CN116644608A - 一种基于海洋环境数据的实海域船舶运动预报方法及系统 - Google Patents
一种基于海洋环境数据的实海域船舶运动预报方法及系统 Download PDFInfo
- Publication number
- CN116644608A CN116644608A CN202310700333.4A CN202310700333A CN116644608A CN 116644608 A CN116644608 A CN 116644608A CN 202310700333 A CN202310700333 A CN 202310700333A CN 116644608 A CN116644608 A CN 116644608A
- Authority
- CN
- China
- Prior art keywords
- data
- wave
- ship
- calculation
- numerical
- 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
Links
- 238000013277 forecasting method Methods 0.000 title claims description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 211
- 238000000034 method Methods 0.000 claims abstract description 134
- 238000005457 optimization Methods 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 29
- 230000008878 coupling Effects 0.000 claims abstract description 16
- 238000010168 coupling process Methods 0.000 claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 78
- 230000008569 process Effects 0.000 claims description 42
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000005316 response function Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 12
- 238000010183 spectrum analysis Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 14
- 101150080778 INPP5D gene Proteins 0.000 description 170
- 238000010586 diagram Methods 0.000 description 11
- 101100420946 Caenorhabditis elegans sea-2 gene Proteins 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 101100313164 Caenorhabditis elegans sea-1 gene Proteins 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于实海环境预报及船舶运动,公开了一种基于海洋环境数据的实海域船舶运动预报方法及系统。该方法由基本航行信息设置、海洋环境输入信息提取、气象数值模式精度优化、海洋数值模式精度优化、海浪数值模式精度优化、环境数值模式耦合计算、海洋环境数据同化分析、船舶耐波性分析及船舶运动响应分析部分组成。本发明利用气象数值模式、海浪数值模式、海洋数值模式,并通过模式耦合技术实现各部分数据交互,对海洋环境进行高时空分辨率模拟及预报,同时基于实海观测数据、利用数据同化技术实现对海洋环境的高精度预报,为船舶航行提供准确的环境输入。
Description
技术领域
本发明属于实海环境预报及船舶运动领域,尤其涉及一种基于海洋环境数据的实海域船舶运动预报方法及系统。
背景技术
船舶在海上航行时,风浪流等海洋环境要素直接影响着船舶的六自由度摇荡运动。当海况较高、环境较恶劣时,船舶会出现剧烈摇荡、甲板上浪等现象,甚至在极端情况下会造成船舶倾覆。
已有一些海表面风速、波高及流速等水文气象的数值产品。但开源环境信息存在一定时间滞后性,且多聚焦于单要素,无法为船舶提供实时的环境信息,更无法实现对船舶未来运动的预警提供输入。与此同时,目前水文气象信息到航线规划的转化缺少能够将水文气象信息转化为直接的、量化的船舶航行状态信息的方法。
基于气象、海浪、海洋数值模式的环境预报技术可以实现对目标海域风场、波浪场、流场信息的高精度模拟,给出目标航线上的单要素及环境谱形信息,解决开源环境数据时空分辨率低的问题。基于实海观测数据的数据同化技术可以进一步提高数据预报精度,为船舶运动计算提供高精度环境输入。基于谱分析方法,结合目标船型幅频响应函数及目标航线上的实海域海洋环境特点,可以实现对船舶运动响应的预报。
现有技术1公开了一种特定海况下的船舶运动预报:上海船舶研究设计院提出了一种船舶运动响应计算方法和装置(中国专利,公开号CN108733951A,公开日20181102)。该发明通过给定的船体计算位置,在预先存储的函数库中查找当前海浪工况条件下运动响应的传递函数,进而计算出船舶运动响应,快速评估船舶在海浪中各运动幅度大小以及运动快慢程度。
现有技术2公开了一种实海域下船舶运动预报:哈尔滨工程大学黄礼敏等提出了一种海洋环境与船舶运动监测预报系统及监测预报方法(中国专利,公开号CN111336996A,公开日20200626)。该发明首先通过随船监测系统获取实时的船舶运动信息和海洋波浪信息,再基于风浪数值模型对船舶周围的风浪场进行构建,最后通过深度学习方法对系统的后续决策准确性进行校验,为海上作业决策提供依据。
现有技术3公开了一种基于实海域风浪数据库的船舶耐波性预报方法(中国期刊,基于实海域风浪数据库的船舶耐波性预报系统,船舶工程期刊,2022,44(9):8,33-40页),该方法基于传感器构建的实海域风浪数据库,采用Python开发一套以船舶在波浪中的运动响应幅频特性(RAO)为系统输入的长期耐波性预报系统软件。
现有技术4公开了一种基于气象环境信息的无人船舶最短航时航线优化方法(中国专利,公开号CN110196986A,公开日20190902)。该发明根据气象环境信息,构建无人船舶航行失速矩阵模型,基于该模型进行无人船最佳航线优化。
然而,现有技术1仅通过预先设置的海况等级来获取船舶运动响应,没有对实海域的环境情况进行具体分析,无法做到精确预报从而为船舶航行提供预警;现有技术2由于基于部分实测数据及传统风浪数值模型进行环境数据计算,无法做到高精度、实时位置的船舶运动预报。现有技术3通过传感器测量来获取随船风浪信息,预报精度有限,耗费的人力、财力较大,且无法获取周边海域的风浪信息。现有技术4的一种基于气象环境信息的无人船舶最短航时航线优化方法,其使用的气象环境信息是全球开源数据,存在数据精度和时空分辨率低的问题,并且该发明所提及的航线优化仅从耗时角度考虑,未曾设计船舶自身运动,在实际应用时具有局限性。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于海洋环境数据的实海域船舶运动预报方法及系统。
所述技术方案如下:基于海洋环境数据的实海域船舶运动预报方法,包括以下步骤:
S1,设置船舶的目标航线、目标航行时间信息,利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息以及与目标航行时间相对应的气象和海洋边界初始场数据,作为气象、海浪、海洋环境数值模式的输入信息;
S2,基于输入信息,进行气象数值、海洋数值、海浪数值的环境数值模式精度优化,基于获取的精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;
S3,基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
S4,针对目标船型进行耐波性分析,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数,同时基于船舶航行时的最大及最小航速设定船速范围,并以设定航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
S5,基于目标海域及时段内的高精度海洋波浪再分析数据,利用谱分析方法对实海域海浪谱及RAO谱进行计算,获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
在步骤S1中,在输入信息中,利用开源环境数据集,对环境数值模式计算所需的地形信息、气象及海洋边界初始场数据进行获取。
在步骤S2中,对气象数值模式进行精度优化,通过数值计算方法及参数化方案优化对目标海域气象条件进行数值模拟及预报;所述数值计算方法包括输入数据精度计算、网格收敛性计算、积分时间敏感性计算;所述参数化方案优化包括:参数化方案选取方法、目标海域方案优化;
所述输入数据精度计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对开源数据集的精度进行分析,观测风速与开源数据风速均方根误差作为评价指标,选出目标海域下最优数据对气象数值模式进行驱动;实海观测风速与开源风速数据的均方根误差计算公式为:
;
式中,表示均方根误差,/>表示对比的结果的时刻数,/>表示不同的观测位置或同一位置不同观测时间的序号,/>表示/>位置或/>时刻下数值模拟的结果,/>表示位置或/>时刻下实海观测值;
所述网格收敛性计算包括:结合目标海域空间范围,对海域进行分块处理,并结合海域大小设置粗糙网格及精细网格两种空间分辨率,分别进行大海域粗糙网格、小海域粗糙网格及小海域精细网格三组实验,对三组实验结果进行收敛性分析,最终选出该目标海域模式计算网格;
所述积分时间敏感性计算包括:对模式长时段下计算产生的系统误差进行分析及方法优化,分别开展目标时段一次性计算、10天重置初始边界场、3天重置初始边界场、1天重置初始边界场分析,并基于实海观测结果对四组实验进行误差分析,最终选出该目标海域下最优积分方法。
所述参数化方案选取方法包括:针对气象数值模式计算过程中的物理过程,结合海洋气象问题对微物理、积云、近地面及边界层四个过程进行分析,主要对各过程所包含的多种计算方案通过排列组合的方式进行确定,最终确定待优化的多套参数化方案。
所述目标海域方案优化包括:基于选定的参数化方案优选方法,选取该目标海域下最优输入数据、计算网格及积分方法,进行长时段气象数值模拟,利用实海观测数据对参数化方案结果进行分析,以计算风速与实海观测风速均方根误差的形式对结果进行评定,最后筛选出适用于该海域的气象数值模式最优参数化方案。
在步骤S2中,对海洋数值模式进行精度优化,通过数值计算方法及参数化方案优化,对目标海域海洋条件进行数值模拟及预报;
所述数值计算方法包括输入数据计算;参数化方案优化包括目标海域方案优化;
所述输入数据计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对各类开源数据集的精度进行分析,以各位置下观测海洋要素与开源数据中海洋要素均方根误差作为评价指标,最终选出该目标海域下最优数据对海洋数值模式进行驱动;
所述目标海域方案优化包括:针对海洋数值模式计算中的各类物理过程计算方案进行分析,并利用实海观测数据对模式计算结果以均方根误差形式进行对比,最后筛选出适用于该海域的海洋数值模式最优参数化方案。
在步骤S2中,对海浪数数值模式精度优化,通过数值计算方法及参数化方案优化,对目标海域海浪条件进行数值模拟及预报;所述数值计算方法包括:边界场计算方法、强迫场计算方法,所述参数化方案优化包括:源项影响程度优化、各源项计算方案优化、目标海域方案优化;
所述边界场计算方法包括:针对目标海域,分别对基于开源数据构建边界场、采用嵌套计算两种边界计算方案;首先结合目标海域划定边界海域范围;进而获取该时段及区域下的开源数据,进行海浪数值模式计算;然后采用嵌套方案用大边界给目标海域提供边界信息,进行海浪数值模式计算;最后对两种方案计算结果进行分析,利用实海观测数据,以均方根误差形式对两种结果进行分析,选出精度较高的计算方案,并结合计算效率,实现对目标海域边界场计算方法的制定;
所述强迫场计算方法包括:分别对各类强迫影响下的海浪及各情况排列组合方案下的强迫影响情况进行分析,最终从计算效率及计算精度两方面进行分析;
所述源项影响程度优化包括:对海浪模式计算过程中的风能输入、耗散、非线性波波相互作用、线性输入、波底相互作用、附加波浪破碎、三波相互作用源项进行分析,结合目标海域特点筛选出海浪计算过程中重点影响物理过程;
所述各源项计算方案优化包括:针对筛选出的重点源项,分析每个源项的计算方案,并对各类过程的方案进行排列组合,制定源项优选计算方法;
所述目标海域方案优化包括:基于选定源项方案,选取该目标海域下最优边界场计算方案、强迫场计算方案、模式应用配置,进行长时段海浪数值模拟,利用实海观测数据对多套方案结果进行分析,以均方根误差形式对结果进行评定,最后筛选出适用于该海域的海浪数值模式最优参数化方案。
在步骤S2中,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;包括:
气象数值模式为海浪数值模式提供计算所需风速,海浪数值模式为气象数值模式提供计算所需海浪要素,包括有效波高、波长、波周期;海浪数值模式为海洋数值模式提供有效波高、波长、波向及耗散,海洋数值模式为海浪数值模式提供计算所需流场、地形、海表面高度信息;气象数值模式为海洋数值模式提供海平面气压、短波辐射、长波辐射、感热、潜热、风应力、降水率的气象信息,海洋数值模式为气象数值模式提供计算所需海表面温度;通过模式间的数据交互,构建高精度海洋波浪数值数据,对海洋波浪的高时空分辨率模拟及预报;海浪数值数据包括海浪要素及目标海域数值环境谱;所述海浪要素包括:有义波高、周期、波长、波向。
在步骤S3中,所述海浪数据同化包括:利用浮标观测数据、卫星遥感数据、船舶报数据、飞机报数据、探空报数据提供实海观测数据,通过数据预处理对数据的采集位置、采集频次、时间范围进行整合,得到与高精度海洋波浪数值数据时空分辨率相当的实海观测环境信息;
基于数据同化方法,利用实海观测数据对数值计算数据进行修正优化,在有观测信息的位置处进一步加强实海观测数据的影响,修正数值计算数据,进而构建得到目标海域及时段内的高精度海洋波浪再分析数据;该高精度海洋波浪再分析数据包括实海域海浪谱及海浪要素,所述海浪要素包括:有义波高、周期、波长、波向;
所述数据同化方法包括:利用实海观测数据对环境数值计算结果进行同化融合,在有观测位置处不断加强实测数据影响;由于数据同化过程中需要反复利用实测数据对数值模式计算结果进行订正、需要通过迭代完成计算,因此以观测位置下同化后数据与实测数据均方根误差最小为评价指标,当出现增加迭代次数、但结果已经收敛不再变化的情况时,认为此迭代次数为最优同化迭代次数,进而筛选出各类实测数据最优同化迭代次数;最终形成高精度海洋波浪再分析数据。
在步骤S4中,针对目标船型进行耐波性分析,包括:
船舶水动力计算方法包含切片法、二维半方法、三维势流方法、三维粘流方法,计算与高精度海洋波浪再分析数据中实海域海浪谱中频率及方向相对应的幅频响应函数;对船舶航行速度进行范围设定,结合目标船型航行需求设置0.5m/s速度间隔,进而得到不同航速下的幅频响应函数,最终形成包含多航速下船舶RAO谱的目标船型幅频响应数据库/>。
在步骤S5中,进行船舶实海域航行时六自由度摇荡运动有义值的预报,包括以下步骤:
(i)将船舶航行位置处的环境谱形转换为遭遇谱,船舶航行时,遭遇频率为:
;
式中:表示遭遇频率,/>表示波浪真实频率,/>表示船舶航速,/>表示重力加速度,/>表示浪向角;
根据雅可比转换,得:
;
式中:表示遭遇频率间隔,/>表示真实频率间隔;
经波浪总能量守恒,得:
;
式中,为实海域海浪谱,/>为船舶遭遇频率的环境谱;
计算得到船舶遭遇频率的环境谱为:
;
(ii)基于谱分析方法计算船舶摇荡能谱密度函数为:
;
式中,是船舶摇荡谱密度函数;/>是船舶幅频响应函数;
(iii)基于船舶摇荡能谱密度计算船舶六自由度运动为:
;
;
式中,表示谱的零阶距,/>为船舶实海域运动有义值,/>为谱的方向间隔,/>为真实频率间隔。
本发明的另一目的在于提供一种基于海洋环境数据的实海域船舶运动预报系统,实施所述基于海洋环境数据的实海域船舶运动预报方法,该系统包括:
基本航行信息设置模块,用于设置船舶的目标航线、目标航行时间信息;
海洋环境输入信息提取模块,用于利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息以及与目标航行时间相对应的气象和海洋边界初始场数据,作为气象、海浪、海洋环境数值模式的输入信息;
环境数值模式精度优化模块,用于进行气象数值、海洋数值、海浪数值的环境数值模式精度优化;
高精度海洋波浪数值数据构建模块,基于获取的精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;
高精度海洋波浪数据构建模块,基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
目标船型幅频响应数据库获取模块,针对目标船型,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数;同时基于船舶航行时的最大及最小航速设定船速范围,并以0.5m/s为航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
六自由度摇荡运动有义值的预报模块,基于目标海域及时段内的高精度海洋波浪再分析数据,利用谱分析方法对实海域海浪谱及RAO谱进行计算,获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于海洋环境数据的实海域船舶运动预报方法,用于实现对目标航线船舶运动响应的高精度预报,为船舶海上航行及作业安全提供一定保障。本发明利用气象数值模式、海浪数值模式、海洋数值模式,并通过模式耦合技术实现各部分数据交互,对海洋环境进行高时空分辨率模拟及预报,同时基于实海观测数据、利用数据同化技术实现对海洋环境的高精度预报,为船舶航行提供准确的环境输入。并将海洋环境与船舶运动相结合,对船舶六自由度摇荡运动进行预报,得到船舶实海航行时的运动情况。可为船舶实海航行提供预警信息。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于海洋环境数据的实海域船舶运动预报方法原理图;
图2是本发明实施例提供的基于海洋环境数据的实海域船舶运动预报方法流程图;
图3是本发明实施例提供的环境数值模式耦合数据交互示意图;
图4是本发明实施例提供的基于海洋环境数据的实海域船舶运动预报系统示意图;
图5是本发明实施例提供的某海1处风速对比示意图;
图6是本发明实施例提供的某海2处风速对比示意图;
图7是本发明实施例提供的某海1处海表面温度对比示意图;
图8是本发明实施例提供的某海2处海表面温度对比示意图;
图9是本发明实施例提供的某台站位置处浪高对比示意图;
图10是本发明实施例提供的某海位置处浪高对比示意图;
图11是本发明实施例提供的台站位置数据同化精度对比示意图;
图12是本发明实施例提供的卫星位置数据同化精度对比示意图;
图中:1、基本航行信息设置模块;2、海洋环境输入信息提取模块;3、环境数值模式精度优化模块;4、高精度海洋波浪数值数据构建模块;5、高精度海洋波浪数据构建模块;6、目标船型幅频响应数据库获取模块;7、六自由度摇荡运动有义值的预报模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,如图1所示,本发明实施例提供一种基于海洋环境数据的实海域船舶运动预报方法包括:
(1)结合任务需求对航线及时间等基本航行信息进行设定,并提取对应时段及位置处的海洋环境信息;
(2)基于气象、海洋、海浪数值模式分别进行模式精度优化分析,并利用耦合器对三个模式进行耦合,构建高精度海洋波浪数值数据;
(3)基于实海观测数据,通过数据同化方法进一步对数值结果进行修正优化,最终构建得到高精度海洋波浪再分析数据;
(4)对目标船型进行耐波性分析,并结合海洋环境信息,通过谱分析方法实现对船舶实海域航行时六自由度摇荡运动的预报。
通过上述技术方案,可以理解,本发明基于气象、海浪、海洋数值模式实现对目标海域环境信息的高精度预报、并通过实海观测数据对环境进一步进行同化,具有比开源环境数据和数值模式模拟数据更高的精度,同时也避免了部分类型船舶没有实测设备,可以为船舶实海域航行下的运动响应预报提供高效、准确的环境输入,实现实海域船舶运动实时预报。进一步的,本发明利用气象数值模式、海浪数值模式、海洋数值模式,并通过模式耦合技术实现各部分数据交互,对海洋环境进行高时空分辨率模拟及预报,同时基于实海观测数据、利用数据同化技术实现对海洋环境的高精度预报,为船舶航行提供准确的环境输入。并将海洋环境与船舶运动相结合,对船舶六自由度摇荡运动进行预报,得到船舶实海航行时的运动情况。可为船舶实海航行提供预警信息。本发明提供的基于海洋环境数据的实海域船舶运动预报方法及系统核心是将海洋环境的高精度预报技术应用于船舶海上航行运动响应计算,将实海域海洋环境预报与船舶运动响应预报相结合,为船舶海上航行及作业安全提供一定保障。目标是基于船舶海上作业需求,结合目标海域实际风浪流等情况,对船舶航行时的六自由度运动情况进行预报,进而可以为船舶实海航行提供一定辅助决策。同时,本发明将高精度海洋环境模拟与船舶运动预报技术相结合,实现对海域船舶运动的高精度预报。本发明相比传统计算方法,可以实现对目标海域下任意时段船舶六自由度摇摆运动的高精度计算,计算结果更加准确。同时可以为船舶航行安全、航行辅助决策、气象导航、绿色航行等方面提供基础。以及本发明将高精度海洋环境模拟与船舶运动预报技术相结合,利用数值模式及同化技术构建目标海域高精度的海洋环境信息,并将其与船舶运动预报相结合,实现对船舶在实海域航行时六自由度摇摆运动的预报。再者,本发明解决了以不同海况为标准作为环境输入,对运动进行计算导致误差较大,利用随船实测数据对运动进行计算,但处理效率低;依赖开源环境数据,但数据时空分辨率不高、预报精度受限等问题。
实施例2,作为本发明另一种实施方式,如图2所示,本发明实施例提供的基于海洋环境数据的实海域船舶运动预报方法由基本航行信息设置、海洋环境输入信息提取、气象数值模式精度优化、海洋数值模式精度优化、海浪数值模式精度优化、环境数值模式耦合计算、海洋环境数据同化分析、船舶耐波性分析及船舶运动响应分析,具体包括以下步骤:
S1,设置船舶的基本航行信息,所述基本航行信息包括目标航线、目标航行时间;
利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息、及与目标航行时间相对应的气象及海洋边界初始场数据,以作为气象、海浪、海洋环境数值模式的输入信息;
S2,基于所述海洋环境输入信息,进行环境数值模式精度优化,包括气象数值模式精度优化、海洋数值模式精度优化及海浪数值模式精度优化;
基于获取的上述环境数值模式精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算(如图3),构建高精度海洋波浪数值数据;
实例性的,基于所述海洋环境输入信息通过数值计算方法及参数化方案优化进行目标海域气象条件的数值模拟及预报,进行气象数值模式精度优化;
基于所述海洋环境输入信息通过模式输入海洋数据计算方法及目标海域方案优化进行目标海域海洋条件的数值模拟及预报,进行海洋数值模式精度优化;
基于所述海洋环境输入信息通过边界场计算方法、强迫场计算方法及源项影响程度、各源项计算方案、目标海域方案优化对目标海域海浪条件进行数值模拟及预报,进行海浪数值模式精度优化;
S3,基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
S4,针对目标船型,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数;
同时基于船舶航行时的最大及最小航速设定船速范围,并以0.5m/s为航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
S5,基于得到的目标海域及时段内的高精度海洋波浪再分析数据,结合得到的目标船型幅频响应数据库,利用谱分析方法对目标海域及时段内的高精度海洋波浪再分析数据中的实海域海浪谱及目标船型幅频响应数据库中的RAO谱进行计算;
获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
进一步的,在本发明实施例步骤S1中,在输入信息中,基于基本航行信息,利用开源环境数据集,对环境数值模式计算所需的地形信息、气象及海洋边界初始场数据进行获取;
进一步的,在本发明实施例步骤S2中,对气象数值模式进行精度优化,通过数值计算方法及参数化方案优化对目标海域气象条件进行数值模拟及预报;所述数值计算方法包括输入数据精度计算、网格收敛性计算、积分时间敏感性计算;所述参数化方案优化包括:参数化方案选取方法、目标海域方案优化;
实例性的,所述输入数据精度计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对各类开源数据集的精度进行分析,以各位置下观测风速与开源数据风速均方根误差作为评价指标,最终选出该目标海域下最优数据对气象数值模式进行驱动。实海观测风速与开源风速数据的均方根误差计算公式为:
;
式中,表示均方根误差,/>越小表示数据精度越高;/>表示对比的结果的时刻数,/>表示不同的观测位置或同一位置不同观测时间的序号,/>表示/>位置或/>时刻下数值模拟的结果,/>表示/>位置或/>时刻下实海观测值;
所述网格收敛性计算包括:结合目标海域空间范围,对海域进行分块处理,并结合海域大小设置粗糙网格及精细网格两种空间分辨率,分别进行大海域粗糙网格、小海域粗糙网格及小海域精细网格三组实验,对三组实验结果进行收敛性分析,最终选出该目标海域模式计算网格。
所述积分时间敏感性计算包括:对模式长时段下计算产生的系统误差进行分析及方法优化,分别开展目标时段一次性计算、10天重置初始边界场、3天重置初始边界场、1天重置初始边界场分析,并基于实海观测结果对四组实验进行误差分析,最终选出该目标海域下最优积分方法。
所述参数化方案选取方法包括:针对气象数值模式计算过程中的物理过程,结合海洋气象问题对微物理、积云、近地面及边界层四个过程进行分析,主要对各过程所包含的多种计算方案通过排列组合的方式进行确定,最终确定待优化的多套参数化方案。
所述目标海域方案优化包括:基于选定的参数化方案优选方法,选取该目标海域下最优输入数据、计算网格及积分方法,进行长时段气象数值模拟,利用实海观测数据对参数化方案结果进行分析,以计算风速与实海观测风速均方根误差的形式对结果进行评定,最后筛选出适用于该海域的气象数值模式最优参数化方案。
进一步的,在本发明实施例步骤S2中,对海洋数值模式进行精度优化,通过数值计算方法及参数化方案优化,对目标海域海洋条件进行数值模拟及预报;
所述数值计算方法包括输入数据计算;参数化方案优化包括目标海域方案优化;
所述输入数据计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对各类开源数据集的精度进行分析,以各位置下观测海洋要素与开源数据中海洋要素均方根误差作为评价指标,最终选出该目标海域下最优数据对海洋数值模式进行驱动;
所述目标海域方案优化包括:针对海洋数值模式计算中的各类物理过程计算方案进行分析,并利用实海观测数据对模式计算结果以均方根误差形式进行对比,最后筛选出适用于该海域的海洋数值模式最优参数化方案。
进一步的,在本发明实施例步骤S2中,对海浪数值模式进行精度优化,通过数值计算方法及参数化方案优化,对目标海域海浪条件进行数值模拟及预报;所述数值计算方法包括:边界场计算方法、强迫场计算方法,所述参数化方案优化包括:源项影响程度优化、各源项计算方案优化、目标海域方案优化。
实例性的,所述边界场计算方法包括:针对目标海域,分别对基于开源数据构建边界场、采用嵌套计算两种边界计算方案,从计算效率,计算精度两方面进行分析。首先结合目标海域划定边界海域范围;进而获取该时段及区域下的开源数据,进行海浪数值模式计算;然后采用嵌套方案用大边界给目标海域提供边界信息,进行海浪数值模式计算;最后对两种方案计算结果进行分析,利用实海观测数据,以均方根误差形式对两种结果进行分析,选出精度较高的计算方案,并结合计算效率,实现对目标海域边界场计算方法的制定。
所述强迫场计算方法包括:分别针对风场强迫、流场强迫、潮汐强迫、海冰强迫、海气输入进行模式强迫场计算方法分析。分别对各类强迫影响下的海浪及各情况排列组合方案下的强迫影响情况进行分析,最终从计算效率及计算精度两方面进行强迫场计算方法分析。
所述源项影响程度优化包括:对海浪模式计算过程中的风能输入、耗散、非线性波波相互作用、线性输入、波底相互作用、附加波浪破碎、三波波相互作用源项进行分析,结合目标海域特点筛选出海浪计算过程中重点影响物理过程。
所述各源项计算方案优化包括:针对筛选出的重点源项,分析每个源项的计算方案,并对各类过程的方案进行排列组合,制定源项优选计算方法。
所述目标海域方案优化包括:基于选定源项方案,选取该目标海域下最优边界场计算方案、强迫场计算方案、模式应用配置,进行长时段海浪数值模拟,利用实海观测数据对多套方案结果进行分析,以均方根误差形式对结果进行评定,最后筛选出适用于该海域的海浪数值模式最优参数化方案。
进一步的,在本发明实施例步骤S2中,利用耦合器实现对目标海域及时段环境信息的数值耦合计算。如附图3所示,气象数值模式为海浪数值模式提供计算所需风速,海浪数值模式为气象数值模式提供计算所需海浪要素,包括有效波高、波长、波周期;海浪数值模式为海洋数值模式提供有效波高、波长、波向及耗散,海洋数值模式为海浪数值模式提供计算所需流场、地形、海表面高度信息;气象数值模式为海洋数值模式提供海平面气压、短波辐射、长波辐射、感热、潜热、风应力、降水率的气象信息,海洋数值模式为气象数值模式提供计算所需海表面温度。通过模式间的数据交互,构建高精度海洋波浪数值数据,实现对海洋波浪的高时空分辨率模拟及预报;
海浪数值数据包括海浪要素及目标海域数值环境谱;所述海浪要素包括:有义波高、周期、波长、波向。
进一步的,在本发明实施例步骤S3中,所述海洋环境数据同化包括:利用浮标观测数据、卫星遥感数据、船舶报数据、飞机报数据、探空报数据提供实海观测数据,通过数据预处理对数据的采集位置、采集频次、时间范围进行整合,得到与步骤S2形成的高精度海洋波浪数值数据据时空分辨率的实海观测环境信息。基于数据同化方法,利用实海观测数据对数值计算数据进行修正优化,在有观测信息的位置处进一步加强实海观测数据的影响,修正数值计算数据,进而构建得到目标海域及时段内的高精度海洋波浪再分析数据;该高精度海洋波浪再分析数据包括实海域海浪谱及海浪要素(有义波高、周期、波长、波向)。
实例性的,所述实海观测数据获取及预处理:针对目标海域各海浪要素,筛选出开源实测海浪信息,并对数据时空分辨率进行处理,最终形成与步骤S2网格及时间分辨率相对应的实海观测数据。
实例性的,数据同化方法包括:利用实海观测数据对环境数值计算结果进行同化融合,在有观测位置处不断加强实测数据影响。由于数据同化过程中需要反复利用实测数据对数值模式计算结果进行订正、需要通过迭代完成计算,因此以观测位置下同化后数据与实测数据均方根误差最小为评价指标,当出现增加迭代次数、但结果已经收敛不再变化的情况时,认为此迭代次数为最优同化迭代次数,进而筛选出各类实测数据最优同化迭代次数。最终形成高精度海洋波浪再分析数据。
进一步的,在本发明实施例步骤S4中,针对目标船型进行耐波性分析,其中船舶水动力计算方法包含切片法、二维半方法、三维势流方法、三维粘流方法,计算与步骤S3高精度海洋波浪再分析数据中实海域海浪谱中频率及方向相对应的幅频响应函数。进一步对船舶航行速度进行范围设定,结合目标船型航行需求设置速度间隔,进而得到不同航速下的幅频响应函数,最终形成包含多航速下船舶RAO谱的目标船型幅频响应数据库。
进一步的,在本发明实施例步骤S5中,进行运动响应分析,可以理解为:基于步骤S3得到的实海域海浪谱,结合步骤S4得到的目标船型幅频响应数据库,利用谱分析方法对两部分谱形进行处理计算,实现对船舶实海域航行时六自由度摇荡运动有义值的预报;
具体包括以下步骤:
(i)将船舶航行位置处的环境谱形转换为遭遇谱;
船舶航行时,遭遇频率为:
;
式中:表示遭遇频率,单位是rad/s;/>表示波浪真实频率,单位是rad/s;/>表示船舶航速,单位是m/s;/>表示重力加速度,单位是/>;/>表示浪向角,单位是°;
根据雅可比转换得:
;
式中:表示遭遇频率间隔,/>表示真实频率间隔;
经波浪总能量守恒,得:
;
式中,为实海域海浪谱谱,/>为船舶遭遇频率的环境谱;
计算得到船舶遭遇频率的环境谱为:
;
(ii)基于谱分析方法计算船舶摇荡能谱密度函数为:
;
式中,是船舶摇荡谱密度函数;/>是船舶幅频响应函数;
(iii)基于船舶摇荡能谱密度计算船舶六自由度运动为:
;
;
式中,表示谱的零阶距,/>为船舶实海域运动有义值,/>为谱的方向间隔,/>为真实频率间隔。
实施例3,如图4所示,本发明实施例提供的基于海洋环境数据的实海域船舶运动预报系统包括:
基本航行信息设置模块1,用于设置船舶的目标航线、目标航行时间信息;
海洋环境输入信息提取模块2,用于利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息以及与目标航行时间相对应的气象和海洋边界初始场数据,作为气象、海浪、海洋环境数值模式的输入信息;
环境数值模式精度优化模块3,用于进行气象数值、海洋数值、海浪数值的环境数值模式精度优化;
高精度海洋波浪数值数据构建模块4,基于获取的精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;
高精度海洋波浪数据构建模块5,基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
目标船型幅频响应数据库获取模块6,针对目标船型,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数;
同时基于船舶航行时的最大及最小航速设定船速范围,并以0.5m/s为航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
六自由度摇荡运动有义值的预报模块7,基于目标海域及时段内的高精度海洋波浪再分析数据,利用谱分析方法对实海域海浪谱及RAO谱进行计算,获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
为进一步说明本发明上述技术方案进一步带来的效果,本发明进行如下试验。
本发明基于气象数值模式计算得到海洋气象信息,利用卫星观测风速,对某海两处观测位置的计算结果与卫星观测风速以均方根误差形式进行分析。
(1)对模式计算风速与卫星实测值进行误差对比,如表1。
表1气象数值模式计算精度分析
。
通过表1可知,当前气象数值模式对某海风速模拟均方根误差均小于1.4m/s。进一步对此两处观测位置下的气象数值模拟风速与实海观测风速进行如图5及图6所示对比,其中横轴代表模拟时刻数,纵轴代表风速,两条线分别展示卫星实测风速与数值模拟风速。
(2)通过对卫星观测位置下数值模拟风速与卫星实测风速进行趋势对比。基于海洋数值模式计算得到海洋相关信息,利用卫星及浮标观测数据,对某海2处卫星观测位置的计算结果与卫星观测海表温度以均方根误差形式进行分析,验证模式对海洋信息计算的准确性。
(2.1)对模式计算海表温度与实测值进行误差对比,如表2。
表2海洋数值模式计算精度分析
。
通过表2可知,当前海洋数值模式对某海海表温度模拟均方根误差均小于0.45℃。进一步对此两处观测位置下的海洋数值模拟海表温度与卫星实测海表温度进行如图7及图8所示对比,其中横轴代表模拟时刻数,纵轴代表海表温度,两条线分别展示数值模拟海表温度与卫星实测海表温度。
(3)基于海浪数值模式计算得到海浪相关信息,利用浮标及卫星观测浪高,对某港附近浮标及某海一处卫星观测位置的计算结果与卫星观测浪高以均方根误差形式进行分析。
(3.1)对模式计算浪高与实测值进行误差对比,见表3。
表3海浪数值模式计算精度分析
。
通过表3可知,当前海浪数值模式对海浪模拟均方根误差均小于0.4m。进一步对此两处观测位置下的海浪数值模拟浪高与浮标及卫星实测浪高进行如图9及10所示对比,其中横轴代表模拟时刻数,纵轴代表浪高,两条线分别展示台站/卫星实测数据与数值模拟浪高。
(4)基于数据同化技术,进一步利用浮标观测及卫星数据,对数值模式计算结果进行修正及优化。分别对采用浮标数据及卫星数据的同化结果进行误差对比。如图11、图12及表4、表5所示。图11表示不同浮标位置下,经数据同化后的海浪数据及原始数值计算数据,分别与实测海浪数据之间的均方根误差。图12表示不同卫星位置下,经数据同化后的海浪数据及原始数值计算数据,分别与实测海浪数据之间的均方根误差。
表4台站位置数据同化精度分析
。
表5卫星位置数据同化精度分析
。
通过图11、图12及表4、表5可知,数据同化可以进一步提供环境数据精度。当前对于浮标及卫星观测位置,数据精度分别提高55%及71%。
试验表明:通过气象、海洋、海浪数值模式计算精度分析及数据同化精度对比,可以充分说明本发明对于海洋环境信息的高精度模拟。
以上所述,仅为本发明较优的具体的实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于海洋环境数据的实海域船舶运动预报方法,其特征在于,该方法包括以下步骤:
S1,设置船舶的目标航线、目标航行时间信息,利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息以及与目标航行时间相对应的气象和海洋边界初始场数据,作为气象、海浪、海洋环境数值模式的输入信息;
S2,基于输入信息,进行气象数值、海洋数值、海浪数值的环境数值模式精度优化,基于获取的精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;
S3,基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
S4,针对目标船型进行耐波性分析,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数,同时基于船舶航行时的最大及最小航速设定船速范围,并以设定航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
S5,基于目标海域及时段内的高精度海洋波浪再分析数据,利用谱分析方法对实海域海浪谱及RAO谱进行计算,获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
2.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S1中,在输入信息中,利用开源环境数据集,对环境数值模式计算所需的地形信息、气象及海洋边界初始场数据进行获取。
3.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S2中,对气象数值模式进行精度优化,通过数值计算方法及参数化方案优化对目标海域气象条件进行数值模拟及预报;所述数值计算方法包括输入数据精度计算、网格收敛性计算、积分时间敏感性计算;所述参数化方案优化包括:参数化方案选取方法、目标海域方案优化;
所述输入数据精度计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对开源数据集的精度进行分析,观测风速与开源数据风速均方根误差作为评价指标,选出目标海域下最优数据对气象数值模式进行驱动;实海观测风速与开源风速数据的均方根误差计算公式为:
;
式中,表示均方根误差,/>表示对比的结果的时刻数,/>表示不同的观测位置或同一位置不同观测时间的序号,/>表示/>位置或/>时刻下数值模拟的结果,/>表示/>位置或/>时刻下实海观测值;
所述网格收敛性计算包括:结合目标海域空间范围,对海域进行分块处理,并结合海域大小设置粗糙网格及精细网格两种空间分辨率,分别进行大海域粗糙网格、小海域粗糙网格及小海域精细网格三组实验,对三组实验结果进行收敛性分析,最终选出该目标海域模式计算网格;
所述积分时间敏感性计算包括:对模式长时段下计算产生的系统误差进行分析及方法优化,分别开展目标时段一次性计算、10天重置初始边界场、3天重置初始边界场、1天重置初始边界场分析,并基于实海观测结果对四组实验进行误差分析,最终选出该目标海域下最优积分方法;
所述参数化方案选取方法包括:针对气象数值模式计算过程中的物理过程,结合海洋气象问题对微物理、积云、近地面及边界层四个过程进行分析,对各过程所包含的多种计算方案通过排列组合的方式进行确定,最终确定待优化的多套参数化方案;
所述目标海域方案优化包括:基于选定的参数化方案优选方法,选取该目标海域下最优输入数据、计算网格及积分方法,进行长时段气象数值模拟,利用实海观测数据对参数化方案结果进行分析,以计算风速与实海观测风速均方根误差的形式对结果进行评定,最后筛选出适用于该海域的气象数值模式最优参数化方案。
4.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S2中,对海洋数值模式进行精度优化,通过数值计算方法及参数化方案优化,对目标海域海洋条件进行数值模拟及预报;
所述数值计算方法包括输入数据计算;参数化方案优化包括目标海域方案优化;
所述输入数据计算包括:针对开源环境数据集,结合船舶出航的目标海域,利用实海观测数据对各类开源数据集的精度进行分析,以各位置下观测海洋要素与开源数据中海洋要素均方根误差作为评价指标,最终选出该目标海域下最优数据对海洋数值模式进行驱动;
所述目标海域方案优化包括:针对海洋数值模式计算中的各类物理过程计算方案进行分析,并利用实海观测数据对模式计算结果以均方根误差形式进行对比,最后筛选出适用于该海域的海洋数值模式最优参数化方案。
5.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S2中,对海浪数值模式进行精度优化,通过数值计算方法及参数化方案优化,对目标海域海浪条件进行数值模拟及预报;所述数值计算方法包括:边界场计算方法、强迫场计算方法,所述参数化方案优化包括:源项影响程度优化、各源项计算方案优化、目标海域方案优化;
所述边界场计算方法包括:针对目标海域,分别对基于开源数据构建边界场、采用嵌套计算两种边界计算方案;首先结合目标海域划定边界海域范围;进而获取该时段及区域下的开源数据,进行海浪数值模式计算;然后采用嵌套方案用大边界给目标海域提供边界信息,进行海浪数值模式计算;最后对两种方案计算结果进行分析,利用实海观测数据,以均方根误差形式对两种结果进行分析,选出精度较高的计算方案,并结合计算效率,实现对目标海域边界场计算方法的制定;
所述强迫场计算方法包括:分别对各类强迫影响下的海浪及各情况排列组合方案下的强迫影响情况进行分析,最终从计算效率及计算精度两方面进行分析;
所述源项影响程度优化包括:对海浪模式计算过程中的风能输入、耗散、非线性波波相互作用、线性输入、波底相互作用、附加波浪破碎、三波相互作用源项进行分析,结合目标海域特点筛选出海浪计算过程中重点影响物理过程;
所述各源项计算方案优化包括:针对筛选出的重点源项,分析每个源项的计算方案,并对各类过程的方案进行排列组合,制定源项优选计算方法;
所述目标海域方案优化包括:基于选定源项方案,选取该目标海域下最优边界场计算方案、强迫场计算方案、模式应用配置,进行长时段海浪数值模拟,利用实海观测数据对多套方案结果进行分析,以均方根误差形式对结果进行评定,最后筛选出适用于该海域的海浪数值模式最优参数化方案。
6.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S2中,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;包括:
气象数值模式为海浪数值模式提供计算所需风速,海浪数值模式为气象数值模式提供计算所需海浪要素,包括有效波高、波长、波周期;海浪数值模式为海洋数值模式提供有效波高、波长、波向及耗散,海洋数值模式为海浪数值模式提供计算所需流场、地形、海表面高度信息;气象数值模式为海洋数值模式提供海平面气压、短波辐射、长波辐射、感热、潜热、风应力、降水率的气象信息,海洋数值模式为气象数值模式提供计算所需海表面温度;通过模式间的数据交互,构建高精度海洋波浪数值数据,对海洋波浪的高时空分辨率模拟及预报;海浪数值数据包括海浪要素及目标海域数值环境谱;所述海浪要素包括:有义波高、周期、波长、波向。
7.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S3中,所述海浪数据同化包括:利用浮标观测数据、卫星遥感数据、船舶报数据、飞机报数据、探空报数据提供实海观测数据,通过数据预处理对数据的采集位置、采集频次、时间范围进行整合,得到与高精度海洋波浪数值数据时空分辨率相当的实海观测环境信息;
基于数据同化方法,利用实海观测数据对数值计算数据进行修正优化,在有观测信息的位置处进一步加强实海观测数据的影响,修正数值计算数据,进而构建得到目标海域及时段内的高精度海洋波浪再分析数据;该高精度海洋波浪再分析数据包括实海域海浪谱及海浪要素,所述海浪要素包括:有义波高、周期、波长、波向;
所述数据同化方法包括:利用实海观测数据对环境数值计算结果进行同化融合,在有观测位置处不断加强实测数据影响;由于数据同化过程中需要反复利用实测数据对数值模式计算结果进行订正、需要通过迭代完成计算,因此以观测位置下同化后数据与实测数据均方根误差最小为评价指标,当出现增加迭代次数、但结果已经收敛不再变化的情况时,认为此迭代次数为最优同化迭代次数,进而筛选出各类实测数据最优同化迭代次数;最终形成高精度海洋波浪再分析数据。
8.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S4中,针对目标船型进行耐波性分析,包括:
船舶水动力计算方法包含切片法、二维半方法、三维势流方法、三维粘流方法,计算与高精度海洋波浪再分析数据中实海域海浪谱中频率及方向相对应的幅频响应函数;对船舶航行速度进行范围设定,结合目标船型航行需求设置0.5m/s速度间隔,进而得到不同航速下的幅频响应函数,最终形成包含多航速下船舶RAO谱的目标船型幅频响应数据库/>。
9.根据权利要求1所述的基于海洋环境数据的实海域船舶运动预报方法,其特征在于,在步骤S5中,进行船舶实海域航行时六自由度摇荡运动有义值的预报,包括以下步骤:
(i)将船舶航行位置处的环境谱形转换为遭遇谱,船舶航行时,遭遇频率为:
;
式中:表示遭遇频率,/>表示波浪真实频率,/>表示船舶航速,/>表示重力加速度,/>表示浪向角;
根据雅可比转换,得:
;
式中:表示遭遇频率间隔,/>表示真实频率间隔;
经波浪总能量守恒,得:
;
式中,为实海域海浪谱,/>为船舶遭遇频率的环境谱;
计算得到船舶遭遇频率的环境谱为:
;
(ii)基于谱分析方法计算船舶摇荡能谱密度函数为:
;
式中,是船舶摇荡谱密度函数;/>是船舶幅频响应函数;
(iii)基于船舶摇荡能谱密度计算船舶六自由度运动为:
;
;
式中,表示谱的零阶距,/>为船舶实海域运动有义值,/>为谱的方向间隔,/>为真实频率间隔。
10.一种基于海洋环境数据的实海域船舶运动预报系统,其特征在于,实施权利要求1-9任意一项所述基于海洋环境数据的实海域船舶运动预报方法,该系统包括:
基本航行信息设置模块(1),用于设置船舶的目标航线、目标航行时间信息;
海洋环境输入信息提取模块(2),用于利用开源气象、海洋环境数据集,提取与目标航线相对应的地形信息以及与目标航行时间相对应的气象和海洋边界初始场数据,作为气象、海浪、海洋环境数值模式的输入信息;
环境数值模式精度优化模块(3),用于进行气象数值、海洋数值、海浪数值的环境数值模式精度优化;
高精度海洋波浪数值数据构建模块(4),基于获取的精度优化数据,利用耦合器对目标海域及航行时间下的环境信息进行数值耦合计算,构建高精度海洋波浪数值数据;
高精度海洋波浪数据构建模块(5),基于构建的高精度海洋波浪数值数据,利用浮标及卫星观测数据进行海浪数据同化,得到目标海域及航行时间下的高精度海洋波浪再分析数据;
目标船型幅频响应数据库获取模块(6),针对目标船型,利用船舶水动力计算方法,计算与高精度海洋波浪再分析数据中实海域海浪谱的频率及方向相对应的幅频响应函数;同时基于船舶航行时的最大及最小航速设定船速范围,并以0.5m/s为航速间隔计算不同航速下的幅频响应函数,形成包含多航速下船舶RAO谱的目标船型幅频响应数据库;
六自由度摇荡运动有义值的预报模块(7),基于目标海域及时段内的高精度海洋波浪再分析数据,利用谱分析方法对实海域海浪谱及RAO谱进行计算,获取船舶六自由度运动谱,基于船舶六自由度运动谱,进行船舶实海域航行时六自由度摇荡运动有义值的预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700333.4A CN116644608B (zh) | 2023-06-14 | 2023-06-14 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700333.4A CN116644608B (zh) | 2023-06-14 | 2023-06-14 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644608A true CN116644608A (zh) | 2023-08-25 |
CN116644608B CN116644608B (zh) | 2023-12-19 |
Family
ID=87622948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700333.4A Active CN116644608B (zh) | 2023-06-14 | 2023-06-14 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644608B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822253A (zh) * | 2023-08-29 | 2023-09-29 | 山东省计算中心(国家超级计算济南中心) | 适用于masnum海浪模式的混合精度实现方法及系统 |
CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
CN117421601A (zh) * | 2023-12-19 | 2024-01-19 | 山东省科学院海洋仪器仪表研究所 | 一种海面蒸发波导临近期快速预报方法 |
CN117610303A (zh) * | 2023-12-11 | 2024-02-27 | 中国人民解放军61540部队 | 气象海洋环境的精细化模拟仿真方法和装置 |
CN117744411A (zh) * | 2024-02-19 | 2024-03-22 | 交通运输部水运科学研究所 | 一种基于海洋气象趋势的船舶失速预测方法及系统 |
CN117831347A (zh) * | 2024-02-26 | 2024-04-05 | 厦门天吴智能科技有限公司 | 一种集装箱船安全航行方案生成方法、装置、计算机设备和存储介质 |
CN117818850A (zh) * | 2024-03-05 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种面向舰船实海航行的性能评估及辅助决策系统及方法 |
CN117875194A (zh) * | 2024-03-13 | 2024-04-12 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
CN117909666A (zh) * | 2024-03-19 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 一种融合数值模式及深度学习的海浪智能订正方法及系统 |
CN118036513A (zh) * | 2024-04-12 | 2024-05-14 | 中国人民解放军海军潜艇学院 | 一种考虑预报不确定性和同化的海洋观测策略优化方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004028616A (ja) * | 2002-06-21 | 2004-01-29 | Nec Corp | 海洋環境計測間隔決定方法及び装置 |
JP2004085394A (ja) * | 2002-08-27 | 2004-03-18 | Nec Corp | 海洋予報データ修正方式 |
CN107571965A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于移动终端的船舶海上作业辅助决策支持系统 |
CN110472370A (zh) * | 2019-08-29 | 2019-11-19 | 智慧航海(青岛)科技有限公司 | 一种智能船舶船体系统 |
CN110516972A (zh) * | 2019-08-30 | 2019-11-29 | 哈尔滨工程大学 | 一种船舶出航与海上作业综合预报评估系统 |
CN111260529A (zh) * | 2020-01-08 | 2020-06-09 | 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) | 船舶环境数据的确定方法、装置及船舶 |
CN111340951A (zh) * | 2020-02-26 | 2020-06-26 | 天津大学 | 基于深度学习的海洋环境自动识别方法 |
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN112949140A (zh) * | 2021-03-26 | 2021-06-11 | 海博泰科技(青岛)有限公司 | 一种基于动态条件的大型船舶安全乘潮入港的方法 |
CN114235050A (zh) * | 2021-12-17 | 2022-03-25 | 北京比福特科技发展有限公司 | 一种海洋环境监测预警方法、设备及系统 |
KR20220051057A (ko) * | 2020-10-16 | 2022-04-26 | 김창영 | 무인 관측 장비로부터 실시간 획득한 해상 데이터를 분석하여 맞춤형 해상 정보를 제공하는 장치 및 방법 |
-
2023
- 2023-06-14 CN CN202310700333.4A patent/CN116644608B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004028616A (ja) * | 2002-06-21 | 2004-01-29 | Nec Corp | 海洋環境計測間隔決定方法及び装置 |
JP2004085394A (ja) * | 2002-08-27 | 2004-03-18 | Nec Corp | 海洋予報データ修正方式 |
CN107571965A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于移动终端的船舶海上作业辅助决策支持系统 |
CN110472370A (zh) * | 2019-08-29 | 2019-11-19 | 智慧航海(青岛)科技有限公司 | 一种智能船舶船体系统 |
CN110516972A (zh) * | 2019-08-30 | 2019-11-29 | 哈尔滨工程大学 | 一种船舶出航与海上作业综合预报评估系统 |
CN111260529A (zh) * | 2020-01-08 | 2020-06-09 | 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) | 船舶环境数据的确定方法、装置及船舶 |
CN111340951A (zh) * | 2020-02-26 | 2020-06-26 | 天津大学 | 基于深度学习的海洋环境自动识别方法 |
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
KR20220051057A (ko) * | 2020-10-16 | 2022-04-26 | 김창영 | 무인 관측 장비로부터 실시간 획득한 해상 데이터를 분석하여 맞춤형 해상 정보를 제공하는 장치 및 방법 |
CN112949140A (zh) * | 2021-03-26 | 2021-06-11 | 海博泰科技(青岛)有限公司 | 一种基于动态条件的大型船舶安全乘潮入港的方法 |
CN114235050A (zh) * | 2021-12-17 | 2022-03-25 | 北京比福特科技发展有限公司 | 一种海洋环境监测预警方法、设备及系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822253B (zh) * | 2023-08-29 | 2023-12-08 | 山东省计算中心(国家超级计算济南中心) | 适用于masnum海浪模式的混合精度实现方法及系统 |
CN116822253A (zh) * | 2023-08-29 | 2023-09-29 | 山东省计算中心(国家超级计算济南中心) | 适用于masnum海浪模式的混合精度实现方法及系统 |
CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
CN117313436B (zh) * | 2023-11-29 | 2024-02-06 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
CN117610303A (zh) * | 2023-12-11 | 2024-02-27 | 中国人民解放军61540部队 | 气象海洋环境的精细化模拟仿真方法和装置 |
CN117610303B (zh) * | 2023-12-11 | 2024-05-10 | 中国人民解放军61540部队 | 气象海洋环境的精细化模拟仿真方法和装置 |
CN117421601A (zh) * | 2023-12-19 | 2024-01-19 | 山东省科学院海洋仪器仪表研究所 | 一种海面蒸发波导临近期快速预报方法 |
CN117421601B (zh) * | 2023-12-19 | 2024-03-01 | 山东省科学院海洋仪器仪表研究所 | 一种海面蒸发波导临近期快速预报方法 |
CN117744411B (zh) * | 2024-02-19 | 2024-04-16 | 交通运输部水运科学研究所 | 一种基于海洋气象趋势的船舶失速预测方法及系统 |
CN117744411A (zh) * | 2024-02-19 | 2024-03-22 | 交通运输部水运科学研究所 | 一种基于海洋气象趋势的船舶失速预测方法及系统 |
CN117831347A (zh) * | 2024-02-26 | 2024-04-05 | 厦门天吴智能科技有限公司 | 一种集装箱船安全航行方案生成方法、装置、计算机设备和存储介质 |
CN117831347B (zh) * | 2024-02-26 | 2024-05-14 | 厦门天吴智能科技有限公司 | 一种集装箱船安全航行方案生成方法、装置、计算机设备和存储介质 |
CN117818850A (zh) * | 2024-03-05 | 2024-04-05 | 青岛哈尔滨工程大学创新发展中心 | 一种面向舰船实海航行的性能评估及辅助决策系统及方法 |
CN117818850B (zh) * | 2024-03-05 | 2024-05-24 | 青岛哈尔滨工程大学创新发展中心 | 一种面向舰船实海航行的性能评估及辅助决策系统及方法 |
CN117875194A (zh) * | 2024-03-13 | 2024-04-12 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
CN117875194B (zh) * | 2024-03-13 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
CN117909666A (zh) * | 2024-03-19 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 一种融合数值模式及深度学习的海浪智能订正方法及系统 |
CN118036513A (zh) * | 2024-04-12 | 2024-05-14 | 中国人民解放军海军潜艇学院 | 一种考虑预报不确定性和同化的海洋观测策略优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116644608B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116644608B (zh) | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 | |
Lermusiaux et al. | A future for intelligent autonomous ocean observing systems | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
Lermusiaux et al. | Optimal planning and sampling predictions for autonomous and Lagrangian platforms and sensors in the northern Arabian Sea | |
Anderson et al. | Data assimilation in ocean models | |
US5126978A (en) | Undersea data collection, analysis, and display system | |
CN113420440B (zh) | 一种基于海洋垂直结构的涡旋识别方法 | |
Ramírez et al. | A novel approach to optimize the positioning and measurement parameters in photovoltaic aerial inspections | |
CN203745863U (zh) | 沉管隧道管节海上浮运和沉放施工作业监控系统 | |
Haselsteiner et al. | Global hierarchical models for wind and wave contours: Physical interpretations of the dependence functions | |
Meng et al. | Remote Sensing for Subsurface and Deeper Oceans: An overview and a future outlook | |
CN113962426A (zh) | 一种近海水上通航安全智能预报方法和装置 | |
Wang et al. | Xihe: A data-driven model for global ocean eddy-resolving forecasting | |
CN106338274B (zh) | 一种基于多参数传感器修正波浪特征参数的测波装置和方法 | |
CN113901741B (zh) | 海洋-电离层耗散动力学仿真方法、仿真系统、设备 | |
Xing et al. | Fusing Experimental Measurements and ROM Predicted Data for Wind Load Prediction With Extended Kalman Filter | |
CN117471575B (zh) | 基于bo-lstm神经网络模型的台风浪波高预报方法 | |
CN116797756B (zh) | 一种全息海洋背景场实现方法 | |
Zhao et al. | A Periodically Updated Adaptive Sampling Framework for Marine Mobile Observation Platforms | |
Liu et al. | Optimal configuration method of sampling points based on variability of sea surface temperature | |
JP4367140B2 (ja) | 水中生物の移動経路推定方法及び移動経路推定システム | |
CN117818850B (zh) | 一种面向舰船实海航行的性能评估及辅助决策系统及方法 | |
Prykhodko | Use of methods of Machine Learning for prediction of the dangerous convective phenomena by means of a numerical model of a convective cloud | |
Barker | Data-driven analysis of reliability, accessibility and survivability in marine renewable energy projects | |
Schofield et al. | Oceans: Observation and Prediction |
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 |