原文传递
基于数值模拟和机器学习的船舶回转运动预报研究
| 论文题名： | 基于数值模拟和机器学习的船舶回转运动预报研究 |
| 关键词： | 船舶操纵性;CFD方法;灰箱建模;黑箱建模;神经网络 |
| 摘要： | 自从全球进入“工业4.0”发展时期，船舶建造逐渐向数字化、信息化和智能化发展，智能化船舶的发展有助于解决实海航行安全问题，实海航行过程中，风浪环境的改变以及船舶自身状态如载重和航速的变化会对操纵运动造成影响，此时，通过传统数学模型描述船舶运动的误差较大，且模型中的参数会发生漂移。智能技术可以针对上述问题，对船舶航行状态进行动态评估，实现操纵性能实时预报。本文在上述背景下，开展船舶操纵性能评估的数字化方法研究。 首先，开展基于分离式模型的操纵性预报方法研究。以国际通用船模KVLCC2油轮为研究对象，利用CFD方法对拘束船模试验（静态斜拖试验和动态圆周运动试验）仿真模拟，获得水动力和力矩，基于多项式最小二乘法拟合得到三自由度MMG模型中的船体粘性水动力导数;利用经验公式计算桨舵水动力，采用四阶龙格-库塔方法求解微分运动方程，进而对静水和波浪中的船舶回转运动求解，基于FORTRAN编程语言实现求解过程。船舶回转运动轨迹及操纵性指标和试验值吻合较好，说明当前方法的有效性。在此基础上开展回转运动操纵性指标对船体粘性水动力导数的敏感性研究，一阶首向水动力导数和阻力系数对回转运动影响显著，并且低阶导数的影响普遍高于高阶导数。 其次，基于CFD方法进行船舶自航运动模拟研究。通过虚拟盘体积力方法模拟螺旋桨作用，在舵和船体网格之间建立交界面以实现转舵运动。对直航运动仿真获得自航点，并对船尾涡量场进行分析;在此基础上开展左右自航回转运动模拟，并与试验值对比，回转操纵性指标与试验值的相对误差处于正常范围，且右舵的模拟精度高于左舵，同时进行操舵过程中舵周围涡量场分析以及船体速度场和舵压力场可视化展示。 最后，基于机器学习方法开展操纵性数字化预报模型研究并基于实船数据验证。一方面，将MMG三自由度方程作为损失函数一部分，利用多层前馈神经网络构建模型，基于数值模拟数据进行模型训练和预报，精度较高，进一步开展模型泛化性研究，发现测试数据集工况和变量的增加有利于模型泛化性能提高。另一方面，在数值模拟大量数据基础上，利用长短期记忆神经网络进行黑箱辨识建模，对静水和波浪中的船舶操纵性能进行预报，预报结果较好，并且发现将舵角作为输入能够提升预报效果;进一步利用40万吨级散货运输船VLOC的实海回转运动航行数据作为数据集进行训练，结果表明所构建模型可以利用历史数据对实船操纵运动进行较好预报，为船舶实海操纵性能动态预报提供了参考。 |
| 作者： | 郑秋萌 |
| 专业： | 船舶与海洋结构物设计制造 |
| 导师： | 段文洋 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
