-
Patent Agency Ranking
公开(公告)号：CN118628001B
公开(公告)日：2024-11-05
申请号：CN202411088053.3
申请日：2024-08-09
Applicant: 大连海事大学
IPC: G06Q10/0832 , G06Q10/0635 , G06F18/20 , G06N5/01
Abstract: 本发明一种散装化学品船港口泄漏风险定量分析方法，包括以下步骤：基于识别出的散装化学品船在港作业过程中发生泄漏事故的风险因素及后果，构建散装化学品船在港作业过程中泄漏风险的事故树模型；构建散装化学品船港口泄漏事件树模型；将散装化学品船在港作业过程中泄漏风险的事故树模型与散装化学品船港口泄漏事件树组合，构建散装化学品船港口泄漏事故的领结模型；将散装化学品船港口泄漏事故的领结模型转化为散装化学品船港口泄漏事故贝叶斯网络模型；基于散装化学品船港口泄漏事故贝叶斯网络模型进行风险量化分析；确定散装化学品船港口泄漏事故及后果的失效概率，该方法为散装化学品船港口泄漏风险识别、后果分析提供了科学有效的新方法。
-
公开(公告)号：CN118586725A
公开(公告)日：2024-09-03
申请号：CN202411088055.2
申请日：2024-08-09
Applicant: 大连海事大学
IPC: G06Q10/0635 , G06Q10/0832 , G06N7/01 , G06N5/01
Abstract: 本发明一种港口水域LNG船舶航行风险计算方法，包括以下步骤：对港口水域LNG船舶航行安全的潜在影响因素进行辨识；基于港口水域LNG船舶航行安全的潜在影响因素，采用模糊事故树法对港口水域LNG船舶航行安全潜在风险进行系统分析，构建LNG船舶港口航行风险事故树模型；将LNG船舶港口航行风险事故树模型映射为LNG船舶港口航行风险的贝叶斯网络模型；基于LNG船舶港口航行风险的贝叶斯网络模型，对基本事件中的因素进行风险量化计算和LNG船舶航行风险值进行量化计算；通过敏感性分析识别出基本事件中对LNG船舶航行安全性具有显著影响的关键要素。本发明可为LNG船舶安全管理和交通组织方案研究提供参考，保障港口水域LNG船舶航行安全，维护航道通航秩序。
-
公开(公告)号：CN118628001A
公开(公告)日：2024-09-10
申请号：CN202411088053.3
申请日：2024-08-09
Applicant: 大连海事大学
IPC: G06Q10/0832 , G06Q10/0635 , G06F18/20 , G06N5/01
Abstract: 本发明一种散装化学品船港口泄漏风险定量分析方法，包括以下步骤：基于识别出的散装化学品船在港作业过程中发生泄漏事故的风险因素及后果，构建散装化学品船在港作业过程中泄漏风险的事故树模型；构建散装化学品船港口泄漏事件树模型；将散装化学品船在港作业过程中泄漏风险的事故树模型与散装化学品船港口泄漏事件树组合，构建散装化学品船港口泄漏事故的领结模型；将散装化学品船港口泄漏事故的领结模型转化为散装化学品船港口泄漏事故贝叶斯网络模型；基于散装化学品船港口泄漏事故贝叶斯网络模型进行风险量化分析；确定散装化学品船港口泄漏事故及后果的失效概率，该方法为散装化学品船港口泄漏风险识别、后果分析提供了科学有效的新方法。
-
公开(公告)号：CN118643277B
公开(公告)日：2024-11-01
申请号：CN202411117053.1
申请日：2024-08-15
Applicant: 大连海事大学
IPC: G06F18/10 , G06F18/214 , G06F18/2413 , G06F18/2411 , G06F18/243 , G06N20/20
Abstract: 本发明提供一种基于stacking集成学习的船舶油耗预测与速度优化方法，包括如下步骤：对油耗数据和影响油耗相关因素的数据进行预处理，基于预处理后的数据按照比例划分为训练数据和测试数据；构建stacking集成学习模型，用于船舶油耗的预测；将处理后的影响油耗相关因素数据输入到stacking集成学习模型中，实现对船舶油耗的预测；对stacking集成学习模型的预测结果进行评估；建立以船舶速度为决策变量，以船舶油耗最小为目标的船舶速度优化模型；对船舶速度优化模型进行离散化；基于船舶速度优化模型的约束，对离散后的船舶速度优化模型进行求解，确定不同航段最优的船舶速度，以及不同航段最优的船舶速度的船舶油耗，确定油耗节省量。
-
公开(公告)号：CN118643277A
公开(公告)日：2024-09-13
申请号：CN202411117053.1
申请日：2024-08-15
Applicant: 大连海事大学
IPC: G06F18/10 , G06F18/214 , G06F18/2413 , G06F18/2411 , G06F18/243 , G06N20/20
Abstract: 本发明提供一种基于stacking集成学习的船舶油耗预测与速度优化方法，包括如下步骤：对油耗数据和影响油耗相关因素的数据进行预处理，基于预处理后的数据按照比例划分为训练数据和测试数据；构建stacking集成学习模型，用于船舶油耗的预测；将处理后的影响油耗相关因素数据输入到stacking集成学习模型中，实现对船舶油耗的预测；对stacking集成学习模型的预测结果进行评估；建立以船舶速度为决策变量，以船舶油耗最小为目标的船舶速度优化模型；对船舶速度优化模型进行离散化；基于船舶速度优化模型的约束，对离散后的船舶速度优化模型进行求解，确定不同航段最优的船舶速度，以及不同航段最优的船舶速度的船舶油耗，确定油耗节省量。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
