風浪流對船舶航行阻力影響研究

徐鴻志 付健 鄧超風 高健 山東海運股份有限公司

由于海洋氣象多變的特點，實際航速受海洋氣象因素影響較大，對于提高船舶能效并實現節能低碳航行的航行優化策略來說，其先決條件是準確預報出海洋氣象因素對航速的影響。準確掌握實際航速后，才能有效地進行航線、航速的規劃與設計。海洋氣象影響下的實際航速預報，可為智能航線決策提供科學的數據支撐，能夠提高智能航線決策的準確度，從而實現安全高效的船舶運營。

1.研究內容

通過縮尺度船舶物理模型和數字水池實驗確定船舶的基本行阻參數，運用船舶運營大數據驗證和校驗其參數，構建起風流浪對船舶航行阻力影響的數值模型。數值模型經修正后，在線精準預報船舶運動響應特性，為氣象導航中的船舶因子選取提供數值依據。同時，也根據船舶運動姿態數據，預評估船舶船體結構損傷情況，也為船舶船體健康監測指數提供參考。

2.技術路線

課題是在物理模型和數值計算模型基礎上的風流浪對船舶航行阻力影響的研究，分物理模型和數值水池的船舶操縱性能預報數據庫、實船航行軌跡信息與船載實測氣象數據的特征值提取及實船數據的模型參數迭代和修正等部分。研究技術路線圖如圖1所示。

圖1 研究技術路線圖

3.關鍵技術

3.1 船舶航行阻力參數在線迭代及優化

船舶航行阻力參數是智能航線決策的核心基礎數據，如果僅根據物理模型其模型的適用海況有限，加上尺度效應的存在，不可避免存在較大的偏差，為了解決適用海況局限的問題，通過數值水池仿真，可以彌補上述的局限，得到的參數適用性廣，但其精度還要進行實船數據校驗。構建船舶航行阻力參數在線迭代結構，設定適當的優化算法，逼近真實海況下的船舶航行狀態，是課題需解決的一項關鍵技術。

3.2 基于深度學習的數據集特征值提取和應用

通過深度學習，在海量的實船航行數據中尋找數據集中有因果關聯的特征值，并運用上述特征值，歸一化海洋氣象對船舶航行阻力影響參數的影響，實現船舶行阻在線實時精準計算和迭代。

4.實施方案

4.1 基于船舶物理模型實驗的船舶行阻參數研究

開展基于船舶物理模型的行阻參數研究，通過物理模型試驗取得特定船舶的操縱水動力導數、舵升力系數及其與船體干擾系數、螺旋槳推力曲線、船舶靜水阻力曲線、風浪中增阻曲線等。

根據示范船的型線資料，進行船舶物理模型試驗。主要分兩個內容：直航阻力部分和耐波性部分。通過物理模型試驗初步構建船舶遭遇典型海況下的船舶行阻及船舶姿態模型數據庫（考慮尺度效應）。

4.1.1 試驗船舶參數(表1、2）

表1 船舶主尺度

表3 波浪參數

圖2 船模物理水池試驗

4.1.2 試驗內容

進行直航阻力試驗；迎浪規則波試驗；結構吃水、壓載吃水工況下的迎浪規則波試驗。每個航速共計選取10個波長（頻率）的規則波進行試驗。波浪增阻測試時，采用先做稀疏的6個波頻點，根據前面6個點的結果再插入4個波頻點，總波頻個數不變，盡量描述出波浪增阻曲線峰值形狀，或者參考下表的波浪頻率點。

4.2 基于數值水池的船舶行阻參數研究

基于船舶物理模型試驗的數據，利用數值水池將船舶遭遇海況適當外推，基本覆蓋船舶周圍情況，并使用上述的數據補全船舶行阻及船舶姿態模型數據庫。將上述的數據庫作為系統平臺數據庫的子集進行調用，主要用于船舶姿態的預測，供航線優化決策使用。

表2 實船及船模航速

4.3 船舶行阻數據庫的實現

基于船舶物理模型試驗和數值水池試驗，將船舶行阻的數據庫作為系統平臺的子集，通過輸入船舶位置，遭遇的氣象和海況（數值預報），實現對示范船的船舶行阻和船舶姿態預報，數據庫基于SQL的格式進行。

4.4 船載六自由度姿態儀數據的傳輸

船載的六自由度姿態儀數據需要和其他船載設備一起統籌考慮，實時的船舶六自由度信息可以考慮與船載AIS一起通過編程，利用北斗衛星通信實現，同時與船舶實測氣象和海況數據共同儲存共后續數據挖掘和學習使用。

4.5 基于深度學習的海洋氣象對船舶行阻參數實船驗證

基于船載六自由度姿態儀的實測數據，融合船舶位置和時間信息，與船舶行阻數據庫的數據進行深度學習和驗證，對船舶行阻數據庫的行阻參數進行迭代收斂優化，通過大數據的挖掘，找到船舶行阻的關聯因素及參數值，進一步提高船舶行阻數據庫預報船舶姿態的精確度。

5.結束語

通過船體模型和數值水池試驗，構建風浪流對船舶航行阻力數值模型，將隨船精細化預報系統數據導入，在線精準預報船舶運動響應特性，為氣象導航中的船舶因子選取提供數值依據。