[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

说明书

本发明提供了一种基于机器学习的港内码头系泊船舶运动量预报方法，包括以下步骤：S1、确定码头前沿的风浪流工况组合：分析泊位处的水文条件，根据工程自身的水文参数，确定风、浪、流模拟的范围，其中包括风速、风向、流速、流向、浪高、周期和浪向。本发明有益效果：应用本发明一种基于机器学习的港内码头系泊船舶运动量预报方法，通过建立船水协同的运动量数据库，运用机器学习算法可快速为给定风浪流条件下的船舶运动量进行预报，为码头运营人员提供可靠的数据支撑，提前对码头作业进行合理安排，对实际操作具有指导意义。

技术领域

本发明属于海洋工程及港口近岸工程领域，尤其是涉及一种基于机器学习的港内码头系泊船舶运动量预报方法。

背景技术

船舶运动量是码头系泊安全的重要衡量指标，一旦船舶运动量过大，则会发生船舶断缆、船舶撞击码头等事故，进而对港口运营单位产生较大的影响，因此船舶在码头的安全系泊受到了较多的关注。船舶靠泊与系泊期间受到风力、水流、波浪的冲击力、护舷的挤靠力，在外力作用下，船舶靠泊期间的线性运动有横荡(沿X轴)、纵荡(沿Y轴)、升沉(沿Z轴)；主要角运动有横摇(绕Y轴Roll)、纵摇(绕X轴Pitch)和艏摇(绕Z轴Yaw)的转动。继而船舶的六自由度运动下，带动各系泊缆绳的张弛变化，其复杂性不言而喻。随着智慧港口的深入建设，码头运营单位对船舶运动量的智能预报有极大的需求，装卸作业人员可根据未来时间内的船舶运动量大小，合理地安排调度，提高码头的装卸效率。

目前，一般计算系泊船舶的运动量采用物理模型，通过在试验室模拟港区的平面布置、船舶、缆绳、护舷等结构，获得试验条件下的船舶运动量，但这种无法直接对船舶的运动响应进行工程现场未知条件的快速预报；

也有学者通过数值模拟仿真，获得船舶的运动过程曲线，这种方法可以实现船舶的预报，但目前多是应用成熟的商业软件，需要进行二次开发来实现预报功能，且每个工况的计算耗时较长；

除以上的手段外，还有学者是通过物理模型实验总结经验公式来计算运动量，结合实测数值和物理模型试验结果，提出了一些半经验性、半理论性的建议计算公式，以估算船舶运动量，公式中多有一些假定的系数，公式的普遍应用性还有待进一步验证。

随着人工智能水平的不断发展，神经网络技术也愈发成熟，基于机器学习的预报技术，可以快速准确地获得船舶在不同环境条件的运动量。

发明内容

有鉴于此，本发明旨在提出一种基于机器学习的港内码头系泊船舶运动量预报方法，基于深度学习网络，建立船舶运动量预测模型。模型采用LM方法，通过不断的学习和训练以及将网络的输出数据与实际数据相比较，直到网络的输出数据对所有训练数据与理想输出数据之差在要求的误差范围之内，从而可以进一步对数据进行预测。基于相同的组次，分别对比实测结果与机器学习预报模型结果，进一步对预报模型优化。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于机器学习的港内码头系泊船舶运动量预报方法，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；