舟山复杂海岛条件下某交通码头溢油环境风险评估

考虑到舟山海上运输业发达,一旦有溢油事故发生,会对周围海域水环境造成严重危害。为进一步了解舟山群岛范围内溢油风险影响,文中以舟山定海某交通码头工程为研究对象,建立工程区域二维水动力模型并对潮位和潮流进行验证。同时,针对码头前沿和航道处在不利风向和潮流因素的组合工况下,耦合“油粒子”模型对复杂海岛条件下溢油风险的影响进行预测分析。结果表明:(1)受岛屿狭道效应,初期潮流作用影响明显。码头前沿和航道处溢油会沿涨落潮流方向进行漂移,受不利风向SE的进一步作用,码头前沿涨潮阶段会朝着杭州湾方向漂移扩散,而码头前沿落潮阶段和航道处涨落潮阶段均向西北-东南方向震荡漂移。(2)群岛内岛屿众多,分别对码头前沿和航道处的涨落潮时刻油粒子漂移轨迹产生阻碍作用,导致油粒子漂移动力产生部分削弱,从而减小油膜影响面积。(3)数值结果表明航道处涨潮时段发生溢油风险危害最大,其油膜最大扫海面积达到1442.3 km^(2)。涨落时刻,溢油到达敏感区域时间存在明显差异,在6~7 h之间。

浅谈航道疏浚工程设计要点

海湾是各沿海地区发展的重要载体和资源。随着海洋经济的发展,舟山市的沈家门港湾资源的破坏程度日益严重,海洋生态环境形势越发严峻。港湾内受水流动力、水土流失等多种因素影响,航道淤积严重,影响了当地渔船和货船的通航及停泊作业安全,制约了整个航道水运潜能的发挥。疏浚工程是简单有效的航道整治措施之一,文章就沈家门港的特殊性对航道疏浚设计中的重点难点进行了分析阐述,以期为广大同仁在疏浚工程设计时提供参考。

关于沿海LNG船舶航道设计要点的探讨

LNG是一种优质、高效、清洁的低碳能源,加快LNG产业发展、提高LNG在一次能源消费中的比重,是我国加快建设清洁低碳、安全高效的现代能源体系的必由之路。为满足国内旺盛的LNG储运需求,“十三五”期间,我国不断推进液化LNG接收站及分销设施建设,根据全国LNG资源流向和各消费区域市场实际需求并结合港口规划,统筹优化沿海LNG接收站布局,推进沿海LNG港口的建设。因LNG船舶较其他类型船舶存在船舶操控性差、安全要求高、通航影响大等问题,故LNG港口配套建设的进港航道设计有其特殊要求。本文结合宁波舟山港工程实例,对港口工程设计中船舶航道设计要点作相关探讨。

汽车滚装码头总体设计分析

对于全球汽车供应链来说汽车滚装码头是很关键的一个环节,是提供第三方物流的一方,而且也是重要的运输枢纽,汽车供应量的信息流、资金流以及物流都是在这里交汇的。特别是随着国家对于公路运输的全面政治,沿海滚装业务获得了快速的发展。我国的汽车消费市场是非常大的,为全球第一。并且滚装码头的总吞吐量也在快速的增长着。汽车滚装码头是和其他货种码头有一定的区别的,下面我们就对其总体设计进行了深入的分析与探讨。

波浪与水囊潜堤相互作用的数值模拟

基于黏性流体力学理论构建波浪与水囊潜堤相互作用的计算流体力学数值模型。利用高阶差分方法求解纳维斯托克斯方程,采用有限元方法求解结构动力学方程,采用虚拟单元浸入边界法实现流体和固体求解器的高精度耦合求解。通过流体体积方法实现界面重构,与试验结果比较验证模型的有效性。对规则波与不同充盈水囊潜堤相互作用进行数值模拟,寻找合适的充盈度、探求其消波机制。结果表明:1)开发的数值模型可有效模拟波浪与水囊潜堤相互作用过程中的波浪变形和结构响应;2)非充盈柔性水囊潜堤的大幅度振动更易促使结构附近涡旋的演化与脱落,并伴随着能量的耗散。

海岸软土地基桩-土相互作用的数值模拟及应用

桩基础是高桩码头整体结构受力的关键。通过建立桩-土的理论受力模型,对桩体、土体及其相互作用进行理论分析,采用傅里叶级数收敛法对对称的模型进行求逆简化,为计算机求解给定方向。在ANSYS有限元分析软件中通过APDL语言对桩-土相互作用模型进行编程化建模和加载,计算后得出桩体、土体的整体变形规律和桩侧摩阻随桩深的变化规律,将模型计算结果与现有的试验结论进行分析对比。结果表明:傅里叶级数收敛法在对称模型刚度矩阵求逆过程中可以将许多元素变为零,以增加计算机的计算效率;桩体、土体的整体位移在不同荷载作用下发生微小差异,桩土摩擦阻力呈分段线性分布,其中在入土深度32 m处应力达到最大值,在工程中应对该处布置更多纵向持力钢筋。

我国主要港口内贸集装箱吞吐量预测

近年来,随着国内经济的快速发展,特别是扩大内需、刺激消费、供给侧结构性改革等政策以及“一带一路”倡议和长江经济带战略的深入实施,内贸货物流通量大幅增长,具备高效率、低成本、安全、便捷、环保等优点的集装箱运输被广泛应用于内贸航运体系中。

数据驱动下流体结构相互作用的卷积神经网络预测

卷积神经网络(CNN:convolutional neural network)是人工智能领域中具有代表性的深度学习算法之一,在图像识别和音频处理等问题上具有良好表现。该文将CNN用于计算流体力学(CFD:computational fluid dynamics)中流体结构相互作用问题的求解,基于数据驱动(Data-Driven)的理念,跳过传统流体控制方程的计算步骤,实现流场结果的快速预测。文中以Navier-Stokes方程的计算结果作为训练集,使CNN预测模型自主学习流体结构相互作用规律与特征关系,并对带有结构物的顶盖驱动方腔流以及河道沙洲绕流等问题开展预测模拟。结果显示,基于卷积神经网络的计算模型在流速、压强的预测以及流场形态的预测方面都有良好的表现。该理念能够在基本保障精度的前提下大幅提高效率,可为流场求解提供一种新思路。