FR3127311A1 - Estimation of a quantity representative of a motive power in a ship - Google Patents
Estimation of a quantity representative of a motive power in a ship Download PDFInfo
- Publication number
- FR3127311A1 FR3127311A1 FR2109875A FR2109875A FR3127311A1 FR 3127311 A1 FR3127311 A1 FR 3127311A1 FR 2109875 A FR2109875 A FR 2109875A FR 2109875 A FR2109875 A FR 2109875A FR 3127311 A1 FR3127311 A1 FR 3127311A1
- Authority
- FR
- France
- Prior art keywords
- ship
- vessel
- draft
- computer
- operating state
- 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 claims abstract description 55
- 238000013179 statistical model Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000012530 fluid Substances 0.000 claims abstract description 14
- 238000013106 supervised machine learning method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 4
- 239000013535 sea water Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000003050 experimental design method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000013400 design of experiment Methods 0.000 claims 2
- 238000000205 computational method Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 239000000446 fuel Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Un modèle statistique est apte à estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire (1) en fonction d’un état d’exploitation, l’état d’exploitation étant défini au moins par une vitesse V du navire, un tirant d’eau D du navire (1) et une assiette T du navire (1). Le modèle statistique est obtenu par entraînement par une méthode d’apprentissage automatique supervisé sur un premier ensemble de données d’apprentissage. Le modèle statistique est en outre entraîné sur un deuxième ensemble de données d’apprentissage obtenu à partir de résultats de simulations d’un écoulement d’eau de mer autour de la coque (10) du navire (1) par une méthode numérique de mécanique des fluides, et ce itérativement jusqu’à ce qu’un paramètre d’écart soit inférieur à un seuil. Figure pour l’abrégé : Fig. 1A statistical model is capable of estimating a quantity representative of a driving power necessary to move a ship (1) forward as a function of an operating state, the operating state being defined at least by a speed V of the ship , a draft D of the ship (1) and a trim T of the ship (1). The statistical model is obtained by training with a supervised machine learning method on a first set of training data. The statistical model is further trained on a second set of training data obtained from results of simulations of a seawater flow around the hull (10) of the ship (1) by a numerical method of mechanics fluids, and this iteratively until a difference parameter is less than a threshold. Figure for the abstract: Fig. 1
Description
L’invention se rapporte à l’estimation d’une grandeur représentative d’une puissance motrice dans un navire.The invention relates to the estimation of a quantity representative of a motive power in a ship.
Arrière-plan technologiqueTechnology background
Dans le but de planifier une route d’un navire entre un point de départ et un point d’arrivée, on peut souhaiter estimer une puissance motrice nécessaire pour faire avancer le navire à une vitesse donnée, notamment dans le but de prédire la consommation de carburant du navire sur un voyage donné, et par là prédire la quantité de carburant à embarquer à bord du navire.For the purpose of planning a ship's route between a point of departure and a point of arrival, one may wish to estimate the engine power necessary to move the ship at a given speed, in particular for the purpose of predicting the consumption of ship's fuel on a given voyage, and thereby predict the amount of fuel to be taken on board the ship.
Habituellement, une telle estimation peut être obtenue à partir d’essais de navigation en conditions réelles.Usually, such an estimate can be obtained from navigational trials in real conditions.
Toutefois, une telle estimation peut aussi être souhaitée dans le cadre de la conception d’un navire, donc avant qu’il soit possible de réaliser des essais de navigation. Dans ce cas, il est possible de réaliser des simulations par une méthode numérique de mécanique des fluides (« Computational Fluid Dynamics » ou CFD en anglais), afin d’estimer la résistance hydrodynamique rencontrée par la coque du navire à une vitesse donnée, et par là d’estimer la puissance motrice nécessaire pour surmonter cette résistance hydrodynamique. Le document CN 110110352 A, par exemple, divulgue une méthode faisant intervenir des simulations par une méthode numérique de mécanique des fluides qui est adaptée pour cela.However, such an estimate may also be desired as part of the design of a ship, so before it is possible to carry out navigation tests. In this case, it is possible to carry out simulations by a numerical method of fluid mechanics (“Computational Fluid Dynamics” or CFD in English), in order to estimate the hydrodynamic resistance encountered by the hull of the ship at a given speed, and thereby to estimate the motive power necessary to overcome this hydrodynamic resistance. Document CN 110110352 A, for example, discloses a method involving simulations by a numerical method of fluid mechanics which is suitable for this.
Toutefois, un navire est susceptible de rencontrer une très grande variété de conditions réelles d’exploitation, non seulement en termes de vitesse, mais aussi en termes de tirant d’eau et d’assiette, selon son chargement et son ballastage. Or il serait infaisable de simuler par une méthode numérique de mécanique des fluides le comportement hydrodynamique du navire dans toutes ces conditions réelles, le temps de calcul nécessaire étant trop grand, même avec des systèmes informatiques dédiés aux calculs de mécanique des fluides.However, a vessel is likely to encounter a very wide variety of actual operating conditions, not only in terms of speed, but also in terms of draft and trim, depending on its loading and ballasting. However, it would be infeasible to simulate by a numerical method of fluid mechanics the hydrodynamic behavior of the ship in all these real conditions, the necessary calculation time being too great, even with computer systems dedicated to calculations of fluid mechanics.
RésuméSummary
Un but de la présente invention est de proposer un procédé pour obtenir un modèle statistique apte à estimer une grandeur représentative d’une puissance motrice dans un navire, avec un nombre relativement limité de simulations par une méthode numérique de mécanique des fluides, qui peuvent donc être effectuées en un temps de calcul relativement réduit.An object of the present invention is to propose a method for obtaining a statistical model capable of estimating a quantity representative of a motive power in a ship, with a relatively limited number of simulations by a numerical method of fluid mechanics, which can therefore be performed in a relatively short computation time.
Selon un mode de réalisation, la présente invention propose un procédé de calcul mis en œuvre par ordinateur pour obtenir un modèle statistique apte à estimer une grandeur représentative d’une puissance motrice dans un navire, le procédé comprenant des étapes consistant à :
- obtenir un modèle statistique par entraînement par une méthode d’apprentissage automatique supervisé sur un premier ensemble de données d’apprentissage, le modèle statistique étant apte à estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire en fonction d’un état d’exploitation, l’état d’exploitation étant défini au moins par une vitesse du navire, un tirant d’eau du navire et une assiette du navire ;
a) générer un ensemble de vecteurs d’entrée, chaque vecteur d’entrée définissant un état d’exploitation distinct et distinct de toutes lesdites données d’apprentissage ;
b) obtenir un ensemble de résultats de simulations, ledit ensemble de résultats de simulations étant obtenu à partir d’une pluralité de simulations, chaque simulation consistant à simuler, par une méthode numérique de mécanique des fluides, un écoulement d’eau de mer autour de la coque du navire pour un vecteur d’entrée dudit ensemble de vecteurs de données d’entrée, chaque résultat de simulation comportant une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire dans l’état d’exploitation défini par ledit vecteur d’entrée ;
c) obtenir des résultats d’estimation par le modèle statistique pour chaque vecteur d’entrée dudit ensemble de vecteurs d’entrée, chaque résultat d’estimation comportant une estimation de la grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire dans l’état d’exploitation défini par ledit vecteur d’entrée ;
d) calculer un paramètre d’écart entre les résultats d’estimation et ledit ensemble de résultats de simulation ; et
e) si le paramètre d’écart est supérieur à un seuil, entraîner le modèle statistique par ladite méthode d’apprentissage automatique supervisé sur un deuxième ensemble de données d’apprentissage constitué dudit ensemble de vecteurs d’entrée et dudit ensemble de résultats de simulations, et répéter les étapes a) à e).According to one embodiment, the present invention proposes a calculation method implemented by computer to obtain a statistical model capable of estimating a quantity representative of a motive power in a ship, the method comprising steps consisting of:
- obtaining a statistical model by training with a supervised automatic learning method on a first set of learning data, the statistical model being capable of estimating a quantity representative of a driving power necessary to move a ship as a function of an operating state, the operating state being defined at least by a speed of the ship, a draft of the ship and an trim of the ship;
a) generating a set of input vectors, each input vector defining a distinct and distinct operating state of all said training data;
b) obtaining a set of simulation results, said set of simulation results being obtained from a plurality of simulations, each simulation consisting in simulating, by a numerical method of fluid mechanics, a flow of sea water around of the ship's hull for an input vector of said set of input data vectors, each simulation result comprising a quantity representative of a motive power necessary to move the ship forward in the operating state defined by said input vector;
c) obtaining estimation results by the statistical model for each input vector of said set of input vectors, each estimation result comprising an estimation of the quantity representative of a driving power necessary to move the ship in the operating state defined by said input vector;
d) calculating a deviation parameter between the estimation results and said set of simulation results; And
e) if the deviation parameter is greater than a threshold, training the statistical model by said supervised automatic learning method on a second set of learning data consisting of said set of input vectors and said set of simulation results , and repeat steps a) through e).
On entend par « méthode d’apprentissage automatique supervisé » (en anglais : « supervised learning ») une méthode d’apprentissage automatique (en anglais : « machine learning » ; aussi désignée en français par les appellations apprentissage artificiel ou apprentissage statistique) consistant à apprendre une fonction de prédiction à partir d’exemples annotés. Autrement dit, une méthode d’apprentissage automatique supervisé permet de construire un modèle apte à la prévision à partir d’une pluralité d’exemples pour lesquels la réponse à prédire est connue. Une méthode d’apprentissage automatique supervisé est typiquement mise en œuvre par ordinateur. Ainsi, dans le cadre de la présente invention, l’étape consistant à obtenir le modèle statistique est mise en œuvre par ordinateur.The term “supervised learning method” (in English: “supervised learning”) means a method of automatic learning (in English: “machine learning”; also designated in French by the names artificial learning or statistical learning) consisting in learn a prediction function from annotated examples. In other words, a supervised machine learning method makes it possible to build a model suitable for forecasting from a plurality of examples for which the response to be predicted is known. A supervised machine learning method is typically implemented by computer. Thus, in the context of the present invention, the step consisting in obtaining the statistical model is implemented by computer.
Le modèle statistique à entraîner dans le cadre de la présente invention est apte à estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire en fonction d’un état d’exploitation, l’état d’exploitation étant défini au moins par une vitesse du navire, un tirant d’eau du navire et une assiette du navire. Le modèle statistique est donc apte à estimer une grandeur quantitative (la grandeur représentative) à partir de plusieurs autres grandeurs quantitatives (au moins une vitesse du navire, un tirant d’eau du navire et une assiette du navire) ; ceci implique que le modèle statistique est apte à répondre à un problème de régression.The statistical model to be trained within the framework of the present invention is capable of estimating a quantity representative of a motive power necessary to move a ship according to an operating state, the operating state being defined at least by a ship's speed, a ship's draft and a ship's trim. The statistical model is therefore capable of estimating a quantitative quantity (the representative quantity) from several other quantitative quantities (at least one speed of the ship, one draft of the ship and one trim of the ship); this implies that the statistical model is able to respond to a regression problem.
Le modèle statistique est apte à estimer par le calcul une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire en fonction d’un état d’exploitation, l’état d’exploitation étant défini au moins par une vitesse du navire, un tirant d’eau du navire et une assiette du navire, y compris pour des valeurs de ces grandeurs pour lesquelles aucune simulation par une méthode numérique de mécanique des fluides n’a été réalisée. Le modèle statistique est donc utilisable pour estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire, en conditions réelles d’utilisation sur le navire. L’estimation de la grandeur représentative peut ensuite être utilisée, par exemple, pour prédire la consommation de carburant du navire sur un voyage donné, et par là prédire la quantité de carburant à embarquer à bord du navire.The statistical model is capable of estimating by calculation a quantity representative of a driving power necessary to move a ship according to an operating state, the operating state being defined at least by a speed of the ship, a draft of the ship and a trim of the ship, including for values of these quantities for which no simulation by a numerical method of fluid mechanics has been carried out. The statistical model can therefore be used to estimate a quantity representative of the engine power required to move a ship forward, in real conditions of use on the ship. The estimate of the representative quantity can then be used, for example, to predict the fuel consumption of the ship on a given voyage, and thereby predict the quantity of fuel to be taken on board the ship.
Dans le procédé décrit ci-dessus, tant que le paramètre d’écart, qui représente un écart entre des résultats de simulation et des résultats d’estimation par le modèle statistique, est supérieur au seuil, le modèle statistique est entraîné sur lesdits résultats de simulation. Inversement, lorsque le paramètre d’écart devient inférieur au seuil, on peut mettre fin au procédé et ainsi ne plus réaliser de simulations. Ainsi, le modèle statistique n’est pas entraîné sur davantage de résultats de simulation qu’il n’est nécessaire. Ceci permet de limiter le nombre de simulations à effectuer, et en particulier d’effectuer sensiblement moins de simulations que dans une approche « naïve » qui consisterait à simuler le comportement hydrodynamique du navire dans toutes les conditions réelles qu’il est susceptible de rencontrer en exploitation. Compte tenu du fait que chaque simulation nécessite un temps de calcul important, même avec des systèmes informatiques dédiés aux calculs de mécanique des fluides, le procédé permet donc d’obtenir le modèle statistique souhaité en un temps de calcul relativement limité.In the method described above, as long as the difference parameter, which represents a difference between simulation results and estimation results by the statistical model, is greater than the threshold, the statistical model is trained on said results of simulation. Conversely, when the difference parameter becomes less than the threshold, the process can be terminated and thus no more simulations can be carried out. Thus, the statistical model is not trained on more simulation results than necessary. This makes it possible to limit the number of simulations to be carried out, and in particular to carry out significantly fewer simulations than in a "naive" approach which would consist in simulating the hydrodynamic behavior of the ship in all the real conditions which it is likely to encounter in operation. Given the fact that each simulation requires a large calculation time, even with computer systems dedicated to fluid mechanics calculations, the method therefore makes it possible to obtain the desired statistical model in a relatively limited calculation time.
Il est en outre à noter que toutes les étapes du procédé décrit ci-dessus sont mises en œuvre par un ordinateur. Ainsi, le procédé peut être mis en œuvre automatiquement sans intervention humaine. Ceci permet de limiter voire supprimer les incertitudes liées à l’intervention humaine qui peuvent exister dans l’étude du comportement d’un navire. Le procédé nécessite préalablement de fournir un modèle numérique de la coque du navire à utiliser pour les simulations, et éventuellement de fixer le seuil avec lequel le paramètre d’écart est comparé.It should also be noted that all the steps of the method described above are implemented by a computer. Thus, the method can be implemented automatically without human intervention. This makes it possible to limit or even eliminate the uncertainties linked to human intervention that may exist in the study of the behavior of a ship. The process first requires providing a digital model of the ship's hull to be used for the simulations, and possibly setting the threshold with which the deviation parameter is compared.
Selon des modes de réalisation, le procédé peut comporter une ou plusieurs des caractéristiques suivantes.According to embodiments, the method may comprise one or more of the following characteristics.
Selon un mode de réalisation, le procédé comprend une étape préalable de définition consistant à définir un ensemble d’états d’exploitation à considérer par le modèle statistique.According to one embodiment, the method comprises a preliminary definition step consisting in defining a set of operating states to be considered by the statistical model.
Selon un mode de réalisation, dans ladite étape préalable de définition, ledit ensemble d’états d’exploitation est défini par des valeurs limites de la vitesse du navire, du tirant d’eau du navire et de l’assiette du navire, et par des incréments respectifs de la vitesse du navire, du tirant d’eau du navire et de l’assiette du navire.According to one embodiment, in said preliminary step of definition, said set of operating states is defined by limit values of the speed of the ship, the draft of the ship and the trim of the ship, and by respective increments of vessel speed, vessel draft and vessel trim.
Selon un mode de réalisation, le procédé comprend en outre, après ladite étape de définition, une étape de sélection consistant à sélectionner un sous-ensemble d’états d’exploitation dans ledit ensemble d’états d’exploitation, et le premier ensemble de données d’apprentissage est relatif audit sous-ensemble d’états d’exploitation.According to one embodiment, the method further comprises, after said definition step, a selection step consisting in selecting a subset of operating states from said set of operating states, and the first set of training data is relative to said subset of operating states.
Selon un mode de réalisation, le premier ensemble de données d’apprentissage est obtenu partiellement ou entièrement à partir d’une pluralité de simulations, chaque simulation consistant à simuler, par une méthode numérique de mécanique des fluides, un écoulement d’eau de mer autour de la coque du navire pour un état d’exploitation dudit sous-ensemble d’états d’exploitation.According to one embodiment, the first set of training data is obtained partially or entirely from a plurality of simulations, each simulation consisting in simulating, by a numerical method of fluid mechanics, a flow of sea water around the ship's hull for an operating state of said subset of operating states.
Selon un mode de réalisation, l’étape de sélection est réalisée par une méthode de plan d’expérience, en particulier une méthode de plan d’expérience complètement aléatoire ou une méthode de plan d’expérience optimal.According to one embodiment, the selection step is carried out by an experimental design method, in particular a completely random experimental design method or an optimal experimental design method.
Selon un mode de réalisation, la méthode d’apprentissage automatique supervisé est une méthode de régression par processus gaussien.According to one embodiment, the supervised machine learning method is a Gaussian process regression method.
Une méthode de régression par processus gaussien est bien adaptée à l’entraînement du modèle statistique car elle permet de produire un modèle statistique apte à répondre à un problème de régression, pour n’importe quel jeu de données d’entrée, par entraînement à partir d’un nombre relativement limité de données. Néanmoins, il est possible de retenir d’autres méthodes d’apprentissage automatique supervisé sans pour autant sortir du cadre de la présente invention.A regression method by Gaussian process is well suited to training the statistical model because it makes it possible to produce a statistical model capable of responding to a regression problem, for any set of input data, by training from a relatively limited amount of data. Nevertheless, it is possible to retain other supervised machine learning methods without departing from the scope of the present invention.
Selon un mode de réalisation, ladite grandeur représentative est une résistance hydrodynamique rencontrée par la coque du navire ou une puissance mécanique à fournir par une machine propulsive embarquée à bord du navire.According to one embodiment, said representative quantity is a hydrodynamic resistance encountered by the hull of the ship or a mechanical power to be supplied by a propulsion machine on board the ship.
Ainsi, la grandeur représentative peut être directement interprétable par un utilisateur tel qu’un membre de l’équipage du navire, et/ou directement utilisable par un système de contrôle-commande embarqué à bord du navire.Thus, the representative quantity can be directly interpretable by a user such as a member of the ship's crew, and/or directly usable by a control-command system on board the ship.
Selon un mode de réalisation, ledit tirant d’eau du navire est considéré au niveau d’une ligne perpendiculaire médiane du navire. En variante, selon un autre mode de réalisation, ledit tirant d’eau du navire est considéré au niveau d’une ligne perpendiculaire qui est espacée de ladite ligne perpendiculaire médiane du navire d’une distance prédéterminée.According to one embodiment, said draft of the ship is considered at the level of a median perpendicular line of the ship. Alternatively, according to another embodiment, said draft of the vessel is considered at a perpendicular line which is spaced from said median perpendicular line of the vessel by a predetermined distance.
Selon un mode de réalisation, l’assiette du navire comprend une différence entre un tirant d’eau à l’avant du navire et un tirant d’eau à l’arrière du navire.According to one embodiment, the trim of the ship includes a difference between a draft at the bow of the ship and a draft at the stern of the ship.
Selon un mode de réalisation, ledit tirant d’eau à l’avant du navire est considéré au niveau de la ligne perpendiculaire avant du navire. En variante, selon un autre mode de réalisation, ledit tirant d’eau à l’avant du navire est considéré au niveau d’une ligne perpendiculaire qui est espacée de ladite ligne perpendiculaire avant du navire d’une distance prédéterminée.According to one embodiment, said draft at the front of the vessel is considered at the level of the perpendicular line before the vessel. Alternatively, according to another embodiment, said draft forward of the ship is considered at a perpendicular line which is spaced from said forward perpendicular line of the ship by a predetermined distance.
Selon un mode de réalisation, ledit tirant d’eau à l’arrière du navire est considéré au niveau de la ligne perpendiculaire arrière du navire. En variante, selon un autre mode de réalisation, ledit tirant d’eau à l’arrière du navire est considéré au niveau d’une ligne perpendiculaire qui est espacée de ladite ligne perpendiculaire arrière du navire d’une distance prédéterminée.According to one embodiment, said draft at the rear of the ship is considered at the level of the rear perpendicular line of the ship. Alternatively, according to another embodiment, said draft aft of the ship is considered at a perpendicular line which is spaced from said aft perpendicular line of the ship by a predetermined distance.
Selon un mode de réalisation, la présente invention propose en outre un système de calcul comprenant :
- un moyen d’entrée configuré pour recevoir des données d’entrées définissant un état d’exploitation du navire, l’état d’exploitation étant défini au moins par une vitesse du navire, un tirant d’eau du navire et une assiette du navire ;
- un moyen de traitement configuré pour estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire dans ledit état d‘exploitation au moyen du modèle statistique obtenu par le procédé de calcul mis en œuvre par ordinateur précité ; et
- un moyen de sortie configuré pour fournir en sortie ladite grandeur représentative d’une puissance motrice.According to one embodiment, the present invention further provides a computing system comprising:
- an input means configured to receive input data defining an operating state of the ship, the operating state being defined at least by a speed of the ship, a draft of the ship and an attitude of the ship ;
- a processing means configured to estimate a quantity representative of a motive power necessary to advance the vessel in said operating state by means of the statistical model obtained by the aforementioned computer-implemented calculation method; And
- an output means configured to output said quantity representative of a motive power.
Selon un mode de réalisation, la présente invention propose en outre un procédé mis en œuvre par ordinateur d’obtention d’une base de données, pour obtenir une base de données utilisable pour estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire, le procédé comprenant des étapes consistant à :
- générer une pluralité d’états d’exploitation, l’état d’exploitation étant défini au moins par une vitesse du navire, un tirant d’eau du navire et une assiette du navire ;
- pour chaque état d’exploitation ainsi généré : estimer une grandeur représentative à l’aide du modèle statistique obtenu par le procédé de calcul mis en œuvre par ordinateur selon l’un quelconque des modes de réalisation décrits ci-dessus ; et stocker dans une base de données la grandeur représentative estimée en association avec l’état d’exploitation.According to one embodiment, the present invention further provides a computer-implemented method of obtaining a database, for obtaining a database usable for estimating a quantity representative of a motor power necessary to advance a vessel, the method comprising steps of:
- generating a plurality of operating states, the operating state being defined at least by a ship's speed, a ship's draft and a ship's trim;
- for each operating state thus generated: estimating a representative quantity using the statistical model obtained by the calculation method implemented by computer according to any one of the embodiments described above; and storing in a database the representative quantity estimated in association with the operating state.
Bien que le modèle statistique soit apte à estimer par le calcul la grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire en fonction de l’état d’exploitation, y compris pour des états d’exploitation pour lesquels aucune simulation par une méthode numérique de mécanique des fluides n’a été réalisée, le calcul nécessaire pour ce faire peut être trop long et/ou nécessiter trop de ressources de calcul pour pouvoir être mis en œuvre à bord d’un navire. Une idée à la base du procédé décrit ci-dessus est donc d’effectuer la majorité de ces calculs à l’avance sur la base d’une pluralité d’états d’exploitation, lesquels peuvent être convenablement choisis pour couvrir la totalité d’un domaine de fonctionnement opérationnel du navire, et de stocker dans une base de données la grandeur représentative estimée de la cuve pour chacun de ces états d’exploitation en association avec l’état d’exploitation. La grandeur représentative peut alors être obtenue ou bien par simple lecture de la base de données lorsque l’état d’exploitation est présent dans la base de données, ou bien par interpolation à partir de la base de données sinon. Ceci nécessite un temps de calcul et des ressources de calcul bien moins importantes que l’estimation à partir du modèle statistique lui-même. Il en résulte que le modèle statistique lui-même n’est même plus nécessaire pour effectuer l’estimation par le modèle statistique à bord du navire, la seule base de données étant suffisante. L’estimation à partir de la base de données peut alors être effectuée par un système embarqué à bord du navire, voire même par une station au sol qui communique avec le navire, par exemple par radio ou par satellite.Although the statistical model is capable of estimating by calculation the quantity representative of a motive power necessary to move a ship according to the operating state, including for operating states for which no simulation by a numerical method of fluid mechanics has been carried out, the calculation necessary to do so may be too long and/or require too many calculation resources to be able to be implemented on board a ship. An idea underlying the method described above is therefore to carry out the majority of these calculations in advance on the basis of a plurality of operating states, which can be suitably chosen to cover the whole of an operational operating domain of the ship, and to store in a database the estimated representative quantity of the tank for each of these operating states in association with the operating state. The representative quantity can then be obtained either by simple reading of the database when the operating state is present in the database, or by interpolation from the database otherwise. This requires much less computing time and computing resources than the estimation from the statistical model itself. As a result, the statistical model itself is no longer even necessary to perform the estimation by the statistical model on board the ship, the database alone being sufficient. The estimation from the database can then be performed by a system on board the ship, or even by a ground station which communicates with the ship, for example by radio or satellite.
Selon un mode de réalisation, la présente invention propose en outre un procédé mis en œuvre par ordinateur pour estimer une grandeur représentative d’une puissance motrice dans un navire, le procédé comprenant des étapes consistant à ;
- obtenir un tirant d’eau du navire et une assiette du navire ; et
- obtenir une consigne de vitesse du navire ; et
- estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire à partir de la consigne de vitesse du navire, du tirant d’eau du navire et de l’assiette du navire et de la base de données obtenue par le procédé décrit ci-dessus.According to one embodiment, the present invention further provides a computer-implemented method for estimating a magnitude representative of motive power in a ship, the method comprising steps of;
- obtain a ship's draft and a ship's trim; And
- Obtain a ship's speed instruction; And
- estimating a quantity representative of a driving power necessary to move the ship forward from the ship's speed setpoint, the ship's draft and the ship's trim and the database obtained by the method described above.
Grâce à ce procédé, il est possible d’estimer la grandeur représentative grâce au modèle statistique entraîné préalablement sur la base de données d’essais, par le biais de la base de données. Comme on l’a mentionné ci-dessus, cette estimation nécessite un temps de calcul et des ressources de calcul bien moins importantes que l’estimation à partir du modèle statistique lui-même, et peut être effectuée par un système embarqué à bord du navire ou par une station au sol qui communique avec le navire.Thanks to this process, it is possible to estimate the representative quantity thanks to the statistical model trained beforehand on the basis of test data, by means of the database. As mentioned above, this estimation requires much less computing time and computing resources than the estimation from the statistical model itself, and can be performed by an on-board system on board the ship. or by a ground station that communicates with the ship.
Selon un mode de réalisation, la présente invention propose en outre un système de gestion pour un navire, le système comprenant :
- un dispositif d’évaluation d’assiette du navire apte à évaluer un tirant d’eau du navire et une assiette du navire ;
- un moyen d’entrée configuré pour obtenir une consigne de vitesse du navire ; et
- un moyen de traitement configuré pour estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire à partir de la consigne de vitesse du navire, du tirant d’eau du navire et de l’assiette du navire et de la base de données obtenue par le procédé décrit ci-dessus.According to one embodiment, the present invention further provides a management system for a ship, the system comprising:
- A ship's trim evaluation device able to assess a ship's draft and a ship's trim;
- Input means configured to obtain a vessel speed setpoint; And
- a processing means configured to estimate a quantity representative of a driving power necessary to move the ship forward from the ship's speed setpoint, the ship's draft and the trim of the ship and the base of data obtained by the method described above.
Brève description des figuresBrief description of figures
L’invention sera mieux comprise, et d'autres buts, détails, caractéristiques et avantages de celle-ci apparaîtront plus clairement au cours de la description suivante de plusieurs modes d’exécution particuliers de l’invention, donnés uniquement à titre illustratif et non limitatif, en référence aux dessins annexés.The invention will be better understood, and other aims, details, characteristics and advantages thereof will appear more clearly during the following description of several particular embodiments of the invention, given solely by way of illustration and not limiting, with reference to the accompanying drawings.
Claims (11)
- obtenir (504) un modèle statistique par entraînement par une méthode d’apprentissage automatique supervisé sur un premier ensemble de données d’apprentissage, le modèle statistique étant apte à estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer un navire (1) en fonction d’un état d’exploitation (301), l’état d’exploitation étant défini au moins par une vitesse (V) du navire, un tirant d’eau (D) du navire et une assiette du navire ;
a) générer (505) un ensemble de vecteurs d’entrée, chaque vecteur d’entrée définissant un état d’exploitation distinct et distinct de toutes lesdites données d’apprentissage ;
b) obtenir (506) un ensemble de résultats de simulations, ledit ensemble de résultats de simulations étant obtenu à partir d’une pluralité de simulations, chaque simulation consistant à simuler, par une méthode numérique de mécanique des fluides, un écoulement d’eau de mer autour de la coque (10) du navire (1) pour un vecteur d’entrée dudit ensemble de vecteurs de données d’entrée, chaque résultat de simulation comportant une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire (1) dans l’état d’exploitation défini par ledit vecteur d’entrée ;
c) obtenir (507) des résultats d’estimation par le modèle statistique pour chaque vecteur d’entrée dudit ensemble de vecteurs d’entrée, chaque résultat d’estimation comportant une estimation de la grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire (1) dans l’état d’exploitation défini par ledit vecteur d’entrée ;
d) calculer (508) un paramètre d’écart entre les résultats d’estimation et ledit ensemble de résultats de simulation ; et
e) si le paramètre d’écart est supérieur à un seuil, entraîner (510) le modèle statistique par ladite méthode d’apprentissage automatique supervisé sur un deuxième ensemble de données d’apprentissage constitué dudit ensemble de vecteurs d’entrée et dudit ensemble de résultats de simulations, et répéter les étapes a) à e).A computer-implemented calculation method (500) for obtaining a statistical model capable of estimating a quantity representative of a motive power in a vessel (1), the method comprising the steps of:
- obtaining (504) a statistical model by training by a supervised automatic learning method on a first set of learning data, the statistical model being capable of estimating a quantity representative of a driving power necessary to move a ship forward ( 1) as a function of an operating state (301), the operating state being defined at least by a speed (V) of the ship, a draft (D) of the ship and an trim of the ship;
a) generating (505) a set of input vectors, each input vector defining a distinct and distinct operating state of all said training data;
b) obtaining (506) a set of simulation results, said set of simulation results being obtained from a plurality of simulations, each simulation consisting in simulating, by a numerical method of fluid mechanics, a flow of water of sea around the hull (10) of the ship (1) for an input vector of said set of input data vectors, each simulation result comprising a quantity representative of a driving power necessary to move the ship ( 1) in the operating state defined by said input vector;
c) obtaining (507) estimation results by the statistical model for each input vector of said set of input vectors, each estimation result comprising an estimation of the quantity representative of a driving power necessary to advance the ship (1) in the operating state defined by said input vector;
d) calculating (508) a deviation parameter between the estimation results and said set of simulation results; And
e) if the deviation parameter is greater than a threshold, training (510) the statistical model by said supervised machine learning method on a second training data set consisting of said set of input vectors and said set of simulation results, and repeat steps a) to e).
- générer (601) une pluralité d’états d’exploitation, l’état d’exploitation étant défini au moins par une vitesse (V) du navire, un tirant d’eau (D) du navire et une assiette du navire ;
- pour chaque état d’exploitation ainsi généré : estimer (602) une grandeur représentative à l’aide du modèle statistique obtenu par le procédé de calcul mis en œuvre par ordinateur (500) selon l’une quelconque des revendications 1 à 8 ; et stocker dans une base de données (1050) la grandeur représentative estimée en association avec l’état d’exploitation.A computer-implemented method (600) of obtaining a database, for obtaining a database (1050) usable for estimating a quantity representative of an engine power required to propel a ship (1), the method comprising steps of:
- generating (601) a plurality of operating states, the operating state being defined at least by a speed (V) of the vessel, a draft (D) of the vessel and an trim of the vessel;
- for each operating state thus generated: estimating (602) a representative quantity using the statistical model obtained by the calculation method implemented by computer (500) according to any one of claims 1 to 8; and storing in a database (1050) the representative quantity estimated in association with the operating state.
- obtenir (701) un tirant d’eau (D) du navire (1) et une assiette du navire ; et
- obtenir (701) une consigne de vitesse (V) du navire (1) ; et
- estimer (703) une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire à partir de la consigne de vitesse (V) du navire, du tirant d’eau du navire (D) et de l’assiette du navire et de la base de données (1050) obtenue par le procédé (600) selon la revendication 9.A computer-implemented method (700) for estimating a quantity representative of motive power in a vessel (1), the method comprising the steps of:
- obtain (701) a draft (D) of the ship (1) and a trim of the ship; And
- obtain (701) a speed setpoint (V) of the ship (1); And
- estimating (703) a quantity representative of a driving power necessary to move the ship forward from the speed setpoint (V) of the ship, the draft of the ship (D) and the trim of the ship and of the database (1050) obtained by the method (600) according to claim 9.
- un dispositif d’évaluation d’assiette du navire (1020) apte à évaluer un tirant d’eau (D) du navire (1) et une assiette du navire ;
- un moyen d’entrée (1042) configuré pour obtenir une consigne de vitesse (V) du navire (1) ; et
- un moyen de traitement (1010) configuré pour estimer une grandeur représentative d’une puissance motrice nécessaire pour faire avancer le navire (1) à partir de la consigne de vitesse (V) du navire, du tirant d’eau (D) du navire et de l’assiette du navire et de la base de données (1050) obtenue par le procédé (600) selon la revendication 9.A management system (1000) for a ship (1), the system comprising:
- a vessel trim evaluation device (1020) capable of evaluating a draft (D) of the vessel (1) and a vessel trim;
- an input means (1042) configured to obtain a speed setpoint (V) of the vessel (1); And
- a processing means (1010) configured to estimate a quantity representative of a driving power necessary to move the ship (1) forward from the speed setpoint (V) of the ship, the draft (D) of the vessel and the trim of the vessel and the database (1050) obtained by the method (600) according to claim 9.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2109875A FR3127311A1 (en) | 2021-09-20 | 2021-09-20 | Estimation of a quantity representative of a motive power in a ship |
| PCT/EP2022/075985 WO2023041788A1 (en) | 2021-09-20 | 2022-09-19 | Estimating a quantity representative of driving power in a ship |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2109875 | 2021-09-20 | ||
| FR2109875A FR3127311A1 (en) | 2021-09-20 | 2021-09-20 | Estimation of a quantity representative of a motive power in a ship |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3127311A1 true FR3127311A1 (en) | 2023-03-24 |
Family
ID=79601820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2109875A Pending FR3127311A1 (en) | 2021-09-20 | 2021-09-20 | Estimation of a quantity representative of a motive power in a ship |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3127311A1 (en) |
| WO (1) | WO2023041788A1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018228696A1 (en) * | 2017-06-15 | 2018-12-20 | Abb Schweiz Ag | Controlling marine vessel |
| CN110110352A (en) | 2019-03-20 | 2019-08-09 | 浙江海洋大学 | A kind of ship longitudinal direction boat state and Resistance Prediction method based on overlapping grid |
-
2021
- 2021-09-20 FR FR2109875A patent/FR3127311A1/en active Pending
-
2022
- 2022-09-19 WO PCT/EP2022/075985 patent/WO2023041788A1/en unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018228696A1 (en) * | 2017-06-15 | 2018-12-20 | Abb Schweiz Ag | Controlling marine vessel |
| CN110110352A (en) | 2019-03-20 | 2019-08-09 | 浙江海洋大学 | A kind of ship longitudinal direction boat state and Resistance Prediction method based on overlapping grid |
Non-Patent Citations (3)
| Title |
|---|
| LUO WEILIN ET AL: "Modeling of ship maneuvering motion using neural networks", JOURNAL OF MARINE SCIENCE AND APPLICATION, HARBIN ENGINEERING UNIVERSITY, HEIDELBERG, vol. 15, no. 4, 17 October 2016 (2016-10-17), pages 426 - 432, XP036093542, ISSN: 1671-9433, [retrieved on 20161017], DOI: 10.1007/S11804-016-1380-8 * |
| PANDA J P: "Machine Learning for Naval Architecture, Ocean and Marine Engineering", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 1 September 2021 (2021-09-01), XP091053676 * |
| PARKES A I ET AL: "Physics-based shaft power prediction for large merchant ships using neural networks", OCEAN ENGINEERING, PERGAMON, AMSTERDAM, NL, vol. 166, 15 August 2018 (2018-08-15), pages 92 - 104, XP085460512, ISSN: 0029-8018, DOI: 10.1016/J.OCEANENG.2018.07.060 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023041788A1 (en) | 2023-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3671391B1 (en) | Optimisation of a parametric model of the performance of an aircraft | |
| CA2826641C (en) | Forecasting maintenance operations for an aircraft engine | |
| EP3877912A1 (en) | Method of neural network construction for the simulation of physical systems | |
| EP3913519A1 (en) | Simulation by substitution of a physics laws model with an automatic learning model | |
| EP3440342A1 (en) | Method for controlling a wave-energy system by determining the excitation force applied by waves incident upon a moving part of the said system | |
| EP3953662A1 (en) | Method for defining a path | |
| FR3091557A1 (en) | Thermal control for vehicle engine | |
| FR3127311A1 (en) | Estimation of a quantity representative of a motive power in a ship | |
| Gupta et al. | Statistical modeling of Ship’s hydrodynamic performance indicator | |
| Dickson et al. | Uncertainty in marine weather routing | |
| EP1687515A1 (en) | Method and system for estimating a quantity of particles emitted in the exhaust gas of a diesel engine for a motor vehicle | |
| WO2020094995A1 (en) | Method of neural network construction for the simulation of physical systems | |
| EP2785553A2 (en) | Method for estimating the energy consumption of a motor vehicle | |
| WO2019120926A1 (en) | Method for controlling the buoyancy of a submarine vehicle | |
| van Essen et al. | Required test durations for converged short-term wave and impact extreme value statistics—Part 1: Ferry dataset | |
| EP4030333A1 (en) | Simulation of the behaviour of a vehicle in a fluid by hamiltonian neural network | |
| EP2390863A2 (en) | Device for balancing a simulation platform, and associated method | |
| FR3043224A1 (en) | METHOD AND SYSTEM FOR DETERMINING AN IMPROVED OPERATING STATE FOR AN AIRCRAFT | |
| EP4078408A1 (en) | Method for digital simulation by means of automatic learning | |
| FR3039677A1 (en) | METHOD FOR DESIGNING MECHANICAL PARTS, IN PARTICULAR TURBOMACHINE BLADES | |
| EP3458827A1 (en) | Estimation of a physical quantity on exit from a hydraulic circuit | |
| WO2021115903A1 (en) | Method for categorizing a rock on the basis of at least one image | |
| FR3117086A1 (en) | Method and system for assisting in the management of a liquefied gas transport vessel of the type consuming boil-off gas for its propulsion | |
| EP4322061A1 (en) | Electronic device and method for processing data comprising at least one self-adaptive artificial intelligence model with local learning, associated electronic system and computer program | |
| Ai-guo et al. | Research on the genetic neural network for the computation of ship resistance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230324 |