在舰船的结构强度设计中,耦合入水砰击荷载受到很大的重视。采用计算流体动力学-有限元法(computational fluid dynamics-finite element method,CFD-FEM)双向耦合数值方法,研究重力作用下弹性楔形体于不同流场环境下入水时的流固耦合...在舰船的结构强度设计中,耦合入水砰击荷载受到很大的重视。采用计算流体动力学-有限元法(computational fluid dynamics-finite element method,CFD-FEM)双向耦合数值方法,研究重力作用下弹性楔形体于不同流场环境下入水时的流固耦合问题。首先,以静水中楔形体砰击为例,将其仿真结果与试验进行对比验证该耦合方法的准确性;而后,分析了不同入水速度和底部斜升角的弹性楔形体在静水、流和波浪等不同流场环境中入水时所受砰击荷载以及结构响应和流场的变化。结果表明:静水中楔形体入水砰击与模型试验结果相吻合,证明该数值模拟具有可靠性和可行性;均匀流作用下楔形体入水时由于结构物对来流产生壁面反射,导致楔形体附近在靠近来流侧与远离来流侧流速不同从而产生压力差,楔形体底部向来流方向偏移,不同波浪位置下入水时,模型在波浪速度向上的平衡位置,因波浪与楔形体的相对冲击速度增加,所产生的砰击荷载比静水中大,高应力区主要集中在楔形体底部及焊缝位置。研究结果对舰船结构设计以及入水砰击研究提供了指导依据。展开更多
文摘针对传统的神经网络模型因超参数众多,在实验中比对最优参数组合效率低下导致误差较大和反应速度慢的问题。本文提出一种基于北方苍鹰优化(Northern Goshawk Optimization,NGO)算法和双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit, Bi-GRU)的船舶轨迹预测模型NGO-Bi-GRU(Northern Goshawk Optimization Bidirectional Gated Recurrent Unit)。利用NGO对Bi-GRU模型的学习率、隐藏节点和正则化系数进行寻优,然后将寻优得到的网络超参数代入Bi-GRU进行船舶轨迹预测。将该模型与长短时记忆神经网络(Long Short Term Memory, LSTM)和门控循环单元神经网络模型(Gated Recurrent Unit, GRU)以及使用该算法优化的长短期神经网络模型进行实验对比,将均方误差、均方根误差、平均绝对误差作为评价标准。结果表明,NGO-Bi-GRU模型在经度和纬度预测上误差较小、精确度较高且数值波动更加稳定。
文摘在舰船的结构强度设计中,耦合入水砰击荷载受到很大的重视。采用计算流体动力学-有限元法(computational fluid dynamics-finite element method,CFD-FEM)双向耦合数值方法,研究重力作用下弹性楔形体于不同流场环境下入水时的流固耦合问题。首先,以静水中楔形体砰击为例,将其仿真结果与试验进行对比验证该耦合方法的准确性;而后,分析了不同入水速度和底部斜升角的弹性楔形体在静水、流和波浪等不同流场环境中入水时所受砰击荷载以及结构响应和流场的变化。结果表明:静水中楔形体入水砰击与模型试验结果相吻合,证明该数值模拟具有可靠性和可行性;均匀流作用下楔形体入水时由于结构物对来流产生壁面反射,导致楔形体附近在靠近来流侧与远离来流侧流速不同从而产生压力差,楔形体底部向来流方向偏移,不同波浪位置下入水时,模型在波浪速度向上的平衡位置,因波浪与楔形体的相对冲击速度增加,所产生的砰击荷载比静水中大,高应力区主要集中在楔形体底部及焊缝位置。研究结果对舰船结构设计以及入水砰击研究提供了指导依据。
