-
公开(公告)号：CN118690663B
公开(公告)日：2024-12-24
申请号：CN202411166275.2
申请日：2024-08-23
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于物理信息神经网络的海工平台锚链运动预报方法，包括以下步骤：S1.利用计算流体动力学方法得到物理信息神经网络所需的数据集；S2.采用物理信息神经网络方法通过时间序列预测锚链运动姿态，利用计算流体动力学方法得到锚链受力和受力之后的运动姿态，并收集对应时刻观测点的坐标。本发明可以精准的预测下一秒的平台锚链运动姿态，通过结合计算流体动力学方法和神经网络技术，充分利用物理方程和数据驱动的方法来预测海工平台锚链的运动，提高预测的准确性和可靠性，采用物理信息神经网络方法，将锚链运动涉及的物理方程约束神经网络，使得神经网络能够更好地学习和理解锚链运动的规律，从而提高预测的精度。
-
公开(公告)号：CN118690663A
公开(公告)日：2024-09-24
申请号：CN202411166275.2
申请日：2024-08-23
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于物理信息神经网络的海工平台锚链运动预报方法，包括以下步骤：S1.利用计算流体动力学方法得到物理信息神经网络所需的数据集；S2.利用锚链运动涉及的物理方程约束神经网络；S3.利用物理信息神经网络方法通过时间序列预测锚链运动，本发明可以精准的预测下一秒的平台锚链运动姿态，在海工领域具有重要的应用前景，通过结合计算流体动力学方法和神经网络技术，充分利用物理方程和数据驱动的方法来预测海工平台锚链的运动，提高预测的准确性和可靠性，采用物理信息神经网络方法，将锚链运动涉及的物理方程约束神经网络，使得神经网络能够更好地学习和理解锚链运动的规律，从而提高预测的精度。
-
公开(公告)号：CN118520778B
公开(公告)日：2024-10-01
申请号：CN202410968747.X
申请日：2024-07-19
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06N3/0985 , G06F113/08 , G06F119/14
Abstract: 本发明属于水下运动阻力测算领域，特别涉及一种基于物理信息神经网络的水下全回转航行体阻力预测方法与优化系统，具体包括如下步骤：S1.模型参数化；S2.几何重构和样本设计；S3.数据集准备；S4.PINNs网络构建；S5.测试网络模型；S6.求解阻力；S7.预测系统精度验证。本发明创新性地超越了传统的纯数据驱动训练模型，该模型通常依赖于大量的船型计算数据来训练近似模型以达到满意的精度。相反，本发明从基本原理出发，引入了物理信息作为损失函数的一部分，实现了一种深层次的数据驱动方法。即使在CFD样本数量有限的情况下，本发明也能通过利用大量的流场信息作为训练和测试集，不仅保证了模型精度，同时也显著减少计算资源。
-
公开(公告)号：CN118586295B
公开(公告)日：2024-12-24
申请号：CN202411053875.8
申请日：2024-08-02
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/25 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F113/08 , G06F119/14
Abstract: 本发明涉及船舶冰荷载领域，特别涉及一种基于物理信息神经网络的船舶冰载荷预报方法，实现了船舶冰载荷的智能预报。首先利用CFD‑DEM耦合计算得到在破碎冰区航行的船舶的冰载荷力以及当前时刻冰粒子的数量和相对碰撞速度，依此作为网络的训练与验证数据，之后构建冰粒动量与船舶冰载荷之间的动量守恒方程作为物理约束加入到网络的损失函数中，最后建立全连接网络结构。本发明通过建立神经网络数据集，并利用浮冰和船舶冰载荷相关的物理方程约束神经网络，将神经网络结合物理方程，从而在实时破冰的途中计算并预测后续冰面所到来的阻力；让本发明与船体的显示单元结合时，能够根据实际破冰需要的船速完成调节。
-
公开(公告)号：CN118520778A
公开(公告)日：2024-08-20
申请号：CN202410968747.X
申请日：2024-07-19
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06N3/0985 , G06F113/08 , G06F119/14
Abstract: 本发明属于水下运动阻力测算领域，特别涉及一种基于物理信息神经网络的水下全回转航行体阻力预测方法与优化系统，具体包括如下步骤：S1.模型参数化；S2.几何重构和样本设计；S3.数据集准备；S4.PINNs网络构建；S5.测试网络模型；S6.求解阻力；S7.预测系统精度验证。本发明创新性地超越了传统的纯数据驱动训练模型，该模型通常依赖于大量的船型计算数据来训练近似模型以达到满意的精度。相反，本发明从基本原理出发，引入了物理信息作为损失函数的一部分，实现了一种深层次的数据驱动方法。即使在CFD样本数量有限的情况下，本发明也能通过利用大量的流场信息作为训练和测试集，不仅保证了模型精度，同时也显著减少计算资源。
-
Patent Agency Ranking
公开(公告)号：CN118586295A
公开(公告)日：2024-09-03
申请号：CN202411053875.8
申请日：2024-08-02
Applicant: 哈尔滨工程大学三亚南海创新发展基地 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/25 , G06F30/28 , G06N3/0499 , G06F17/11 , G06F113/08 , G06F119/14
Abstract: 本发明涉及船舶冰荷载领域，特别涉及一种基于物理信息神经网络的船舶冰载荷预报方法，实现了船舶冰载荷的智能预报。首先利用CFD‑DEM耦合计算得到在破碎冰区航行的船舶的冰载荷力以及当前时刻冰粒子的数量和相对碰撞速度，依此作为网络的训练与验证数据，之后构建冰粒动量与船舶冰载荷之间的动量守恒方程作为物理约束加入到网络的损失函数中，最后建立全连接网络结构。本发明通过建立神经网络数据集，并利用浮冰和船舶冰载荷相关的物理方程约束神经网络，将神经网络结合物理方程，从而在实时破冰的途中计算并预测后续冰面所到来的阻力；让本发明与船体的显示单元结合时，能够根据实际破冰需要的船速完成调节。
-
公开(公告)号：CN117114995A
公开(公告)日：2023-11-24
申请号：CN202311157524.7
申请日：2023-09-08
Applicant: 哈尔滨工程大学
IPC: G06T3/40 , G06T5/00 , G06N3/0464
Abstract: 本发明公开了一种港口船用六自由度多视频拼接去雾识别系统，主要包括视频流实时拼接模块、港航环境下光学透雾模块、改进轻量化的船舶识别模块。本发明克服现有航运吊装码头实时大场景监控视野范围缺失，或无法同时将大范围视频展示在同一画面中，同时能进行去雾以及识别船载实时视频智能监控的实际应用问题，本提供一种可以自动拼接为一个宽视野的图像的装置并采用一系列智能拼接，去雾，识别，并使用多种框架来降低程序计算量的同时提升算法稳定性。
-
公开(公告)号：CN114408132A
公开(公告)日：2022-04-29
申请号：CN202210063767.3
申请日：2022-01-20
Applicant: 哈尔滨工程大学
Abstract: 本发明属于水下机器人技术领域，具体涉及一种带整流罩的水下机器人。本发明采用螺旋桨推进器作为动力来源，利用垂直螺旋桨推进器控制升沉，利用水平螺旋桨推进器控制进退和转弯，同时水平螺旋桨推进器设置于尾部涵道，能减少叶尖的诱导阻力，进而提升水平推进器的推力，同时由于涵道的环括作用，具有更好的安全性。本发明通过水下机器人自身两侧的整流罩有效的减少来流阻力和行进停止时产生的兴波阻力，与普通不带整流罩的水下机器人相比，具有更好的稳定性和操作性，同时两侧伸长的整流罩也能起到水翼作用，为水下机器人提供升力，减少了垂直螺旋桨推进器的负载，提高了水下机器人的机动性能。
-
公开(公告)号：CN118114376A
公开(公告)日：2024-05-31
申请号：CN202410283893.9
申请日：2024-03-12
Applicant: 哈尔滨工程大学
IPC: G06F30/15 , G06F30/27 , G06N3/08 , G06F30/28 , G06F111/04 , G06F119/14 , G06F113/08
Abstract: 本发明公开了一种基于物理信息神经网络的船舶大幅运动横摇阻尼预报系统及方法，使用融合物理信息的神经网络模型，利用水池试验或计算流体力学数据预报船舶大幅运动下横摇阻尼与附加质量系数，通过物理信息神经网络构建船舶横摇运动非线性方程模型约束，通过最小化横摇运动方程模型损失与预报数据模型损失实现对其横摇阻尼与附加质量系数的预报。本发明弥补了传统船舶横摇预测方法在处理大幅横摇运动时由于非线性因素和快速变化的海洋环境导致的预报误差增大的问题，增加船舶横摇阻尼预报的精度。
-
公开(公告)号：CN117928548A
公开(公告)日：2024-04-26
申请号：CN202410041138.X
申请日：2024-01-11
Applicant: 哈尔滨工程大学
IPC: G01C21/20 , G06N20/00 , G01C21/00 , G01S13/88 , G01S13/937
Abstract: 本发明涉及水域自主导航技术领域，特别涉及一种基于深度强化学习的港口水域的船舶自主导航方法，初始化船舶入港地理节点，按照港口海图生成0.1海里*0.1海里的栅格化网格，构建地图节点信息矩阵M；将船舶位置从纬度坐标系转换为通用横轴墨卡托坐标系；根据电子海图统计该港口区域的浮标数量、类型、和相对位置；根据禁航区域、他船信息和浮标信息，得到更新后的地图信息矩阵G；使用深度强化学习算法进行导航，直至生成最安全的可航路线；本发明将数据触发器作为控制输出中心的方法，解决了船舶在航行过程中通讯故障或仪器失灵条件下，自主系统的控制中心缺少信号输入的问题，为自主船舶导航提供了新的解决方案，保障了港口和船舶的生命财产安全。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.03 seconds)
