New method for predicting full-scale power performance of pumpjet propulsion system based on statistical learning北大核心CSCD

[目的]针对“适配于螺旋桨的船尾线型+泵喷推进器”构成的船舶泵喷推进系统,提出一种基于统计学习的实船快速性预报新方法。[方法]以某大型水面船舶泵喷推进系统为对象,通过神经网络学习典型推进泵的推力系数图谱曲线,综合运用船-桨配合时的K_(T)-J曲线和船体-喷泵配合时的推力特性曲线,建立“仅需船舶阻力曲线就能实现船舶泵喷推进系统实船快速性预报”的新方法,并基于船模阻力试验、泵喷模型敞水试验及船体-泵喷自航试验的测量换算结果对实船推进性能的预报结果开展精度校验。[结果]校验结果表明:在航速18~30 kn范围内,船舶泵喷推进系统的自航转速、推力和功率的预报误差可控制在5.4%以内,其中设计航速附近的误差甚至小于2%;船体-泵喷的相互作用程度介于船-桨与船体-喷泵之间且幅值相对较小,推力减额系数为趋向于0的极小值,故船舶泵喷推进系统是介于桨轴推进系统和喷水推进系统之间的产物。[结论]该预报方法有利于提升船舶泵喷推进系统实船快速性预报的能力,可为新型舰艇泵类推进系统总体设计/研究提供参考。