歐陽子路,王鴻東*,2,王檢耀,2,易宏,2
1 上海交通大學(xué) 海洋工程國家重點實驗室,上海 200240
2 上海交通大學(xué) 海洋智能裝備與系統(tǒng)教育部重點實驗室,上海 200240
作為各種智能控制算法與控制策略實施的載體,智能船舶[1-2]與無人艇[3-5]這類結(jié)合了傳統(tǒng)船舶工業(yè)與人工智能新興技術(shù)的產(chǎn)物,已成為近年來學(xué)術(shù)研究的熱點。而這些控制算法與策略的設(shè)計基礎(chǔ)是船舶操縱運動數(shù)學(xué)模型。為了對智能船舶與無人艇的運動實現(xiàn)精準(zhǔn)預(yù)報,一般需要采用非線性數(shù)學(xué)模型,如Abkowitz 模型[6]和MMG 模型[7],但這些數(shù)學(xué)模型包含大量的水動力導(dǎo)數(shù),給控制算法與策略的設(shè)計與實施帶來了問題:一是運算效率低,較高的模型復(fù)雜度會降低運算求解效率,減慢計算速度,帶給計算機(jī)較大的存儲壓力與運行壓力;二是物理意義不明確,較多參數(shù)難以從模型試驗或計算流體動力學(xué)(CFD)求解中獲?。蝗菂?shù)漂移影響大,船舶操縱模型越復(fù)雜,水動力導(dǎo)數(shù)產(chǎn)生數(shù)值漂移的可能性越大,導(dǎo)致設(shè)計出的控制參數(shù)與控制律在實際工程中缺乏良好的適用性。
針對上述問題,國內(nèi)外多位學(xué)者從敏感性分析(也稱“靈敏度分析”)的角度對船舶操縱數(shù)學(xué)模型進(jìn)行了簡化。Hwang[8]將某水動力導(dǎo)數(shù)發(fā)生參數(shù)漂移后所引起的速度分量變化的最大值定義為該水動力導(dǎo)數(shù)的敏感性系數(shù),并進(jìn)行仿真試驗驗證了該方法的有效性。Perez 等[9]以船舶四自由度運動數(shù)學(xué)模型為基礎(chǔ),通過提取橫向速度與角速度,定義了艏搖平方損失函數(shù),該損失函數(shù)的計算值即為敏感性值。以該理論為基礎(chǔ),方向紅等[10]以Mariner 船為研究對象,基于損失函數(shù)法對船舶運動數(shù)學(xué)模型進(jìn)行了簡化與重構(gòu);羅偉林等[11]考慮參數(shù)漂移效應(yīng),采用35°右回轉(zhuǎn)、10°/10°Z 形操舵與20°/20° Z 形操舵這3 種操縱性標(biāo)準(zhǔn)試驗進(jìn)行靈敏度計算,并自行設(shè)計了目標(biāo)函數(shù),得出線性水動力導(dǎo)數(shù)、橫向速度和轉(zhuǎn)艏角速度的三階水動力導(dǎo)數(shù)在模型中起主要作用的結(jié)論。徐峰等[12]直接從敏感性的原始定義出發(fā),基于船舶操縱運動數(shù)學(xué)模型,推導(dǎo)出了敏感性分析的直接方法并針對簡化前、后的15°/15° Z 形操舵進(jìn)行了仿真試驗,結(jié)果表明各運動狀態(tài)吻合較好。
根據(jù)目前的研究進(jìn)展,針對船舶操縱數(shù)學(xué)模型的敏感性研究多從單個標(biāo)準(zhǔn)操縱性試驗(如Z 形操舵或回轉(zhuǎn)試驗)入手進(jìn)行分析與驗證,或是將多個標(biāo)準(zhǔn)操縱性試驗的敏感性結(jié)果進(jìn)行線性組合分析。然而,若要將控制算法與策略應(yīng)用到船舶上,整個船舶操縱與運動過程相比其標(biāo)準(zhǔn)操縱性試驗將會產(chǎn)生較大差異,且會衍生出帶有控制特色的新指標(biāo),采用傳統(tǒng)分析方法對用于智能控制的船舶運動數(shù)學(xué)模型進(jìn)行簡化,有可能會產(chǎn)生較大的實際控制誤差。為此,在前人的研究基礎(chǔ)上,本文擬提出結(jié)合標(biāo)準(zhǔn)操縱性試驗與比例-積分-微分(proportion-integral-differential,PID)航向控制試驗的敏感性分析方法,將控制指標(biāo)、操縱性指標(biāo)及整個時歷過程典型運動狀態(tài)變量平方損失進(jìn)行復(fù)合分析,引入K-means 機(jī)器學(xué)習(xí)算法,對上述多維度敏感性指數(shù)進(jìn)行聚類分析,從而得到用于智能控制的船舶運動簡化數(shù)學(xué)模型,并用仿真試驗對本文所提方法與模型的有效性進(jìn)行驗證。
本文所采用的船舶運動數(shù)學(xué)模型為Abkowitz模型。該模型將船體、螺旋槳和舵看作一個整體,對3 個方向的流體動力作“準(zhǔn)定常假設(shè)”,即F=f(u,v,r,u˙,v˙,r˙,δ),并將其展開為各運動狀態(tài)量及其耦合項的泰勒級數(shù)之和,最終的數(shù)學(xué)表達(dá)形式如式(1)所示:
式中:m為船舶質(zhì)量;XG為船舶重心的縱向坐標(biāo);Iz為船舶關(guān)于Z軸的慣性矩;u,v,r分別為縱向速度、橫向速度及轉(zhuǎn)艏角速度; Δu˙, Δv˙, Δr˙分別為縱向、橫 向、轉(zhuǎn) 艏 加 速 度 的 擾 動 項;Xu˙,Yv˙,Yr˙,Nv˙,Nr˙為流體慣性水動力導(dǎo)數(shù);Δf1,Δf2,Δf3為作用于船舶的流體動力,包含一階、二階、三階水動力導(dǎo)數(shù)?;贏bkowitz 模型,本文選取操縱性標(biāo)模Mariner 進(jìn)行研究。
本文采用標(biāo)準(zhǔn)操縱性試驗結(jié)果與PID 航向控制試驗結(jié)果相結(jié)合的分析方法,將控制指標(biāo)、操縱性指標(biāo)及整個時歷過程典型運動狀態(tài)變量平方損失進(jìn)行復(fù)合分析。其中,標(biāo)準(zhǔn)操縱性試驗包括回轉(zhuǎn)試驗與Z 型操舵試驗。Mariner 船在標(biāo)準(zhǔn)水動力導(dǎo)數(shù)下的回轉(zhuǎn)試驗與20°/20° Z 形操舵試驗結(jié)果分別如圖1 和圖2(圖中, ψ為航向角,δ 為舵角)所示。對于回轉(zhuǎn)試驗結(jié)果,本文提取回轉(zhuǎn)半徑R、正橫距S2和縱距S作為敏感性分析的關(guān)鍵指標(biāo);對于Z 形操舵試驗,本文提取第一超越角ψOV作為關(guān)鍵指標(biāo),具體分析方法在下節(jié)展開。
圖1 35°右滿舵回轉(zhuǎn)試驗軌跡Fig. 1 35° right full rudder rotation test track
圖2 20°/20° Z 形操舵試驗舵角與艏向角時歷曲線Fig. 2 Time history curves of rudder angle and heading angle in 20°/20° zig-zag test
PID 航向控制是船舶智能控制中應(yīng)用最廣泛的一種控制方法,同時,也是各智能控制算法與策略實施的基礎(chǔ),其執(zhí)行流程如圖3 所示。本文引入PID 航向控制試驗作為敏感性分析的基礎(chǔ)試驗之一,可以有效測試與計算各水動力導(dǎo)數(shù)對控制過程及控制結(jié)果的影響程度。在PID 航向控制系統(tǒng)中,船舶期望航向角θ 與當(dāng)前實際航向角ψ(t)這兩者間的差值構(gòu)成了航向偏差e(t),經(jīng)過比例、積分、微分運算,可得到舵角實際輸出u(t)的數(shù)學(xué)表達(dá)式為
圖3 PID 航向控制執(zhí)行流程Fig. 3 PID heading control execution process
式中:Kp為比例系數(shù);Ti為積分時間常數(shù);Td為微分時間常數(shù)。對于PID 控制試驗結(jié)果,本文提取控制最大瞬態(tài)偏差d、控制誤差err及u,v的時間序列作為敏感性分析的關(guān)鍵參數(shù),具體分析方法將在下節(jié)展開。
式中: max(ψ(t))為整個控制過程中船舶最大航向角;ψ(final_t)為控制狀態(tài)達(dá)到穩(wěn)定最終時刻的船舶航向角。
敏感性分析的核心目的是得到模型中各參數(shù)的敏感性系數(shù)大小,以便在實際應(yīng)用中忽略敏感性系數(shù)很小的參數(shù),重點考慮敏感性系數(shù)較大的參數(shù),這樣不僅可以大大降低模型的復(fù)雜度[13],還可減少因非線性水動力導(dǎo)數(shù)過多而帶來的參數(shù)漂移[11]。本文將用于智能控制的船舶運動數(shù)學(xué)模型敏感性系數(shù)劃分為3 個維度進(jìn)行分析。
用控制指標(biāo)R1表征船舶航向控制的特點。由1.2 節(jié),可知R1包括d及err,且可以采用下面的函數(shù)表示:式中:H為水動力導(dǎo)數(shù);O為船舶其他參數(shù)。基于R1,定義控制指標(biāo)敏感性系數(shù)S1為
1) 在標(biāo)準(zhǔn)水動力導(dǎo)數(shù)下通過PID 航向試驗計算d*與err*。
2) 取單個標(biāo)準(zhǔn)水動力導(dǎo)數(shù),變化范圍為-80%~+80%,變化步長為20%,每次變化后都通過PID航向控制試驗計算相應(yīng)的d j與err j。
4) 重復(fù)步驟2)與步驟3),遍歷每一個水動力導(dǎo)數(shù)。
根據(jù)上述步驟,得到期望航向角θ= 20°時基于控制指標(biāo)的敏感性系數(shù)S1如表1(根據(jù)式(1),流體慣性水動力導(dǎo)數(shù)及控制導(dǎo)數(shù)為建模必備參數(shù),故未參與敏感性分析)所示。
表1 水動力導(dǎo)數(shù)基于控制指標(biāo)的敏感性系數(shù)Table 1 Sensitivity coefficients of hydrodynamic derivatives based on control index
除了對航向控制典型指標(biāo)的分析,在整個航向控制過程中,各運動狀態(tài)的時歷演變同樣重要,因其反映的是系統(tǒng)的動態(tài)性能?;赑erez等[9]提出的損失函數(shù)概念,針對PID 航向控制的特殊性,定義復(fù)合評價函數(shù)Jcontrol如式(6)所示。
式中:psi*為標(biāo)準(zhǔn)水動力導(dǎo)數(shù)下船舶航向角在整個控制過程時間序列上構(gòu)成的向量,其維數(shù)為N*1;psi j為水動力導(dǎo)數(shù)偏移后的向量。該式計算的是兩向量的夾角余弦,機(jī)器學(xué)習(xí)及統(tǒng)計學(xué)經(jīng)常采用該值來衡量樣本向量之間的相似程度。本文借助該數(shù)學(xué)概念,考慮到 |1-η|在本場景數(shù)值上較小,采用sigmoid 函數(shù)對其進(jìn)行了放大激活。PID航向控制的動態(tài)性能對某水動力導(dǎo)數(shù)的變化越敏感,psi*與psi j間的差異便越大,sigmoid(|1-η|)的值將越大。綜上可知,式(7)綜合考量了縱向速度、橫向速度與航向角的動態(tài)性能關(guān)于水動力導(dǎo)數(shù)的敏感性?;谏鲜鰯?shù)學(xué)分析,得到期望航向角θ= 20°、單水動力導(dǎo)數(shù)偏移50%時的敏感性系數(shù)S2如表2 所示。
表2 水動力導(dǎo)數(shù)基于復(fù)合評價函數(shù)的控制過程敏感性系數(shù)Table 2 Sensitivity coefficients of hydrodynamic derivatives based on composite evaluation function of the control process
2.1 節(jié)和2.2 節(jié)分別對PID 航向控制結(jié)果與動態(tài)性能這2 個維度的水動力導(dǎo)數(shù)敏感性進(jìn)行了分析,主要關(guān)注的是水動力導(dǎo)數(shù)變化對控制性能的影響。本節(jié)則回歸標(biāo)準(zhǔn)操縱性試驗,如回轉(zhuǎn)試驗與Z 形操舵試驗,分析水動力導(dǎo)數(shù)變化對航行性能的影響。
用標(biāo)準(zhǔn)操縱性試驗指標(biāo)R3表征船舶航行性能的特點,由1.2 節(jié),R3包括R,S2,S,ψOV。類似于2.1 節(jié),基于R3定義標(biāo)準(zhǔn)操縱性試驗指標(biāo)S3如式(8)。
表3 水動力導(dǎo)數(shù)基于標(biāo)準(zhǔn)操縱性試驗指標(biāo)的敏感性系數(shù)Table 3 Sensitivity coefficients of hydrodynamic derivatives based on standard maneuverability test index
由上節(jié),得到了從不同維度出發(fā)描述水動力導(dǎo)數(shù)的敏感性系數(shù)S1,S2,S3,即每個水動力導(dǎo)數(shù)對應(yīng)3 個敏感性系數(shù)。根據(jù)以上數(shù)據(jù),得到水動力導(dǎo)數(shù)在構(gòu)造用于智能控制的運動數(shù)學(xué)模型時關(guān)于敏感性高低的類別劃分,并采用機(jī)器學(xué)習(xí)K-Means聚類算法進(jìn)行了分析。
聚類是將一個大的數(shù)據(jù)集劃分為具有相似特征或表現(xiàn)的若干子集。與分類不同,聚類無需事先得到數(shù)據(jù)集中某些數(shù)據(jù)的分類標(biāo)號,從部分標(biāo)簽中提取分類原則,而是秉持子集與子集之間數(shù)據(jù)差異程度最大、同一子集里的數(shù)據(jù)差異程度最小的原則來對大數(shù)據(jù)集進(jìn)行劃分。因此,該思想與方法非常適合本文多維且無對運動數(shù)學(xué)模型影響權(quán)重大小標(biāo)簽的敏感性數(shù)據(jù)集。
在聚類算法中,K-Means 算法是實際應(yīng)用中使用最廣泛的一種算法[14],該算法由MacQueen[15]于1967 年率先提出,其核心思想為把某數(shù)據(jù)集中N個數(shù)據(jù)對象,以“每個聚類中的數(shù)據(jù)對象到該聚類中心的誤差平方和最小”的思想為基礎(chǔ),劃分為k個聚類。具體到本文,對于包含N個(N為參與敏感性分析的水動力導(dǎo)數(shù)數(shù)目)三維數(shù)據(jù)點的敏感性數(shù)據(jù)集SN:
在以上數(shù)學(xué)定義的基礎(chǔ)上,基于多維度敏感性系數(shù)的K-Means 水動力導(dǎo)數(shù)聚類分析算法的實施步驟如圖4 所示。
圖4 K-means 聚類分析算法實施步驟Fig. 4 Implementation steps of K-means cluster analysis algorithm
根據(jù)圖4 所示運行算法,得到基于多維度敏感性系數(shù)的水動力導(dǎo)數(shù)聚類分析結(jié)果如表4 所示,表中A,B,C 為水動力導(dǎo)數(shù)聚類標(biāo)簽。表5 所示為各聚類中心與原點之間的歐氏距離。
表4 基于多維度敏感性系數(shù)的水動力導(dǎo)數(shù)聚類分析結(jié)果Table 4 Cluster analysis results of hydrodynamic derivatives based on multi-dimensional sensitivity coefficient
表5 各聚類中心與原點之間的歐氏距離Table 5 Euclidean distance between cluster centers and origin
根據(jù)聚類結(jié)果,Yv,Yr,Nv,Nr這4 個一階位置導(dǎo)數(shù)與旋轉(zhuǎn)導(dǎo)數(shù)屬于同一聚類A,且A 類的聚類中心與原點間的歐氏距離值最大。顯然,A 聚類中的數(shù)據(jù)對象是聚類算法根據(jù)三維敏感性系數(shù),判斷在構(gòu)造用于智能控制的運動數(shù)學(xué)模型時影響權(quán)重最大的水動力導(dǎo)數(shù),這些導(dǎo)數(shù)在建模時是不能忽略的。Nvvv,Nvvd等20 余個水動力導(dǎo)數(shù)屬于同一聚類C,且C 類的聚類中心與原點間的歐氏距離值最小。顯然,C 聚類中的數(shù)據(jù)對象是用于控制建模時影響權(quán)重最小的水動力導(dǎo)數(shù),這些導(dǎo)數(shù)在控制建模時可以忽略,且在模型試驗中也不必對它們進(jìn)行測試計算。Xu,Xrv,Yvvr,Nvvr屬聚類B,其影響權(quán)重被聚類算法自動劃分為A,C 之外,且B 類的聚類中心與原點間的歐氏距離值介于A,C 之間,表明B 所包含的對象對構(gòu)造用于智能控制的運動數(shù)學(xué)模型的影響介于二者之間,為保證控制算法與策略設(shè)計時的精度,應(yīng)對這些導(dǎo)數(shù)給予測試與計算。
只考慮聚類A,B 的水動力導(dǎo)數(shù),即可得到本文所提的簡化模型,記為Model A。除流體慣性力項與一階控制導(dǎo)數(shù)項外,Model A 包含的水動力導(dǎo)數(shù)有8 個:Yv,Yr,Nv,Nr,Xu,Xrv,Yvvr,Nvvr,相比完整模型(記為Model),已得到很大的簡化。同時,為了驗證Model A 在用于智能控制時的有效性與優(yōu)越性,引入徐峰等[12]于2013 年提出的簡化模型(記為Model B)進(jìn)行了對比。Model B 是由標(biāo)準(zhǔn)操縱性仿真試驗經(jīng)分析與計算得到,該模型包含的水動力導(dǎo)數(shù)有7 個:Yv,Yr,Nv,Nr,Xu,Xrv,Xδδ。本文 中Model A 與Model B 的 主要區(qū) 別 在于,認(rèn)為三階水動力導(dǎo)數(shù)項Yvvr與Nvvr在船舶智能控制時對控制過程與結(jié)果的影響不可忽略,二階水動力導(dǎo)數(shù)Xδδ的作用不明顯。
針對Model,Model A 與Model B,在相同控制參數(shù)及相同初始運動狀態(tài)下做PID 航向控制仿真試驗,其中Model 與Model A 表現(xiàn)出的實際航行軌跡如圖5 所示,3 個模型在控制過程中其航向角輸出、轉(zhuǎn)艏角速度r、縱向攝動速度u與橫向速度v的時歷曲線如圖6 所示。
圖5 Model 與Model A 的PID 航向控制試驗航行軌跡Fig. 5 PID heading control experimental trajectory of Model and Model A
由圖5 可知,本文所提Model A 在PID 控制下所表現(xiàn)出的實際航行軌跡與完整模型Model 吻合較好,表明從最終的控制結(jié)果來看,本文所提模型具有較好的精度與工程實用價值。由圖6 可知,除縱向攝動速度u外,相比Model B,本文所提Model A 與完整模型的變化趨勢在航向角輸出、轉(zhuǎn)艏角速度r和橫向速度v方面更加貼合,尤其是在曲線的高、低峰值上,Model B 表現(xiàn)出了較大的狀態(tài)漂移,而Model A 則幾乎與完整模型的數(shù)值一致。這表明了本文所提敏感性分析與聚類分析方法的有效性,尤其是引入基于控制指標(biāo)的敏感性系數(shù)與基于復(fù)合評價函數(shù)的控制過程敏感性系數(shù)后,在控制結(jié)果與控制過程上對水動力導(dǎo)數(shù)進(jìn)行多維敏感性計算與評價,使得Model A 在進(jìn)行操控運動預(yù)報時具有更好的準(zhǔn)確度。
圖6 Model,Model A,Model B 各物理量的時歷曲線對比Fig. 6 Comparison of time history curves of physical quantity with Model, Model A and Model B
從Model A 與Model B 的差異角度出發(fā),本文的結(jié)果還表明,在控制方面,某些三階水動力導(dǎo)數(shù)的影響權(quán)重不僅不弱于,甚至是強于二階水動力導(dǎo)數(shù)。例如,Model B 所考慮的二階水動力導(dǎo)數(shù)Xδδ盡管其敏感性系數(shù)S2的數(shù)值(3.96×10-1)比本文所提的需要考慮的三階水動力導(dǎo)數(shù)Nvvr相應(yīng)的數(shù)值(2.89×10-2)大,但Xδδ的S1(5.00×10-3)與S3(2.22×10-1)均遠(yuǎn)小于Nvvr相應(yīng)的數(shù)值(1.45×10-1與1.806),因此,本文聚類算法通過綜合判斷分析,將Xδδ劃分到了建模可以忽略的聚類C。仿真試驗結(jié)果也表明,忽略Xδδ僅輕微影響到了縱向速度的精度,對航向控制輸出無較大影響。由此可以看出,本文所提多維敏感性分析方法具有全面性與優(yōu)越性。
為進(jìn)一步考察船舶在執(zhí)行路徑跟蹤這類復(fù)雜的控制任務(wù)時,Model A 對運動過程的預(yù)報精準(zhǔn)度是否滿足工程需求,開展了基于間接航跡控制策略的路徑跟蹤仿真對比試驗。外環(huán)航跡控制環(huán)均采用視線(LOS)制導(dǎo)法,中環(huán)航向控制環(huán)均采用PID 控制算法,跟蹤的路徑點如表6 所示。基于Model,Model A 和Model B 這3 種模型對船舶操控運動進(jìn)行預(yù)報,得到航行軌跡與航向角時歷曲線分別如圖7、圖8 所示。
圖8 航向角時歷曲線對比Fig. 8 Comparison of time history curves of heading angle
表6 路徑跟蹤點Table 6 Path tracking point
從航向角時歷曲線上看,在0~550 s 時間區(qū)間內(nèi),Model A 與Model B 這2 個簡化模型與完整模型幾乎完全貼合,但是由于Model A 與Model B均在建模中忽略了大量二階與三階水動力導(dǎo)數(shù),導(dǎo)致在550~800 s,1 200~1 600 s 和1 880~2 100 s這3 個區(qū)間內(nèi),簡化模型與完整模型的差異開始體現(xiàn),主要表現(xiàn)在高、低峰值的大小與時滯上。這3 個時間區(qū)間對應(yīng)的是船舶操舵轉(zhuǎn)艏和航行通過圖中3 個設(shè)定的“拐點”的過程。該現(xiàn)象表明:簡化模型舍棄高階水動力導(dǎo)數(shù)后,對船舶航行狀態(tài)預(yù)報結(jié)果的影響主要體現(xiàn)在較為激烈的轉(zhuǎn)艏動作上。從實際航行軌跡結(jié)果上看,Model A 模型預(yù)報的航行軌跡相比Model B 更貼近完整模型Model,尤其是在激烈操舵的航跡段切換過程中,如圖7 中局部放大圖,Model B 表現(xiàn)出了較大的船位“漂移”(這里的“漂移”是指與完整模型Model 軌跡之間的差異,而非與預(yù)設(shè)路徑之間的跟蹤誤差),而Model A 則幾乎與完整模型一致。這表明本文所提Model A 模型在平穩(wěn)循跡的穩(wěn)定狀態(tài)與激烈操縱的大舵角轉(zhuǎn)向狀態(tài)均具有更好的預(yù)報精度。
圖7 Model,Model A 與Model B 的路徑跟蹤航行軌跡Fig. 7 Path tracking experimental trajectory of Model , Model A and Model B
為了獲得用于智能控制的船舶運動簡化數(shù)學(xué)模型,本文提出結(jié)合標(biāo)準(zhǔn)操縱性試驗與PID 航向控制試驗的敏感性分析方法,將控制指標(biāo)、操縱性指標(biāo)及整個時歷過程典型運動狀態(tài)變量平方損失進(jìn)行復(fù)合分析,得到了包含基于控制指標(biāo)的敏感性系數(shù)S1、基于復(fù)合評價函數(shù)的控制過程敏感性系數(shù)S2及基于標(biāo)準(zhǔn)操縱性試驗指標(biāo)的敏感性系數(shù)S3的數(shù)據(jù)集,通過引入K-means 機(jī)器學(xué)習(xí)算法對上述多維度敏感性指數(shù)進(jìn)行聚類分析,完成了水動力導(dǎo)數(shù)敏感性強弱的自動劃分,進(jìn)而對模型進(jìn)行了簡化。通過比較本文簡化模型、前人簡化模型和完整模型的PID 航向控制試驗與路徑跟蹤試驗仿真試驗結(jié)果,驗證了本文所提敏感性分析方法的有效性,證明本文所提模型具有更高的操控預(yù)報精度。未來,可進(jìn)一步探究在不同海洋環(huán)境載荷下簡化模型的建立。