共查询到19条相似文献,搜索用时 140 毫秒
1.
2.
3.
舰船运动姿态短期预测很容易受到耦合作用以及周围环境因素的影响,导致预测结果的延时较高。对此设计了舰船运动姿态短期预测模型并进行仿真分析,利用船舶航行时间数据序列规律,建立当前船舶数据时序回归分析方程,计算当前船舶时间序列数据阶数以及对应系数,完成时间序列统计,以调度神经网络结构作为序列数据计算逻辑,以输入门、输出门和遗忘门作为增值单元,构造预测模型记忆区结构,将时间序列数据作为输入门的输入项,通过神经网络隐层,输出初始预测结果,再通过控制函数,缩小预测结果控制权值,完成船舶运动姿态最终预测。仿真分析数据表明,与传统预测方法相比,应用该设计模型,对舰船正向横倾姿态仿真预测的延时降低27%,反向横倾姿态仿真预测延时降低了19%,可以有效降低预测延时。 相似文献
4.
5.
6.
海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义.本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报.通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析.结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90%、93%和85%,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报. 相似文献
7.
8.
9.
10.
为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。 相似文献
11.
12.
为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。 相似文献
13.
14.
15.
弹性船体波激响应时域过程的数值模拟 总被引:1,自引:0,他引:1
本文从入射波的波浪现实出发,用非线性水弹性积分─微分法进行船体运动和结构动响应的时间历程模拟,直接将试验测量结果与理论计算在时域内作比较,这有利于揭示砰击和上浪等非线性瞬态作用导致冲荡响应的力学机理。这种模拟及其验证方法避免了对理论和试验结果的统计特性进行比较时,因子样长度的限制和数据处理过程所带来的不确定性,比峰值比较更能说明波激响应数学模型的精确性和可靠性。 相似文献
16.
17.
The umbilical cable is an essential component of offshore oil and gas extraction systems. The severe marine environment poses a high challenge to the safety of the umbilical cable structure during operation. The analysis of an umbilical cable requires complex and resource-demanding finite element time-domain simulations to obtain their nonlinear dynamic response. Therefore, in order to solve the problem of structural safety monitoring and real-time assessment of remaining life of umbilical cables under extreme sea states, there is a great need to predict the dynamic response of umbilical cables quickly and accurately during operation, for ease of making fast decisions for system operation and maintenance before the arrival of extreme sea states. Given the strong nonlinear function-approximation ability of the neural network, this study proposes an efficient method for the prediction of the time series of umbilical cable top tension response based on LSTM (long short-term memory) neural network. We use LSTM neural network and ARIMA (autoregressive integrated moving average) model in a real engineering case for time series prediction of the top tension response of the umbilical cable, and the results of the two models are analyzed and compared, and the efficiency and accuracy of the LSTM neural network model are verified. Furthermore, the hyperparameter, dataset and generalization ability of LSTM model are discussed. The results indicate that feasibility of the tension response prediction of umbilical cables under dynamic load in complex marine environments. 相似文献
18.
基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型 总被引:1,自引:0,他引:1
准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归(auto-regressive,AR)预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解(empirical mode decomposition,EMD)的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归(support vector regression,SVR)预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。 相似文献