船舶初稳性高度预测方法和装置、系统、存储介质

本发明属于船舶安全，尤其涉及一种船舶初稳性高度预测方法和装置、系统、存储介质。

背景技术：

1、在港口运营的核心环节中，船舶配载计划的精准执行直接关系到运输效率、成本节约及航行安全，其中，船舶初稳性高度(gm)的精确计算与动态监控构成了不可或缺的关键步骤。gm作为衡量船舶在特定装载状态下稳性能力的关键指标，其波动不仅深刻影响着船舶的适航性能，还直接关系到港口作业周期与整体运营效率。因此，实现gm的快速、准确预测对于提升船舶安全性与运营效率具有重大意义。

2、鉴于船舶gm受装载状态、海况条件等多重非线性因素影响，其动态变化往往难以预见，这对船舶安全管理构成了挑战。传统方法，如依赖经验公式进行gm计算，虽能在一定程度上指导配载决策，但面临计算过程繁琐、实时响应慢、且难以全面考虑复杂环境因素的局限。例如，wathne等虽在滚装船装载规划中考虑了gm因素，zhang与lee通过多目标进化算法结合经验公式优化配载，puisa则运用milp优化稳性与装载，这些方法均在不同程度上推动了配载技术的发展，但均未从根本上解决实时性与准确性的平衡问题。

3、为克服上述局限，近年来研究聚焦于更智能、更高效的gm预测与评估方法。等尝试通过特定系统监测gm，利用实际船舶动态数据评估稳性；terada等利用自回归及自组织状态空间建模技术探索gm的预测路径；yun等则从船舶机动性角度探讨gm的影响；wawrzyński与krata则提出了改进的滚动周期预测模型，以实现gm的自动实时估计。然而，这些方法虽各具特色，但在模型复杂度、数据需求及实际应用中的泛化能力上仍面临挑战。

4、综上所述，开发一种既能够高效整合多元数据、又能在复杂海况下实现gm精准预测的智能化系统，对于提升港口作业效率、保障船舶航行安全具有迫切需求与重要价值。

技术实现思路

1、本发明要解决的技术问题是，提供一种船舶初稳性高度预测方法和装置、系统、存储介质。

2、为实现上述目的，本发明采用如下的技术方案：

3、一种船舶初稳性高度预测方法，包括：

4、步骤s1、获取历史船型参数；

5、步骤s2、根据历史船型参数，通过灰色关联分析选取与gm相关的关键因素，训练rbf神经网络；

6、步骤s3、使用贝叶斯优化算法对训练好的rbf神经网络进行超参数优化；

7、步骤s4、将待处理的船型参数输入优化后训练好的rbf神经网络中进行船舶初稳性高度预测。

8、作为优选，考虑与gm相关的预选因素包含：排水量、吃水、型宽比、重心高度、型深比、船长、船宽。

9、作为优选，步骤s2包括：

10、步骤s21、根据历史船型参数，通过灰色关联分析选取影响船舶初稳性高度关联性强的因素；

11、步骤s22、根据选取影响船舶初稳性高度关联性强的因素训练rbf神经网络。

12、作为优选，步骤s3中，通过贝叶斯优化算法对训练好的rbf神经网络进行超参数优化。

13、本发明还提供一种船舶初稳性高度预测装置，包括：

14、获取模块，用于获取历史船型参数；

15、训练模块，用于根据历史船型参数，通过灰色关联分析选取与gm相关的关键因素，训练rbf神经网络；

16、优化模块，用于对训练好的rbf神经网络使用贝叶斯优化算法进行超参数优化；

17、预测模块，用于将待处理的船型参数输入到优化后训练好的rbf神经网络中进行船舶初稳性高度预测。

18、作为优选，考虑与gm相关的预选因素包含：排水量、吃水、型宽比、重心高度、型深比、船长、船宽。

19、作为优选，训练模块包括：

20、选取单元，用于根据历史船型参数，通过灰色关联分析选取影响船舶初稳性高度的因素；

21、训练单元，用于根据影响船舶初稳性高度的因素训练rbf神经网络。

22、作为优选，优化模块通过贝叶斯优化算法对训练好的rbf神经网络进行超参数优化。优化后的rbf神经网络能够更好地适应输入的船型参数，提升预测精度。

23、作为进一步优选，预测模块用于将待处理的船型参数输入到经过贝叶斯优化算法优化后的rbf神经网络中，以实现对船舶初稳性高度的预测。

24、本发明还提供一种船舶初稳性高度预测系统，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行船舶初稳性高度预测方法。

25、本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行船舶初稳性高度预测方法。

26、本发明具有以下技术效果：

27、1、本发明采用贝叶斯优化算法对rbf神经网络进行改进优化，从而有效降低预测误差，达到更精准的预测效果。

28、2、针对船舶初稳性高度受多方面因素影响的复杂性，采用灰色关联分析减少了输入层的选取，提高神经网络输入特征与输出值之间的相关性。

29、3、针对船舶初稳性高度计算步骤繁杂、实时性差问题，采用改进的rbf神经网络进行初稳性高度的预报，本发明具有更低的误差，为船舶初稳性高度预测提供了可靠的解决方案。

技术特征：

1.一种船舶初稳性高度预测方法，其特征在于，包括：

2.如权利要求1所述的船舶初稳性高度预测方法，其特征在于，考虑与gm相关的预选因素包含：排水量、吃水、型宽比、重心高度、型深比、船长、船宽。

3.如权利要求2所述的船舶初稳性高度预测方法，其特征在于，步骤s2包括：

4.如权利要求3所述的船舶初稳性高度预测方法，其特征在于，步骤s3中，通过贝叶斯优化算法对训练好的rbf神经网络进行超参数优化。

5.一种船舶初稳性高度预测装置，其特征在于，包括：

6.如权利要求5所述的船舶初稳性高度预测装置，其特征在于，考虑与gm相关的预选因素包含：排水量、吃水、型宽比、重心高度、型深比、船长、船宽。

7.如权利要求6所述的船舶初稳性高度预测装置，其特征在于，训练模块包括：

8.如权利要求7所述的船舶初稳性高度预测装置，其特征在于，还包括：

9.一种船舶初稳性高度预测系统，其特征在于，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在运行时执行如权利要求1-4中的任一项所述的船舶初稳性高度预测方法。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-4中的任一项所述的船舶初稳性高度预测方法。

技术总结
本发明公开一种船舶初稳性高度预测方法和装置、系统、存储介质，包括：步骤S1、获取历史船型参数；步骤S2、根据历史船型参数，通过灰色关联分析选取与GM相关的关键因素，训练RBF神经网络；步骤S3、使用贝叶斯优化算法对训练好的RBF神经网络进行超参数优化；步骤S4、将待处理的船型参数输入优化后训练好的RBF神经网络中进行船舶初稳性高度预测。采用本发明的技术方案，通过引入灰色关联分析和贝叶斯优化算法，有效提高了预测精度，降低了预测误差，达到更加精准的预测效果。

技术研发人员：王思思,王立军,廖声浩,孙振航,关竟宇,尹建川,李荣辉,贾宝柱,景舒畅
受保护的技术使用者：广东海洋大学
技术研发日：
技术公布日：2024/12/17