船舶航速优化文献阅读
船舶航速優(yōu)化文獻(xiàn)閱讀
- 背景知識
- 閱讀筆記
- 袁裕鵬, 王康豫, 尹奇志, 等. 船舶航速優(yōu)化綜述[J]. 交通運(yùn)輸工程學(xué)報(bào), 2020, 20(6): 18-34.
背景知識
航運(yùn)貿(mào)易逐年增長,占世界貿(mào)易的80%以上,而隨之帶來的船舶燃油產(chǎn)生的二氧化碳排放問題,成為焦點(diǎn)。無論是從成本出發(fā)追求節(jié)能,還是從生態(tài)出發(fā)促進(jìn)減排,船舶能效的優(yōu)化成為了學(xué)術(shù)界關(guān)注的焦點(diǎn)。這里主要從船舶航速的角度出發(fā)考慮,針對船舶航速優(yōu)化的文獻(xiàn)進(jìn)行針對性的閱讀
閱讀筆記
袁裕鵬, 王康豫, 尹奇志, 等. 船舶航速優(yōu)化綜述[J]. 交通運(yùn)輸工程學(xué)報(bào), 2020, 20(6): 18-34.
這篇文章中,對油耗預(yù)測模型進(jìn)行了分類:分為白盒模型、黑盒模型和灰盒模型,并對三個模型進(jìn)行簡單評價(jià):
白盒模型:最常見的油耗模型,通常基于某一領(lǐng)域的相關(guān)知識建立,其結(jié)構(gòu)和參數(shù)都已知。例如:孫星等基于船-機(jī)-槳的能量傳遞關(guān)系,建立了考慮船體阻力、螺旋槳推進(jìn)和主機(jī)性能的能效模型。船舶主機(jī)消耗燃油發(fā)出功率經(jīng)過齒輪箱、軸系等裝置傳遞至螺旋槳,螺旋槳收到功率后,經(jīng)過螺旋槳與水流之間的相互作,最終轉(zhuǎn)化為推力克服船舶航行阻力推動船舶運(yùn)動,而水流、波浪、水深、風(fēng)等海洋擾動因素會改變船舶航行阻力和運(yùn)動狀態(tài),從而對航速產(chǎn)生影響,船-機(jī)-槳相互作用關(guān)系,如圖所示。
黑盒模型:與白盒模型相反,黑盒模型是基于歷史數(shù)據(jù)的統(tǒng)計(jì)訓(xùn)練基礎(chǔ)上建立的,并且模型內(nèi)的結(jié)構(gòu)和參數(shù)是未知的。黑盒模型相對白盒模型具有更好的擬合性能,但黑盒模型也存在其系數(shù)無法反應(yīng)船舶領(lǐng)域的專業(yè)知識和無法被其它研究人員直接使用的缺點(diǎn)。(這里我個人理解是:計(jì)算機(jī)行業(yè)的算法大牛針對油耗預(yù)測這個問題開發(fā)了一些算法,可能這些算法精度較好,但是實(shí)際上考慮的因素并不全面,比如說,沒有考慮船和風(fēng)、流相互作用對船舶油耗帶來的影響或者變化的流場帶來的影響等等(也有可能正是因?yàn)樗麄兛紤]的不全面才能通過極其復(fù)雜的算法完成求解,很多時(shí)候考慮全面了反而求不出來)。因此,實(shí)際工程實(shí)踐中這些算法不一定被采用。)
這里主要提到了幾種方法:人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVR)以及交替稀疏自編碼(ASAE)、稀疏自編碼(SAE)等深度學(xué)習(xí)方法。
灰盒模型:灰盒模型是通過相關(guān)領(lǐng)域的先進(jìn)知識來建立模型結(jié)構(gòu),并通過訓(xùn)練歷史數(shù)據(jù)確定模型參數(shù)。(個人看法:其實(shí)就是些比較新、精度比較高的方法、同時(shí)具有一定的實(shí)用價(jià)值,因此比白盒模型和黑盒模型都更好)
絕大多數(shù)模型其實(shí)都是白盒或者黑盒模型,只有少數(shù)是灰盒模型,但是黑盒模型大多基于人工智能算法對數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)建立,因此,黑盒模型隨著人工智能技術(shù)的發(fā)展,精度會不斷提高,同時(shí),隨著計(jì)算機(jī)算力的增加,其計(jì)算效率會進(jìn)一步提高。
這篇文章還提到以下一點(diǎn):那就是所有的預(yù)測模型都沒有考慮污底對于船舶航行的影響,重度污底的情況下,增加的航行阻力占總阻力的50%以上,因此可能導(dǎo)致預(yù)測模型普遍存在誤差。(這一點(diǎn)之前確實(shí)沒考慮過,但是考慮過類似的問題:比如考慮流場時(shí),我們很多時(shí)候是從二維的層面去考慮力的作用的,實(shí)際上,隨著水深變化,受力情況也會隨之改變,因此需要考慮別的情況)
關(guān)于優(yōu)化策略:待補(bǔ)充
總結(jié)
以上是生活随笔為你收集整理的船舶航速优化文献阅读的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 【基础算法】开平方算法 C++实现
- 下一篇: 机器学习实战-FP-growth算法