王志剛，周 旭

(南通中遠海運川崎船舶工程有限公司，江蘇 南通 226005)

0 引 言

船舶的優(yōu)化設計理論及技術在降低船舶建造成本和提高船舶整體性能方面已經(jīng)卓有成效，其研究成果已經(jīng)廣泛地應用到散貨、集裝箱及油輪等船型的優(yōu)化設計中。船體結構重量是關乎船舶經(jīng)濟性和環(huán)保性的重要因素，是衡量船舶設計方案優(yōu)劣的重要指標。對于超大型油船，船體所受的靜水彎矩是影響船體結構重量的重要因素，而貨油艙分艙方案直接決定了靜水載荷的大小和分布情況，從而影響靜水彎矩的大小。因此，以較小靜水彎矩為目標的分艙優(yōu)化已成為船舶優(yōu)化設計的重要研究方向。

尚寶國[1]重點研究超大型油船壓載艙的分艙優(yōu)化，考慮到超大型油船最大的中拱彎矩通常發(fā)生在壓載出港時所有壓載艙全滿的URS11校核工況，針對性地提出一種壓載艙分艙優(yōu)化方案，實現(xiàn)降低船體最大靜水中拱彎矩的目標。張建波等[2]針對變邊艙分艙對降低總縱彎矩的影響進行了研究，通過對比篩選，得到一型可同時降低航行中拱與中垂彎矩、在港中拱彎矩的變邊艙分艙方案。顧柳婷等[3]以船型、主尺度以及貨油艙總艙容確定為前提條件，以靜水彎矩最小為優(yōu)化目標，并以滿足意外溢油量和假定溢油量、破損穩(wěn)性、完整穩(wěn)性以及浮態(tài)等要求為限制條件，利用“窮舉法”進行貨油艙橫艙壁位置的優(yōu)化。袁永生等[4]針對散貨船型，在NAPA中進行二次開發(fā)，程序實現(xiàn)以各貨艙長度為變量快速生成分艙方案，以此建立22種分艙方案，通過比較各分艙方案的彎矩剪力極值，選定最優(yōu)方案。

遺傳算法是一種通過模仿自然界的選擇與遺傳的機理來搜索最優(yōu)解的方法，目前逐步在船舶工程各領域獲得應用。該方法在航線優(yōu)化、壓載水交換、主尺度確定、艙室布置、浮態(tài)和穩(wěn)性計算以及結構優(yōu)化等方面均獲得良好應用[5]。本文將探索以NAPA三維設計軟件為平臺，通過二次開發(fā)實現(xiàn)分艙方案的參數(shù)化建模以及裝載工況的自動計算。在此基礎上，利用遺傳算法進行以橫艙壁位置為變量的靜水彎矩最小為目標的分艙優(yōu)化。

1 參數(shù)化分艙

目前船舶設計中，設計者通常是在TRINBON或者NAPA等三維設計軟件中，通過可視化手動建?；蛘呃脤懨畹姆绞竭M行分艙建模。這種方式建模周期較長，效率低，并且由于建模過程較為復雜，容易出錯。因此，無法通過該方式實現(xiàn)大量的分艙方案研究。

本文應用NAPA的二次開發(fā)功能[6]，實現(xiàn)以貨艙區(qū)域橫艙壁位置為變量的參數(shù)化分艙建模。若某VLCC貨油艙區(qū)域分成n個貨油艙段，則貨艙區(qū)域各橫艙壁位置為x(bh1),x(bh2),x(bh3), ……,x(bh(n-1))。在貨油艙區(qū)域以外的其他艙室定義完成之后，給定各橫艙壁位置數(shù)值，運行便可生成分艙模型。若修改橫艙壁位置數(shù)值，運行后便可生成一個新的分艙模型。

2 基于遺傳算法的優(yōu)化模型

2.1 設計變量

本文的重點是VLCC貨油艙的分艙優(yōu)化設計。船舶主尺度、總布置、貨艙數(shù)量及分艙型式是設計前提條件。當首尾防撞艙壁確定以后，貨油艙長度由機艙長度決定，而機艙長度取決于機艙的布置需求。因此，可假設貨油艙區(qū)域最前端艙壁和最后端艙壁的位置固定，只有貨油艙區(qū)域內橫艙壁位置可變。假設貨油艙區(qū)域分成n個貨油艙段，則優(yōu)化參數(shù)為中間各橫艙壁位置x(bh1),x(bh2),x(bh3), ……x(bh(n-1))，具體優(yōu)化參數(shù)如圖1所示。

圖1 優(yōu)化參數(shù)示意圖Fig.1 Optimization variable diagram

2.2 優(yōu)化目標

相比靜水剪力，靜水彎矩是決定船體結構重量的主導因素，因此選擇船體梁所受的靜水彎矩最小作為優(yōu)化目標。在一定的裝載工況下，船體梁靜水彎矩的大小主要取決于貨物重量分布、船體結構自身重量分布以及船體所受浮力分布等因素的影響[3]。VLCC貨油艙區(qū)域橫艙壁位置的移動，主要是導致貨艙區(qū)域貨油以及壓載水重量分布的變化，進而使得船體梁受到的靜水彎矩變化。

通常VLCC需要考慮60多種裝載工況，如果對所有工況都進行配載計算，將花費較長時間，遺傳算法優(yōu)化工程花費時間較長，不實用。而一般靜水彎矩較大的極端工況主要是幾種典型的裝載工況。因此，為了提高優(yōu)化效率，選擇容易產(chǎn)生靜水彎矩極值的幾種典型裝載工況進行配載計算。本文考慮的典型工況有：

1）夏季吃水均值滿載出港、中途、到港狀態(tài)；

2）設計吃水均值裝載出港、中途、到港狀態(tài)；

3）正常壓載出港、中途、到港狀態(tài)；

4）重壓載出港、中途、到港狀態(tài)；

5）H-CSR要求的針對部分壓載的空滿校核（URS11要求）。

船體梁受到的靜水彎矩包括中拱彎矩和中垂彎矩。在NAPA中完成工況配載后，計算可得到沿船長各截面處所受到的彎矩值，負值的為中垂彎矩，正值的為中拱彎矩。中拱彎矩和中垂彎矩同時影響船體重量，因此，本文同時考慮中拱彎矩和中垂彎矩的優(yōu)化。最終選擇中拱彎矩和中垂彎矩極大值的絕對值，然后取二者的平均值BMave，作為優(yōu)化目標。

2.3 優(yōu)化流程

遺傳算法是模擬自然界生物遺傳和進化過程而形成的一種全局優(yōu)化搜索算法。首先經(jīng)過種群初始化能得到一組初始種群，在種群中搜索局部最優(yōu)解保存作為全局最優(yōu)解，并對種群個體作選擇、交叉、變異等操作得到下一代的種群。下一代種群中的局部最優(yōu)解比較全局最優(yōu)解并取代之，如此循環(huán)進化得到最終的最優(yōu)解的個體。

首先根據(jù)設計經(jīng)驗或參考母型船設定橫艙壁初始位置，并根據(jù)規(guī)范要求及生產(chǎn)工藝限制設定變量的上下限。初始化是根據(jù)初始橫艙壁位置生成初始分艙模型，并進行工況配載，計算得到初始BMave。遺傳算法通過評估BMave進行設計變量的選擇、交叉、變異，從而修改橫艙壁位置，進而重新建模計算。如此循環(huán)迭代，直到優(yōu)化得到滿足條件的最優(yōu)解或者達到迭代代數(shù)限制。遺傳算法分艙優(yōu)化流程如圖2所示。

通過遺傳算法優(yōu)化，可得到關于橫艙壁位置的一組最優(yōu)解序列。但是根據(jù)有關規(guī)范公約規(guī)定，VLCC分艙還必須滿足意外溢油量和假定溢油量、完整穩(wěn)性以及破損穩(wěn)性等方面的要求。最后對最優(yōu)解序列按照倒序進行上述規(guī)范校核，剔除不滿足要求的解，便可以得到優(yōu)化結果。

圖2 優(yōu)化流程Fig.2 The process of optimization

3 VLCC優(yōu)化計算實例

3.1 優(yōu)化船型

以32萬噸VLCC為研究對象，進行分艙優(yōu)化，其主參數(shù)見表1。

表1 船型主參數(shù)表Tab.1 Main dimensions of the ship

該型VLCC采用雙底雙殼結構，整個貨油艙區(qū)域通過4道中間橫艙壁、2道內殼縱艙壁以及2道中間縱艙壁，分成5個中貨油艙和5對邊貨油艙。該型VLCC貨油艙分布如圖3所示。

圖3 某32萬噸VLCC貨油艙分布示意圖Fig.3 Subdivision diagram of 320 K VLCC

3.2 遺傳算法設定

其中遺傳算法的主要控制參數(shù)為群體規(guī)模、交叉概率、變異概率，研究表明合理參數(shù)范圍為：種群規(guī)模M，20～100；交叉概率Pc，0.4～0.9；變異概率Pm，0.001～0.01[7]。本文遺傳算法主要控制參數(shù)群體規(guī)模、交叉概率、變異概率，分別取值為20，0.9，0.01。

考慮實例船型裝卸貨操作便利性要求，限制2號、3號和4號貨油艙艙長相同，僅1號和5號貨油艙艙長可各不相同。因此，該實例優(yōu)化設計變量簡化為x（bh1）和x（bh4）。合理的設計變量取值范圍可以提高遺傳算法的搜索效率，并且確保得到足夠有效的可行解。設計變量設定如表2所示。

表2 橫艙壁位置初始設定Tab.2 Initial setting of transverse bulkheads

3.3 優(yōu)化結果

針對上述優(yōu)化模型，利用遺傳算法搜索最優(yōu)解，優(yōu)化目標隨迭代過程變化如圖4所示。

圖4 遺傳算法優(yōu)化過程Fig.4 Genetic algorithm optimization process

隨遺傳迭代前進，優(yōu)化目標呈減小趨勢，并且最后趨于穩(wěn)定。經(jīng)校核，優(yōu)化結果滿足浮態(tài)、完整穩(wěn)性、破損穩(wěn)性、意外溢油量和假定溢油量等方面的要求。優(yōu)化結果與初始值對比如表3所示，靜水彎矩BMave經(jīng)過優(yōu)化，減小2.3%。

對比優(yōu)化前后各典型工況彎矩極值包絡線，如圖5所示。

表3 優(yōu)化結果對比表Tab.3 Comparison of the optimized result

圖5 優(yōu)化前后彎矩包絡線對比圖Fig.5 The bending moment envelop before and after optimization

從圖5可以看出，橫艙壁位置優(yōu)化對于各工況中拱彎矩極值包絡線影響非常小，理論分析是因為中拱彎矩包絡線由貨艙區(qū)域所有壓載艙均滿的壓載工況決定，而橫艙壁位置的變化對該典型工況的靜水彎矩幾乎無影響；通過遺傳算法優(yōu)化，各典型工況中垂彎矩極值包絡線整體明顯減小。

4 結 語

針對超大型油船，本文建立了以橫艙壁位置為變量的參數(shù)化分艙建模方法，大大提高了建模效率，降低了人為差錯率。同時，參數(shù)化分艙建模也是引入全局優(yōu)化算法的前提條件。本文將遺傳算法應用到超大型油船的橫艙壁位置優(yōu)化中，從而進行全局搜索最優(yōu)解，大大提高了優(yōu)化效率以及優(yōu)化結果的質量。目前的分艙還處于經(jīng)驗決定或者采用局部優(yōu)化策略等方式，因此，基于遺傳算法的全局優(yōu)化思路值得向分艙優(yōu)化的其他領域推廣應用，如雙殼寬度優(yōu)化，艏尖艙艙容優(yōu)化等。