[发明专利]一种基于机器学习的港内码头系泊船舶运动量预报方法

权利要求书

1.一种基于机器学习的港内码头系泊船舶运动量预报方法，其特征在于，包括以下步骤：

S1、确定码头前沿的风浪流工况组合：分析系泊船舶处的水文条件，根据工程自身的水文参数，确定风浪流参数模拟的范围；

S2、建立码头-系泊船舶的仿真分析模型：分别建立码头模型和系泊船舶模型，得到船舶的附加质量矩阵Ma、辐射阻尼矩阵B、一阶波浪力矩阵F_HF，并基于全QTF矩阵法得到港区浅水下船舶的二阶低频波浪荷载矩阵F_LF；

建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元，其中缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合，得到多项式对应的各个系数，其中i为缆绳分段，由钢缆、尼龙缆以及高分子缆混合组成；T_i为第i段缆绳在变形dl下所受拉力；dl/L为缆绳的拉伸量与原长度之比；a_1i是多项式中一次项的系数；a_2i是多项式中二次项的系数；a_3i是多项式中三次项的系数；a_4i是多项式中四次项的系数；a_5i是多项式中五次项的系数；a_6i是多项式中六次项的系数；

其中护舷非线性刚度曲线通过三种不同长度、不同内径的嵌套弹簧叠加而成，其中x₃x₂x₁，k₁,k₂,k₃分别代表对应弹簧的刚度：

基于时频转换理论，建立码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，运动方程如下所示：

其中，X(t)表示位移，表示速度项，表示加速度项，M表示质量矩阵；M_a表示时域附加质量；[B]_rad表示辐射阻尼项；[B]_linear表示低频线性阻尼项；C表示静水回复刚度；F_LF(t)表示浮体系统受到二阶力，F_HF(t)表示浮体受到的一阶力，F_wind和F_current表示浮体受到的风力和流力，F_护舷为护舷力，∑T_i为缆绳拉力；

对于港内系泊船舶，[B]_linear的表达式如下：

其中，K_X，K_Y，K_Z为系泊系统在X方向、Y方向和绕Z方向产生的刚度，M_aX，M_aY为在X方向、Y方向的附加质量，M_aZ为绕Z方向的附加惯性矩，I_Z为绕Z轴的惯性矩，X_G为重心位置的横向位置， M表示质量；

S3、建立船水协同的运动量数据库：基于S2步骤建立的码头、船舶、缆绳与护舷系统多要素耦合的码头系泊船舶仿真模型，在时域内开展步骤S1确定的风浪流工况组合的计算，得到各种水文参数下以及船舶载度组合条件下的船舶运动量，形成船水协同的环境要素与船舶运动量对应的数据库；

S4、建立基于机器学习的预报模型：基于S3获得的船水协同运动量数据库，分析隐含层层数对预报精度的敏感性，选取双层隐含层，通过调整第一层隐含层节点数来调整模型误差，根据在给定载度下风浪流条件下，预报船舶运动响应的需求，设置输入层、输出层的神经元数量，输入层包括风、浪、流、载度参数，输出层包括船舶六自由度运动量参数，构建机器学习网络，然后进行模型训练、测试和验证，形成本发明基于机器学习的船舶运动量预报模型；

在步骤S4中，建立机器学习预报模型的方法为：

D1、将数据库分成两部分样本，训练样本和测试样本；

D2、分析隐含层层数对预报精度的敏感性，选取双层隐含层，通过调整第一层隐含层节点数来调整模型误差，根据预报功能和需求，设置输入层输出层神经元数量，构建机器学习网络，然后进行模型训练，x_s+1＝x_s-(H+αI)^-1G,其中α是梯度下降的步长，x_s、x_s+1分别为第s次的迭代结果和第s+1次的迭代结果，H是多维向量的Hessian矩阵，G是多维向量的一阶梯度，I是单位矩阵；调节α数值，测试模型的收敛速度和准确度，当输出总误差满足误差范围要求时，记录计算迭代步数和时间，其中J为最后迭代步数，重复以上步骤，找到最适应的梯度下降步长α，选用上述机器学习模型进行预测；

D3、调用测试样本进行该机器学习模型的预报结果测试，将测试集作为输入数据集进行模型内部的准确性验证，得到测试集的测试结果文件，当结果文件与自动划分的测试集数据结果对比满足误差要求时，验证了该机器学习网络的准确性；

D4、进一步进行该机器学习模型的验证，验证数据库随机在数据库选择部分数据，在模型运行之前，将验证数据库编写在程序内，让机器学习预测模型读取数据库内容，进行结果预测，经过10次循环计算后，将生成的模型预测结果与验证数据库结果进行比对，用来提高预报精度；

S5、优化完善预报模型：与现场监测数据与数值仿真结果对比，分析预报与现场监测数据的差异，建立现场波浪与运动响应的联系，若误差超出设定值，则通过改变迭代次数和节点数，逐步提高预报精度。