地震激励下近自由面圆形桥墩水动力变化机制的频率响应研究

本文创新性地将改进双深度Q网络（DDQN）算法应用于翼帆-柴油混合动力船舶的路径规划，通过建立XGBoost燃油消耗预测模型和船舶运动模型，优化奖励函数设计（涵盖燃油消耗、航向、距离等参数），在阿拉伯海"新亚丁"号目标航线上实现燃料消耗降低6.35%、能效运营指标（EEOI）下降7.98%，为智能航运能效提升提供新范式。

　　

研究亮点

本研究通过改进双深度Q网络（DDQN）算法，构建了翼帆-柴油混合动力船舶的智能路径规划框架。创新点包括：

1）基于XGBoost算法建立船舶燃油消耗黑箱预测模型

2）设计融合多目标（燃油效率、航向稳定性、避碰等）的强化学习奖励机制

3）采用双网络架构解决传统DQN对未知状态估值过高的问题

方法设计

动态运动建模与燃油消耗预测

建立3自由度（3-DOF）船舶运动模型，通过极端梯度提升（XGBoost）算法构建燃油消耗预测黑箱模型，该模型能准确反映翼帆推力与柴油动力耦合作用下的能耗特征。

DDQN算法设计

采用在线网络-目标网络双架构：

• •

  在线网络负责动作选择

• •

  目标网络评估动作价值

  通过时序差分（Temporal Difference）协调Q值更新，有效缓解传统算法在稀疏奖励场景下的学习停滞问题。

目标船舶参数

以"新亚丁"号为例（见图10-11），其翼帆系统参数参照Wang等（2024）研究，具体数值见表4-6。船舶于2023年4月14日15:40从达曼启航，4月27日11:50抵达新加坡，航行期间实时采集海洋气象数据用于模型训练。

结论

本框架通过归一化多准则成本函数优化，实现翼帆-柴油混合动力船舶的航速-航向协同控制。实验表明，该方法能显著提升船舶能效，为IMO 2050减排目标提供可行的技术路径。

作者贡献声明

王聪：文稿撰写/算法设计；黄连中：课题指导；马冉奇：方法论；王凯：资源协调；盛金路：模型验证；阮璋：数据分析；张瑞：编程实现；曹建林：数据管理。

利益冲突声明

作者声明无潜在利益冲突。

致谢

感谢国家重点研发计划（2022YFB4300805）、国家自然科学基金（52271305）等项目的资助。