基于统计学习的船舶泵喷推进系统实船快速性预报新方法

[目的]针对“适配于螺旋桨的船尾线型+泵喷推进器”构成的船舶泵喷推进系统,提出一种基于统计学习的实船快速性预报新方法。[方法]以某大型水面船舶泵喷推进系统为对象,通过神经网络学习典型推进泵的推力系数图谱曲线,综合运用船-桨配合时的K_(T)-J曲线和船体-喷泵配合时的推力特性曲线,建立“仅需船舶阻力曲线就能实现船舶泵喷推进系统实船快速性预报”的新方法,并基于船模阻力试验、泵喷模型敞水试验及船体-泵喷自航试验的测量换算结果对实船推进性能的预报结果开展精度校验。[结果]校验结果表明:在航速18~30 kn范围内,船舶泵喷推进系统的自航转速、推力和功率的预报误差可控制在5.4%以内,其中设计航速附近的误差甚至小于2%;船体-泵喷的相互作用程度介于船-桨与船体-喷泵之间且幅值相对较小,推力减额系数为趋向于0的极小值,故船舶泵喷推进系统是介于桨轴推进系统和喷水推进系统之间的产物。[结论]该预报方法有利于提升船舶泵喷推进系统实船快速性预报的能力,可为新型舰艇泵类推进系统总体设计/研究提供参考。

标准船模的CFD多维度仿真与拖曳水池试验对比

针对CFD在不同计算模型下计算结果的精度问题,对1艘标准船模建立不同网格密度、不同Y+、以及不同湍流模型下的计算模型,得到不同维度下的计算结果,复合航次试验结果表明,网格密度、近壁面Y+、以及湍流模型对计算结果有较大影响,k-ε、k-ω,以及SST湍流模型的最大误差分别为2.41%、5.36%和3.65%,k-ε和SST湍流模型的部分结果与试验结果贴合度极高,说表明通过合理设置仿真模型,可以有效提高计算精度;通过复合航次试验,能够有效降低试验误差。