用于监测和预测冰层船舶阻力的在线系统，以支持波罗的海的冬季航行

海洋系统研究所

摘要 - 冬季航行主要发生在冰道，其中破冰船进入快速或漂移的冰。在这样的冰槽中行进的每个船都经历冰阻力，这影响船速和航行能力。冰上情况下的海上安全是提出的首要任务，以确保海上冬季交通的顺利和优化。由于不同的风险分析和管理工具已经存在，并且能够给出在冰中组织导航的一般建议，因此缺乏能够监测和预测当地海域冰导航条件的操作工具几乎不存在。我们提出一个在线系统来监测和预测冰上的船舶阻力，支持当地的船舶规模的冬季航行。首先，我们引入了基于船壳振动测量的冰中船舶阻力的原位估计技术。测量技术基于如下理解：在不同的冰条件下，冰与船体的相互作用导致不同强度的船体的振动。振动可以作为冰中船舶阻力的度量，振动强度越大，遇到的冰阻力越大。仪器装备了爱沙尼亚海事管理局EVA-316的破冰船，并通过加速度传感器在3个方向记录船体的振动。加速度数据和船位置实时传送到海洋系统研究所的FTP服务器。接下来，在数据的初步分析之后，定义和计算耐冰指数。所获得的船体振动数据和来自卫星冰图像的冰情况信息的比较显示，所获得的数据很好地区分不同严重程度的开放水和冰情况。成功尝试将冰阻力指数与诸如风速和方向的相关强制参数相关联。我们得出结论，风向，特别是风向和船舶航道之间的角度是决定冰槽中船舶阻力的重要因素。船体振动的记录数据以及船速和航向形成数据集，其能够为船舶操作的冰通道的冰情况的严重性分配特定等级。为了给系统提供预测技能，定义，应用和验证了模糊逻辑关系方案。显示原位冰阻力的在线系统及其预测是设计和实现的，进入到派尔努港，里加湾，波罗的海的航道。

1.介绍

局部规模的船冰相互作用，特别是冰条件是量化地了解冰在船舶性能的关键问题。作为描述冰中船舶性能的广义因子，可以使用冰中的船舶阻力。冰中的船舶阻力可以定义为冰作用在移动船上的附加力的总和，导致船速度的降低，以及在极端情况下在冰中的船堆叠。如[1]和[2]中的理论方法都指向船体的几何形状，即船壳与冰相互作用的角度。冰厚度是冰特性部分最重要的因素。如果所有必要的数据可用，这样的冰阻力模型已被广泛使用和相当准确。还有一些最近的抗冰研究尝试基于有限元方法（FEM）来估计冰阻力，例如在[3]和[4]中。这种方法还需要关于船壳几何的数据以及冰厚度，并且在局部尺度上更好地工作，因为需要相当多的计算资源。

冬季航行主要发生在冰槽中，破碎成快速或由破冰船漂移的冰。在这种冰道中行驶的每艘船都经历一定的阻力，这在空间和时间上都显着变化。到目前为止，大多数关于冰上船舶性能的数据是以一种或另一种格式的船上视觉观察报告而获得的。然而，这样的数据在时间上是相当罕见的，并且也可以是主观的。作为创新，我们引入仪器方法通过船体振动的测量和分析来评估冰中的船舶性能。测量设备由塔林工业大学的海洋系统研究所（TUT）设计和建造，涉及一些爱沙尼亚工程公司。测量系统迄今为止能够以1分钟的间隔记录冰中的船舶阻力，并且在开放访问网页上实时地发送岸上服务器上的数据，后者的信息可以被其他船舶和交通管理当局实时使用。为了进一步开发该系统，增加了预测能力，这意味着提供防冰预报的模糊逻辑模型被设计并与在线测量系统集成。冰上抵抗的在线知识及其预测将有助于避免船在冰中堆积，相应地组织船舶交通，提高冬季船舶交通的安全性，也降低了破冰船和商船的运行成本，通过优化燃料消耗和更好地规划活动。

2. 材料和方法

冰上船舶阻力监测系统由船体振动强度的记录单位，通过3D加速度测量和在线数据传输能力。系统基于理解在平面或山脊冰中存在不同的冰阻力，存在压缩冰结果与冰和船体之间的相互作用导致船体振动的变化强度 - 更高的振动强度指的是在冰中更大的船舶阻力。船体的振动由紧紧固定在船体上的3D加速度传感器记录（图1）。还有其他来源的振动发动机，波浪等，但这些可以从冰阻抗引起的振动分离。较硬的冰阻力（严重的冰情况/压缩）引起更多（强烈）振动。测量系统由TUT海事系统研究所与当地工程公司设计和建造，并安装在Icebreaker EVA-316（爱沙尼亚海事局）船上，在波罗的海里加和派尔努湾协助船舶和组织冬季交通。测量数据使用GSM / GPRS协议实时传送到船舶系统研究所的TUT服务器。从原始数据中，基于船体的振动强度，为航行的每个点和基于特定网络的用户界面计算船舶阻力指数，该用户界面实时显示数据（http：//on-line.msi.ttu.ee/ship6a/）。比较获得的船在冰上的船舶阻力和在同一船上的船载观测，也显示冰条件的卫星图像彼此适合，并且可以估计在某些冰渠道中船舶阻力的严重性。试图将冰中的船舶阻力与相关的强制参数，风向首先以及速度联系起来。发现垂直于冰槽吹的风由于冰盖中的压缩力而比平行于通道的风产生更多的阻力。船体振动数据也充分显示了在冰中的船舶演习和相关的船舶阻力。记录的冰中船舶阻力数据以及船速，航向和船舶瞬时发动机功率数据使得能够为冰情况的严重性分配特定的等级。由于船体振动强度与船舶阻力之间的协议定性确定，在线数据转换为颜色编码的冰阻力指数分为5类 - 无，弱，平均，强和非常强的阻力。

图1. 安装在EVA 316（安装前（2个右侧面板）和安装后（左侧））的船体振动测量仪器。

图2. 船体（左图）的测量振动强度和船舶在冰中的相应行程，在卫星图像的背景上显示（右图）。 不同的颜色代表不同的船体振动强度，与测量的时间序列有关。

其次，利用基于模糊逻辑的关系方案，利用风力作为主要强迫因子，冰情况和基于知识的组件作为抗冰的潜力，但潜在地还有任何其他经验知识或冰导航实践的预测能力来补充该系统。

3. 结果与讨论

用于给出冰阻力预测的模型是模糊逻辑专家系统，其概念细节在[5]中描述。在这里使用的简化情况下，模糊逻辑模型包括两个关系系统：冰阻力的电势和触发的功率（图3）。首先，我们考虑构成冰阻力的潜力（或功率）的参数。这些参数包括冰厚度，冰紧密度和冰类别（例如平原冰，山脊等）。冰参数可以从常规冰图中或作为冰动力学模型的输出找到，并且它们形成冰阻力的可能性。其次，我们考虑触发冰阻力的潜力的参数。对于最简单的模型，这种触发参数可以是风力强迫模式及其变化或从相关模型输出和/或遥感产品获得的一些其他估计。模糊逻辑模型考虑了潜在和触发措施，并提供了特定个体船舶在给定位置的冰阻力及其导航参数的预测。模型输出被适当地分为类，如缺失，弱，平均，强或非常强的电阻。对于模型校准和验证，可以使用来自包括冰子模型（例如HIROMB）或纯冰动力学模型（例如HELMI）的海洋循环模型的数据以及来自船舶交通系统（AIS），直接观测在船桥，古典冰地图，卫星图像和冰漂移数据。与[5]中描述的概念不同，但是根据执行的现场观察，将相对于风矢量的船舶航向角作为重要的触发因素插入到模型中。根据IB EVA-316船员的船上观察，卫星数据以及使用船体振动数据，系统的校准和验证在IB 2012/2013年季节期间在球道上进入派尔努港。

上述概念是开发和实施模糊逻辑模型的基础，以预测冰岛航行到里加湾，波罗的海的派尔努港的船舶阻力，其中准永久髋关节通道在整个冰季节被打破，持续1 - 6个月，取决于冬季的严重程度。模糊逻辑模型对通往派尔努港的航道产生48小时的冰阻预测（图4，右栏中的彩色框）。预测计算基于天气预报模型，在我们的情况下，HIRLAM，48小时预报和从MODIS卫星图像推断的冰数据，冰图以及与破冰船船员的沟通。技术上，48小时预报每天进行一次，因此冰参数也每天评估一次，并且它们在整个预测期间保持固定。必须说，冰的状况 - 冰厚度，冰类型等在1月到3月的整个破冰季节是相对稳定的，并且是冰阻力发展的主要驱动力，而压缩冰情况是风力。在4月，冰情况变得更加不稳定，并且其他因素也发挥作用，如水位波动，恰当的流，也是派尔努河的流出。

图3 中尺度冰压缩危险的简单概念模糊逻辑模型

在冰上船舶电阻的局部尺度在线数据，1分钟的时间间隔和预测模型被集成到同一个基于网络的系统中，允许在特定球道上监测和预测冬季导航条件。 里加湾和入口到派尔努港口被选为测试地点，模糊逻辑预测模型被相应调整。 在这个地方海域，冰情况更好，可观察到的整个专家系统的性能，开放给用户http://on-line.msi.ttu.ee/ship6a/似乎更好的控制下，当整个波罗的海 。

用于监测和预测冰层船舶阻力的专家系统的在线版本具有不同的层次（选项）：将航路中的冰阻力测量分为特定级别; 在气象站测量风向和沿航道的预测风; MODIS关于冰覆盖的卫星数据; 沿航道48小时前的冰阻预测（图4）。

图4 网页用户界面的屏幕截图报告了进入派尔努港，里加湾（左上图），MODIS卫星数据给冰情况作为背景（左下图）的球道冰阻指数的现场测量，冰预报 抵抗不同时期在48小时栏在右栏列出。

4. 概要

开发和实现了支持当地海域冬季航行的在线系统。一个系统使用来自HIRLAM风预报的输入操作，但是还有关于从卫星图像收集的关于冰情况的不同信息以及由船员直接进行原位观测。我们认为，船体振动测量应用于检测冰槽中的船舶阻力使得能够实时监测在局部尺度的船舶阻力，并且使用模糊逻辑模型的预测允许优化沿航路本地的冬季交通，使得它更无缝。

研究结论认为，应用于船舶冰阻力检测的船体振动测量是在冬季航行的航道上在线监测冰情况的有用工具。为了增加具有预测技能的系统，定义，应用和验证了模糊逻辑关系方案。在冰的船舶阻力的预测是设计和实现的前操作模式的航道进入派尔努港，里加湾，波罗的海。所收集的数据可用于验证冰动力学模型和更准确地预测冰情况。船载冰阻力测量也是对某些海域冬季交通的更广泛统计分析的良好基础，以改善海上安全，并有助于优化未来的冬季航行以降低成本。

致谢

这项研究得到欧洲委员会项目SAFEWIN的合同FP7-RTD-233884的支持。我们感谢IB EVA-316和他的船员的队长Rein Peetrisoo 在测量期间的帮助。

2. 船舶阻力预测与人工神经网络

摘要-本文致力于使用物理神经网络（ANN）的船舶阻力预测的新方法。 在初始阶段，选择的船参数准备用作训练和验证集，下一步是验证若干网络结构并确定对阻力具有最高影响的参数。 最后，提出了预期影响阻力的其他参数。 该研究利用了7个已经建成的离岸船舶的参数，以及作为在欧洲拖曳舱上进行的测试的结果可获得的模型参数。 因此，该参考用于使用人工神经网络方法评估船舶阻力预测。

1.介绍

在初始设计阶段船舶的阻力预测对于评估船的性能和估计所需的推进功率具有很大的价值。阻力和总推进效率必须以尽可能高的精度确定。基本输入包括基本船体尺寸和间接表示为弗劳德数的船速度，表示惯性，即速度 - 长度比[17]。

阻力对于船东和客户减少燃油消耗和最小化模型测试的成本是重要的。在这项研究中，主要关注的是离岸船只，因为行业的兴趣越来越高，需求不断增长。这种船舶技术先进，而且在过去几十年中，这些船舶在这个领域有着巨大的竞争。试图找到更准确和更新的船舶阻力估计的方法，将使用人工神经网络（阿里达神经网络）[1]，提供经验证的网络设计和优化技术，各种训练算法，包括返回传播，共轭梯度下降，准牛顿和文伯格 - 马夸特方法。

2.船舶阻力预测

我们的工作涉及四种类型的离岸船只（平台供应船（PSV），锚处理拖船供应船（AHTS），海上施工船（OCV），地震支持船（SSV））。 19个参数可用，最重要的是用于ANN训练。

船舶阻力是两个因素的结果：主要的，良好的和研究的阻力和压力（残余）阻力。 根据国际牵引坦克会议模型 - 船相关线[9]，CF由以下定义：

C_f——摩擦阻力系数，仅取决于雷诺数

R_n——雷诺数

v——船舶速度，船舶与海洋之间的相对流速[m /e s]

L_wl——船长线长[m]

u——运动粘度[m2 / s]

因此，船舶的总阻力系数CT可以描述为

C_r——压力（残余）阻力系数取决于弗劳德数

F_n——弗劳德数

g——地球的重力[m／s2]

由于C_F（1）的精确和广泛接受的定义，在我们的工作中只有ANN估计了作为弗劳德数C_r（F_n）的残余阻力系数。 从模型测试中，C_r可用于大量数据点，并且可以与ANN结果进行比较。

为了找到最佳神经网络配置，执行群体的随机样本，并创建独立的数据集：训练集，验证集和测试集。 对于可用的89个记录，建立了数据分区（表I）。

ANN包括一组互连的“人工神经元”，其是受天然神经元启发的计算模型。神经元通过突触接收信号，通常携带编码的数字数据。当接收的信号足够强（超过一定阈值）时，神经元被激活并通过轴突发射输出信号。这个信号可能被发送到另一个突触，并可能激活其他神经元[16]。人工神经元模型是高度抽象的，包括输入（突触），乘以权重（相应信号的强度），然后通过确定神经元激活的函数变换。 ANNs组合人工神经元以处理信息。

ANN必须通过调整权重的逐步过程来开发，该过程称为训练/学习规则。输入/输出训练数据对于这些网络是很重要的，因为它传送了发现最佳网络状态所必需的信息。由于McCulloch和Pitts（1943）的第一个神经模型，已经开发了数百个被认为是ANN的不同模型，它们在结，接受值，拓扑和学习算法上不同。 ANN还用于创建描述对象（船）参数和结果特征（阻力）之间的依赖性的未知非线性函数的近似模型。

B．船舶阻力计算方法

每个制造商进行的大量测试，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141058]，资料为PDF文档或Word文档，PDF文档可免费转换为Word