1、第45卷第17 期2023年9月舰船科学技术SHIP SCIENCE AND TECHNOLOGYVol.45,No.17Sep.,2023超大型油船型线特征参数对快速性能影响研究严兴春,宗涛,姚文,万熠璟2(1.中船澄西船舶修造有限公司,江苏江阴2 14333;2.中国船舶科学研究中心上海分部,上海2 0 0 0 11)摘要:本文以超大型油船主参数、局部参数、细部参数等特征参数为对象,将剩余阻力系数C、伴流分数W、兴波阻力系数CwTW、粘压阻力系数Cpv的CFD计算结果作为数据基础,采用支持向量机方法建立船型特征参数到船舶性能的代理模型。应用OAT方法和Sobol方法计算船型特征参数对船舶剩
2、余阻力系数C,、伴流分数w、兴波阻力系数CwTW、粘压阻力系数Cpv的一阶敏感性,评估超大型油船船型特征参数对各快速性能指标的影响。结果显示,支持向量机方法建立的代理模型在测试集预报结果相对误差约为1%2%,首尾特征、进流段去流段特征、船尾横剖面特征等细节参数对超大型油船的快速性能影响较大。关键词:船型快速性;代理模型;船型参数;数据分析中图分类号:U663.2文章编号:16 7 2-7 6 49(2 0 2 3)17-0 0 15-0 5Research on the influence of the characteristic parameters of the(1.Cheng Ship
3、yard Co.,Ltd,Jiangyin 214333,China;2.Shanghai Branch,China Ship Scientific Research Center,Shanghai 200011,China)Abstract:In this paper,the main parameters,local parameters,detailed parameters and other characteristic parametersof the super large oil tanker are used as the object,and the CFD calcula
4、tion results of the residual resistance coefficient Cr.the wake fraction w,the wave resistance coefficient CwTw,and the viscous pressure resistance coefficient Cpv are used as thedata basis.The support vector machine method establishes a proxy model from ship characteristic parameters to ship per-fo
5、rmance.The OAT method and Sobol method are used to calculate the first-order sensitivity of ship type characteristic para-meters to ship residual resistance coefficient Cr,wake fraction w,wave resistance coefficient Cwrw,and viscous pressure res-istance coefficient Cpv,to evaluate the speed performa
6、nce of super large oil tanker ship type characteristic parameters Theimpact of indicators.The results show that the proxy model established by the support vector machine method has a relativeerror of about 1%to 2%in the prediction results of the test set.Fore and aft characteristics,flow-in and flow
7、-out sections,stern cross-section characteristics and other detailed parameters have a greater impact on the fast performance of super largeoil tankers.Key words:ship type rapidity;agency model;ship type parameters;data analysis0引言船型性能的评估是船型设计的重要基础,目前,主要通过经验公式、CFD计算以及模型试验等方法对船舶快速性开展评估,对船型性能进行预报需要经历多
8、个流程,消耗大量的计算资源和时间。随着绿色船型的不断发展,国际海事组织对船舶能效的要求日益收稿日期:2 0 2 2-1115作者简介:严兴春(197 6),男,高级工程师,从事船舶设计与管理工作。文献标识码:Avery large oil tanker on the fast performanceYAN Xing-chun,ZONG Tao,YAO Wen,WAN Yi-jing型研发的重要技术手段。船型性能的快速评估通常以理论公式、经验公式等显示模型为基础,结合系列化试验建立线性、多项doi:10.3404/j.issn.1672-7649.2023.17.003提高,水动力节能、主辅机节
9、能、创新节能等节能减排技术的实船应用逐渐成为常态,适应多种节能技术的船型设计和性能快速评估方法也将作为支撑绿色船16式等线性化层度较高的数学模型,提高船型性能的评估速度。早在2 0 世纪中期,各国学者以扩展的泰勒(Taylor)系列、6 0 系列、BSRA系列、SSPA系列和长江船系列等系列化船型为对象,通过水池试验发展了图谱及回归公式,获得了广泛的工程应用 2 。在船型性能的精确数值预报中,计算流体力学理论、数值仿真技术结合的CFD方法占据着主导地位。随着数据科学的发展,神经网络、支持向量机、决策树等非线性程度较高的模型在曲面和超曲面拟合方面获得了广泛应用 3,多输入、多输出的黑箱模型在复杂
10、映射关系的辨识中发挥了重要作用,为船型性能评估提供了新的技术手段。数据挖掘是从海量、有噪声的、模糊的数据中发现隐含在其中有价值的信息和知识的过程。2 1世纪初,Haddara4、H e s s 5、Chiulo、Be s n a r d 7 等应用神经网络、支持向量机、加权回归和多目标优化等算法,开展了基础模型的船舶性能预报与优化。近年来,张恒等 8 基于径向基神经网络利用回归分析法,开展了船型主尺度参数对阻力性能的敏感度研究;肖振业等 9 将支持向量机用于船舶阻力的性能预报。本文在船体型线特征参数表达与提取、船型快速性评估方法的基础上,融合数据挖掘技术,研究船型特征参数与快速性能之间的映射关
11、系和相关性。为满足数据挖掘对样本数量要求,本文主要以超大型油船的粘势耦和计算结果为性能指标,将超大型油船历史设计船型作为样本集,研究船型参数与CFD计算获得的剩余阻力系数C,、伴流分数w、兴波阻力系数CwTW、粘压阻力系数Cpv之间的映射关系及相关性,分析各船型参数对各性能参数的影响。1超大型油船型特征参数及样本分布本文以超大型油船为研究目标,收集超大型油船历史设计船型作为样本集,通过CFD方法计算获得对应的剩余阻力系数C,、伴流分数w、兴波阻力系数CwTW、粘压阻力系数Cpv,形成分析所需要的数据集。船型参数化表达是以船体几何测量量、微分量、积分量等数值描述整个船型几何特点的方法,本文采用的
12、船体型线特征参数化方法是参考现有的经典船舶参数、船体几何全参数表达等方法整合得到的船体型线多层次特征参数表达方法。该方法将船型参数分为船体全局参数、局部和细部参数,本文共计使用了133个参数。船型特征参数分类方法如表1所示。超大型油船数据集样本部分参数分布如表2 所示。由于该样本中的船型为设计过程中同一母型船变舰船科学技术表1船型特征参数分类Tab.1 Classification of ship type characteristic parameters层次垂线间长、型宽、长宽比等全局参数主要船型系数首、尾轮廓横面局部参数水线最大横剖线平边及平底线球鼻首曲面细部参数首部曲面尾部曲面表2 超
13、大型油船数据集样本主尺度分布Tab.2SSample principal scale distribution of VLCC data set船型参数垂线间长Lp/m船宽B/m方型系数/Cb形得到,因此船型主尺度相近,局部线型相差较大。图1为样本集垂线间长Lpp和方形系数分布Cb的分布情况,可见该样本集合船型主参数比较接近。图2 为样本集首分段长度lsaci和方形系数分布,可见该样本集合局部线型差异比较大。因此,该样本集适用于对局部参数和细部参数的分析。0.860.840.820.80C0.780.760.740.720.70310图1样本集垂线间长Lpp和方形系数分布CbFig.1 Dis
14、tribution of length between vertical lines Lpp and squarecoefficient Cpofdata set本文使用的数据集以历史船型为主,船型特征参数分布不均匀,可能存在少数优化过程中产生的中间船型,这些船型与其余样本差距较大。因此,需要在开展分析之前对数据进行处理,去除样本中的数据孤点或者异常点。采用人工处理的方法难度较大、无法第45卷参数分类说明主尺度设计吃水、船型系数等尾轮廓、首轮廓曲面特征等横剖线、纵向剖面等进流段、水线面系数等反曲点、UV度特征值等平底特征、尾分段包络面等球首面积、球首形心纵向位置等半宽、纵向夹角、反曲点高度等尾
15、轴出口直径、尾封板高度等均值标准差326.8561.94559.9950.1730.7950.0178320330Lp/m340第45卷200190180170160/OODST15014013012011050图2 样本集首分段长度lsaci和尾分段长度lsaco分布Fig.2 Distribution of bow section length lsaci and stern section遍历全参数。中心点距离判据是一种应用广泛的数据簇划分方法,它是k临近算法、k均值算法等以距离作为判定条件的算法的核心。其中心思想是通过设定、求解数据集的中心(也称为质心),计算各个样本到中心的距离,对样
16、本进行分簇。本文通过计算各个样本到中心点的距离,去除距离中心点较远的样本点,清除数据孤点。采用人工筛选和基于中心点距离的方法对数据集进行处理,其中基于中心点距离的方法分别选择方形系数C&浮心位置Xb、全参数2 种组合作为输入。筛选结果如图6 图9所示。0.860.840.820.780.760图3经人工筛选后的参数分布Fig.3 Parameter distribution after manual screening0.850.840.820.83数0.810.800.790.780.770.760图4经全参数筛选后的参数分布Fig.4 Parameter distribution afte
17、r full parameter screening通过对比可发现,以人工筛选(人为经验性选择)为参考,经C&X,筛选后的数据集与人工筛选结果最为接近,经全参数筛选后数据集部分孤立数据点未被剔除。因此,本文采用C&X,筛选方法对数据进行处理。严兴春,等:超大型油船型线特征参数对快速性能影响研究2%800O100Lsaci/mlength lsaco of data set2浮心纵向位置X(%Lp)。剔除点全参数筛选24浮心纵向位置X,(%Lp)17.0.850.840.830.820.81800.800.790.780.770.760150图5经C&X,筛选后的参数分布Fig.5Paramet
18、er distribution after C,&X,screening7%6%5%4%3%2%1%0%0图6 Mean-E%随惩罚系数C影响Fig.6Variation of Mean-E%with penalty coefficient C8%7%6%5%4%23%。剔除点2%人工筛选1%0%100图7 Mean-E%随惩罚半径epsilon影响466剔除点C/X筛选24浮心纵向位置X,(%Lp)20004000惩罚系数C10-2104惩罚半径epsilonFig.7 Variation of Mean-E%with penalty radius epsilon5%4%3%2%1%0%10
19、-2图8 Mean-E%随惩罚阈值tol影响Fig.8Variation of Mean-E%with penalty threshold tol2支持向量机支持向量机(SupportVectorMachine,SVM)这种分类器的特点是其能够同时最小化经验误差与最大化几何边缘区。针对线性可分情况,采用线性回归函数进行拟合:f(x)=wx+b,6600010-610-3104惩罚阅值tol10-510-6(1)18Fig.9 Prediction results of residual resistance coefficient C,model对于线性不可分的情况,通过使用非线性映射算法将低
20、维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。f(a)=E,wiK(x,x)+b本文采用SVM方法作为模型,将90%的样本作为训练集,10%的样本作为测试集。通过对比测试集预报结果与真实值得相对误差,计算该误差的均值Mean-E%,评估模型的预报效果。回归前先开展数据归一化,归一化方法如下:D-min,je0,nmaxminDje0,nje0,n其中:i为船型参数序号;n为样本船型总数;P为船型参数;j为样本编号。本文以使用RBF函数作为SVM的核函数,对SVM的惩罚系数C、归一化之后的惩罚半径epsilon、
21、惩罚阈值tol对模型预报精度的影响进行研究。通过对比测试集预报结果与真实值得相对误差,计算该误差的均值Mean-E%,评估模型的预报效果。Mean-E%的计算公式如下:yi-y;Mean-E%=100%。Ni1yi其中:N为测试样本数量;为样本真实值;为模型测试值。SVM的惩罚系数C取为30 0 0 350 0 左右可兼顾预报精度与鲁棒性,惩罚半径epsilon小于0.0 1时预报精度较高且相对稳定,惩罚阈值tol小于0.0 0 0 1时预报精度较高且相对稳定。剩余阻力系数C,、伴流分数W、兴波阻力系数CwTW、粘压阻力系数Cp,的SVM模型在测试集上的预报模型如图4 图7 所示。舰船科学技术
22、0.850.450.800.400.750.700.650.600.550.500图9 剩余阻力系数C,模型预报结果N第45卷0.350.30Real0.25Predict0.201020测试集样本编号.iRealPredict3040500图10 伴流分数w模型预报结果Fig.10Prediction results of wake fraction w model0.025-Real0.020-Predict0.015M.LM0.010人0.005(2)00图11兴波阻力系数CwTw模型预报结果Fig.11 Prediction results of wave making resista
23、ncecoefficient CwTwmodel0.95-Real0.90-Predict0.850.80(3)0.750.700.650.600图12 粘压阻力系数Cp,模型预报结果Fig.12 Prediction results of viscous pressure resistancecoefficientCpvmodel计算剩余阻力系数Cr、伴流分数w、兴波阻力系数CwTW、粘压阻力系数Cp,的SVM模型样本空间以及预报误差的均值和标准差如表3所示。从结果上看,SVM模型对兴波阻力系数CwTw和(4)伴流分数w的预报结果相对误差较高,主要原因是表3模型预测误差统计Tab.3Mode
24、l prediction error statistics样本空间统计模型均值C,0.732W0.359CwTW0.009Cpv0.75910测试集样本编号1020测试集样本编号1020测试集样本编号测试集相对误差标准差均值0.0400.0270.0270.1510.0020.9590.0320.00320303030404040505050标准差/%0.7661.55610.101.050第45卷CwTw和w的均值相对较小,而且CwTw和w的变化范围相比于C,与Cp更大。因此,模型对CwTw和w的预报结果相对误差较高,而C,实际预报结果的绝对误差的均值为0.0 0 45,w实际预报结果的绝对
25、误差的均值为0.0 0 37,CwTw实际预报结果的绝对误差的均值为0.000086,Cp 实际预报结果的绝对误差的均值为-0.00014。3参数敏感性分析敏感性分析指在一个数学模型中根据输人变量的变化观测输出变量的变化,确定灵敏度大小的方法。本文选用的敏感性分析方法为:LH-OAT方法和So-bol方法。OAT方法是筛选法中最简单的一种方法,这种方法的特点是每次只能分析一个因素对输出的影响10 。OAT敏感性分析法在MonteCarlo抽样方法的基础上进行重复试验,每次对其中一个参数进行微小的扰动,保持其他参数不变,代入敏感性公式,即可得到每个参数的敏感度,具有较高的精确性。但Monte C
26、arlo抽样法在参数取值范围内随机抽样,会产生大量的样本,使OAT敏感性分析方法的运算量变大。LH-OAT全局敏感性分析方法则是在OAT敏感性分析法的基础上采用Latin-Hypercube抽样代替MonteCarlo抽样,减少了采样频次,能提高敏感性分析的效率。Sobol方法是Sobieski在1990 年提出的一种基于MonteCarlo积分灵敏度分析方法,是一种基于方差分解(Analysis of Variance,A NO VA)的方法 。本文应用LH-OAT方法和Sobol方法对剩余阻力系数C、伴流分数w、兴波阻力系数CwTW、粘压阻力系数Cp进行敏感性分析,将不同模型计算获得的敏感
27、性指标绝对值最高的前10 个参数进行对比分析,结果如表4所示。其中 2 d为2 站下反曲点至尾轴中心距离;Cwi为进流段水线面系数;Cwo为去流段水线面系数;Cpa为尾部棱形系数;b2d为2 站下反曲点半宽;Cba为尾部方形系数;b1_5m为1.5站中反曲点半宽;lpp_B为长宽比;biu为1站上反曲点半宽;tetwl为1站纵向夹角;Xb为浮心纵向位置;Cpv为垂向棱形系数;zclear为尾轮廓反曲点高度;B4为4站半宽;D为型深;l1_5s为1.5站中反曲点到尾轴中心线距离;lit为1站中反曲点到切线距离;bim为1站中反曲点半宽;xl_5为1.5站UV度特征值;b1_5d为1.5站下反曲点
28、半宽;b2m为2 站中反曲点半宽;Cb为方形系数;l1d为1站下反曲点至尾轴中心距离;xfdb为首严兴春,等:超大型油船型线特征参数对快速性能影响研究伴流分数W系数c,排序Sobol LH-OAT Sobol LH-OAT Sobol LH-OAT Sobol LH-OAT112d2CpaCba3b2d4CbaCpv5b1_5mzclear6pp_Bb2d7blu8tetwl9Xb10Cpv11_5s轮廓起点位置;B16为16 站半宽;h1_5m为1.5站中反曲点高度;lls为1站中反曲点到尾轴中心线距离;him为1站中反曲点高度;2 s为2 站中反曲点到尾轴中心线距离;11_5d为1.5站下
29、反曲点至尾轴中心距离;C2为2 站处横剖面系数;h2d为2 站下反曲点高度;lsaci为首分段长度;Lwlm为中体长度;B16为16 站半宽;lsaco为尾分段长度;x19_5为19.5站UV度特征值;B17为17 站半宽;afc为直首侧投影面积;lcfobi为首分段包络面形心纵向位置;Lcf为漂心纵向位置。4结语本文以超大型油船历史数据为基础,采用SVM方法建立船体性能预报模型,联合敏感性分析方法,研究超大型油船型特征参数对快速性能影响研究,形成的结论如下:1)支持向量机(SVM)方法对兴波阻力系数CWTW的预报结果相对误差均值0.959%,标准差为10.10%,对伴流分数w的预报结果相对误
30、差均值0.151%,标准差为1.556%,对剩余阻力系数C,的预报结果相对误差均值0.0 2 7%,标准差为0.7 6 6%,对粘压阻力系数Cpv的预报结果相对误差均值0.0 0 3%,标准差为1.0 50%;2)依据本文的分析结果,Cp。尾部棱形系数、Cba尾部方形系数、zclear尾轮廓反曲点高度、Cpv为垂向棱形系数、12 站局部线型特征对剩余阻力系数C,和伴流分数w的影响较大;下转第30 页19表4敏感性指标对比Tab.4Comparison of sensitivity indexes剩余阻力Cpa12dbluB4b1_5db1_5dx1_5Db2dxfdbb2mB16粘压阻力系数C
31、12dCpv11_5shl_5mCbaB16CpaCpaCba12dCpv1t1tCbh1_5m11_5sb1mldb1_5mb2mCwoB17X1_5Cba11_5dx1_5兴波阻力系数CwTW11s11shlmhlm12sB4b2mb1_5mlsaci12sLwlmc21d12dCwi11_5mc2h2dbluIsacoh2dx19_5afcbbotlcfobiB16Ld304结语本文提出了一种适用于邮轮舱段有限元分析的简化计算方法,重点分析了邮轮上层建筑总纵强度参与度,给出了合理的取值区间,可用于舱段有限元计算及指导类似邮轮结构设计。通过全船有限元结果对舱段简化计算方法的可靠性进行验证,
32、指出误差的原因。通过上述研究得到以下结论:1)本文提出一种适用于邮轮舱段有限元的计算方法,包括模型,载荷及边界条件等选取,计算的流程,为设计人员前期进行邮轮舱段有限元分析提供参考。2)目标邮轮上层建筑各甲板参与总纵强度参与度不同,除带有游泳池的8 甲板外,其余上建甲板的参与度均在0.6 0.7 4之间,为工程应用便利,类似邮轮上层建筑有效度均值建议取0.6 0.7 之间。3)舱段有限元计算结果与整船计算结果变化趋势相同,各甲板应力整体偏差不大,尤其是较为关注应力较大的上层建筑和船底区域,可用于舱段结构强度SSYSSSYSSSY舰船科学技术初步评估,具有一定的工程指导意义。参考文献:1李鹏飞,杨
33、薛航,吴兆年,等.基于LR规范的豪华邮轮全船有限元分析流程及应用 1.船舶,2 0 2 1,32(1):10.2 LLOYDs R.Structural design assessment primary structure ofpassenger shipsS.2019.3 DNV GL.Direct strength analysis of hull structures in passen-ger ships S.2020.4 BUREAU V.Guidance note for structural assessment of passen-ger ships and Ro-ro pa
34、ssenger ships S.2018.5 中国船级社.邮轮整船直接计算指南 S.2021.6陆春晖,师桂杰,彭文科,等.邮轮船体的总纵弯曲强度分析 1.船舶与海洋工程,2 0 19,35(1):5-10+2 1.7朱波.邮轮上层建筑参与总纵强度有效度研究 D.武汉:武汉理工大学。8 SHI G J,GAO D W.Model experiment of large superstructuresinfluence on hull girder ultimate strength for cruise shipsJ.Ocean Engineering,2021,222(3):108626.9
35、】中国船级社.钢制海船入级规范 S.2021.第45卷上接第19页3)依据本文的分析结果,12 站反曲点半宽、高度、UV度特征值等局部线型特征对粘压阻力系数Cp,的影响较大;4)依据本文的分析结果,12 站局部线型特征、1617站局部线型特征、首尾分段长度、包络面形心纵向位置对兴波阻力系数CwTW的影响结果。参考文献:1】曾帅.典型海况下的船舶阻力预报研究 D.大连:大连海事大学,2 0 2 0.【2 黄超.肥大型船舶阻力快速预报方法研究 D.哈尔滨:哈尔滨工程大学,2 0 14.3何清,李宁,罗文娟,等.大数据下的机器学习算法综述 .模式识别与人工智能,2 0 14,2 7(4):32 7-
36、336.4 HADDARA M.R,WANG Y.Parametric identification of ma-noeuvering models for shipsJ.International ShipbuildingProgress,1999,46(445):5-27.5 HESS D.FALLER W.Simulation of ship maneuvers using re-cursive neural networksC.23th Symposium on Naval Hydro-dynamics,Washington D.C.(USA):National AcademiesPr
37、ess,2000:223-242.6 CHUI F C,CHANG T L,et al.A recursive neural networksmodel for ship maneuverability predictionCj/ProceedingOceans MTS/IEEE Techno-Ocean,Kobe(Japan):EEEE,2004:1211-1218.7 BESNARDE,SCHMITZ A,HEFAZI H,SHINDE R.Con-structive neural networks and their application to ship multi-disciplin
38、ary design optimizationJJ.Journal of Ship Research,2007.8张恒,詹成胜,刘祖源,等.基于船舶阻力性能的船型主尺度参数敏感度分析 1.船舶工程,2 0 15(6):11-14.【9肖振业,冯佰威,刘祖源,等.基于支撑向量机的船舶阻力近似模型 .计算机辅助工程,2 0 15,2 4(4):2 0-2 3.10】夏露,杨梅花,李朗,等.基于全局灵敏度分析方法的气动设计研究 J.西北工业大学学报,2 0 18,36(1):49-56.11】孙毅.基于LH-OAT 的推理公式法参数敏感性分析 1.水利发电,2 0 17,43(9):2 3-2 5.