船舶模型（精选6篇）
船舶模型 篇1
一直以来,项目周期都是作为衡量项目绩效的一项重要指标,也是项目计划和控制的重点。然而,不确定性却是所有项目的典型特征。不仅表现为项目工作执行时间的不确定性而且各工作之间的顺序常常也呈现出一种不确定关系。关键路径法(Critical Path Method,CPM)为解决工作持续时间及工作间逻辑关系为确定型的项目提供了很好的思路,但缺乏弹性,计划的适应性较差;计划评审技术(Program Evaluation and Review Technique,PERT)作为CPM方法的延伸,能够描述项目工作执行时间的不确定性,但其处理结果更倾向于对计划的评价,指导作用低。图示评审技术(graphical evaluation and review technique,GERT)的出现使得项目管理技术由确定型向随机型迈进了重要的一步,GERT网络图中允许出现回路且活动的参数可以通过不同的概率分布来选择,因而能实际反映项目执行过程中可能遇到的许多复杂的情况[1]。运用GERT能有效应对项目计划和控制中的不确定因素,增强计划的指导作用[2,3,4]。
本文以某船坞搭载项目为研究背景,从影响项目周期的各活动完成时间和概率入手,建立了GERT模型。通过对具有不确定性的船舶搭载项目周期进行多次仿真分析,得出了符合一定分布特征的完工期望。从而为管理者估计和控制项目周期提供了依据。
1 GERTS的网络仿真模型
1.1 GERT的基本原理
GERT网络与CPM及PERT网络最大的不同之处在于网络中的枝线是以一定的概率实现的,而且网络中允许存在环路[5]。这种随机型网络大大扩展了网络技术的逻辑能力。使得对各种计划、项目、企业活动等过程中的随机因素在网络图中得以体现并计算处理[5]。网络中每个节点包括输入和输出两个部分,并具有不同的逻辑关系和不同的类型。具体如表1所示[6]。
GERT网络实际上是半马尔可夫过程的模型,问题的解法有解析法和模拟法,前者只能对“异或”型输入节点求解,其他类型节点虽然也可转化为“异或”型节点求解,但这会导致网络变得更加复杂,不利于求解。而且一些复杂的网络图根本无法简化为有利于解析法求解的网络模型[7]。模拟法是利用计算机仿真方法来求解GERT网络模型的方法(随机网络仿真技术,简称GERTS)。它通过产生服从某种分布的网络系统参数,并结合GERT网络逻辑关系,建立GERTS计算机模拟网络模型。随着时钟的推进对网络进行仿真推算并记录各节点参数,直到网络终节点为完成一次模拟运算。经过对网络的多次模拟,将所得数据进行统计分析,便可获得网络总历时的均值和方差等网络参数的模拟结果[8]。
1.2 网络要素的仿真
1.2.1 节点的仿真
GERTS的节点有肯定型输出和概率型输出两种,见表2。节点的类型可根据模型的具体需要进行适当选择。网络中的与、或及异或控制是采用制定输入节点的活动数来实现的。当节点的输入活动数为1时,就可以认为该节点的输入端为一个或操作。如果输入限定值与指向节点的活动数相等,通常认为该节点的输入端为与操作。
1.2.2 活动的仿真
在GERTS网络中,各项活动的参数可以取不同的概率分布。GERTS网络矢线特征描述如表2所示。
在模拟过程中,不仅各项活动的持续时间要用产生随机数的方法来模拟,而且各个概率型输出节点取什么输出活动也要用产生随机数的方法来模拟。
2 GERTS模拟仿真分析案例
2.1 建立模拟仿真网络GERTS
本文以某集装箱船船坞搭载为实例,说明GERTS网络模拟法在工程实际中的应用。船舶的搭载是集搭载、涂装以及舾装于一体的大规模的装配工程,所涉及的工序、资源种类非常之多,且各工序、资源之间交互影响使得整个工程项目的周期面临很大的不确定性,本文拟采用GERT技术,通过构建基此例的随机网络来模拟项目计划。图1为此问题的建模和模拟求解流程图。
根据图1的建模与分析过程,确定各道工序之间的相互关系,选择合适的节点并设定模型中各活动参数。画出集装箱船的搭载GERTS网络图(见图2)。
2.2 仿真次数的确定
对于同时包含兼有型节点和汇合型节点的GERT模型,由于网络的复杂性,很难用解析方法来求解,而仿真则是一种实际有效的方法[9]。本文所建立的GERT模型正是一种这样的随机网络模型,为此,我们利用VISUAL SLAM建模语言与Awesim仿真软件编制了上述问题的GERTS仿真软件。在仿真时,对仿真次数的确定过程如下[10,11,12]:
Step1:给定置信度β,由,查N(0,1)表,得U值;
Step2:给定绝对误差ε;
Step3:先作若干次仿真运行,计算出样本方差值其中
Step4:将ε、U、S2,代入,便可得出满足精度要求的最小仿真运行次数。
2.3 程序计算结果及分析
根据上述方法求得该仿真模型的95%概率可信的仿真次数为472次,本模型设定运行次数为500次。运行后获得项目周期概率分布,从中随机取出100次仿真结果,用MS-Excel描述其统计特征如图3所示。
通过图3,图4可以看出,整个项目工期在100天附近波动,为进一步了解其统计概率特性,现用Pro-model软件对其进行分析得结果如图5所示。
最终我们通过仿真得到整个船舶搭载计划的总工期,可以看作服从Normal(102,19.9)分布。每次模拟过程中,各作业持续时间是符合一定分布的随机数,概率型节点的路径选择也是随机的,因此每次所得工期也各不相同。这样,就可以充分考虑到实际生产中可能发生的情况,不仅能得到项目工期的平均值,而且能得到其分布规律。对于给定的工期T,可以从模拟(N次)结果中统计出在此之前完工的次数n,则项目在此之前完工的概率为p(t≤T)=n/N。由于充分考虑并模拟了实际可能发生的随机因素,由此所得的完工概率无疑具有较高的准确性。另外,通过模拟还可以获得项目各活动的时间参数分布规律及活动(或路线)的关键程度(活动/路线所发生的次数占模拟次数的比例),使得项目管理人员能够更多地关注关键程度高的活动和路线,为网络计划的更合理安排及资源的更合理利用提供了重要的依据。以达到既不延误项目周期又不使周期过大的目的。
3 结语
随着项目组织不断向系统化和复杂化发展,相较于CPM/PERT等确定性网络而言,GERT对不确定性具有更强的描述能力,因而GERT网络技术应用于项目组织管理是一种必然趋势。本文简要介绍了GERT网络的基本原理和建模过程,研究了其在不确定性项目周期估计和控制中的应用,并以船舶搭载过程为例对项目的成功概率与完成时间进行研究,体现了其在不确定项目周期估计和控制中的适用性,为项目计划的更合理安排创造条件。
摘要：针对不确定性项目周期的估计问题,在简要介绍图示评审技GERT的基础上,研究了GERT的项目分析及建模方法。最后,通过一个船舶搭载实例,利用VISUAL SLAM建模语言与Awesim仿真软件对其进行仿真求解,获得项目周期的概率分布和各种统计特征值。为项目资源的合理安排及项目工期的保证与缩短创造条件。较好地说明了该方法的可行性及优越性。
关键词：图示评审技术,仿真,船舶搭载
参考文献
[1]马国丰,陈强.项目进度管理的研究现状及其展望.上海管理科学,2006;(4):70-74
[2]张亚娟,孙大宁,张英俊.图示评审法在管理中的应用.北方工业大学学报,2008;9(20):67-74
[3]徐哲,吴瑾瑾,姚李刚.基于GERT仿真的武器装备技术风险量化评估模型.系统仿真学报,2008;4(20):1655-1664
[4]任立丽.图示评审技术GERT在主板研发项目中的应用.上海:上海交通大学,2007;11:6-8
[5]何正文,徐渝,朱少英,等.GERT网络活动关键度指数的Monte -Carlo模拟分析,运筹与管理,2004;13(1):1-2
[6]毛义华著.工程网络计划的理论与实践.杭州:浙江大学出版社, 2003:139-158
[7]江景波.网络计划原理及应用.上海:同济大学出版社,1989: 78-81
[8]邬晓光,李俊升,冯祁.桥梁施工进度控制GERT网络仿真研究.中国公路学报,2004;17(3):108-109
[9] Kurihara K,Nishiuchi N.Efficient Monte Carlo simulation method of GERT-type network for project management.Computer & Industrial Engineering,2002;42:521-531
[10]韩文民.造船工期的计算机模拟预测.造船技术,1998,12: 29-33
[11]傅廷亮.计算机模拟技术.合肥:中国科学技术大学出版社, 2001:1-12
[12]肖田元,张燕云,陈加栋.系统仿真导论.北京:清华大学出版社, 2000:2-7
船舶模型 篇2
为提高长山水道船舶交通流量的预测精度，对灰色系统中的GM（1，1）模型进行优化.在对长山水道船舶交通流量进行分析的基础上，通过改进GM（1，1）模型背景值、改变初始条件、增加新信息优先权、引入残差修正等方法对GM（1，1）模型进行优化.通过该优化模型的预测数据与历史数据的比较验证了该优化模型的准确性和可靠性.最后用该优化模型对长山水道2015—2016年的船舶交通流量进行了预测.
关键词：
水路运输；船舶交通流量；灰色预测；GM（1，1）优化模型
中图分类号：U691
文献标志码：A 收稿日期：20151011 修回日期：20151130
0引言
长山水道地处黄海与渤海交汇处，是船舶进出天津港、秦皇岛港、黄骅港、潍坊港、东营港、龙口港、莱州港、蓬莱港等各港口的重要水上通道之一.随着环渤海各港口吞吐量的日益增加，长山水道船舶交通流量也迅猛增长.
船舶交通流量预测为航道的规划、设计和船舶通航管理提供基础性依据.[1]船舶交通流量的准确预测有助于提高海事管理的效能[2]，为海事管理部门的科学决策提供有力支持.
常用的交通流量的定量预测方法主要有时间序列法、回归分析法、灰色预测模型法、神经网络法、模糊预测法等.近几年也出现了一些新的方法：组合预测法、遗传基因预测法、多因素组合分析法、支持向量机法等.[36]灰色预测模型所需数据量较少，计算方法简单，不需要太多的关联因素，可用于短、中、长期预测.[78]与线性回归预测模型相比，灰色预测模型的优点是可以处理非线性问题；与模糊预测模型相比，灰色预测模型的优点是可以随时对模型进行修正以提高预测精度.[9]因此，灰色预测模型对于长山水道船舶交通流量的预测具有良好的适用性.已有多位学者通过改进GM（1，1）模型背景值[1011]、改变模型初始条件、增加新信息优先权[10，12]、引入残差修正等方法[10]建立了优化的灰色预测模型，并将模型应用于经济、管理、工程方面.本文通过将上述优化后的模型应用于长山水道的船舶交通流量的预测中，证明优化后的灰色预测模型在船舶交通流量预测的研究中同样具有较高的精度和实用价值.
1传统的GM（1，1）模型
设原始序列为X（0）={X（0）（1），X（0）（2），…，X（0）（n）}，则X（0）的1AGO序列为X（1）={X（1）（1），X（1）（2），…，X（1）（n）}，其中
将原始数据累加会弱化原始数据的随机性.若序列X（0）和序列X（1）满足准光滑性检验、准指数规律检验和级比检验，则符合灰色预测的前提，其灰色微分方程为
2GM（1，1）模型的优化
为使GM（1，1）模型更加客观合理地预测长山水道船舶交通流量，结合长山水道的历史背景和发展现状，对模型进行优化.
2.1背景值的优化
随着环渤海经济圈的迅猛发展，进出渤海湾的船舶交通流量剧增，长山水道船舶交通流量也迅猛增长，船舶通航密度越来越大.长山水道1998年的船舶交通流量为6454艘次（日均17.7艘次）[13]，2014年为52524艘次（日均143.9艘次），数据来源于山东海事局；年平均增长速率为44.61%.因此，结合长山水道船舶交通流量增速快的特点，对GM（1，1）模型的背景值进行优化.
X（0）的1AGO序列X（1）的背景值生成序列Z（1）={Z（1）（2），Z（1）（3），…，Z（1）（n）}，令
优化背景值后，模型适用于各种发展系数的情形，即使在发展系数较大时模型也可用于中长期预测，并且预测精度较高[11].
2.2增加新信息优先权
长山水道船舶交通流量受国家政策影响较大.随着环渤海沿岸各港口泊位的不断开发，各港口吞吐量稳定增长，抵港船舶的数量不断增加.综合上述事实，同时考虑水文、气象等影响船舶航行的要素在一定时期内变化的连续性，赋予与预测时间较接近时期的信息较大的权重，以提高灰色建模的功效.本文将X（1）（n）作为灰色微分模型的初始条件.对式（8）的求导还原得
越新的数据对预测值的影响越大，通过赋予新信息较大的权重可以使新信息得到充分利用，提高模型的预测精度.
2.3残差修正
人为因素是影响船舶交通流量的重要因素.由于老铁山水道和长山水道均可通往天津港、秦皇岛港、黄骅港等港口，为减小人为因素对船舶航线选择的影响，提高预测精度，对经过上述改进后的GM（1，1）模型进行残差修正.对X（1）={X（1）（1），X（1）（2），…，X（1）（n）}，有预测序列X^（1）={X^（1）（1），X^（1）（2），…，X^（1）（n）}，定义残差为
经检验，表1中数据可作为GM（1，1）建模数据且能进行数据灰色预测.将优化后的GM（1，1）模型用于长山水道船舶交通流量的预测，利用MATLAB软件对传统的GM（1，1）模型和优化后的GM（1，1）模型进行编程求解并分析预测结果.
由于越新的数据对预测值的影响越大，本文将2014年的船舶交通流量作为灰色微分模型的初始条件，此时n取常数10，得到的预测公式为
从表2和3可以看出，传统的GM（1，1）模型的预测误差率的最大值为21.24%，而优化后的GM（1，1）模型的预测误差率的最大值为9.17%.此外，优化后的GM（1，1）模型的预测平均误差率仅为3.44%，较传统的GM（1，1）模型提高了近5%.同时，由表3可知，传统的GM（1，1）模型预测的平均误差为3241.8艘次，优化后的GM（1，1）模型预测的平均误差为1330.9艘次，优化模型的预测误差约为传统模型预测误差的1/3.优化后的GM（1，1）模型的关联度也有所提高.
从图1可以看出，优化模型预测曲线更加符合原始数据曲线的变化趋势.优化模型能够有效地减少原始数据的波动性所带来的预测误差.因此，相对于传统模型的预测值曲线，优化模型的预测曲线能够更好地拟合实际值曲线，拟合效果理想，预测结果可信.
表4和5分别为灰色预测模型的精度评判标准和模型精度检验值的比较，其中p为小误差概率，C为方差比.
由表4和5可知，传统的GM（1，1）模型的精度等级和优化后的GM（1，1）模型的精度等级均为1级（好）.这说明GM（1，1）模型本身适用于长山水道船舶交通流量的预测.优化模型的方差比比传统模型的更小（见表5），说明优化模型的预测精度更高.
综上所述，优化后的GM（1，1）模型的数据误差较小，预测精度高，预测结果更能反映实际的船舶交通流量发展趋势和规律.优化后的GM（1，1）模型更适用于对随机性、不确定性较强的航道船舶交通流量进行预测.
利用上述预测公式对2015和2016年长山水道的船舶交通流量进行预测.将2015和2016年的k值分别取11和12，代入公式得2015年和2016年的船舶交通流量分别为56188艘次和59927艘次.
4总结与展望
优化后的GM（1，1）模型融合了3种算法的优势：通过优化背景值，使模型适用于各种发展系数的情形，即使在发展系数较大时也可用于中长期预测，并且预测精度较高；通过赋予新信息较大的权重，使新信息得到充分利用，有助于提高模型的预测精度；可通过残差优化，减小人为因素对船舶航线选择的影响.
优化后的GM（1，1）模型对长山水道船舶交通流量的预测平均相对误差率仅为3.44%，说明该优化模型具有较高的实际应用和参考价值.
该优化模型充分考虑到了船舶流量的发展变化，港口泊位的不断发展，港口吞吐量的变化，水文、气象等影响船舶航行的要素及人为因素，对样本数据较少、发展较快、受政策影响较大的港口及航道的船舶交通流量预测具有良好的适用性.
本文中的优化模型，在预测精度方面较传统的GM（1，1）模型有明显提高.但若原始数据序列的光滑度较差，则该优化模型的精度有待进一步提高.为提高该优化模型的准确性和广泛适用性，可尝试利用函数f（x（0）（k））=（x（0）（k）+1）1p（p<0）提高原始数据序列x（0）（k）的光滑度.该方法的有效性已经得到理论证明[14].同时，由于模型背景值与灰度值相互作用，可能影响预测精度，可以通过判别序列x（1）（k）的凹凸性，使灰度值与背景值在不同的发展系数下相互协调，从而加以探究[10].
准确的船舶交通流量预测能为港口管理部门的控制决策提供可靠的数据依据，为疏通道路、减少海上事故、合理配置交通资源提供极大的帮助.在实际应用中，可根据原始数据，建立实时模型，并不断对模型进行更新，实现较为准确的预测.
参考文献：
[1]刘敬贤，张涛，刘文.船舶交通流组合预测方法研究[J].中国航海，2009，32（3）：8084.
[2]翟久刚，田延飞，严新平.基于BP神经网络与残差分析的船舶交通流量预测[J].上海海事大学学报，2013，34（1）：1922.
[3]李俊，徐志京，唐贝贝.基于GA优化的灰色神经网络船舶交通流量预测方法研究[J].船海工程，2013，42（5）：135137.
[4]郑友银，徐志京.基于灰色自回归模型的船舶流量预测方法[J].船海工程，2011，40（1）：122124.
[5]冯宏祥，肖英杰，孔凡邨.基于支持向量机的船舶交通流量预测模型[J].中国航海，2011，34（4）：6268.
[6]李红喜，付玉慧，张仁初.港口船舶交通流量预测[J].大连海事大学学报，2009，35（3）：4042.
[7]郑刚.基于灰色模型的集装箱货量预测[J].中国航海，2014，37（2）：118121.
[8]张树奎，肖英杰.船舶交通流量预测的灰色神经网络模型[J].上海海事大学学报，2015，36（1）：4649.
[9]谷川，张岳.GM（1，1）灰色模型改进及其应用[J].海洋测绘，2008，28（3）：3537.
[10]尚军亮，方敏.一种优化的高精度灰色GM（1，1）预测模型[J].电子与信息学报，2010，32（6）：13011305.
[11]罗党，刘思峰，党耀国.灰色模型GM（1，1）优化[J].中国工程科学，2003，15（18）：5054.
[12]党耀国，刘思峰，刘斌.以x（1）（n）为初始条件的GM模型[J].中国管理科学，2005，13（1）：132135.
[13]张兴军，于涛.长山水道交通现状分析及海事监管对策[J].水运科学研究，2009（1）：3438.
船舶模型 篇3
1 目标船机舱结构及其简化模型的建立
模型试验的原型为某航海教学实习船机舱, 中尾机型。机舱分为主机舱和辅机舱, 布置如图1所示。主机及相关的系统设备, 机舱集控室、轮机储藏间布置在主机舱, 3台主柴油发电机组布置在辅机舱内, 机组采用减振器安装。在主柴油发电机组和集控室的中间和两侧布置各种液舱和舱室, 如主甲板以下:#33~#57:主机舱, 二甲板上布置机舱集控室、轮机储藏间、主机日用油舱、燃料油澄清舱、分油机室、燃料油日用油舱及轻柴油日用油舱等, 舱顶设气缸油储藏舱、主机滑油净油舱和主机滑油储藏舱。#57~#79:辅机舱, 二甲板上布置制淡水舱、电工物料间、电工间、轮机备品间、轮机物料间和机修间等, 两侧#67-#79布置燃料油深舱。
选取了主机舱段和辅机舱段, 并将其向艏部和尾部延伸了半个舱段, 建立了三个舱段模型, 该模型保留了动力舱外各半个舱段对该舱的力和矩, 考虑了临舱间力和力矩的贡献, 计算结果更为接近真实动力舱产生的振动声辐射。重点研究液舱的布置和充液对机舱声振性能的影响。从形状上, 实际船舶的机舱及液舱不是很规则;为了定性说明问题, 考虑船体结构对称性, 将耦合系统成比例简化为箱形多腔结构, 建立的简化模型如下:考虑船舶液舱一般靠近两舷并由船底结构和舷侧结构组成, 模型设置6个液舱。液舱不充液时, 可看作局部加强结构。模型设置了7个声学舱室, 一类舱室由船底结构和舷侧结构组成, 不与液舱相邻, 如机舱集控室, 设置了1~4号舱室 (长度为0.2 m, 宽度为0.15 m, 高度为0.2 m) ;二类舱室由船底结构和液舱壁组成, 如机修间, 设置了5~7号舱室 (长度为0.1 m, 宽度为0.2 m, 高度为0.25 m) , 如图2所示。并使用LMS Test.Lab Acoustics对实物进行声学试验及提供分析解决方案, 如图3所示。
2 结构振动声辐射的FEM/BEM数值计算与实验验证
对1~4号液舱充液 (方案五) 情况下模型进行有限元模型建模, 模型坐标系采用笛卡尔坐标系, 其X轴沿船体纵向指向船艏, Y轴沿船宽方向指向左舷, Z轴沿型深向上, 基本参数为:长度L=1.5 m, 宽度B=0.5 m, 高度H1=0.25 m, 厚度=0.003 m, 钢板密度ρ=7 800 kg/m3, 泊松比ν=0.3, 杨氏模量E=2.1×1011N/m2, 流体密度为ρ=1 000 kg/m3, 流体中声速为1 480 m/s。采用复阻尼模型, 材料损耗因子μ=0.01。箱体结构选用SHELL单元, 水选用3D-fluid单元。模型取两端简支边界条件, 不考虑液体表面重力波, 将液体表面流体势设置为0, 有限元模型及边界条件如图4所示。
对3~6号液舱充液 (方案六) , 因模型具有结构耦合作用及不对称质量矩阵和刚度矩阵的问题, 模态分析采用非对称方法求解前50阶频率, 使用锤击法测取模态, 仿真和实验结果如图7 (a) 所示。计算结果与实验结果之间的误差在5%以内, 图6 (a) 为第148 Hz结构模态云图, 模型发生整体纵向振动, 图6 (b) 第288 Hz结构模态云图, 模型发生局部振动。采用完全法进行谐响应分析, 频率计算区间设定为50~450 Hz, 增量步长为2 Hz.激励力幅值5 N, 激励点位置 (1.0 m, 0.25 m, 0 m) 。计算结果作为声学边界元模型边界条件输入, 利用Virtual.Lab进行声场计算。图5给出了148 Hz时的场点声压级云图, 各声学舱室都产生了较高声压级, 图7 (b) 给出了场点2 (1.25 m, 0.25 m, 0.125 m) 处声压级频率响应函数曲线, 结合模态云图, 由于结构出现总体振动, 在148 Hz左右第一个峰值, 第二个峰值在288 Hz处出现, 由结构局部振动导致。实验室条件下利用激振器模拟激励, LMS系统测得声压级对数值计算结果实验验证, 计算结果与实验结果之间的误差在5 d B以内, 表明本方法具有较好的准确度, 如图7 (b) 所示。
3 结构声学特性分析结果
利用已建立舱段有限元模型, 通过调整充液舱室位置及数目, 考察上述结构改变的声学效果.设置七个方案, 方案一为1~6号液舱均不充液, 方案二对1~2号液舱充液, 方案三对3~4号液舱充液, 方案四对5~6号液舱充液, 方案五对1~4号液舱充液, 方案六对3~6号液舱充液, 方案七对1~2、5~6号液舱充液。图8、9给出了场点1 (0.5 m, 0.075m, 0.1 m) 、场点2 (1.25 m, 0.25 m, 0.125 m) 处七种方案的声压级频率响应函数曲线。
对两个舱室振声性能进行对比分析, 1号舱室为一类舱室, 远离振源, 7号舱室为二类舱室, 靠近振源, 七种方案中, 在低频段首阶振动频段内, 因为结构的响应主要反映总体振动, 舱室都产生了较高声压级。液舱充液导致结构固有频率下降, 舱室辐射声频曲线向左移, 频率在50~450 Hz内相同阶数内充液导致声压级下降, 两类舱室振声性能随频率的变化趋势均具有一定的相似性, 如图8、图9所示。一类舱室改变充液舱室数目对声辐射性能峰值影响较大, 从总体上看, 增加液舱数量对于改善舱段振声性能有利如图8 (b) 所示。二类舱室较为复杂, 主要是由于舱壁结构自身流固耦合作用, 从图9 (b) 可以看出对舱室声学环境的影响要分频段考虑, 但随着频率的增大, 声压级除了少数频率点外, 总体低于方案一。激励力位置对低频辐射声压级共振曲线也有较大影响, 虽然主要模态的共振频率不随激励力位置变化, 但是其峰值和谷值有较大变化, 变化可能高达8 d B, 这是距离激励力的位置不同, 对于共振模态的激励强度不同, 由此可见, 激励力的位置应该选得远离主要模态的强激励点, 这样能够降低舱室噪声声压级。
4 结论
本文研究了多液舱构成的三舱段机舱模型振动声辐射特性。采用FEM/BEM有限元/边界元法, 对结构模型的振动响应及舱室振动辐射噪声进行计算。并进行了的实验验证, 针对本文讨论简支条件下三舱段简化模型, 分析频率在50 Hz到450 Hz之间的情况, 设置液舱对低频段首阶振动基本状态变化影响很小, 随着频率的增高, 共振频率稍微向低频移动, 液舱对舱室声学环境的影响逐渐表现出来, 从总体上看, 增加液舱数量对于改善舱段振声性能有利。因为激励力位置不同, 对于共振模态的激励强度不同, 因此激励力的位置应该选得远离主要模态的强激励点, 验证通过振动-声辐射仿真分析及试验对数值计算进行验证方法可行性, 进而指导船舶的声学设计和噪声预报同时为船舶的振动噪声治理提供有效的依据。
参考文献
[1] 朱翔, 李天匀, 赵耀, 等.船舶辅机舱振动与声辐射计算及实验研究.华中科技大学学报 (自然科学版) , 2005;33 (10) :19 —21Zhu X, Li T Y, Zhao Y, et al.A calculation of the vibration and sound radiation of ship auxiliary engine room and its experimental research, J Huazhong Univ of Sci&Tech (Nature Science Edition) , 2005;33 (10) :19—21
[2] 张磊, 曹跃云, 杨自春, 等.船舶噪声源的传递率矩阵识别方法及试验验证, 振动工程学报, 2013;26 (2) :143—149Zhang L, Cao Y Y, Yang Z C, et al.Transmissibility matrix method for identification of ship noise source and corresponding test verification.Journal of Vibration Engineering, 2013;26 (2) :143—149
[3] 刘晓明, 王晓宇, 陈慈慧.流固耦合船舶舱室中低频噪声数值分析, 船舶力学, 2008;12 (5) :812—818Liu X M, Wang X Y, Chen C H.Numerical analysis of low and middle frequency noise in ship cabin using fluid-structure couping.Journal of Ship Mechanics, 2008;12 (5) :812—818
[4] 夏齐强, 陈志坚.舱壁振动对环肋圆柱壳舱段振声性能的影响:海军工程大学学报, 2014;26 (1) :23—28Xia Q Q, Chen Z J.Effect of bulkhead vibration on vibro-acoustic characteristics of ring-stiffened cylindrical shell.Journal of Naval University of Eneineering, 2014;26 (1) :23—28
[5] 王丽丽, 李舜酩, 于国强, 等.民机舱室结构建模及基于FEMBEM的辐射噪声仿真分析.机械设计与制造工程, 2013;42 (11) :10 —13Wang L L, Li S M, Yu G Q, et al.The modeling of civil aircraft cabin and numerical simulation of radiation noise based on FEM/BEM.Machine Design and Manufacturing Engineering, 2013;42 (11) :10 —13
[6] Liu Z S, Lu C, Wang Y Y, et al.Prediction of noise inside trackedvehicles.Applied Acoustics, 2006;67 (1) :74—91
[7] Citarell R, Federico L, Cicatiello A.Modal acoustic transfervector approach in a FEM-BEM vibro-acoustic analysis.Engineering Analysis with Boundary Elements, 2007;31 (3) :248—258
船舶模型 篇4
(上海海事大学a.商船学院;b.航运仿真技术教育部工程研究中心，上海 201306)
0 引言
元胞自动机(Cellular Automata，CA)模型具有空间离散化、时间离散化、状态离散化的特点，其算法简单灵活，易于在计算机上实现，因而在交通流研究中得到广泛的应用和发展.［1－9］目前，国内外交通领域对CA的研究高度集中在陆路交通方面，对水上交通流的研究和应用则相对少得多［10］，仍处于方兴未艾的状态.文献［10］运用CA模型对马六甲海峡的船舶交通流进行应用研究;文献［11］和［12］分别将CA与排队论、Agent相结合对船舶交通流进行初步研究;文献［13］根据Wolfram 184规则和船舶交通流的实际情况，尝试构建船舶交通流的 CA模型.
正如文献［10］和［13］所述，水上交通较之陆路交通存在以下难点:(1)不同于规范化的车辆，船舶的种类多、尺寸差别大;(2)船舶航行环境广阔，航行自由度高;(3)交通管制及助航设施相对简单，而航行规则复杂且技术性强;(4)陆路交通中的更新规则不能简单地适用于船舶交通流.因此，建立CA模型应考虑具体的船舶交通流情况.
1 模型
1.1 假设
为了将CA模型引入船舶交通流领域，进行如下假设:(1)所有船舶均为理想船舶，各类型船舶的长度进行规范化处理;处理后的船舶长度符合一定统计规律的离散分布，其规律由交通流观测得到.(2)每条通道中只允许一艘船舶单向通行，只考虑船舶长度而忽略船舶宽度的影响.(3)航道为理想航道，船舶在航道中行驶不存在吃水限制，不考虑风、浪、流、浅水效应及岸壁效应等影响;航道作顺直化处理，轴向始终向前保持不变，相当于船舶转向过程中不减速.(4)船舶换道时忽略换道过程中的横移等操纵特性行为，若满足换道条件，则直接换置到相邻通道的下一位置.(5)考虑到国际海事组织(International Maritime Organization，IMO)第73届海安会通过的《1974年国际海上人命安全公约》修正案已于2002年7月1日强制生效，认为航道中的所有船舶均已配备自动识别系统(Automatic Identification System，AIS).(6)采用开放边界条件，船舶生成服从一定的分布，到达航道末端时退出.船舶生成规律由船舶交通流观测得到.
1.2 基于AIS的NaSch船舶交通流模型
结合船舶交通流实际及以上假设，船舶(X，L，V)随机分布在长度为n的一维离散元胞链上，具有位置X、长度L和速度V等3类属性.通过AIS通信，每艘船舶可以接收到周围其他船舶在t时刻的距离(位置)、速度、长度、最近会遇点(Closet Point of Approaching，CPA)以及船名等必要的避碰信息.基于这些信息，可以精确地判断t+1时刻这些船舶的距离(位置)、速度、与本船的相对位置关系以及是否构成碰撞危险等信息，从而决定本船在t时刻的行动.元胞示意图见图1.
图1 元胞示意图
每个元胞最多只能同时被1艘船舶占据，即Xi(t)∈{0，1}.第i艘船舶占据从i开始的从左到右相邻的Li(t)个元胞，且 Li(t)∈ {1 ，…，Lmax}，Lmax为最大船舶长度.Vi(t)为第i艘船舶在t时刻的速度，且 Vi(t)∈ {0，1，…，Vmax}，Vmax为最高限速.di(t)为t时刻第i艘船舶与前方最近船舶f间的距离
在开放性边界条件下，船舶自西向东行驶，在每个离散的t→t+1时间步，船舶状态按如下规则进行同步更新:
(1)加速过程
(2)减速过程
(3)以概率p随机慢化
(4)位置、船舶尺寸及速度更新.原船舶尺寸、位置及速度
新船舶尺寸、位置及速度
特别地，当Li(t)=1，且不考虑船舶之间的安全距离和相对速度时(即没有AIS信息)，本模型退化为经典的NaSch模型.
加速规则反映出船舶驾引人员有追求以最大限速行驶的愿望;减速规则是为与前船保持安全距离;随机减速概率用于对船舶的不确定性延迟行为进行仿真，随机慢化参数与驾驶行为的3种特性有关:最大速度时的速度波动、制动时减速的过度反应、加速时的延迟.
1.3 基于AIS的航道局部缩减船舶交通流模型
NaSch船舶交通流模型适用于一般的单通道航道船舶交通流情况.在双通道航道局部缩减时，船舶将被迫变道(见图2)，需要加入换道规则控制船舶的换道行为.其规则如下:
(1)警戒区外，每个通道都视为独立的单通道，每艘船在各自通道上按照 NaSch规则并行更新;(2)警戒区内，船舶减速航行，最高限速从Vmax减至V'max，只有右通道船舶可以根据换道规则并行地向左通道变道;(3)缩减段为单通道，船舶以安全航速行驶.
图2 基于AIS的航道局部缩减船舶交通流模型示意图
换道规则为
式中:di，other(t+1)和 di，back(t+1)分别为在 t+1 时刻第i艘船与邻道上相邻的前后船之间的距离，dsafe1，dsafe2和dsafe3分别为本船与前船、邻道前船及后船之间的安全距离.式(7)表示换道动机，即在本道上第i艘船前方没有足够空间让其按期望速度行驶;式(8)表示邻道的行驶条件，即第i艘船在邻道上比在本道上行驶条件更好;式(9)为安全条件，表示第i艘船换道不会造成邻道后面最近船舶减速.
2 算法及模拟
上述基于AIS的NaSch船舶交通流模型以及航道局部缩减船舶交通流模型可以用图3和4中的算法描述.通过开发可视性软件，船舶交通流模拟更直观，更容易分析.图5为基于AIS的NaSch船舶交通流模型的单通道时空斑图;图6为基于AIS的NaSch船舶交通流模型的单通道堵塞及恢复时空斑图(图中n=1500，航道初始状态有30艘船舶，船舶到达率为4，p=0.25).图5中，航道中的船舶随着时间的推移并行向下游更新船位，其空间轨迹呈现出流体特征;图6中的某船舶运行300个步长后在1200长度元胞处出现故障停车，导致航道堵塞，交通流聚集波迅速向上游传播，500个步长后该船舶恢复正常，堵塞的交通流开始消散.
图3 基于AIS的NaSch船舶交通流模型
图4 基于AIS的航道局部缩减船舶交通流模型
图5 船舶交通流时空斑图
图6 船舶交通流航道堵塞-恢复时空斑图
图7为可通航通道的时空斑图，可以看到聚集波迅速向上游传播，交通流呈现明显的波动特征.图8为封闭通道的时空斑图，其上游也出现波动现象.
图7 航道局部缩减可通航通道时空斑图
图8 航道局部缩减封闭通道时空斑图
3 应用实例
假设某单侧为双通道的航道，其单侧航道由主航道和辅航道构成.航道长30 n mile，主航道上为大型船舶，其尺度 L∈［90，300］(m)，速度 V∈［10，16］(n mile/h);辅航道上为小型船舶及按规定只能在辅航道行驶的船舶，船舶尺度L∈［30，120］(m)，速度 V∈［2，12］(n mile/h);警戒区限速10 n mile/h.各通道内船舶不得追越或并排行驶.
正常情况下，大小船舶各自在主航道和辅航道上航行，小型船舶不得进入主航道妨碍大型船舶通行.警戒区内，船舶以安全航速行驶，最高航速不得超过限速以策安全;在不影响大型船舶安全的前提下，小型船舶在警戒区内可逐渐向主航道变道，与大型船舶流合并，依次通过航道缩减段.
3.1 元胞尺寸及参数的确定
一般地，元胞尺寸越小，模拟越能体现船舶的微观行为，仿真度就越高.但是随着元胞尺寸的缩小，元胞数量将成倍增加，算法复杂度为O(n2).因此，元胞尺寸通常是在考虑计算精度和计算复杂性的基础上根据专家经验确定的.［10］本研究取每个元胞长度为30 m.那么，航道长度为1852个元胞;主航道船舶尺度 L∈［3，10］，速度 V∈［10，16］;辅航道船舶尺度 L∈［1，4］，速度 V∈［2，12］;警戒区限速10 n mile/h.船舶更新步长取1 min，运行周期为一天即1440个步长.
3.2 船舶模型的建立
根据船舶交通流实态观测，船舶的到达服从爱尔朗分布，船头时距服从负指数分布，船长及船速服从正态分布.
3.3 船舶领域理论与安全距离
船舶领域［14］最早由日本学者藤井弥平提出.他认为航行条件下船舶领域通常是一个以本船为中心的椭圆，其长轴/短轴尺寸为8L/3.2L(L为船长);当航行在需要减速的港口内部和狭窄的海峡时，船舶领域尺寸减小到6L/1.6L.不过该定义一直以来被认为相对保守，故船舶领域偏大.文献［15］通过雷达观测认为航行船舶的确客观存在着船舶领域，该领域前后纵向距离为4.8L，前后比例约为1.7∶1，左右距离为3.2L.本研究认为船舶间最小安全距离的确定应以各船的船舶领域不受侵犯为原则，那么每艘船舶与其他船舶的最小安全距离为
式中:dsafe1，dsafe2，dsafe3分别为本船与前船、邻道前船、邻道后船之间的安全距离;Lownship为本船船长;Lforeship为前船船长;Lo，foreship为邻道前船船长;Lo，backship为邻道后船船长.
3.4 数值模拟与结果讨论
根据上述模型及条件进行仿真实验以探求航道船舶流量与警戒区长度和船舶到达率的关系.实验中，将警戒区长度、主航道船舶到达率、辅航道船舶到达率作为可调节的参数，每个参数的仿真实验重复进行20次并取平均值以消除不同初态的影响.
本文中的船舶到达率是指单位时间(1 min)内的平均船舶到达艘次，例如“0”表示没有船舶到达，“6”表示1 min内船舶到达6艘次，“主1”为主航道到达1艘次，“辅2”表示辅航道到达2艘次.n为航道长度，1n/20～9n/20表示不同的警戒区长度.
3.4.1 警戒区长度与船舶流量之间的关系
图9～11给出主航道、辅航道及主航道+辅航道(以下称单侧航道)在不同船舶到达率条件下船舶流量与警戒区长度的关系.
从图中可以看出，当船舶到达率确定时，航道的船舶流量与警戒区长度无关.因此，警戒区长度的设置对仅以数量计的船舶流量没有明显影响.
3.4.2 航道船舶到达率与船舶流量的关系
图12～14给出主航道、辅航道及单侧航道在不同警戒区长度条件下船舶流量与船舶到达率的关系.从图13和14可以看出，当警戒区长度确定时，辅航道以及单侧航道的船舶流量随着船舶到达率的增大而单调递减，其中辅航道递减的幅度和趋势始终与航道正常情况下的状况(警戒区长度为0)保持一致(见图13).因此，辅航道的关闭与否对辅航道的小型船舶基本没有影响，这可能与小型船舶主动换道的灵活性有关.
不同的是，图12中主航道的船舶流量先随着船舶到达率的增加而缓慢增大，当船舶到达率为4时达到最大值，然后单调递减，其幅度和趋势与航道正常情况下的状况(警戒区长度为0)一致.其原因是，随着船舶到达率的增加，航道的船舶密度逐渐减小，船速增大;当船舶到达率达到某一临界值时，船舶交通流开始进入自由状态，船舶密度继续减小，船舶速度保持稳定，船舶流量减小.
3.4.3 辅航道船舶到达率对船舶流量的影响
从图15可以看出，当主航道船舶到达率较小(＜4)时，若辅航道的船舶到达率小于4，则主航道的船舶流量几乎不受辅航道船舶的影响，其原因是主航道的船舶交通流已经趋于稳定的饱和状态;当辅航道上的船舶到达率继续增加时，主航道上的船舶流量也单调增加，且逐步趋于自由状态(辅航道船舶到达率为0).当主航道上船舶到达率较大(≥4)时，主航道上的船舶交通流处于自由状态，辅航道上的船舶对主航道船舶几乎没有影响.
图15 主航道船舶流量与辅航道船舶到达率的关系
因此，当主航道上的船舶密度较大时，通过控制辅航道船舶的到达率，可以有效提高主航道大型船舶的通过能力.
4 结论
通过对基于AIS的航道局部缩减船舶交通流模型的模拟研究发现:(1)整个单侧航道的船舶通过数量与警戒区长度的设置无关;(2)当辅航道关闭时，辅航道上的小型船舶基本不受影响;(3)主航道上的船舶数量与其到达率呈现先升后降的关系;(4)主航道上的船舶流量与辅航道的船舶到达率存在临界点，利用该关系可以对辅航道的小型船舶进行交通管制以保障主航道的畅通.
由于CA模型便于计算机实现，其规则易于根据实际情况进行修改，在船舶交通流研究中有较好的应用前景.
［1］SCHADSCHNEIDER A.Traffic flow:a statistical physics point of view［J］.Physica A，2002，313(1－2):153－187.
［2］TIAN Ran.The mathematical solution of a cellular automaton model which simulates traffic flow with a slow－to－start effect［J］.Discrete Appl Math，2009，157(13)，2904－2917.
［3］TIAN Junfang，JIA Bin，LI Xingang，et al.Synchronized traffic flow simulating with cellular automata model［J］.Physica A:Stat Mech ＆ its Applications，2009，388(23):4827－4837.
［4］LáRRAGA M E，ALVAREZ－ICAZA L.Cellular automaton model for traffic flow based on safe driving policies and human reactions［J］.Physica A:Stat Mech ＆ its Applications，2010，389(23):5425－5438.
［5］LO Shihching，HSU Chiahung.Cellular automata simulation for mixed manual and automated control traffic［J］.Math ＆ Comput Modelling，2010，51(7－8):1000－1007.
［6］JIN Chengjie，WANG Wei.The influence of nonmonotonic synchronized flow branch in a cellular automaton traffic flow model［J］.Physica A:Stat Mech ＆ its Applications，2011，390(23/24):4184－4191.
［7］NETO J P L，LYRA M L，DA SILVA C R.Phase coexistence induced by a defensive reaction in a cellular automaton traffic flow model［J］.Physica A:Stat Mech ＆ its Applications，2011，390(20):3558－3565.
［8］YELDAN Öznur，COLORNI Alberto，LUè Alessandro，et al.A stochastic continuous cellular automata traffic flow model with a multi－agent fuzzy system［J］.Procedia－Social＆ Behavioral Sci，2012，54:1350－1359.
［9］MU Rui，YAMAMOTO Toshiyuki.An analysis on mixed traffic flow of conventional passenger cars and microcars using a cellular automata model［J］.Procedia－Social＆ Behavioral Sci，2012，43:457－465.
［10］QU Xiaobo，MENG Qiang.Development and applications of a simulation model for vessels in the Singapore Straits［J］.Expert Systems with Applications，2012(39):8430－8438.
［11］陈健，雷洪，田帅，等.基于排队论的元胞自动机在港口交通流的研究［J］.沈阳师范大学学报:自然科学版，2009，27(3):319－322.
［12］严飞，潘明阳，王德强，等.基于智能体和元胞自动机的海上交通流模拟［J］.大连海事大学学报，2009，35(2):89－92.
［13］LIU Jingxian，ZHOU Feng，WANG Maoqing.Simulation of waterway traffic flow at harbor based on the ship behavior and cellular automata［C］//Artificial Intelligence ＆ Computational Intelligence(AICI)，Sanya，23－24 Oct 2010.
［14］赵劲松，王逢承，今津隼馬.船舶避碰学原理［M］.大连:大连海事大学出版社，1999:543－632.
船舶模型 篇5
目前船舶结构的有限元模型快速生成技术并不算成熟, 第一, 由于船舶结构的复杂性, 目前在对船舶结构进行有限元建模时, 大部分还都是采用手工建模, 即先在船舶结构初步设计阶段完成的二维图纸上量取船舶结构的位置坐标, 然后输入到Patran、Ansys等有限元软件中, 建立节点和单元, 再为单元赋予属性。这样建模的过程非常繁琐, 效率低且容易出错, 大大影响了船舶结构有限元分析工作的效率。第二, 网格划分技术是制约有限元建模技术进一步发展的关键因素, 网格划分的速度和质量将直接影响有限元的分析效率和计算精度。一方面, 对一个复杂的几何区域进行正确的网格划分, 往往耗费大量的时间;另一方面, 生成网格的形式必须与所分析问题的性质相适应, 尤其在船舶和航空等重要领域, 出于安全和计算精度上的考虑, 要求二维域中网格单元形状为四边形, 然而四边形网格生成较三角形网格复杂, 技术层面上亦没有三角形网格生成技术成熟, 这也给网格划分技术提出了更高的要求。第三, 通过交互界面或者宏命令语言在有限元软件中建立有限元模型, 然后做有限元分析, 这种方法在建模时, 通常独立地定义船舶结构即建模时没有考虑结构间的实际连接关系和从属关系, 因而会带来许多问题如结构的独立网格化等。
二、船舶设计新流程
本文以船舶设计新流程为研究背景, 首先由于Tribon系统数据开放性有限, 与常规应用系统 (如Patran) 缺少数据接口, 无法将模型直接导入Patran中。通过解析从Tribon系统中导出的存储有模型数据的XML文件, 获取接口所需要的数据信息, 并为下一步板架结构的网格划分奠定了基础;然后针对船舶板架结构有限元网格生成的特点及要求, 提出一种基于铺砌技术的改进算法, 有效解决了船舶设计新流程中全四边形网格自动生成的难题, 为进一步缩短产品的设计周期提供了技术上的支持;最后利用Patran二次开发语言PCL定制化程序, 将有限元模型数据自动导入Patran数据库, 并针对由于独立定义结构而没有考虑板架间的实际连接关系和从属关系, 造成空间各个板架只是被独立网格化的问题, 采用基于BDF文件实现相交板架四边形网格协调优化技术, 建立船舶多板架Patran系统有限元模型。本文研究并实现了Tribon中的CAD模型转化为Patran中的CAE模型系统, 实现设计、分析的一体化。
三、数据接口研究现状
目前CAD、CAE之间的几何模型和有限元模型的数据交换, 国内外主要采用通用接口与专用接口相结合的做法。通用接口一般为IGES接口、DXF接口以及STEP接口等, 这几种接口均存在丢失模型属性信息的问题。专用接口一般是针对个别软件专门开发的数据接口, 效率较低且难以通用在船舶CAD、CAE的数据接口方面, 国外已经有成功的例子。韩国三星重工和MSC联合开发Tribon和Nastran系统的数据接口, Tribon中的几何模型可以直接转换到Nastran中, 实现了船舶CAD和CAE的单向转换。MSC.Software和日本NK船级社实现了Patran和Tribon系统的直接接口。但这些技术并不对中国开放。相比起日韩船舶企业的数据集成程度, 国内各大船企的数据集成水平还比较低, 主要集中于开发一对一的专用集成接口实现数据交互和集成, 已实现了部分系统之间的数据交换。
四、船舶设计新主流方案
船舶模型 篇6
关键词：船舶能效,动态规划,模糊规划,最优转速
0 引言
近年来全球气候变暖问题一直倍受关注, 而船舶作为CO2排放大户也面临着公众和航运界的巨大压力, 如何在保证船舶航行安全的前提下, 实现运营船舶的节能减排目标, 成为航运业必须要解决的现实而重大的课题[1]。一方面, 国家出台一系列相关法律法规指导和限制内河船舶能耗水平, 另一方面, 油价不断攀升, 内河船舶燃油费用在运营成本中所占的比例也不断攀升, 船东迫切希望能够降低油耗水平[2]。
而要真正的实现节能减排, 需要考虑船舶的航速、主机转速、水域的地理环境等因素[3]。在航运中优化航速, 是实现节能减排提高经济效益的有效途径[4,5,6], 对某次船舶航行时间的引入, 提高了航行带来的综合效益。利用航速、转速、油耗量之间的关系, 将指定航行的水道路线分为多个小水道, 并统计各水道距离, 根据航行时间的限定建立基于动态规划与模糊算法的最优调度模型, 以使得航行中油耗量达到最小, 对时间以及水道距离的模糊化处理, 可提高模型的适用性。
1 最优调度模型
1.1 模型假设
内河船舶航速优化过程中, 最终的目的是船舶燃油消耗最少, 模型假设为:
假设1:船舶内河航行航道分成了若干小水道, 船舶在每个水道的不同转速、以不同转速对应的油耗率、航速等数据已获得, 且不同的转速均能保证船舶正常行驶。
假设2:风速、设备状态、污底等情况对油耗的影响忽略不计。
假设3:船舶不同转速之间转换的缓冲时间忽略不计。
假设4:水流速度、弯曲程度、宽窄、水深等水文情况的作用都综合于特定水道内, 其综合作用显示为相应的油耗。
假设5:船舶油耗与航行时间、航行距离、航速有关。
1.2 最优调度模型建立
1.2.1 限制航行时间与水道固定
船舶在每次航行中有起点和终点, 航海区域也有多个水道, 找到本次航行的起点和终点, 在水道辅助表中查出需要经过的水道编号, 设为集合A, 对于每个i∈A, 需要找出第i水道的最优转速ni*.从本船舶库 (本船已航行过此段水路) 或者标准库中得到第i水道转速的集合Ni={ni1, ni2, …, nij, …}.对每个nij均有对应的油耗率gij (L·km-1) 、航速vij.从水道辅助库中查出水道长度集合S={s1, s2, …, si, …}, 对于水道i, 其水道长度为si, 从而可计算出以转速nij航行所需油耗为FCij=sigij (升) , 所需要的时间为 (小时) , 集合T为本次航行的时间限制[7].
当船舶航行时间不超过时间T (小时) 时, 最优调度模型1为:
其中, 目标函数表示船舶燃油消耗最少, 记为S, 第一个约束表示船舶通过所有航道的时间不超过T, xij表示船舶在规定条件下是否通过第i个水道, 是为1, 否为0, 模型需要确定每个i∈A的最优转速ni*, 相当于确定每个水道i应选择的转速 (油耗率、航速或时间) 的下标问题。
1.2.2 限制航行时间与水道不固定
船舶在实际航行的过程中, 航行的时间且有不确定性, 另外对于水道的划分也没有一个明确的界限, 此时引入模糊的概念, 对航行时间与水道距离进行模糊化处理, 引入水道变距影响向量β与时间伸缩参数t0, 修改约束条件, 建立最优调度模型2为
约束 (6) 中表示“近似小于等于”, 表明船舶通过所有航道的时间弹性约束, 约束条件 (9) 要求总航行路线长度不变。
2 动态规划与模糊算法
2.1 动态规划算法
当一个航次涉及水道数较多时, 模型求解的时间较长, 采用分阶段的求解方法:可先将总时间按距离进行分配, 使用上述模型求解水道的最优调度问题, 得到当前水道后的水道应使用的最优转速[8,9,10]。
动态规划的基本思路是将所有非独立的子问题的已知解记录在一个表中, 对于该问题运用动态规划方法求解过程如下:设水道分段数n为阶段数k;每个阶段的油耗为设为阶段指标函数, 第k阶段末到第n阶段末最小油耗量为设为最优指标函数, 从而知f1 (s1, g1) 为最大效用。
根据最优调度模型1, 设计出动态规划算法为:导入各项数据→找出此次航行任务的起点与终点, 并给出状态转移矩阵, 以油耗矩阵作为状态转移矩阵, 重新计算任务剩余时间→根据模型1判断是否进入下一航道或航行结束→输出结果。
2.2 模糊算法
这里t0为给定的时间伸缩性参数。当每一个t0=0时, D就退化为普通的约束集, 这时最优调度模型就退化为普通线性规划模型, 最优解设为S0。
S0+d0为目标函数将约束条件中t换成t+t0后所得约束条件下的最优解。
3 仿真实验及结果分析
以某船舶的航运为例, 其在10个航段上油耗、时间、航速、水道距离等数据, 以矩阵形式分别表述如下:
矩阵G表示10×5油耗矩阵, 其中g (i, j) 表示第i个水道以第j个转速航行时每公里的耗油量 (m L·km-1) :
V表示10×5航速矩阵, 其中v (i, j) 表示在第i个水道时采用的第j个航速 (km·h-1) 。
S表示10维距离向量, 其中s (i) 表示第i个水道的距离 (km) 。
根据Oil_con (i, j) =G (i, j) ×s (i) 可得到油耗矩阵如下, 其中Oil_con (i, j) 表示在第i个航道选择第j个航速时的总油耗, 单位ml。
3.1 模型求解
设船舶走完这10条水道的总限制时间为42小时。采用动态规划与模糊动态规划方法对最优调度模型进行计算实验验证, 使用最优调度方法, 船舶可在规定的时间内到达, 且油耗最小。利用MATLAB计算出各船舶航行时所用的时间和总油耗, 各方法里面船舶在各水道所选用的航速图标和数值如表1所示:
其中, 模糊动态规划中, 时间伸缩性参数t0=0.5,
β= (0.02, 0.01, 0, 0, -0.03, 0, 0, 0, 0, 0) , 表中将时间参数模糊计算后, 找到了另外一条航速选择路线, 使得油耗量减少, 且在弹性时间内到达了终点。在船舶实际行驶中, 时间伸缩性参数可能会随天气气候等情况发生改变, 在具体操作时, 可根据实际情况, 合理地动态调整t0值, 从而计算出最优航速选择。
3.2 结果分析
从表1中可以看出, 当引入时间伸缩参数与水道距离调整向量后, 得到的模糊规划计算的总油耗, 在一定程度上都得到了优化, 且距离的调整比时间的调整所能节省的油耗要少。水道距离调整向量的引入对最优航速的选择影响比时间伸缩参数的引入大, 另外水道距离调整比动态规划节省了航行时间, 且节省了油耗量。
4 结语
船舶航行油耗量受多种因素影响, 在假设的基础上, 基于动态规划与模糊规划知识, 建立基于动态规划与模糊算法的船舶航速最优调度模型, 并给出动态规划与模糊规划求解算法, 引入水道距离调整向量与时间伸缩性参数, 修改模型约束条件, 使模型更接近实际应用, 模糊算法的提出, 优化了模型, 也节省了油耗, 验证了模型对于船舶航速最优调度的可行性, 对于船舶航行及船舶通航管理有一定的指导意义。
参考文献
[1]International Maritime Organization.Prevention of Air Pollution from Ships, Second IMO GHG Study[R].London:IMO, 2009.
[2]黄炜.船舶节能减排的建议及思考[J].中国水运 (下半月) , 2009 (11) :64-65.
[3]章春华.影响船舶航速确定的因素分析[J].世界海运, 2005, 28 (1) :26-27.
[4]刘阳.关于提高内河船舶航速的对策研究[J].中国市场, 2010 (28) :12.
[5]PierreC.Sames.哪种航速能提供最佳经济效益[J].船舶工程, 2008 (26) :90-91.
[6]许欢, 刘伟, 张爽.低碳经济下船舶航行速度选择[J], 中国航海, 2012 (2) :98-101.
[7]江涛.内河船舶能效的数学模型和算法研究[D].武汉:武汉理工大学, 2013.
[8]郑怡, 赵海良, 徐永.基于Matlab的动态规划问题[J].重庆工学院学报 (自然科学) .2008, 22 (5) :152-155.
[9]张杰, 李原, 张开富, 杨海成.项目管理中进度调整的模糊动态规划方法[J].计算机集成制造系统, 2006, 12 (8) :1258-1262.