船舶设计初始阶段的操纵性预报

针对2002年10月颁布的《船舶操纵性标准》，采用分离型运动数学标型(MMG船舶运动数学模型)，计算过程中考虑船舶后半部分的水线面系数、菱形系数，及操左右舵时不同整流系数对其水动力系数的影响，从而获得较以前更为满意的船舶操纵预报结果。该系统在仿真界面提示下，输入船、桨、舵的主要尺度及相关参数等，即可在船舶设计初期阶段快速精确地进行操纵性预报。     

船舶操纵性指数预报研究

为了对营运船舶的操纵性进行预报,基于SPSS软件的相关分析和统计功能,采用多项回归法对59艘船舶的K、T指数统计资料进行分析,得出具有一定精度的K′、T′指数估算公式.考虑船型数据之间非线性因素的影响,构造了四元二阶多项式回归模型.增加了渔船等中、小型船舶,使回归方程更具有普遍性.所构建的船舶操纵性指数回归模型较原有的回归模型将K′、T′的复相关系数精度分别提高了8.5%和7.2%,在保证原回归方程显著性的基础上兼顾了数据拟合的精度和回归多项式的简洁性.因此,该模型对操船者在航海实践中评估船舶的操纵性有一定的实用价值.     

船舶操纵性神经计算

利用人工神经网络完成从船舶参数空间到船舶操纵性指标空间的映射。作为输入参量的船舶参数具有一定的自由度,比较符合船舶设计的循序渐进过程。本文采用３层９隐节点ＢＰ网络,９艘次实船资料的拟合结果的精度为０．６１３７（单项平均平方误差）。对船舶操纵性预报进行了初步研究。利用８艘散货船的训练结果,对另１艘同类船舶的回转试验的进距、横距和战术直径进行了预报。     

转舵速度对船舶操纵性影响研究

采用MMG分离式水动力模型作为船舶操纵运动数学模型，编写MATLAB程序进行操纵性仿真预报，结合一艘双桨双舵船舶在设计航速下的定常回转运动进行了数值模拟，分析了船在不同转舵速度的回转运动轨迹和相应参数，进而得出转舵速度对船舶操纵性的影响规律。     

基于LS-SVM的船舶操纵性黑箱建模与预报研究

文章提出了基于LS-SVM的船舶操纵性黑箱建模方法,通过选取影响操纵性能的主要因素,利用LS-SVM建立了操纵性能的非线性回归模型,并利用回归模型对自航模回转试验进行了预报,通过试验与预报结果的对比分析表明,所建立的回归模型具有较高的预报精度,为船舶操纵性预报提供了一种新的技术手段。     

数据挖掘技术在船舶操纵运动预报中的应用研究

船舶操纵性直接影响船舶的航行安全。本文首先阐述BP神经网络的特点,并且以此为基础设计基于数据挖掘的船舶操纵运动预报的神经网络结构,选取散货船样本进行学习,获得3个预报样本,最后对散货船的水动力进行预报。预报结果表明,本文所采用的基于神经网络的数据挖掘技术预报精确度高。     

基于SPSS技术的船舶操纵性指数K、T预报

为了提高船舶操纵性指数K、T的预报精度以便更好地评价船舶性能,采用多元非线性回归模型,利用SPSS软件对43艘商船的K、T指数实船试验结果进行了回归分析。研究了对K、T有显著影响的非线性因素,给出了两个最优回归多项式。以某杂货船为例进行了操纵性指数的预报,预报效果令人满意,K、T误差分别为4.4%和1.1%。与原有的线性模型相比,预报误差分别减小了16.4%和70.3%。该文提出的非线性模型在回归方程的显著性以及对K′、T′值的预报准确性上均较线性模型有了很大提高,对操船者在航海实践中评估船舶的操纵性能有一定的参考价值。     

运用操纵响应线性方程预报船舶运动规律

船舶在弱机动情况下的变速运动是一种基本的运动，本文对该状态下的船舶运动情况进行分析，运用船舶操纵性理论和数学知识推导出在该状况下预报船舶运动规律的方法——运用船舶操纵响应线性方程预报船舶运动规律。     

基于CFD的内河船深浅水中操纵性预报

由于岸壁效应和浅水效应,内河船舶在限制水域作操纵运动时通常受到比在开阔水域中更大的水动力.这些水动力对船舶操纵性具有不利影响,有可能导致船舶碰撞或触底等海上事故.因此,为了在船舶设计阶段预报其操纵性能,考虑浅水效应和岸壁效应以准确计算内河船舶操纵运动水动力非常重要.本文基于CFD方法,通过对粘性绕流进行数值模拟,对长江中营运的三艘内河船舶的操纵运动水动力进行计算.首先,为了验证数值方法的可靠性,对标模KVLCC2纯横荡和纯首摇试验的水动力进行计算,并将计算结果与现有的试验数据进行对比.然后,对三艘内河船舶在不同水深下的静舵试验、纯横荡和纯首摇试验进行数值模拟,计算得到水动力及相应的线性水动力导数.最后,基于计算得到的水动力导数,获得Nomoto模型中的操纵性参数,对比分析三艘内河船舶在深浅水中的操纵性能.结果表明,本文方法可以揭示不同水深下三艘内河船舶的操纵性变化趋势.该方法可为船舶设计阶段内河船舶深浅水中的操纵性预报提供一种实用的工具.     

基于人工神经网络的船舶操纵性能预报方法

本文以单桨肥大型船回转性能为例,探讨应用改进的ＢＰ神经网络建立船舶操纵性预报数学模型的方法。研究结果表明,只要选择适当的学习样本、网络结构和学习算法,该数学模型的预报精度在工程上可以接受。