上虞新港建港水域条件研究

钱塘江尖山河段主槽摆动频繁、河床冲淤剧烈,上虞新港(世纪丘新围堤线外)位于尖山河段南岸,可选择范围目前恰为高滩.文章在河床演变资料分析的基础上,采取"人工变形"预测与大范围动床模型试验预测等手段研究了世纪丘围涂工程实施后堤外高滩的变化.研究成果表明,世纪丘围涂后,堤外存在建造码头的可能性(吨位较小、作业时间短、保证率低),并针对钱塘江河口潮差大的特点,建议采用"闭合式港池"形式,通航船只吨位可达3000吨级."闭合式港池"的设想为钱塘江河口航运资源的开发提供了一条新的思路,必将带动钱塘江河口航运事业的发展.     

盘根箱及扫气箱的清洁

盘根箱、扫气道的清洁工作又脏又累,浪费大量的人力、物力、财力。有鉴于此,探讨了两种方法:高压空气吹除法和智能型挖掘机械手清理法。前者简单适用,后者人工智能化,是未来的发展方向。     

智能分类器方法

小样本数据不能对分类器进行充分的训练。传统的分类器方法一旦设计好,再也不会有任何改进.本文将人工智能的思想、方法应用于分类器设计中,提出了智能分类器概念。智能分类器不但可以对未知样本进行分类识别,还具有多专家决策、预分类、学习等功能。智能分类器是一种自适应系统,其系统参数可在识别的过程中得到不断的优化。在ORL人脸库上的实验结果证明该方法在解决小样本问题时具有明显的优势。     

城市交通控制的新发展

首先对城市交通控制的发展进行了简要的综述,在此基础上较详细地论述了城市交通控制的新发展,对城市交通控制的研究提供了新思路.并指出了未来城市交通控制的发展趋势 — 智能化、集成化.     

基于规范计算的油船中剖面优化设计

  目的  现有基于有限元强度计算的结构优化研究大多采用改写单元节点信息文件来实现参数化建模的方法,为解决在船体剖面结构优化过程中难以考虑型材数量变化的问题,提出一种基于参数化几何建模分析和人工蜂群（ABC）算法的船舯剖面结构优化方法。  方法  首先,在Matlab平台编写蜂群算法,并基于ABAQUS内核语言Python建立能够在其CAE模块中生成几何模型的脚本文件;其次,建立能够提交有限元计算和读取结果的Python脚本文件,通过将算法每次生成的解改写到脚本对应位置完成几何模型的更新,后台调用ABAQUS并依次运行脚本文件;最后,将计算结果返回到Matlab平台中进行校核,完成参数化几何建模与有限元分析。  结果  以4600 TEU集装箱船在总纵弯矩作用下的舱段剖面结构优化为例验证了该方法的可行性,得到集装箱船舱段结构减重达18.7%。  结论  经对比分析,在设定条件下基于有限元的优化方法比基于规范的优化方法更加充分。     

基于认知心理学的地铁信息指示系统设计

基于认知心理学的注意、感知、记忆等认知特性,分析乘客在地铁空间内的行动导向问题,根据乘客有意注意、无意注意及有意后注意的特性,指导地铁信息指示系统的设计,使其指示类型和指示信息能够符合乘客的视觉期待和认知习惯,从而对他们做出合理提醒并形成信息系统的连贯性.     

人工智能算法在铁道车辆动力学仿真中的应用进展

梳理了人工智能算法在铁道车辆系统动力学仿真中的应用实例和国内外相关文献,概述了铁道车辆动力学仿真中常用的机器学习和深度学习算法,归纳和评述了2种学习算法在铁道车辆系统动力学建模与仿真中的应用分类;从铁道车辆系统动力学建模、动力学性能预测与动力学性能优化等方面入手,详细讨论了人工智能算法应用在力元建模和仿真、轨道不平顺预测、运行平稳性预测、噪声预测、侧风安全性预测、运行安全性预测、悬挂优化、轮轨匹配优化、结构优化以及主动与半主动控制等领域的优势和局限性,指出了现阶段人工智能算法在动力学仿真应用中主要面临的训练样本缺乏、泛化能力不够、可解释性欠缺等问题;展望了今后人工智能算法和车辆系统动力学交叉研究的发展方向和重点研究内容。研究结果表明：融合经典力学和人工智能算法结合的混合建模理论可作为之后的重点研究方向;人工智能算法对解决随机动力学中的随机不确定性,提高随机动力学的性能具有较大的应用潜力;通过人工智能算法与优化算法相结合来实现动力学性能优化,可充分发挥人工智能算法的优势。     

基于心理场理论的高速公路弯道路段车辆跟驰建模与仿真

弯道是高速公路的事故频发路段,是道路交通安全与交通控制仿真领域研究的热点问题.通过引入时间距离概念,基于心理场理论构建驾驶员心理场等势线,设计了驾驶人的高速公路弯道路段心理模型框架.提出改进车头间距的优化策略,以提高该类工况下车辆跟驰模型的自抗干扰能力.基于CarSim和Matlab进行了系统建模和数字仿真.结果表明,考虑驾驶员心理场效应后,弯道路段车辆跟驰模型具有更好的鲁棒性,车辆速度、加速度及车间距变化更加平顺.     

海口海豚岛海上城市总体布置方案

随着海南国际旅游岛的规划开发,在海口西海岸新海港区附近拟通过建设人工岛拓展用地空间,以承载未来国际旅游都市生态港湾、文化交流与亲水活动空间、国际高端商务居住区与现代服务业聚集发展区的建设。通过对已确定的功能定位,对海豚岛的形态以及功能布局进行探讨,提出规划的布置方案。     

Neural network-based fuel consumption estimation for container ships in Korea

ABSTRACT

Due to the outstanding strength of advanced machine-learning techniques, they have become increasingly common in predictive studies in recent years, particularly in predicting ship energy performance. In constructing predictive models, prior studies have mostly employed vessels’ technical parameters to establish machine-learning algorithms. To bridge this research gap and enable wider applications, this paper presents the design of a multilayer perceptron artificial neural network (MLP ANN) as a machine-learning technique to estimate ship fuel consumption. We utilized the real operational data from 100–143 container ships to estimate fuel consumption for five different container ships grouped by size. We compared the performance of two ANN models and two multiple-regression models. Four input parameters (sailing time, speed, cargo weight, and capacity) were included in the first ANN and the first regression model, while the other two models only consider two inputs from physical function. The mean absolute percentage error of the ANN models with four inputs was the smallest and less than those in extended statistical models, demonstrating the MLP’s superiority over the statistical model. The MLP ANN model can thus be applied to confirm the effectiveness of the slow-steaming method for achieving energy efficiency.