【关于传播油耗模型研究的国内外文献综述3700字】

1.1经验公式油耗模型的研究能依靠理论来支撑，而且该类方法对船舶的航行状态和通航环境有着极高的要进行实验分析与计算，最终计算出了了航行阻力和船舶吃水等参数之间的关系[171,这个研究也为船舶的路径优化提供了基础。近年来，随着海洋运输业的蓬晓东等人额外对附加油耗进行了研究，随即将航行过程中的波浪高度考虑了进但是该类型的模型仍然有一定的缺陷，基于经验公式来建立模型并不具备普适性，考虑的并不全面，现如今，船舶的种类各种各样，有货运船、客船等，再加上船舶的航行环境变幻莫测，容易受到风向、风速和海浪的影响，尤其是在恶劣的环境中航行的数据完全不具备参考价值。如果仅仅使用经验或者理论公式来进行建模，则难度巨大而且模型效果并不如人意。该模型的建模思路如图1-2所示：1.2实测数据油耗模型的研究随着科学技术和计算机水平的提高，人们对于船舶航行以及油耗数据的采集技术日益成熟，同时，研究人员也更加擅长对数据进行处理和分析，更能深层次地挖掘油耗数据的特征规律。因此，基于实测数据的油耗预测模型应运而生。基于实测数据的船舶油耗模型本质上就是学者们使用日益成熟的计算机技术对油耗进行研究预测，首先使用数据处理和数据挖掘技术来得到油耗和其他参数之间的关系，建立好模型的输入以及输出关系，最后，得到高效的油耗预测模型。Peterson等人使用多种机器学习算法来构建预测模型，并比较每种机器学习模型的优劣点，最后得到结论，使用计算机技术构建的油耗模型具有很好的预测效果121]。实测数据模型是能够根据实际航行数据加上计算机技术辅佐得以准确地预估油耗量，当遇到复杂的内部情况或者恶劣的通航环境，普通的经验理论模型已经无法进行准确的预测，而基于实测数据的模型却依然适用。Leifson等人分别用经验公式模型和基于实测数据的模型分别进行实验，并对结果的误差进行分析，结果表明，基于实测数据建立的预测模型具有更好的性能[22。Yang和Rytter等基于灰箱模型建立预测模型，并使用遗传算法来对其进行等专注于主机的动态优化模型。该模型将BP神经网络与遗传算法进行融合以此得到最低的EEOI错误!未找到引用源。。ALONSO等继续将神经网络作为基础的模型，将船舶航行的一系列参数，通航环境参数作为模型的输入，以油耗作为输出，再用遗传算法进行优化。预测油耗的同时也进行评估，降低航段内的污染物排放错误!未找到引用源。。YANXP等错误!未找到引用源。在先前研究基础上，对以BP网络为基础的模型进行实验，发现该神经网络的初始权重尤其重要，对于油耗的预测效果举足轻重，指出了BP神经网络在油耗预测领域的优缺点。BESIKCI神经网络建立预测模型，并在模型基础上开发了一个决策系统，用于优化能效，可有效降低油耗和排放物污染。路通等首先对船舶航行的受力进行分析，然后根据传统经验表达式建立基础的油耗模型，接着确定了该模型的几个不确定的因素例如摩擦阻力等，然后采集了大量的实船航行数据进行研究，并使用粒子群优化算法来对不确定因素进行寻优，目标函数设定为最后的油耗预测误差值，由于加入了智能算法的缘故，模型的预测精度较先前提高了将近百分之五23。叶睿等在实测基础上进行改进，在对大量航行数据进行分析的同时也考虑到了很多额外通航因素，并建立神经网络黑箱模型进行预测，结果证明，对通航因素进行合理分析的前提下，可以使模型更加具有普适性I²4]。周春斌等人梳理了先前对油耗模型的所有研究，将实测数据模型和经验模型着重进行对比，并论述了两种模型的优缺点以及各自的适用情况和范围，这份研究报告为后续的研究提供了一种更为独特的思路错误!未找到引用源。◎王等使用Lasso回归来对参数进行选择，以此来降低模型的结构复杂度，使得模型的预测精度得到提高错误!未找到引用源。。李志等人首次使用到了深度神经网络来对该领域进行研究，他分析了输入层，隐藏层和激活函数的选择对预测结果的影响，了船舶数据的复杂、非线性和多维的特征，为了降低模型的建立复杂度，使用了降维算法来对数据进行预处理。他将PCA和BP神经网络进行结合来建立油耗预测模型，并最后进行实船实验验证，该研究为后续的油耗数据的降维方法提供了一种思路错误!未找到引用源。。牟小辉等专门研究了内河航行的油耗情况，以某长江段航行的大型船只作为实验船，并通过采集传感器获得了大量的航行数据，基于这些实际检测数据，使用随机森林来建立油耗模型，并着重分析了影响油耗的因素，对它们的相关性进行排序错误!未找到引用源。错误!未找到引用源。。2020年，袁智等研究了长江航4量来规划好该航段的船舶航速最优值错误!床找到引用源。。胡等人针对传统方法预测效果不佳的现象，将BP和高斯回归过程对两组油耗数据进行训练以及预测，对结果进行评估后发现，这两个模型对于船舶的燃油消耗都能进行相对准确的预测错误!未找到引用源。。刘等人以内河船舶为研究对象，首先通过传感器对数据进行采集，采将油耗的预测当作一般的回归问题来处理，即油耗现状仅与当前环境状况如风此，他提出了基于LSTM算法的船舶油耗预测模型，其独特的门机制，可以很综合以往的研究可以发现，油耗数据是个典型的非线性时序数据，鉴于LSTM网络在面对各种非线性时序数据时具有较强的处理能力，本文网络来构建油耗模型，并针对传统LSTM在油耗预测方面的不足参考文献[1]PohlRG.TheExclusiveEconomicZoUnitedNationsConferenceontheLawoftheSea[M].2019.2020(9):7.[3]Buhaug,CorbettJJ,Endresen,etal.Preventionofairpollutioworldshipping,2013(nov.-dec.):7-7.[5]PLinné.Ships,airpollutidevelopmentsintheMarineEnvironmentProtectionCommittee[J].AmericanPoliticalScienceAssociation,2012,73(1):307.resultsofEuropeanexperiences[J].Energy&Environment,2019,18(1):37-73.EfficiencyManagementPlan(SEEMP)leadtoreducedCO2emissions?AcomparisonwithISO5000MaritimeEconomists.2019.程，2016(S2):5.[10]冯书桓，石瑶.船舶智能航行测试国际标准现状及发展趋势[J].中国船检，2021(12):5.[11]ChaalM.ShipOperationalPerforthroughFuelConsumptionMinimizatio[12]王月萍.使用经济航速节约能源一一减速航行技术研讨[J].山东交通科技，[13]屠海洋，黄珍平，文逸彦，等.一种船舶航速节能优化辅助方法：CN111090911A[P].2020.[15]HoltropJ.Astatisticalre-analysisofresistanceShipbuildProg,1984,31(363):272-276.[16]IsherwoodRM.Windresistanceofmerchantships.1976[19]孟晓东，袁章新.考虑不规则风浪影响的最小油耗航速模型[J].上海海事大statisticalapproach[J].JournalofOceannuclearenergyconsumptionforecasting[J].AppliedEnergy,2019,93: