(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111021470.2 (22)申请日 2021.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 113553775 A (43)申请公布日 2021.10.26 (73)专利权人 交通运输部天津水运工程科 学研 究所 地址 300456 天津市滨 海新区塘沽新港二 号路2618号 专利权人 中睿智航 （浙江） 工程 技术有限公 司 (72)发明人 沈文君　耿宝磊　陈恩慈　陈汉宝　 孙潍　金瑞佳　高峰　栾英妮　 胡克　谭忠华　 (74)专利代理 机构 天津企兴智财知识产权代理 有限公司 12 226 代理人 安孔川(51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 10839 9279 A,2018.08.14 CN 111444624 A,2020.07.24 CN 109146179 A,2019.01.04 EP 3330747 A1,2018.0 6.06 US 20202 25385 A1,2020.07.16 审查员 王颖 (54)发明名称 一种基于机器学习的港内码头系泊船舶运 动量预报方法 (57)摘要 本发明提供了一种基于机器学习的港内码 头系泊船舶运动量预报方法， 包括以下步骤： S1、 确定码头前沿的风浪流工况 组合： 分析泊位处的 水文条件， 根据工程自身的水文参数， 确定风、 浪、 流模拟的范围， 其中包括风速、 风向、 流速、 流 向、 浪高、 周期和浪向。 本发明有益效果： 应用本 发明一种基于机器学习的港内码头系泊船舶运 动量预报方法， 通过建立船水协同的运动量数据 库， 运用机器学习算法可快速为给定风浪流条件 下的船舶运动量进行预报， 为码 头运营人员提供 可靠的数据支撑， 提前对码头作业进行合理安 排， 对实际操作具有指导 意义。 权利要求书4页 说明书10页 附图8页 CN 113553775 B 2022.03.08 CN 113553775 B 1.一种基于机器学习的港内码头系泊船舶运动量预报方法， 其特征在于， 包括以下步 骤： S1、 确定码头前沿的风浪流工况组合： 分析系泊船舶处的水文条件， 根据工程自身的水 文参数， 确定风浪流 参数模拟的范围； S2、 建立码头 ‑系泊船舶的仿真分析模型： 分别建立码头模型和系泊船舶模型， 得到船 舶的附加质量矩阵Ma、 辐射阻尼矩阵B、 一阶波浪力矩阵FHF， 并基于全QTF矩阵法得到港区浅 水下船舶的二阶低频波浪荷载矩阵FLF； 建立分段的非线性张紧式系泊缆绳模拟单元和具有非线性刚度的护舷模拟单元， 其中 缆绳的非线性刚度曲线通过最小二乘法进行多项式拟合， 得到多项式对应的各个系数， 其 中i为缆绳分段， 由钢缆、 尼龙缆以及高分子缆混合组成； Ti为第i段缆绳在变形dl下所受拉 力； dl/L为缆绳的拉伸量与原长度之比； a1i是多项式中一次项的系数； a2i是多项式中二次 项的系数； a3i是多项式中三次项的系数； a4i是多项式中四次项的系数； a5i是多项式中五次 项的系数； a6i是多项式中六次项的系数； 其中护舷非线性刚度曲线通过三种不同长度、 不同内径的嵌套弹簧叠加而成， 其中x3< x2<x1， k1,k2,k3分别代表对应弹簧的刚度： 基于时频转换理论， 建立码头、 船舶、 缆绳与护舷系统多要素耦合的码头系泊船舶仿真 模型， 运动方程如下 所示： 其中， X(t)表示位移， 表示速度项， 表示加速度项， M表示质量矩阵； Ma表示时 域附加质量； [B]rad表示辐射阻尼项； [B]linear表示低频线性阻尼项； C表示静水回复 刚度； FLF (t)表示浮体系统受到二阶力， FHF(t)表示浮体受到的一阶力， Fwind和Fcurrent表示浮体受到 的风力和流力， F护 舷为护舷力， ∑Ti为缆绳拉力； 对于港内系泊船舶， [B]linear的表达式如下：权　利　要　求　书 1/4 页 2 CN 113553775 B 2其中， KX， KY， KZ为系泊系统在X方向、 Y 方向和绕Z方向产生的刚度， MaX， MaY为在X方向、 Y 方 向的附加质量， MaZ为绕Z方向的附加惯性矩， IZ为绕Z轴的惯性矩， XG为重心位置的横向位 置， M表示质量； S3、 建立船水协同的运动量数据库： 基于S2步骤建立的码头、 船舶、 缆绳与护舷系 统多 要素耦合的码头系泊船舶仿真模型， 在时域内开展步骤S1确定的风浪流工况组合的计算， 得到各种水文参数下以及船舶载度组合条件下的船舶运动量， 形成船水协同的环境要 素与 船舶运动量对应的数据库； S4、 建立基于机器学习的预报模型： 基于S3获得的船水协同运动量数据库， 分析隐含层 层数对预报精度的敏感性， 选取双层隐含层， 通过调整第一层隐含层节点数来调整模型误 差， 根据在给定载度下风浪流条件下， 预报船舶运动响应的需求， 设置输入层、 输出层的神 经元数量， 输入层包括风、 浪、 流、 载度参数， 输出层包括船舶六自由度运动量参数， 构建机 器学习网络， 然后进 行模型训练、 测试和验证， 形成本发明基于机器学习的船舶运动量预报 模型； 在步骤S4中， 建立机器学习预报模型的方法为： D1、 将数据库分成两 部分样本， 训练样本和 测试样本； D2、 分析隐含层层数对预报精度的敏感性， 选取双层隐含层， 通过调整第一层隐含层节 点数来调整模型误差， 根据预报功能和需求， 设置输入层输出层神经元数量， 构建机器学习 网络， 然后进行模型训练， xs+1＝xs‑(H+α I)‑1G,其中α 是梯度下降的步长， xs、 xs+1分别为第 s 次的迭代结果和第s+1次的迭代结果， H是多维向量的Hessian矩阵， G是多维向量的一阶梯 度， I是单位矩阵 ； 调节α数值 ， 测试模型的收敛速度和准确度， 当输出总误差 满足误差范围要求时， 记录计算迭代步数和时间， 其中J为最后迭代 步数， 重复以上步骤， 找到最 适应的梯度下降步长α， 选用上述机器学习模型进行 预测； D3、 调用测试样本进行该机器学习模型的预报结果测试， 将测试集作为输入数据集进 行模型内部的准确 性验证， 得到测试集的测试结果文件， 当结果文件与自动划分的测试集 数据结果对比满足误差要求时， 验证了该机器学习网络的准确性； D4、 进一步进行该机器学习模型的验证， 验证数据库随机在数据库选择部分数据， 在模 型运行之前， 将验证数据库编写在程序内， 让机器学习预测模 型读取数据库内容， 进 行结果 预测， 经过10次循环计算后， 将生成的模型预测结果与验证数据库结果进 行比对， 用来提高 预报精度； S5、 优化完善预报模型： 与现场监测数据与数值仿真结果对比， 分析预报与现场监测数 据的差异， 建立现场波浪与运动响应的联系， 若误差超出设定值， 则通过改变迭代次数和节权　利　要　求　书 2/4 页 3 CN 113553775 B 3