船舶横摇与纵摇运动的非线性耦合方程

以欧拉角描述船舶的摇摆运动,考虑规则波浪力及船舶受定常力矩的情形,将水动力展为Ｔａｙｌｏｒ级数,利用欧拉动力学方程推导出船舶横摇与纵摇二自由度耦合的非线性运动方程,为船舶内共振运动响应动力行为分析奠定基础。     

小型船舶的横摇减摇

评述了船舶尺度对较小型船舶的横摇响应的影响，以及在较小的波高和波长的海浪中对于小的横摇自然周期的船舶的升沉和横摇共振的影响。并且对各类小船的减摇装置的选择方法作了评论。另外，还提供 带有和不肯减摇装置的船模水池试验结果和实船航行试验结果。     

基于双向差分的船舶横摇时间序列的预报

根据船舶在随机海浪作用下的运动特性,基于双向差分算法建立模型,并运用于船舶横摇运动时间序列的预报,取得较好的效果.该模型也可用于纵摇、艏摇的时间序列的预报.     

船舶横摇非线性阻尼系数识别

根据自由横摇曲线估算船舶横摇非线性阻尼系数,用于预报船舶海浪中的运动．提出了能量衰减函数的概念,并由实际能量衰减函数与估算能量衰减函数之间的方差最小来确定非线性阻尼系数．由船模的自由横摇试验曲线,分别估算了平方阻尼模型及立方阻尼模型的非线性阻尼系数,并与试验数据进行了比较.结果表明,在考虑了试验测量误差的情况之下,计算结果同试验结果很接近,可用于预报实船非线性横摇运动．该方法不需要事先确定阻尼的准确形式,并且可以满足大角度横摇回复力矩强非线性的要求．     

基于回声状态网络的船舶横摇运动预报

针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.     

船舶横摇倾覆迈尔尼科夫分析

为理性分析船舶大幅值横摇倾覆现象,推导出有关船舶横摇倾覆的迈尔尼科夫衡准公式,并据该式计算了对应于特定系统参数的临界外激励值.为验证该迈尔尼科夫衡准公式的正确性,选取一组外激励值,并且计算了对应于各个激励值的最大李雅谱诺夫指数值.计算结果显示,两种方法给出的预报有很好的吻合性.     

船舶参数激励横摇运动研究综述

为避免参数激励导致船舶出现不稳定横摇,提出有效抑制参数横摇的方法.分析参数激励引起的大幅横摇运动的动力特性,从船舶非线性耦合运动、横浪运动、纵浪上参数激励运动和波浪上参数与波浪联合激励运动方面,对目前研究现状及取得的主要成果进行综述,对船舶参数激励横摇运动及其倾覆机理的研究前景进行展望.     

基于误差反传神经网络的船舶横摇时间序列预报

给出了误差反传神经网络模型和学习型算法及其改进型学习算法，并将其应用于船舶横摇运动时间序列预报，取得了较好的效果。亦可用于纵摇、艏摇的时间序列预报。     

船舶非线性大幅横摇导致倾覆的研究

综述了风浪中船舶倾覆研究的最新进展,对各种主要的研究成果作了述评,着重归纳论述风浪中稳性损失,非线性大幅横摇运动的性态和随机波浪中船舶倾覆的概率预报,在分析了各种理论方法优缺点的基础上提出了须进一步研究的建议。     

基于行人运动模型的人群疏散三维仿真

以人群运动过程中人与人和人与建筑之间的相互作用为出发点,探讨了行人群集行为疏散模型及三维仿真问题.建立了一种基于人员行为细节的微观离散仿真模型,采用蒙皮动画和有限状态机技术实现对人物行为和人物模型细节状态的控制,可以实现人群疏散过程的动态三维可视化仿真.     

基于深度学习的船舶横摇运动姿态控制研究综述

深度学习是人工智能领域的一个研究热点,在学术界、工业界以及政府部门均可发挥重要的作用。深度学习在船舶运动姿态领域的研究尚处于起步阶段,目前可查的研究成果甚少。该文首先概述了4种机器学习算法,包括监督学习、无监督学习、半监督学习和强化学习,介绍了几种重要的神经网络模型与常用大规模训练方案;其次分析几种常用的深度学习优化算法,并在此基础上,结合船舶横摇/艏摇运动模型,阐述了船舶横摇角和艏摇角的数据训练系统、数学模型和预测方法;最后总结了该领域存在的问题和发展前景。     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

非线性横摇阻尼的试验确定——数据处理方法

通过对规则波中和不规则波中横摇衰减试验以确定非线性横摇阻尼的数据分析，研究了对大幅横摇随机讯号采用随机减量法确定非线性阻尼方法的理论论据，同时讨论在处理试验数据时所面临的一些问题。指出，随机减量法的测量精度极大地依赖于门槛值和分段的段数，对相对较短的试验记录，采用增加负门槛值使分段段数约可增大一倍，从而可以改善分析结果。     

船舶倾斜状态下的人员疏散研究现状及展望

船舶人员疏散可有效保障紧急情况下的人员生命安全,而船舶在事故后的倾斜状态会使人员疏散面临新的挑战。通过梳理和总结人员运动特征、人员疏散行为、仿真建模三个方面的研究进展,得到船舶倾斜状态下人员紧急疏散关于运动特征的提取、人员心理的量化、仿真建模研究的验证等瓶颈问题。未来的研究应该以完善人员疏散特征实验、改进现有疏散模型、分析人员的可能性疏散行为为目标,以结合船舶人员疏散特点,提出优化的船舶布局和疏散方案,保证在船舶倾斜状态下人员能迅速安全地撤离。     

基于MLP方法的船舶大幅横摇近似解析解

具有一定精度的近似解析解可以将船舶横摇运动特征直接与船体参数相联系,便于分析船体参数对横摇运动及稳定性的影响.文中考虑阻尼力矩和恢复力矩的非线性建立了船舶在规则波中的横摇运动方程;为了克服弱非线性的局限性,采用改进的Lindstedt-Poincare(MLP)方法对横摇运动方程进行摄动求解,经细致推导得到精确至二阶的解析解(静水中)和精确至一阶的解析解(波浪中).最后对一目标船分别采用MLP和数值算法进行求解,验证了近似解析解的正确性.     

基于非线性横摇运动的风翼助航船舶航行安全性研究

应用非线性动力学理论与随机理论,建立随机风浪作用下风翼助航船舶非线性横摇运动数学模型,分析风翼助航船舶在随机风浪作用下的非线性横摇运动。以一艘76000 DWT巴拿马型散货船为目标船,仿真分析其加装风翼前后在轻载和满载时的横摇特性。仿真结果表明,风翼助航船舶轻载状态较满载状态产生的固定横倾角大得多。风翼助航船舶应尽量避免轻载航行或轻载航行时应减少风翼数量,以提高船舶航行安全性。     

随浪中船舶大倾角横摇稳性的研究

对随浪中船舶大倾角横摇稳性的特点进行了介绍和分析,提出了一种新的研究船舶发生大倾角横摇时的稳性力臂的方法,在运用逐步逼近法计算每个横剖面的左右侧的浸深时,考虑了在横摇过程中由于船舶首尾不对称造成的纵倾对每个横剖面浸深的影响,以及横摇过程中所发生的纵倾运动对横摇稳性的影响．然后,根据随浪中重力与浮力平衡、纵倾力矩之和为零这两个条件,运用matlab数学工具语言的迭代算法求出了纵倾角,以及水线面修正层厚度,进而绘出了随浪中的稳性力臂曲线．最后,通过实例计算与分析验证了该方法是可行的．     

基于Lyapunov稳定性的船舶参数激励横摇非线性简捷鲁棒控制

为减小参数激励带来的不利因素,需要非线性鲁棒控制器对系统稳定性进行控制.为简化船舶参数横摇非线性控制器设计过程,通过构建Lyapunov能量函数,将设计步骤由2步变为l步,减少了控制器参数的整定数量,避免了非线性控制律对消系统的非线性项.仿真结果表明,采用以上方法设计的非线性简化控制器对于消除船舶参数横摇系统的大幅横摇十分有效,并且具有一定的鲁棒性.     

应用路径积分法求解船舶横摇倾覆概率

通过对船舶非线性横摇运动进行分析,建立了船舶横摇运动的非线性微分方程.以路径积分法(PIS)为基础,在时间域内求解相应的二维Fokker-Planck方程,得到随时间演变的船舶横摇运动的转移概率密度.运用首次通过理论,求得船舶倾覆前时间的概率分布.研究了外部激励、横摇阻尼和非线性复原力矩对船舶横摇运动转移概率密度与首次通过时间的影响.研究结果表明,PIS能用于预测船舶首次通过时间概率分布,从而为船舶设计和稳性衡准提供相关的参考.
     

二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.