一种冰区船舶全寿期冰载荷风险值预测方法

1.本发明属于冰载荷分析计算领域，具体涉及一种冰区船舶全寿期冰载荷风险值预测方法。

背景技术：

2.对于冰区航行的船舶，可能受到各种类型的冰载荷，设计人员往往根据船级社提供的相关规范和准则确定各种设计载荷，通常运用的方法是采用水动力软件来对响应做出长短期的预报；同时，不同于波浪载荷的分析方法，对于这种极端载荷的分析，不同类型的冰载荷表现出不同的个性化特征；以往对于船体冰载荷响应的预报方法，依据冰水固理论计算船舶在各短期工况下的时域结构压力响应,基于概率统计分析法确定其长期极值设计载荷更偏向于经验公式。尤其是冰载荷数据频谱更为复杂，时历数据波动及其不稳定并且毫无规律，很难到一种适合所有类型的方法进行分析，从而导致计算结果及安全评估结果不可靠。本发明应用机器学习(machine learning,ml)的方法，打破各个环节的信息孤岛状态，使船舶的生命周期信息形成闭环，在船体结构的研究领域增强适应性，实现一种更高效的风险评估方法。

技术实现要素：

3.本发明的目的在于提供一种更完善、适应性更强的冰区船舶全寿期冰载荷风险值预测方法。
4.本发明的目的通过如下技术方案来实现：
5.步骤一：确定计算工况和冰载荷作用区域；
6.步骤二：根据不同时长的载荷类型作为每次试验数据；
7.步骤三：各工况的分布拟合；
8.步骤四：检验并重复步骤三，误差最小时结束迭代，得到样本特征变量；
9.步骤五：学习并得到冰载荷风险值预测模型；
10.步骤六：进行冰载荷风险值预测。
11.进一步地，其中步骤一所述的计算工况的确定方法，根据目标船舶所航行区域的冰情和海冰分类而确定；所述冰载荷作用区域为船-冰接触区域，冰载荷作用区域依据测点布置，选在水线附近的船肩部位。
12.进一步地，其中步骤二输入不同时长的载荷类型作为每次试验的时长，所述试验为选取的一小部分贡献较大的危险工况；并计算各个工况发生的概率p和试验总数n，其中∑p＝1。
13.进一步地，其中步骤三的拟合过程是以迭代的方式进行的，用于对频次分布进行单变量离散概率分布拟合，通过不断提高拟合优度来得到最优的结果。
14.进一步地，其中步骤五基于一种算法，输入步骤四得到的特征变量，阈值为超越全寿期内的循环次数内冰载荷的最大值的冰载荷得到一种特定计算模型。
15.本发明的有益效果在于：
16.1.本发明针对冰区不同类型的航行工况和不同冰情，对冰载荷进行强度预测，具有较强的适应性。根据不同航行冰区类型的船舶所受到的冰载荷的监测数据，本发明可以对数据进行分析，学习并预报可能出现的风险值，更高效真实地预测目标船舶在全寿期内的载荷风险值。
17.2.本发明后续拓展性强，在冰区船舶个性化设计研究中有一定的应用价值。
18.3.本发明更精确的冰区航行船舶冰载荷风险值预测，弥补分析结果不可靠的缺陷。通过确定计算工况和冰载荷作用区域输入监测时历数据，建立时历数据与预报数据的转化关系，根据一种ann算法建立冰载荷预测模型，以监测时历数据样本的特征变量为输入值，识别出冰载荷在全寿期内的可能发生的冰载荷的最可能风险值。本发明针对冰区不同类型的航行工况和不同冰情预测冰载荷的值。
附图说明
19.图1是本发明一种冰区船舶全寿期冰载荷风险预测方法的流程图；
20.图2是本发明实施实例测点布置图；
21.图3是本发明测点载荷幅值时历数据表。
具体实施方式
22.下面结合附图对本发明做进一步描述。
23.本发明假定任何一种数字采集信号，都可以分解成无限个正弦波，将输入信号分解为不同频率的正弦信号，可以将噪声和信号分离。运用频域方法对载荷原始信号进行分析。本发明运用序列统计原理，使用期内最大载荷为q
t
，则根据序列统计原理各时段的最大载荷为qi，则进行ni次试验，每次试验的时长τ相同。本发明的技术方案如下：
24.一种冰区船舶全寿期冰载荷风险值预测方法的具体步骤：
25.步骤一：确定计算工况和冰载荷作用区域
26.所述计算工况的确定方法为根据目标船舶所航行区域具体冰情和海冰分类而确定；所述的冰载荷作用区域为船-冰接触区域，冰载荷作用区域依据测点布置，可以选在水线附近船肩部位；
27.步骤二：根据步骤一所确定的计算工况，输入不同时长的载荷类型作为每次试验的时长，所述试验为选取的一小部分贡献较大的危险工况；并计算各个工况发生的概率p和试验总数 n，其中∑p＝1；
28.步骤三：对每次试验时长的时历数据进行滤波，拟合各工况下的分布形式，拟合过程是以迭代的方式进行的，用于对频次分布进行单变量离散概率分布拟合，通过不断提高拟合优度来得到最优的结果；
29.步骤四：对拟合的结果误差进行检验，选择得到最优的拟合结果作为冰载荷的时历数据的特征变量。并结合极区冰况，根据极地船舶全寿期内极地任务需求，确定冰载荷在
船舶全寿期内的循环次数；
30.步骤五：根据步骤四所得的特征变量作为输入，基于一种ann算法，选用超越全寿期内的循环次数内冰载荷的最大值的冰载荷作为阈值进行学习，训练数据集，得到某种冰区航行船舶的冰载荷预测风险值模型，这里所选用的算法可以根据输入量而不同，但是所得冰载荷风险预测模型的方法相同；
31.步骤六：根据步骤五所得的预测模型，即可得此冰区航行船舶在全寿期的冰载荷风险值。
32.实例一
33.本实施例利用python语言自编程序，实施发明的分析方法，选用雪龙2号在第11次北极考察时的航行数据。雪龙2号极地科学考察船总长122.5米，型宽22.32米，设计吃水7.85 米，设计排水量13996吨。基于以上冰区船舶航行数据，本发明方法具体过程是：
34.1.确定测点和计算工况，确定将冰载荷分为浮冰、层冰和碎冰三种类型，分析船首左舷肩部的区域，确定采样频率是50hz。区域为400mmx400mm，选取fr119强肋骨上水线附近冰载荷作用区域1号和2号测点；选取fr123弱肋骨上水线附近冰载荷作用区域3号和4号测点。
35.2.选取碎冰试验工况试验数n为7次，每次试验98.5分钟，航行概率0.245；共统计浮冰航行11小时30分钟；浮冰试验工况试验数n为30，每次试验46分钟航行概率0.245；航行概率0.441共统计浮冰航行23小时；层冰试验工况试验数n为53，每次试验30分钟；统计航行26小时30分钟，航行概率0.314。以某测点为例各类型冰况部分数据如附录所示，设置时间步长为0.02s。
36.3.根据步骤1和步骤2的参数设置和数据输入，对每次试验进行分布拟合的迭代计算并进行检验，得到最优分布参数作为样本特征变量。
37.4.结合极区冰况，根据极地船舶全寿期内极地任务需求，确定冰载荷在船舶全寿期内的循环次数为109左右。选用ann算法，训练集的输入为每次试验的拟合分布的参数，计算并输出随机海况下冰载荷在10-9
的概率下的冰载荷的值，学习得到误差在10％以内的预测模型。
38.5.根据上一步所得的预测模型，即可得此冰区航行船舶在全寿期的冰载荷风险值为 6.4mpa。
39.本发明提出的冰区船舶全寿期冰载荷风险预测方法流程如图1所示。
40.本发明实施实例测点布置如图2所示。
41.本发明实施实例测点载荷幅值时历数据如图3所示。
42.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种冰区船舶全寿期冰载荷风险值预测方法，其特征在于：步骤一：确定计算工况和冰载荷作用区域；步骤二：根据不同时长的载荷类型作为每次试验数据；步骤三：各工况的分布拟合；步骤四：检验并重复步骤三，误差最小时结束迭代，得到样本特征变量；步骤五：学习并得到冰载荷风险值预测模型；步骤六：进行冰载荷风险值预测。2.根据权利要求1所述的一种冰区船舶全寿期冰载荷风险值预测方法，其特征在于：其中步骤一所述的计算工况的确定方法，根据目标船舶所航行区域的冰情和海冰分类而确定；所述冰载荷作用区域为船-冰接触区域，冰载荷作用区域依据测点布置，选在水线附近的船肩部位。3.根据权利要求1所述的一种冰区船舶全寿期冰载荷风险值预测方法，其特征在于：其中步骤二输入不同时长的载荷类型作为每次试验的时长，所述试验为选取的一小部分贡献较大的危险工况；并计算各个工况发生的概率p和试验总数n，其中∑p＝1。4.根据权利要求1所述的一种冰区船舶全寿期冰载荷风险值预测方法，其特征在于：其中步骤三的拟合过程是以迭代的方式进行的，用于对频次分布进行单变量离散概率分布拟合，通过不断提高拟合优度来得到最优的结果。5.根据权利要求1所述的一种冰区船舶全寿期冰载荷风险值预测方法，其特征在于：其中步骤五基于一种算法，输入步骤四得到的特征变量，阈值为超越全寿期内的循环次数内冰载荷的最大值的冰载荷得到一种特定计算模型。

技术总结

本发明公开了一种冰区船舶全寿期冰载荷风险值预测方法，该方法用于冰区船舶冰载荷预测，属于冰载荷分析计算领域。该方法包括确定计算工况和冰载荷作用区域；输入监测时历数据进行过滤和分析，建立时历数据与预报数据的转化关系；再根据一种ANN(Artificial neural networks)算法建立冰载荷预测模型，进而完成冰载荷在全寿期内的可能发生的风险值的预测。本发明针对冰区不同类型的航行工况和不同冰情，对冰载荷进行强度预测，具有较强的适应性，在冰区船舶个性化设计研究中有一定的应用价值。值。值。