Определение состояния аварийного корабля в процессе развития затопления отсеков
DOI:
https://doi.org/10.32603/2071-2340-2023-4-41-49Ключевые слова:
искусственная нейронная сеть, бортовая система искусственного интеллекта, бортовая качка корабляАннотация
В статье рассматривается метод потоковой обработки реализации бортовой качки корабля в процессе развития аварии в результате затопления отсеков с целью определения момента времени, когда происходит смена типа диаграммы статической остойчивости. Состояние корабля, соответствующее каждому из этих типов, требует абсолютно разных методов борьбы за живучесть, что отражается в базе знаний бортовой интеллектуальной системы. В условиях плавания, а тем более в экстремальных ситуациях, непосредственное измерение характеристик остойчивости морского объекта невозможно, поэтому требуется их косвенное определение. В статье приведена реализация процедурной компоненты бортовой интеллектуальной системы мониторинга безопасности мореплавания, основанной на искусственной нейронной сети.
Библиографические ссылки
Справочник по теории корабля / Дробленков, Ермолаев, Муру, Крылов, Кузнецов, под ред. Дробленкова В. Ф. М.: Воениздат, 1984. 589 с.
Nechaev Y., Degtyarev A. Account of peculiarities of ship's non-linear dynamics in seaworthiness estimation in real-time intelligence systems // Proceedings of the International conference STAB'2000 — Launceston, Tasmania, Australia, — 2000. — Vol. 2, — P. 688-701.
Nechaev Y., Degtyarev A., Boukhanovsky A. Complex Situations Simulation when Testing Intelligence System Knowledge Base // Lecture Notes in Computer Science, 2001. — Vol. 2073, — P. 453-462
Nechaev Y., Degtyarev A., Kiryukhin I. Complex Situation Recognition on the Basis of Neural Networks in Shipboard Intelligence System // Lecture Notes in Computer Science, 2002. — Vol. 2331, — P. 564-573.
NechaevYu.I., Degtyarev A.B., Boukhanovsky A.V. Cognitive Computer Graphics for Information Interpretation in Real Time Intelligence Systems // Lecture Notes in Computer Science, 2002. — Vol. 2329, — P. 683-692
Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2018. 480 с.
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. Слинкина А. А. – 2 изд., испр. – М.: ДМК Пресс, 2018. 652 с.
Grabusts P., Zorins A. The Influence of Hidden Neurons Factor on Neural Network Training Quality Assurance // Proceedings of the 10th International Scientific and Practical Conference, 2015, vol. 3, pp. 76-81.
Degtyarev A. New Approach to Wave Weather Scenarios Modeling. //Fluid Mechanics and its Applications, v.97, 2011, pp.599-617
Давидан И.Н., Лопатухин Л.И., Рожков В.А. Ветровое волнение как вероятностный гидродинамический процесс. Л.:Гидрометеоиздат, 1978
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Материал публикуется под лицензией:
