一种基于BP神经网络的大风作用下船舶断缆预警方法技术

本发明专利技术公开了一种基于BP神经网络的大风作用下船舶断缆预警方法，本发明专利技术综合利用物理模型试验、参数无因次化、BP神经网络方法，创建了一个只要输入船舶长度、船舶宽度、船舶净水高度、船舶干舷高度、靠泊船舶所在码头高度、系缆根数及风速七项数据参数值即可算出未来一段时间内靠泊于港内码头的船舶在大风或台风天气下缆绳最大受力的数值结果，通过判断受力与缆绳实际的最大受力对比即可实时破断处断缆情况，采用BP神经网络的准确度高，更加贴近事实。

【技术实现步骤摘要】
一种基于BP神经网络的大风作用下船舶断缆预警方法
本专利技术属于船舶航行安全领域，尤其是涉及一种基于BP神经网络的大风作用下船舶断缆预警方法。
技术介绍
随着船舶大型化发展，船舶断缆问题已成为船舶生产事故发生的重要原因。目前，很多船舶装有系泊缆绳受力监测系统，从系统中可以获取缆绳实时受力数据，但无法掌握缆绳随外界环境变化的未来状态，一旦船舶缆绳受力超过极限值，即会发生断缆，引发事故。因此，需要对船舶系泊缆力未来变化情况进行预测，提前判断系泊缆绳在风浪流等作用下所能承载的最大缆力，是解决船舶系泊安全问题的重要研究方向。目前，对船舶系泊缆力的研究主要有物理模型试验和数值模拟方法。物理模型试验是将浮式结构和系泊系统按照一定的比尺缩小后，在其上施加一定的风、浪、流等环境条件，测量系统的运动响应，在模拟条件相对不很苟刻时较为接近真实情况，但在模拟条件要求较高的情况下模拟结果与真实情况还是有所出入的。数值模拟与物理模型试验相比具有经济、快速的优点，但需要的假设条件较多。且现有两种方法只能计算历史或当前船舶缆绳受力的变化，而对未来一段时间内容船舶缆绳本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的大风作用下船舶断缆预警方法，其特征在于：包括如下步骤：/n步骤一、建立物理模型，获取船舶断缆时不同情况下的数据作为BP神经网络模型所需的训练数据集；/n步骤1、确定输入参数和输出参数/n定义影响船舶缆绳断裂的主要因素为输入船舶长度L

【技术特征摘要】
1.一种基于BP神经网络的大风作用下船舶断缆预警方法，其特征在于：包括如下步骤：
步骤一、建立物理模型，获取船舶断缆时不同情况下的数据作为BP神经网络模型所需的训练数据集；
步骤1、确定输入参数和输出参数
定义影响船舶缆绳断裂的主要因素为输入船舶长度LOA、船舶宽度B、船舶净水高度HBR、船舶干舷高度HSRHSR、靠泊船舶所在码头高度HD、系缆根数和风速七项因素作为船舶断缆时的输入参数，定义在七项因素作用下的缆绳最大受力Fmax为船舶断缆时的输出参数；
步骤2、建立并验证模型准确性
将船舶等比例缩小制作出模型船，将模型船安置于水槽的码头岸边，缆绳的一端系于船舶的系缆桩上，另一端则穿过转向环，系于放置在岸边的拉力计上，通过拉力计检测模型的受力F检测，通过公式计算船舶的理论受力FWD，对比F检测和FWD，若F检测和FWD的差值的绝对值不大于10％FWD则模型船符合要求；
步骤3、获得数据集
在模型船达标后测得N组在不同输入参数组合下的，输出参数值，每组输入参数的组合和输出参数构成一组参数，N组参数构成BP神经网络模型所需的数据集；
步骤二、对各个参数进行无因次化分析
以船长为特征长度，则靠泊于码头之船舶在风力作用下，分析船舶系泊缆绳受力采用的无因次参数分别为B/LOA、HBR/LOA、HSR/LOA、HD/LOA、θ，并将以上参数作为BP神经网络的输入参数，BP神经网络的输出参数无因次参数则为其中ρa为空气密度(kg/m3)，Va为风速(m/s)；定义输入和输出之间的咋BP神经网络内的关系为φ，则
步骤三、构建BP神经网络模型
BP神经网络模型中共有三层，第一层是输入层，作为外界输入信息的传递接口，并不对数据做特别处理，第二层、第三层的隐藏层与输出层的神经元利用权重值乘积和偏权值调整并加上激活函数处理进行仿真，
定义x1为B/LOA的正规化后的值，x2为HBR/L...

【专利技术属性】
技术研发人员：马建文，王波，胡宴才，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：山东;37