks,DFNN)构建船舶编队水动力影响因子特征与船体水动力的映射关系,即所述关键工况特征和所述阻力特征的映射关系。本实施例中,
以所述关键工况特征作为输入参数,以所述阻力特征作为输出参数,根据所述初始深度前馈神经网络模型的输出参数,以最小化结构风险为目标构建损失函数,通过小批量梯度下降法(Mini-Batch Gradient Descent)进行参数学习。在小批量梯度下降法中存在两个关键问题:一是学习率的选择,如果过大就不会收敛,如果过小则收敛速度太慢,二是梯度估计的修正,每次迭代的梯度估计和整个训练集上的最优梯度并不一致,具有一定的随机性。因此,本实施例采用Nesterov加速梯度自适应学习率方法,使用动量作为参数更新方向,自适应调整学习率,提高参数学习效率。同时,本实施例还利用丢弃法(DropoutMethod),以随机概率丢弃神经元或神经元之间的连接,每次迭代都相当于训练一个不同的子网络,这些子网络都共享原始网络的参数,能有效防止过拟合。此外,本实施例还采用基于Hyperband算法的动态资源分配法搜寻最优超参数(网络结构参数、优化参数、正则化系数)组合。
经样本数据集训练后的深度前馈神经网络,能够较为精准的预测出任意预设工况下的阻力信息,此时便可以将该深度前馈神经网络作为阻力预报模型。
同样地,上述训练前馈神经网络的过程中未具体说明的一些细节,均为本领域技术人员能够轻松想到或者直接获取的现有技术,本文中不做过多赘述。
进一步的,结合图4所示,作为优选的实施例,本实施例中的步骤S103、获取多个待编队船舶的航行计划,并根据所述阻力预报模型计算所述多个待编队船舶在不同队形特征下的阻力信息,得到所述多个待编队船舶的最优编队方案,具体包括:
S401、获取多个待编队船舶的航行计划,得到目标航道和待编队船舶的船舶特征;
S402、根据所述目标航道和所述待编队船舶的船舶特征,将所述目标航道划分为多个航段;
S403、基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形;
S404、根据多个所述最优队形,得到所述最优编队方案。
上述过程将目标航道分为多个航段,进而可以针对每个不同航段分别进行编队,在航行过程中变换不同的队形,将节能收益最大化。
具体地,在步骤S401中获取的航行计划包括船舶的出发地、目的地所需要经过的航道、休息时间等信息,根据航行计划可以得到待编队船舶所需要经过的目标航道以及使用阻力预报模型所需要输入的船舶特征。
作为优选的实施例,本实施例中的步骤S402、根据所述目标航道和所述待编队船舶的船舶特征,将所述目标航道划分为多个航段,具体包括:
根据所述目标航道,得到所述目标航道的航道特征;
基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级;
根据所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级,将所述目标航道划分为多个航段。
本实施例中以目标航道的航道特征对阻力信息的影响程度为依据,将目标航道划分为不同的航段,实际中也可以采用其他的标准划分航段。
值得注意的是,本实施例中同样采用阻力预报模型进行航段的划分,具体地,获取目标航道的航道特征后,可以人为设置基准船舶特征和基准队形特征,例如将待编队船舶的船舶特征作为基准船舶特征,将串联式的队形作为基准队形特征。将基准船舶特征和基准队形特征配合不同的航道特征一同输入至阻力预报模型中,根据输出结果的变化,得到航道特征对阻力信息的影响等级,将影响等级较大的航道特征为标准划分航段。
其中,判断影响等级的标准可以根据实际需要灵活制定,例如,可以根据某一航道特征发生变化时,其能够改变的阻力特征的数量划分等级,也可以根据某一航道特征发生变化时,其能够改变的阻力特征的值的变化量划分等级。同样地,根据影响等级不同的航道特征划分航段时的标准,也可以灵活制定,例如,若航道特征中弯曲程度和水流速度的影响等级较高,那么便可以将目标航道中弯曲程度或水流速度不同的一段划分为一个航段。
进一步的,作为优选的实施例本实施例中的步骤S403、基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形,具体包括:
根据所述阻力预报模型,基于不同预设的所述队形特征和所述待编队船舶的船舶特征,得到所述待编队船舶在对应所述航段内的多个预估阻力信息;
根据多个所述预估阻力信息,基于预设评价条件选择最优的所述预估阻力信息所对应的所述预设的所述队形特征,作为所述最优队形。
上述过程中,预设的队形特征即为前述过程中建立样本数据集时采用的若干队形特征,将不同的预设的队形特征,待编队船舶的船舶特征以及待编队航段的航段特征输入值阻力预报模型中,可以得到不同预设的队形特征对应的不同阻力信息。此时可根据实际需要人为设定预设评价条件,如阻力信息中各个阻力特征的数值之和最小等,选择出最优的阻力信息,然后便可以将该阻力信息对应的预设的队形特征作为该航段内的最优队形。
每个航段内的最优队形均确定后,便可以,确定待编队船舶在目标航道中的最优编队构型时序,即确定各航段组成编队的船舶、编队队形、航行速度、形成与消散时机等,形成最优编队方案,即步骤S404。
为了更好实施本发明实施例中的智能船舶节能航行编队方法,在智能船舶节能航行编队方法基础之上,对应的,请参阅图5,图5为本发明实施例提供的电子设备的结构示意图。基于上述智能船舶节能航行编队方法,本发明还相应提供了一种智能船舶节能航行编队设备500,即上述电子设备,智能船舶节能航行编队设备500可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该智能船舶节能航行编队设备500包括处理器510、存储器520及显示器530。图5仅示出了智能船舶节能航行编队设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器520在一些实施例中可以是智能船舶节能航行编队设备500的内部存储单元,例如智能船舶节能航行编队设备500的硬盘或内存。存储器520在另一些实施例中也可以是智能船舶节能航行编队设备500的外部存储设备,例如智能船舶节能航行编队设备500上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器520还可以既包括智能船舶节能航行编队设备500的内部存储单元也包括外部存储设备。存储器520用于存储安装于智能船舶节能航行编队设备500的应用软件及各类数据,例如安装智能船舶节能航行编队设备500的程序代码等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器520上存储有智能船舶节能航行编队程序540,该智能船舶节能航行编队程序540可被处理器510所执行,从而实现本申请各实施例的智能船舶节能航行编队方法。
处理器510在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器520中存储的程序代码或处理数据,例如执行智能船舶节能航行编队方法等。
显示器530在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器530用于显示在智能船舶节能航行编队设备500的信息以及用于显示可视化的用户界面。智能船舶节能航行编队设备500的部件510-530通过系统总线相互通信。
在一实施例中,当处理器510执行存储器520中智能船舶节能航行编队程序540时实现如上的智能船舶节能航行编队方法中的步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有智能船舶节能航行编队程序,该智能船舶节能航行编队程序被处理器执行时可实现上述实施例中的步骤。
本发明提供的一种智能船舶节能航行编队方法、电子设备和存储介质,其通过样本数据集训练深度前馈神经网络,得到能够表征工况特征和阻力特征之间映射关系的阻力预报模型,其中工况特征包括用于描述不同队形的队形特征,这样通过阻力预报模型,便可以知晓船舶队伍在不同队形特征下的阻力信息,这样根据阻力信息,便可以选择出船舶在对应航行计划下的最优队形,得到最优编队方案。相比于现有技术,本发明提出了一套完整的编队方法,即从训练深度前馈神经网络到利用阻力预报模型进行编队的完整的流程,实现了根据具体航行任务的不同,灵活制定编队方案以使航行船舶均获得最大的阻力收益的目的,进而能够实现节能减排。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种智能船舶节能航行编队方法,其特征在于,包括:
获取样本数据集,所述样本数据集包括多个船舶在不同工况下航行时的阻力信息,所述工况包括多种工况特征,所述工况特征包括队形特征、船舶特征和航道特征,所述阻力信息包括多种阻力特征;
根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,其中所述阻力预报模型用于表征工况特征和阻力特征的映射关系;
获取多个待编队船舶的航行计划,得到目标航道和待编队船舶的船舶特征;
根据所述目标航道,得到所述目标航道的航道特征;
基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级;
根据所述目标航道的航道特征对所述待编队船舶的阻力信息的影响等级,将所述目标航道划分为多个航段;
基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形;
根据多个所述最优队形,得到最优编队方案。
2.根据权利要求1所述的智能船舶节能航行编队方法,其特征在于,所述基于所述待编队船舶的船舶特征,根据所述阻力预报模型,得到每个所述航段内的所述待编队船舶的最优队形,包括:
根据所述阻力预报模型,基于不同预设的所述队形特征和所述待编队船舶的船舶特征,得到所述待编队船舶在对应所述航段内的多个预估阻力信息;
根据多个所述预估阻力信息,基于预设评价条件选择最优的所述预估阻力信息所对应的所述预设的所述队形特征,作为所述最优队形。
3.根据权利要求1所述的智能船舶节能航行编队方法,其特征在于,所述根据所述样本数据集训练深度前馈神经网络,得到阻力预报模型,包括:
获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征;
根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,所述阻力预报模型用于表征所述关键工况特征和所述阻力特征的映射关系。
4.根据权利要求3所述的智能船舶节能航行编队方法,其特征在于,所述获取待评价工况特征,并对所述待评价工况特征进行筛选,得到关键工况特征,包括:
获取多个待评价工况特征;
建立理论阻力计算模型,并根据所述理论阻力计算模型建立评价函数;
根据所述评价函数,基于序列后向搜索策略对多个所述待评价工况特征进行筛选,得到所述关键工况特征。
5.根据权利要求3所述的智能船舶节能航行编队方法,其特征在于,所述根据所述样本数据集训练深度前馈神经网络,得到所述阻力预报模型,包括:
以所述关键工况特征作为输入参数,以所述阻力特征作为输出参数,建立初始深度前馈神经网络模型;
根据所述初始深度前馈神经网络模型的输出参数,建立损失函数;
采用小批量梯度下降法和Nesterov加速梯度自适应学习率方法建立优化器;
根据所述样本数据集,基于所述损失函数和所述优化器训练所述初始深度前馈神经网络模型,并将训练后的所述深度前馈神经网络模型作为所述阻力预报模型。
6.根据权利要求1所述的智能船舶节能航行编队方法,其特征在于,所述获取样本数据集,包括:
建立预设工况集和初始数值模拟方法;
通过所述初始数值模拟方法对所述预设工况集内的工况进行模拟,得到阻力信息初始模拟结果;
获取所述预设工况集的物模实验数据,并根据所述物模实验数据和所述阻力信息初始模拟结果,优化所述初始数值模拟方法,得到优化后数值模拟方法;
根据所述优化后数值模拟方法,模拟所述预设工况集内的工况,得到所述预设工况集内的工况对应的阻力信息;
根据所述预设工况及其对应的阻力信息,建立所述样本数据集。
7.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至6中任一项所述智能船舶节能航行编队方法中的步骤。
8.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至6中任一项所述智能船舶节能航行编队方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205527.9A CN115270644B (zh) | 2022-09-30 | 2022-09-30 | 一种智能船舶节能航行编队方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205527.9A CN115270644B (zh) | 2022-09-30 | 2022-09-30 | 一种智能船舶节能航行编队方法、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270644A CN115270644A (zh) | 2022-11-01 |
CN115270644B true CN115270644B (zh) | 2023-01-17 |
Family
ID=83758130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205527.9A Active CN115270644B (zh) | 2022-09-30 | 2022-09-30 | 一种智能船舶节能航行编队方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270644B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107319B (zh) * | 2023-04-12 | 2023-06-16 | 中国船舶集团有限公司第七一九研究所 | 一种智能船舰节能航向编队方法、系统及存储介质 |
CN117272870B (zh) * | 2023-11-17 | 2024-01-26 | 中国空气动力研究与发展中心高速空气动力研究所 | 基于自适应重叠网格的动态编队飞行数值仿真方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491608A (zh) * | 2017-08-18 | 2017-12-19 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种飞机编队飞行的队形参数优化方法及系统 |
CN112327835A (zh) * | 2020-10-23 | 2021-02-05 | 上海大学 | 一种无人艇滑模编队控制系统及其方法 |
CN112765822A (zh) * | 2021-01-26 | 2021-05-07 | 武汉理工大学 | 船舶编队航行控制的三维仿真方法和系统 |
CN114840027A (zh) * | 2022-07-01 | 2022-08-02 | 南京理工大学 | 异构四旋翼飞行器编队姿态容错控制方法 |
CN114995133A (zh) * | 2022-05-26 | 2022-09-02 | 武汉理工大学 | 基于混杂逻辑动态模型的船舶纵向列队混杂预测控制方法 |
CN115017246A (zh) * | 2022-05-30 | 2022-09-06 | 武汉理工大学 | 一种面向船舶智能航行的全息航行场景图系统和构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9335430B2 (en) * | 2012-07-18 | 2016-05-10 | Pgs Geophysical As | Wave field separation by mixed domain inversion |
CN112699497B (zh) * | 2021-01-22 | 2024-05-28 | 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) | 航线航速多目标联合优化模型建立方法和系统 |
-
2022
- 2022-09-30 CN CN202211205527.9A patent/CN115270644B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491608A (zh) * | 2017-08-18 | 2017-12-19 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种飞机编队飞行的队形参数优化方法及系统 |
CN112327835A (zh) * | 2020-10-23 | 2021-02-05 | 上海大学 | 一种无人艇滑模编队控制系统及其方法 |
CN112765822A (zh) * | 2021-01-26 | 2021-05-07 | 武汉理工大学 | 船舶编队航行控制的三维仿真方法和系统 |
CN114995133A (zh) * | 2022-05-26 | 2022-09-02 | 武汉理工大学 | 基于混杂逻辑动态模型的船舶纵向列队混杂预测控制方法 |
CN115017246A (zh) * | 2022-05-30 | 2022-09-06 | 武汉理工大学 | 一种面向船舶智能航行的全息航行场景图系统和构建方法 |
CN114840027A (zh) * | 2022-07-01 | 2022-08-02 | 南京理工大学 | 异构四旋翼飞行器编队姿态容错控制方法 |
Non-Patent Citations (3)
Title |
---|
Will sailing in formation reduce energy consumption? Numerical prediction of resistance for ships in different formation configurations;Yangying He,et al.;《Applied Energy》;20220224;第312卷;第1-24页 * |
一种内河顶推船队的引航控制模型;牟军敏等;《中国航海》;20110925(第03期);第64-68页 * |
多船编队航行减阻可行性分析;郑义等;《舰船科学技术》;20200930;第42卷(第9期);第12-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115270644A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270644B (zh) | 一种智能船舶节能航行编队方法、电子设备和存储介质 | |
Fu et al. | Multi-objective shape optimization of autonomous underwater glider based on fast elitist non-dominated sorting genetic algorithm | |
Wang et al. | Application of real-coded genetic algorithm in ship weather routing | |
Peri et al. | High-fidelity models and multiobjective global optimization algorithms in simulation-based design | |
CN103744428A (zh) | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 | |
US11768983B2 (en) | Shape optimisation of technical devices via gradient descent using convolutional neural network proxies | |
CN111338350A (zh) | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 | |
CN108563119A (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
CN113238232B (zh) | 面向海洋静态目标的自主水下航行器系统目标搜索方法 | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN112819255B (zh) | 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 | |
Sakaki et al. | Evaluation of the hydrodynamic performance of planing boat with trim tab and interceptor and its optimization using genetic algorithm | |
CN114912195B (zh) | 一种商用车空气动力学序列优化方法 | |
Zhang et al. | Investigation of the resistance characteristics of a multi-AUV system | |
CN110778398A (zh) | 一种船用柴油机燃油管理控制系统 | |
Wang et al. | Aerodynamic optimization of a luxury cruise ship based on a many-objective optimization system | |
Mittendorf et al. | Towards the uncertainty quantification of semi-empirical formulas applied to the added resistance of ships in waves of arbitrary heading | |
Guan et al. | Automatic optimal design of self-righting deck of USV based on combined optimization strategy | |
Bagazinski et al. | Ship-d: Ship hull dataset for design optimization using machine learning | |
Ma et al. | Solving heterogeneous USV scheduling problems by problem-specific knowledge based meta-heuristics with Q-learning | |
Gong et al. | A mutation operator self-adaptive differential evolution particle swarm optimization algorithm for USV navigation | |
Xie et al. | Joint optimization of ship speed and trim based on machine learning method under consideration of load | |
Ito et al. | Design space exploration using Self-Organizing Map based adaptive sampling | |
Zakerdoost et al. | Probabilistic surrogate-based optimization of ship hull-propulsor design with bi-level infill sampling technique |
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 |