CN117932193A - 一种具有自学习能力的船舶航速优化方法 - Google Patents
一种具有自学习能力的船舶航速优化方法 Download PDFInfo
- Publication number
- CN117932193A CN117932193A CN202311718693.3A CN202311718693A CN117932193A CN 117932193 A CN117932193 A CN 117932193A CN 202311718693 A CN202311718693 A CN 202311718693A CN 117932193 A CN117932193 A CN 117932193A
- Authority
- CN
- China
- Prior art keywords
- ship
- speed
- wind
- resistance
- ture
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 239000000446 fuel Substances 0.000 claims abstract description 53
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 8
- 238000007667 floating Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 18
- 239000013535 sea water Substances 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 241000143229 Idaea consanguinaria Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种船舶航速优化具有自学习能力的船舶航速优化方法,首先建立初始的燃油消耗与航速的关系模型,之后经学习优化,进而在实际营运过程中,根据船舶漂浮在水中的实际状态获得船舶的吃水,以能耗最低为优化目标对数学模型求解,获得的航速。本发明结合船舶设计理论,考虑了吃水和风浪对航速的影响,使航速油耗模型更加准确;本发明的航速油耗基础数学模型基于船舶自身航速功率曲线和主机的功率油耗特性曲线建立,模型建立在正确的理论基础上,系统安装上船后即可提供航速优化辅助决策。本发明具有基础数学模型,可以将实际油耗修正到理想环境下与基础模型中的数据对比,为船东判断出污底辅助决策。
Description
技术领域
本发明涉及一种船舶设计技术领域,更具体地说,涉及船舶航速的优化。
背景技术
国际社会的环保意识日益提高,航运业对环保的要求也不断提高,近年来,陆续实施了SEEMP、EEDI、EEXI和EEOI,旨在敦促船舶节能减排,提高能效管理,降低温室气体排放。为了提高船舶的能效,减少船舶的油耗并降低二氧化碳排放,航运企业通过船舶上应用风帆、空气润滑等设备降低船舶能耗,提升船舶的营运能效。
在绿色智能的发展趋势下,仅仅通过绿色手段不足以达到最佳的节能效果,需要在绿色技术的基础上有效利用智能手段提升船舶能效管理效率,降低船舶的油耗和二氧化碳排放。
目前市场上的部分智能能效管理系统具有船舶航速优化功能,但是其航速优化具有局限性,主要问题如下:
1、目前的能效系统中的航速优化是基于船舶采集的营运过程中的主辅机的燃料消耗及航速等数据进行统计和分析建立航速和油耗的数学模型,进而提出航速优化辅助决策,但建立的模型脱离了船舶自身的航速和油耗的情况;
2、船舶的航速和油耗数学模型还与风浪的情况有关,目前的能效系统模型未考虑吃水和浮态的影响;
3、目前能效系统的航速优化功能需使用较长时间才可以给出合理的航速优化建议。
发明内容
针对上述问题,本发明提供一种船舶航速优化具有自学习能力的船舶航速优化方法,本发明航速油耗以船模船模试验结果或数值仿真计算结果为基础建立初始的数学模型;航速油耗数学模型考虑了风浪的影响;本发明在安装上船后即可提供较合理的航速优化辅助决策,同时,数据模型可以根据实际营运数据不断自主学习和优化,提高航速优化的准确性和合理性。
为了达到上述目的,本发明一种船舶航速优化具有自学习能力的船舶航速优化方法,包括如下步骤:
S1、数据采集:
g.采集船舶的主机功率Pture;
h.采集船舶主机的燃油消耗量FOCture;
i.采集船舶的对地航速VG
j.采集船舶的船首和船尾的吃水TF/TA
k.采集船舶周围的相对风速VWRref和相对风向ψWRref;
l.采集波浪的有义波高H1/3;
S2、建立初始的燃油消耗FOC与航速V的关系模型,包括如下步骤
1)根据船舶的设计型线建立缩尺模型,通过在试验水池中的航行模拟实际船舶在海水中航行的状态,通过测量可以得到主机功率P和航速V之间的关系,具体过程如下:
e)在选定的船舶吃水T1下,在试验水池中以航速V1进行航行,测量得到船舶的阻力R1和推进效率η1,计算得到对应的主机功率P1=R1×η1;在试验水池中以航速V2进行航行,测量得到船舶的阻力R2和推进效率η2,计算得到对应的主机功率P2=R2×η2……
在试验水池中以航速Vn进行航行,测量得到船舶的阻力Rn和推进效率ηn,计算得到对应的主机功率Pn=Rn×ηn,n为自然数;通过对上述一系列数据点进行拟合可以得到吃水T1下推进功率和航速之间的关系P=f1(V);
f)在选定的船舶吃水T2下重复a)过程,P=f2(V);
g)在选定的船舶吃水Tn下重复a)过程,P=fn(V);
h)通过对a)到c)得到的一系列吃水和推进功率的关系进行拟合处理,可以得到考虑吃水因素的推进功率P和航速V之间关系P=f(V,T);
2)当主机功率为Pn时,每千瓦主机功率需要消耗燃料记作SFOC,故主机功率Pn消耗的燃料FOC=Pn×SFOC;
3)结合1)和2)建立初始的燃油消耗FOC与航速V的关系模型为FOC=SFOC×f(V,T);
S3、分析处理,包括如下步骤:
d.风阻力影响因子
海洋中的风将导致船舶收到的阻力增加,增加的阻力RAA=0.5ρA·CAA(ψWRref)·AXV·VWRref 2-0.5ρA·CAA(0)·AXV 2·VG 2
式中:RAA表示风导致的阻力增加;
ρA为空气的密度;
CAA(ψWRref)为相对风向下的风阻力系数;
AXV为迎风面积;
CAA(0)为迎风的风阻力系数;
VG为船舶的对地航速;
故风阻力影响因子可以表示为数学模型fwind=f(ψWRref,VWRref);
当船舶在营运过程中,按天采集到相对风向ψWRref-n和相对风速VWRref-n,计算得到风阻力影响因子fwind-n,逐步完善风阻力影响因子模型fwind=f(ψWRref,VWRref),逐渐接近真实情况;
e.浪阻力影响因子
海洋中的浪将导致船舶收到的阻力增加,增加的阻力
式中:RAWL表示风导致的阻力增加;
ρS为海水的密度;
g为重力加速度;
H1/3为海水的有义波高;
B为船宽;
LBWL为船长;
故浪阻力影响因子可以表示为fwave=f(H1/3);
船舶在营运过程中,按天采集到波浪有义波高H1/3-n,计算得到浪阻力影响因子fwave-n;逐步完善浪阻力影响因子模型fwave=f(H1/3),逐渐接近真实的影响情况;
f.燃油消耗差异因子
实际运营过程的SFOCture由轴功率仪采集的主机功率Pture和质量流量计采集的燃料消耗FOCture计算得到,
引入燃油消耗差异因子故燃油消耗差异因子可以表示为fSFOC=f(Pture,FOCture);
当船舶在营运过程,按天采集到主机功率Pture-n和燃料消耗FOCture-n,计算得到波浪阻力影响因子fSFOC-n;逐步完善燃油消耗差异因子模型fSFOC=f(Pture,FOCture),逐渐接近真实情况;
S4、航速优化,包括如下步骤:
c.根据步骤S2和S3,所述燃油消耗FOC与航速V的关系模型优化为FOC=fwind×fwave×fSFOC×SFOC×f(V,T);
d.船舶每天航行的距离S=V×24,
单位距离的燃油消耗为
进而在实际营运过程中,根据船舶漂浮在水中的实际状态获得船舶的吃水T,以FC最低为优化目标对数学模型求解,获得的航速VO。
优选方式下,通过设置轴功率仪采集船舶的主机功率Pture,主机功率Pture指主机提供螺旋桨旋转推动船舶前进的动力大小。通过安装在主机供给系统管路上的质量流量计,采集船舶主机的燃油消耗量FOCture。通过全球卫星定位系统(GPS)采集船舶的对地航速VG。通过吃水测量设备采集船舶的船首和船尾的吃水TF/TA。通过风速风向仪安装在船舶最上层,采集船舶周围的相对风速VWRref和相对风向ψWRref。通过波浪雷达测量波浪的有义波高H1/3。
为了达到上述目的,本发明结合船舶设计理论,考虑了吃水和风浪对航速的影响,使航速油耗模型更加准确;本发明的航速油耗基础数学模型基于船舶自身航速功率曲线和主机的功率油耗特性曲线建立,模型建立在正确的理论基础上,系统安装上船后即可提供航速优化辅助决策。本发明随着营运过程中收集到的数据,航速油耗模型会不断地自主学习,使模型逐渐接近船舶营运的真实能耗情况,提高航速优化辅助决策的准确性;本发明具有基础数学模型,可以将实际油耗修正到理想环境下与基础模型中的数据对比,为船东判断出污底辅助决策。
具体实施方式
本发明一种船舶航速优化具有自学习能力的船舶航速优化方法,可以通过系统实现,其中系统由数据采集模块、数据分析模块、船舶数据库模块和航速优化辅助决策模块四部分组成,其中,数据采集模块为硬件模块、数据库模块、数据分析模块和航速优化辅助决策模块为软件模块。
数据采集模块用于采集船舶自身和海洋环境的各项数据,供一种具有自学习能力的船舶航速优化系统进行数据分析使用,包括轴功率仪、质量流量计、风速风向仪、波浪雷达、全球卫星定位系统(GPS)、计程仪、船舶遥测仪等测量仪器:
轴功率设备采集船舶的主机功率Pture,主机功率Pture指主机提供螺旋桨旋转推动船舶前进的动力大小;
质量流量计安装在主机供给系统管路上,用于采集船舶主机的燃油消耗量FOCture;
全球卫星定位系统(GPS)采集船舶的对地航速VG
吃水测量设备采集船舶的船首和船尾的吃水TF/TA
风速风向仪安装在船舶最上层,用于船舶周围的相对风速VWRref和相对风向ψWRref;
波浪雷达测量波浪的有义波高H1/3;
数据库既是数据分析模块进行航行数据分析的基础,同时也是航速优化辅助决策模块提供最佳航速建议的基础。数据库储存着大量的数据,包括初始的燃油消耗FOC与航速V的关系模型和经学习优化的燃油消耗FOC与航速V的关系模型。
初始的燃油消耗FOC与航速V的关系模型根据模型试验结果建立,包括如下步骤:
1、根据船舶的设计型线即外形轮廓线建立船舶的缩尺模型,通过船舶的缩尺模型在试验水池中的航行模拟实际船舶在海水中航行的状态,通过测量可以得到主机功率P和航速V之间的关系。
a、在选定的船舶吃水T1下,在试验水池中以航速V1进行航行,测量得到船舶的阻力R1和推进效率η1,计算得到对应的主机功率P1=R1×η1;在试验水池中以航速V2进行航行,测量得到船舶的阻力R2和推进效率η2,计算得到对应的主机功率P2=R2×η2;在试验水池中以航速Vn进行航行,测量得到船舶的阻力Rn和推进效率ηn,计算得到对应的主机功率Pn=Rn×ηn,通过对上述一系列数据点进行拟合可以得到吃水T1下推进功率和航速之间的关系P=f1(V);
b、在选定的船舶吃水T2下重复a)过程,P=f2(V);
c、在选定的船舶吃水Tn下重复a)过程,P=fn(V);
通过对a)到c)得到的一系列吃水和推进功率的关系进行拟合处理,可以得到考虑吃水因素的推进功率P和航速V之间关系P=f(V,T);
2、根据主机的工厂试验报告可以获得主机不同负荷下的燃料消耗情况:当主机功率为Pn时,每千瓦主机功率需要消耗燃料记作SFOC,故主机功率Pn消耗的燃料FOC=Pn×SFOC;
3、结合1)和2)建立初始的燃油消耗FOC与航速V的关系模型为FOC=SFOC×f(V,T)
此后,进行数据分析模块对采集到的各项数据进行分析处理。
a、风阻力影响因子
国际标准组织ISO颁布的《ISO 15016-2015船舶和海上技术.用速度试验数据分析法对速度和动力性能的评定导则》中提出了风、浪因素对船舶主机功率P和航速V之间的关系P=f(V,T)的影响。
海洋中的风将导致船舶收到的阻力增加,根据ISO 15016-2015的要求,增加的阻力RAA=0.5ρA·CAA(ψWRref)·AXV·VWRref 2-0.5ρA·CAA(0)·AXV 2·VG 2
式中:RAA表示风导致的阻力增加;
ρA为空气的密度,根据ISO 15016-2015取标准值;
CAA(ψWRref)为相对风向下的风阻力系数,可以根据测量的相对风向ψWRref在ISO15016-2015查阅得到;
AXV为迎风面积,可以由查阅船舶的设计图纸得到;
CAA(0)为迎风的风阻力系数,根据ISO 15016-2015查阅得到;
VG为船舶的对地航速,由全球卫星定位系统(GPS)测量得到;
本数据分析模块引入风阻力影响因子根据上述公式可以发现,风阻力与相对风向ψWRref和相对风速VWRref有关,故风阻力影响因子可以表示为数学模型fwind=f(ψWRref,VWRref)。
当船舶在营运过程中的一天,采集到相对风向ψWRref-n和相对风速VWRref-n,计算得到风阻力影响因子fwind-n。每天采集一组数据并进行相应计算,对风阻力系数模型增加一组数据,完善风阻力影响因子模型fwind=f(ψWRref,VWRref),在营运过程中不断自主学习和进化,使风阻力影响因子的数学模型fw=f(ψWRref,VWRref)逐渐接近真实的影响情况。
b、浪阻力影响因子
海洋中的浪将导致船舶收到的阻力增加,根据ISO 15016-2015的要求,增加的阻力
式中:RAWL表示风导致的阻力增加;
ρS为海水的密度,根据ISO 15016-2015取标准值;
g为重力加速度,取9.8m/m2;
H1/3为海水的有义波高,由波浪雷达测量得到;
B为船宽,由船舶的设计图纸(总布置图)得到;
LBWL为船长,由船舶的设计图纸(总布置图)得到;
本数据分析模块引入浪阻力影响因子根据上述公式可以发现,波浪阻力与波浪有义波高H1/3有关,故浪阻力影响因子可以表示为fwave=f(H1/3)。
当船舶在营运过程中的一天,采集到波浪有义波高H1/3-n,计算得到浪阻力影响因子fwave-n。每天采集一组数据并进行相应计算,对浪阻力系数模型增加一组数据,完善浪阻力影响因子模型fwave=f(H1/3),在营运过程中不断自主学习和进化,使波浪阻力影响因子的数学模型fwave=f(H1/3)逐渐接近真实的影响情况。
c、燃油消耗差异因子
由于上文中SFOC是通过工厂试验报告获得的,实际运营过程中的SFOCture将会与工厂试验的SFOC存在一定的差异。实际运营过程的SFOCture可以由轴功率仪采集的主机功率Pture和质量流量计采集的燃料消耗FOCture计算得到,
本模型引入燃油消耗差异因子根据上述公式可以发现,该差异因子与主机功率Pture和燃料消耗FOCture有关,故燃油消耗差异因子可以表示为fSFOC=f(Pture,FOCture)。
当船舶在营运过程中的一天,采集到主机功率Pture-n和燃料消耗FOCture-n,计算得到波浪阻力影响因子fSFOC-n。每天采集一组数据并进行相应计算,对燃油消耗差异因子模型增加一组数据,完善燃油消耗差异因子模型fSFOC=f(Pture,FOCture),在营运过程中不断自主学习和进化,使燃油消耗差异因子的数学模型fSFOC=f(Pture,FOCture)逐渐接近真实的影响情况。
最后,航速优化辅助决策模块是提供船员油耗最低的优化航速辅助决策的模块。
根据上文建立了初始的燃油消耗FOC与航速V的关系模型为FOC=SFOC×f(V,T);权利要求(3)根据对船舶实际营运过程的数据分析获得了风阻力影响因子fwind,浪阻力影响因子fwave,燃油消耗差异因子fSFOC。考虑实际营运中的3个影响因子,燃油消耗FOC与航速V的关系模型优化为FOC=fwind×fwave×fSFOC×SFOC×f(V,T);
船舶每天航行的距离S=V×24,即船舶航行24小时的距离,单位距离的燃油消耗为故/>为本航速优化系统的最终模型;
船员在实际营运过程中,船舶可以根据船舶漂浮在水中的实际状态获得船舶的吃水T,将该吃水T输入到航速优化辅助决策模块中,以FC最低为优化目标对数学模型求解,获得的航速VO即是最佳航速VO,船舶以该航速运行最节省燃料。
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披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,包括如下步骤:
S1、数据采集:
a.采集船舶的主机功率Pture;
b.采集船舶主机的燃油消耗量FOCture;
c.采集船舶的对地航速VG
d.采集船舶的船首和船尾的吃水TF/TA
e.采集船舶周围的相对风速VWRref和相对风向ψWRref;
f.采集波浪的有义波高H1/3;
S2、建立初始的燃油消耗FOC与航速V的关系模型,包括如下步骤
1)根据船舶的设计型线建立缩尺模型,通过在试验水池中的航行模拟实际船舶在海水中航行的状态,通过测量可以得到主机功率P和航速V之间的关系,具体过程如下:
a)在选定的船舶吃水T1下,在试验水池中以航速V1进行航行,测量得到船舶的阻力R1和推进效率η1,计算得到对应的主机功率P1=R1×η1;在试验水池中以航速V2进行航行,测量得到船舶的阻力R2和推进效率η2,计算得到对应的主机功率P2=R2×η2……
在试验水池中以航速Vn进行航行,测量得到船舶的阻力Rn和推进效率ηn,计算得到对应的主机功率Pn=Rn×ηn,n为自然数;通过对上述一系列数据点进行拟合可以得到吃水T1下推进功率和航速之间的关系P=f1(V);
b)在选定的船舶吃水T2下重复a)过程,P=f2(V);
c)在选定的船舶吃水Tn下重复a)过程,P=fn(V);
d)通过对a)到c)得到的一系列吃水和推进功率的关系进行拟合处理,可以得到考虑吃水因素的推进功率P和航速V之间关系P=f(V,T);
2)当主机功率为Pn时,每千瓦主机功率需要消耗燃料记作SFOC,故主机功率Pn消耗的燃料FOC=Pn×SFOC;
3)结合1)和2)建立初始的燃油消耗FOC与航速V的关系模型为FOC=SFOC×f(V,T);
S3、分析处理,包括如下步骤:
a.风阻力影响因子
海洋中的风将导致船舶收到的阻力增加,增加的阻力RAA=0.5ρA·CAA(ψWRref)·AXV·VWRref 2-0.5ρA·CAA(0)·AXV 2·VG 2
式中:RAA表示风导致的阻力增加;
ρA为空气的密度;
CAA(ψWRref)为相对风向下的风阻力系数;
AXV为迎风面积;
CAA(0)为迎风的风阻力系数;
VG为船舶的对地航速;
故风阻力影响因子可以表示为数学模型fwind=f(ψWRref,VWRref);
当船舶在营运过程中,按天采集到相对风向ψWRref-n和相对风速VWRref-n,计算得到风阻力影响因子fwind-n,逐步完善风阻力影响因子模型fwind=f(ψWRref,VWRref),逐渐接近真实情况;
b.浪阻力影响因子
海洋中的浪将导致船舶收到的阻力增加,增加的阻力
式中:RAWL表示风导致的阻力增加;
ρS为海水的密度;
g为重力加速度;
H1/3为海水的有义波高;
B为船宽;
LBWL为船长;
故浪阻力影响因子可以表示为fwave=f(H1/3);
船舶在营运过程中,按天采集到波浪有义波高H1/3-n,计算得到浪阻力影响因子fwave-n;逐步完善浪阻力影响因子模型fwave=f(H1/3),逐渐接近真实的影响情况;
c.燃油消耗差异因子
实际运营过程的SFOCture由轴功率仪采集的主机功率Pture和质量流量计采集的燃料消耗FOCture计算得到,
引入燃油消耗差异因子故燃油消耗差异因子可以表示为fSFOC=f(Pture,FOCture);
当船舶在营运过程,按天采集到主机功率Pture-n和燃料消耗FOCture-n,计算得到波浪阻力影响因子fSFOC-n;逐步完善燃油消耗差异因子模型fSFOC=f(Pture,FOCture),逐渐接近真实情况;
S4、航速优化,包括如下步骤:
a.根据步骤S2和S3,所述燃油消耗FOC与航速V的关系模型优化为FOC=fwind×fwave×fSFOC×SFOC×f(V,T);
b.船舶每天航行的距离S=V×24,
单位距离的燃油消耗为
进而在实际营运过程中,根据船舶漂浮在水中的实际状态获得船舶的吃水T,以FC最低为优化目标对数学模型求解,获得的航速VO。
2.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过设置轴功率仪采集船舶的主机功率Pture,主机功率Pture指主机提供螺旋桨旋转推动船舶前进的动力大小。
3.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过安装在主机供给系统管路上的质量流量计,采集船舶主机的燃油消耗量FOCture。
4.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过全球卫星定位系统(GPS)采集船舶的对地航速VG。
5.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过吃水测量设备采集船舶的船首和船尾的吃水TF/TA。
6.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过风速风向仪安装在船舶最上层,采集船舶周围的相对风速VWRref和相对风向ψWRref。
7.根据权利要求1所述船舶航速优化具有自学习能力的船舶航速优化方法,其特征在于,通过波浪雷达测量波浪的有义波高H1/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311718693.3A CN117932193A (zh) | 2023-12-14 | 2023-12-14 | 一种具有自学习能力的船舶航速优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311718693.3A CN117932193A (zh) | 2023-12-14 | 2023-12-14 | 一种具有自学习能力的船舶航速优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932193A true CN117932193A (zh) | 2024-04-26 |
Family
ID=90760212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311718693.3A Pending CN117932193A (zh) | 2023-12-14 | 2023-12-14 | 一种具有自学习能力的船舶航速优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932193A (zh) |
-
2023
- 2023-12-14 CN CN202311718693.3A patent/CN117932193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5312425B2 (ja) | 船舶運航支援システム | |
EP3330171B1 (en) | Apparatus for predicting a power consumption of a maritime vessel | |
CN106335601A (zh) | 一种基于采集并分析大数据的船舶节能方法 | |
CN109552553B (zh) | 两万箱级绿色环保集装箱船及其智能管理方法 | |
KR20150021970A (ko) | 선박의 성능을 예측하는 방법 및 시스템 | |
JP7114228B2 (ja) | 船舶性能解析システム | |
CN111874182B (zh) | 一种混合动力船舶的能效预测控制系统及方法 | |
CN112446096A (zh) | 一种基于航行大数据的船舶主机油耗动态预估方法 | |
KR20160089857A (ko) | 선박의 경년변화 추정방법, 선박의 경년변화 추정시스템, 최적항로계산 시스템, 및 선박의 운항지원 시스템 | |
Anan et al. | New artificial intelligence technology improving fuel efficiency and reducing CO2 emissions of ships through use of operational big data | |
CN105539797A (zh) | 一种基于ecdis的风力助航船舶的航行方法及系统 | |
CN110503270B (zh) | 一种船舶能耗与排放预评估系统 | |
Zeng et al. | A novel big data collection system for ship energy efficiency monitoring and analysis based on BeiDou system | |
Kee et al. | Prediction of ship fuel consumption and speed curve by using statistical method | |
Tillig | Simulation model of a ship’s energy performance and transportation costs | |
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 | |
Hasselaar | An investigation into the development of an advanced ship performance monitoring and analysis system | |
CN115600911A (zh) | 一种基于设备劣化指数的船舶能效智能管理系统 | |
Coraddu et al. | Integration of seakeeping and powering computational techniques with meteo-marine forecasting data for in-service ship energy assessment | |
CN110778398B (zh) | 一种船用柴油机燃油管理控制系统 | |
Perera et al. | Ship speed power performance under relative wind profiles | |
CN117932193A (zh) | 一种具有自学习能力的船舶航速优化方法 | |
CN117232520A (zh) | 一种适用于海上航行的船舶智能导航系统及导航方法 | |
CN115290834B (zh) | 船舶碳排放监测装置及方法 | |
CN113682443B (zh) | Vlcc船舶在指令航速下的理论日燃油消耗确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |