一种船舶局部疲劳热点损伤率预报方法

1.本发明涉及船舶与海洋工程领域，尤其涉及一种船舶局部疲劳热点损伤率预报方法。


背景技术：

2.船舶疲劳强度是船舶结构强度问题中的一个重要方面，疲劳损伤的累积可能导致船舶结构的灾难性破坏。设计阶段的船舶疲劳强度评估只考虑了船级社给定的海况信息，但对于相同的船舶，由于营运经历的不同，会产生不同程度的疲劳损伤，而设计阶段的疲劳强度评估没有考虑到船舶营运经历的差异。尽管船舶结构监测系统可以获取船舶营运过程中的结构应力响应，但由于经济性因素的限制通常只能够实现少数位置的应力监测，不能够实现所有疲劳热点的结构应力响应的全覆盖采集。


技术实现要素：

3.本发明提供一种船舶局部疲劳热点损伤率预报方法，以克服以上问题。
4.本发明包括以下步骤：
5.s1、基于谱分析原理，获取船舶运动响应作为输入数据库，获取热点疲劳损伤作为输出数据库；
6.s2、以短期海况下的船舶运动响应数据为输入，疲劳损伤为输出数据，构建与疲劳热点对应的神经网络模型，建立船舶运动响应与热点疲劳损伤之间的关系；所述短期海况为在设定时间内，根据经验设定的波浪载荷模型；
7.s3、根据船舶运动数据，采用快速傅里叶变换方法获得波能谱，采用谱分析原理获得船舶运动响应输入参数：
8.利用船舶上安装的运动传感器，测得船舶的运动时历响应；将连续的运动响应根据经验按照一定时间长度进行分解，每一个时间段为船舶在一个短期海况下运动响应时历，采用快速傅里叶变换方法，计算运动响应谱；根据运动响应谱，计算船舶在所处的短期海况下的运动响应零阶矩和二阶矩；
9.s4、利用神经网络模型，实现基于船舶实船监测运动数据的疲劳损伤预报：
10.以短期海况下的船舶运动响应零阶矩和二阶矩为输入，并利用神经网络模型，实现不同热点疲劳损伤的快速预报；线性叠加设定时间段t内包括的每个短期海况下的疲劳损伤，可实现对应船舶营运经历的船舶各热点疲劳损伤数据进行预报。
11.进一步地，s1包括以下步骤：
12.s11、基于三维线性频域势流理论，求解船舶的运动响应和波浪载荷数据；
13.s12、根据船舶设计规范、用户经验，确定船舶结构上的需关注疲劳热点位置；
14.s13、采用有限元技术建立船舶结构数值模型，并通过加载已求得的船舶波浪载荷，求解各疲劳热点应力的幅频响应；
15.s14、根据船舶航行区域的海浪统计资料，确定用于计算的短期海况；
16.s15、采用谱分析方法,求解不同短期海况下的船舶运动响应数据、各热点的疲劳损伤数据，构建包含船舶运动响应和各热点疲劳损伤的数据库。
17.进一步地，s15中疲劳损伤数据，基于以下策略计算：
18.s15a1、计算疲劳热点的应力响应谱：
19.g
xx-p
(ωe,θ)＝|h
p
(ωe,θ)|2g
ηη
(ωe,θ)
ꢀꢀꢀꢀꢀ
(1)
20.其中，船舶与波浪的遭遇频率为ωe，船舶航向角为θ，|h
p
(ωe,θ)|2为疲劳热点的应力幅频响应；g
ηη
(ωe,θ)为船舶所遭遇短期海况的海浪谱；g
xx-p
(ωe,θ)为所计算热点的应力响应谱；
21.s15a2、通过谱分析方法，船舶在短期海况下的疲劳损伤数据的计算公式为：
[0022][0023]
其中，d为该短期海况下疲劳损伤，td为短期海况的持续时间，和m为与所分析疲劳热点相对应的s-n曲线参数，v0为交变应力过程的平均跨零率为伽马函数，m0和m2分别为疲劳热点应力响应谱的零阶矩和二阶矩。
[0024]
进一步地，s15a2中应力响应谱的零阶矩m0和二阶矩m2的计算公式为：
[0025][0026]
其中，f(β)为波浪扩散函数；n为应力响应谱的阶矩，n＝0,2。
[0027]
进一步地，s15中运动响应数据为船舶在垂荡，纵摇以及横摇三个自由度运动响应谱的零阶矩m0和二阶矩m2；
[0028]
所述运动响应数据，基于以下策略获得：
[0029]
s15b1、建立船舶在波浪中的垂荡、纵摇、横摇三个方向自由度运动的运动响应谱：
[0030]gxx-v(i)
(ωe,θ)＝|h
v(i)
(ωe,θ)|2g
ηη
(ωe,θ)
ꢀꢀꢀꢀꢀ
(4)
[0031]
其中，i＝3,4,5分别对应船舶在波浪中垂荡、纵摇、横摇三个自由度的运动，ωe为船舶与波浪的遭遇频率，θ为船舶航向角，|h
v(i)
(ωe,θ)|2为自由度对应的运动幅频响应，g
ηη
(ωe,θ)为船舶所遭遇短期海况的海浪谱；g
xx-v(i)
(ωe,θ)为各自由度所获得的运动响应谱；
[0032]
s15b2、计算三个自由度运动响应谱的零阶矩m0和二阶矩m2：
[0033][0034]
其中，i＝3,4,5分别对应船舶在垂荡、纵摇、横摇三个自由度运动响应谱的零阶矩m0和二阶矩m2；k为运动响应谱的阶矩，k＝0,2。
[0035]
进一步地，s4中运动响应谱f(ω)的计算公式：
[0036][0037]
其中，f(ω)为运动响应谱，f(t)为运动响应时历，ω为船舶与波浪的遭遇频率；e-iωt
为复变函数；t为设定时间段。
[0038]
本发明提出一种基于船舶运动监测数据的船舶局部疲劳热点损伤预报方法。利用该方法，可以实现未直接监测位置疲劳损伤的间接预报，对现有的船舶结构健康监测系统在监测功能是一个有益的改进。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明流程图；
[0041]
图2为本发明水动力网格图；
[0042]
图3为本发明垂荡运动幅频响应图；
[0043]
图4为本发明纵摇运动幅频响应图；
[0044]
图5为本发明横摇运动幅频响应图；
[0045]
图6为本发明整船有限元模型图；
[0046]
图7为本发明热点1有限元网格模型图；
[0047]
图8为本发明热点2有限元网格模型图；
[0048]
图9为本发明热点1应力响应幅频响应图；
[0049]
图10为本发明热点2应力响应幅频响应图；
[0050]
图11为本发明神经网络结构图；
[0051]
图12为本发明热点1的收敛性结果图；
[0052]
图13为本发明热点2的收敛性结果图；
[0053]
图14为本发明损失率的均方误差值图；
[0054]
图15为本发明神经网络预测数据与原始数据吻合度图。
具体实施方式
[0055]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
本发明包括以下步骤：
[0057]
s1、基于谱分析原理，获取船舶运动响应作为输入数据库，获取热点疲劳损伤作为输出数据库：
[0058]
s11、基于三维线性频域势流理论，求解船舶的运动响应和波浪载荷数据；
[0059]
具体而言，在计算波浪载荷数据时，分为长期预报和短期预报，短期预报对应的波浪描述为短期海况，短期海况所指的时间范围为半小时到数小时，短期海况可视为均值为零的平稳正态随机过程。
[0060]
s12、根据船舶设计规范、用户经验，确定船舶结构上的需关注疲劳热点位置；
[0061]
具体而言，根据船舶型号不同、使用地点不同，船舶的疲劳热点也会不同，所以疲
劳热点的设定除了要根据船舶设计规范得出，还要通过用户经验添加设定。
[0062]
s13、采用有限元技术建立船舶结构数值模型，并通过加载已求得的船舶波浪载荷，求解各疲劳热点应力的幅频响应。
[0063]
s14、根据船舶航行区域的海浪统计资料，确定用于计算的短期海况。
[0064]
s15、采用谱分析方法，求解不同短期海况下的船舶运动响应数据、各热点的疲劳损伤数据，构建包含船舶运动响应和各热点疲劳损伤的数据库。
[0065]
优选的，s15中疲劳损伤数据，基于以下策略计算：
[0066]
s15a1、计算疲劳热点的应力响应谱：
[0067]gxx-p
(ωe,θ)＝|h
p
(ωe,θ)|2g
ηη
(ωe,θ)
ꢀꢀꢀꢀꢀ
(1)
[0068]
其中，船与波浪的遭遇频率为ωe，船舶航向角为θ，|h
p
(ωe,θ)|2为疲劳热点的应力幅频响应；g
ηη
(ωe,θ)为船舶所遭遇短期海况的海浪谱；g
xx-p
(ωe,θ)为所计算热点的应力响应谱；
[0069]
s15a2、通过谱分析方法，船舶在短期海况下的疲劳损伤数据的计算公式为：
[0070][0071]
其中，d为该短期海况下疲劳损伤，td为短期海况的持续时间，和m为与所分析疲劳热点相对应的s-n曲线参数，v0为交变应力过程的平均跨零率为伽马函数，m0和m2分别为疲劳热点应力响应谱的零阶矩和二阶矩。
[0072]
具体而言，在船舶与海洋工程中，通常是把波浪视为一个平稳正态的随机过程。相应的，船舶在短期海况下交变疲劳应力过程可视为一个均值为零的平稳正态过程，而且该短期海况中应力交变过程的应力峰值分布服从rayleigh分布。
[0073]
优选的，s15a2中应力响应谱的零阶矩m0和二阶矩m2的计算公式为：
[0074][0075]
其中，f(β)为波浪扩散函数；n为应力响应谱的阶矩，n＝0,2。
[0076]
优选的，s15中运动响应数据为船舶在垂荡，纵摇以及横摇三个自由度运动响应谱的零阶矩m0和二阶矩m2；
[0077]
所述运动响应数据，基于以下策略获得：
[0078]
s15b1、建立船舶在波浪中的垂荡、纵摇、横摇三个方向自由度运动的运动响应谱：
[0079]gxx-v(i)
(ωe,θ)＝|h
v(i)
(ωe,θ)|2g
ηη
(ωe,θ)
ꢀꢀꢀ
(4)
[0080]
其中，i＝3,4,5分别对应船舶在波浪中垂荡、纵摇、横摇三个自由度的运动，ωe为船舶与波浪的遭遇频率，θ为船舶航向角，|h
v(i)
(ωe,θ)|2为自由度对应的运动幅频响应，g
ηη
(ωe,θ)为船舶所遭遇短期海况的海浪谱；g
xx-v(i)
(ωe,θ)为各自由度所获得的运动响应谱；
[0081]
s15b2、计算三个自由度运动响应谱的零阶矩m0和二阶矩m2：
[0082]
[0083]
其中，i＝3,4,5分别对应船舶在垂荡、纵摇、横摇三个自由度运动响应谱的零阶矩m0和二阶矩m2；k为运动响应谱的阶矩，k＝0,2。
[0084]
具体而言，船舶在波浪中的运动特性能够直接反应船舶所遭遇的海况，选用具有恢复力或回放力矩的垂荡(i＝3)，纵摇(i＝4)，以及横摇(i＝5)三自由度运动，参照疲劳损伤计算中所采用的关于应力响应谱的两个关参数，运动响应谱也采用零阶矩m0和二阶矩m2作为运动输入数据。
[0085]
s2、以短期海况下的船舶运动响应数据为输入，疲劳损伤为输出数据，构建与疲劳热点对应的神经网络模型，建立船舶运动响应与热点疲劳损伤之间的关系；所述短期海况为在设定时间内，根据经验设定的波浪载荷模型；
[0086]
具体而言，神经网络模型是以运动响应为输入数据，疲劳损伤为输出数据搭建的神经网络模型，构建神经网络模型使用的技术是现有的神经网络技术，只是借助于神经网络模型这个手段去建立运动与疲劳损伤之间的关系。
[0087]
具体而言，以一艘集装箱船舶为例，建立基于运动数据的疲劳损伤预报模型(对应本发明中的s1和s2)，图2为目标船舶的水动力网格，基于三维线性频域势流理论可以求解目标船舶的运动响应和波浪载荷。图3-5分别为目标船舶的垂荡、纵摇和横摇运动幅频响应。其中，频率ω变化范围为0.1-2.0rad/s，增量为0.1rad/s，航向角θ由于船舶对称性取为0-180
°
，增量为30
°
。
[0088]
图6为集装箱船的整船有限元模型。实际船舶上具有较多疲劳热点，这里选取两处典型角隅位置作为分析对象，其中热点1为机舱骨材端部与舱壁连接位置，热点2为船尾货舱区第二层甲板角隅，如图7和图8。通过加载已求得的船舶波浪载荷，可求得疲劳热点应力的幅频响应，如图9和图10。
[0089]
选用北大西洋的海浪长期统计结果，其中有义波高hs和平均跨零周期tz是表征波浪形式的两个关键参数，由不同的有义波高和跨零周期值可以组合成为一系列短期海况的波浪，其中17个hs变化范围0.5m-16.5m，间隔1m，18个tz变化范围1.5s-18.5s，间隔1s。基于步骤1.5求解不同短期海况下的船舶运动响应和各热点的疲劳损伤，构建包含船舶运动响应和各热点疲劳损伤的数据库。
[0090]
将输入输出数据进行归一化处理，搭建神经网络模型(图11)，随机选取75％原始数据作为训练数据，另外25％原始数据作为验证数据。核心算法选定为误差反向传播算法，通过调整神经网络结构，迭代次数和学习率进行神经网络模型的训练。
[0091]
选取均方误差作为评价标准，均方误差mse(mean-square error)是衡量“平均误差”的一种较方便的方法，mse可以评价数据的变化程度，mse的值越小，说明预测模型描述实验数据具有更好的精确度。其表达式为：
[0092][0093]
其中，mse为均方差函数；k为样本个数；为神经网络输出的预测值，y为输入数据的真实值，i表示第i个数据，i的取值范围为1到n。
[0094]
神经网络数据包含有：1.训练数据：training dataset；2.验证数据：validation dataset；3.循环次数：epochs。热点1和热点2的收敛性结果(图12和图13)表明训练和验证损失率在600次循环之后mse(纵坐标loss)值均低于0.0002，神经网络预测数据
(annetwork)与原始数据(reference)吻合度高(图14和图15)，完全可以满足营运过程中通过船舶运动监测数据预测疲劳损伤的要求。
[0095]
s3、根据船舶运动数据，采用快速傅里叶变换方法获得波能谱，采用谱分析原理获得船舶运动响应输入参数：将连续的运动响应按照一定时间长度进行分解，每一个时间段可以视为船舶在一个短期海况下运动响应时历，采用快速傅里叶变换计算出运动响应谱，进而计算船舶在该短期海况下的运动响应零阶矩和二阶矩。
[0096]
一个短期海况下的运动响应时历f(t)可以通过傅里叶变换获得运动响应谱f(ω)：
[0097][0098]
其中，f(ω)为运动响应谱，f(t)为运动响应时历，ω为船舶与波浪的遭遇频率；e-iωt
为复变函数；t为设定时间段。
[0099]
s4、以短期海况下的船舶运动响应零阶矩和二阶矩为输入，并利用不同疲劳热点对应的神经网络预报模型，即可实现不同热点疲劳损伤的快速预报。通过叠加一系列时间段下的疲劳损伤，即可对应船舶营运经历的船舶各热点疲劳损伤，从而指导船舶结构的安全运维。
[0100]
整体有益效果：
[0101]
现有的船舶结构健康监测系统普遍在船舶疲劳热点位置安装传感器，预报监测位置的疲劳损伤。本发明提出一种基于船舶运动监测数据的船舶局部疲劳热点损伤预报方法。利用该方法，可以实现未直接监测位置疲劳损伤的间接预报，对现有的船舶结构健康监测系统在监测功能是一个有益的改进。
[0102]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。