CN108829918B - 面向海洋现象的智能浮标组网仿真方法及*** - Google Patents

面向海洋现象的智能浮标组网仿真方法及*** Download PDF

Info

Publication number
CN108829918B
CN108829918B CN201810404927.XA CN201810404927A CN108829918B CN 108829918 B CN108829918 B CN 108829918B CN 201810404927 A CN201810404927 A CN 201810404927A CN 108829918 B CN108829918 B CN 108829918B
Authority
CN
China
Prior art keywords
ocean
buoy
marine
intelligent buoy
energy consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810404927.XA
Other languages
English (en)
Other versions
CN108829918A (zh
Inventor
马纯永
孙文冬
马泽远
王安妮
韩梦菲
张�浩
陈戈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN201810404927.XA priority Critical patent/CN108829918B/zh
Publication of CN108829918A publication Critical patent/CN108829918A/zh
Application granted granted Critical
Publication of CN108829918B publication Critical patent/CN108829918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种面向海洋现象的智能浮标组网仿真方法及***，包括：海洋现象识别：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；智能浮标的组网仿真集结：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型。本发明运动轨迹更加切合实际、组网仿真高效，浮标得到的海洋数据可利用率高，仿真观测过程中的能耗低。

Description

面向海洋现象的智能浮标组网仿真方法及***
技术领域
本发明涉及计算机技术领域，具体地，涉及一种面向海洋现象的智能浮标组网仿真方法及***。
背景技术
海洋现象包括潮汐、海浪、涡旋、锋面等，是输送、混合海洋中能量及物质的纽带，且对海洋物质能量的分布及海洋与大气间的能量交换具有重要作用。
随着卫星技术和海洋探测技术的发展，人类可以通过多种手段来观测这些海洋现象，如浮标、卫星、遥感、观测站等；其中遥感卫星观测，速度快、面积广，但是只能获取海洋表层的信息。因此综合利用现场观测资料对中尺度现象的立体三维结构进行分析仍然是目前海洋现象的研究热点。主要方式有潜标观测网，Argo浮标和Glider。Argo浮标难以实现实时追踪观测，Glider观测过程耗费巨大，难以实现长周期观测。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种面向海洋现象的智能浮标组网仿真方法及***。
根据本发明提供的一种面向海洋现象的智能浮标组网仿真方法，包括：
海洋现象识别步骤：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结步骤：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型。
较佳的，还包括组网仿真优化步骤：
在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
较佳的，所述海洋现象识别步骤具体包括：
三维流场环境的提取及可视化步骤：利用HYCOM数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐环境；
温盐场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流体环境
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
较佳的，智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIT，其中U为电压，I为电流，T为总的时间，时间T按分段来计算，每段均根据距离除以距离方向的速度来计算。
较佳的，
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
根据本发明提供的一种面向海洋现象的智能浮标组网仿真***，包括：
海洋现象识别模块：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结模块：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型。
较佳的，还包括组网仿真优化模块：
在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
较佳的，所述海洋现象识别步骤具体包括：
三维流场环境的提取及可视化步骤：利用HYCOM数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐环境；
温盐场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流体环境
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
较佳的，智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIT，其中U为电压，I为电流，T为总的时间，时间T按分段来计算，每段均根据距离除以距离方向的速度来计算。
较佳的，
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
与现有技术相比，本发明具有如下的有益效果：
1、针对现有技术中存在的智能浮标的运动过程考虑到洋流场的影响，运动轨迹更加切合实际；
2、多智能浮标对海洋现象的组网仿真更高效，浮标得到的海洋数据可利用率更高；
3、针对智能浮标运动过程中的能耗，有效的进行量化，使计算出浮标组网仿真观测过程中的能耗，继而可以智能化的设置浮标仿真观测路线可以减少其仿真观测过程中的能耗。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为智能浮标运动过程流程图；
图3为智能浮标运动路线图；
图4为智能浮标运动速度分解图；
图5为智能浮标运动分析图；
图6为航向与洋流的夹角分析图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本发明提供的一种面向海洋现象的智能浮标组网仿真方法，包括：
海洋现象识别步骤：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结步骤：如图2所示，以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型。
组网仿真优化步骤：在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
智能浮标组网仿真观测时间最短，对于一个确定的智能浮标外形来说，智能浮标的水平方向运动速度与净浮力和滑翔角有关。因此在智能浮标起始位置和目标点位置确定的情况下，获得智能浮标组网仿真观测时间最短方案可看作为求取智能浮标到达目标点的路径和时间最短方案。通过智能浮标动力模型可计算出智能浮标组网仿真观测路径和时间最短方案，设定最优参数来完成智能浮标时间最短模型的构建。
智能浮标能耗主要来源于智能浮标采样过程中传感器工作所需的能耗，而智能浮标能耗与智能浮标观测过程中的采样剖面数有关，智能浮标能耗最少即智能浮标采样剖面最少。根据智能浮标动力模型通过智能浮标当前位置、目标位置和海洋流场，计算最优方案并设定参数，设定智能浮标滑翔角来达到采样剖面数最少，从而达到能耗最少。
海洋现象识别步骤具体包括：
三维流场环境的提取及可视化步骤：利用HYCOM(Hybrid Coordinate OceanModel)数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，水平分辨率为1/12°，垂直方向从深度0m-5000m不等间距分布，共40层。利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐环境；
温盐场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流体环境
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
以中尺度涡旋为例，利用单浮标对涡旋进行追踪观测；通过单个浮标当前的位置设置对应的目标位置，在海洋流场环境下，基于浮标动力模型，并设定浮标滑翔角等参数，计算出需要的单个浮标观测涡旋的最优方案。本发明使用的是多浮标组网仿真，其中根据所识别出的涡旋数据，判断涡旋的运动轨迹，调动涡旋附近的多个智能浮标来进行追涡观测。其中通过单个浮标从当前位置到目标位置的时间以及能耗，来生成整个智能浮标***的最优方案。
智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIT，其中U为电压，为固定值U＝14.7V；I为电流，经研究电流和距离是成正比关系的，当S为1km时，I为1A；当S为4km时，I为4A；计算公式为I＝S/1000，S的单位为m；T为总的时间，因为智能浮标的运动轨迹是由多个入水点和出水点连成的折线，运动路线如图3所示。是分段进行的，故时间按分段来计算，每段均根据距离除以距离方向的速度来计算的，下面会详细解释关于速度和时间的计算。
动力模型参数设置如下：
Figure BDA0001646620160000061
Figure BDA0001646620160000071
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
首先根据智能浮标当前的位置、观测目标点的位置和海洋流场环境、智能浮标动力模型等，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型。在此基础上根据所需仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。该模块可使用户对生成的观测方案进行手动设定与调整，得到最终的浮标组网观测过程的整个方案。组网观测进程控制，其用于使用户查看观测仿真实验的各项设置，同时开始仿真模拟实验，可进行组网仿真进行的控制功能，包括暂停、停止、继续当前仿真观测任务。
基于上述面向海洋现象的智能浮标组网仿真方法，本发明还提供一种面向海洋现象的智能浮标组网仿真***，包括：
海洋现象识别模块：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结模块：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型；
组网仿真优化模块：在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
所述海洋现象识别步骤具体包括：
三维流场环境的提取及可视化步骤：利用HYCOM数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐环境；
温盐场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流体环境
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIT，其中U为电压，I为电流，T为总的时间，时间T按分段来计算，每段均根据距离除以距离方向的速度来计算。
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种面向海洋现象的智能浮标组网仿真方法，其特征在于，包括：
海洋现象识别步骤：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结步骤：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型；
智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIt，其中U为电压，I为电流，t为总的时间，时间t按分段来计算，每段均根据距离除以距离方向的速度来计算；
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
2.根据权利要求1所述的面向海洋现象的智能浮标组网仿真方法，其特征在于，还包括组网仿真优化步骤：
在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
3.根据权利要求1所述的面向海洋现象的智能浮标组网仿真方法，其特征在于，所述海洋现象识别步骤具体包括：
海洋三维温盐场环境的提取及可视化步骤：利用HYCOM数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐场环境；
海洋三维立体流场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流场环境；
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
4.一种面向海洋现象的智能浮标组网仿真***，其特征在于，包括：
海洋现象识别模块：建立海洋三维温盐环境以及海洋三维立体流体环境，在智能浮标运动过程中，根据监测的流场变化信息、温盐度剖面信息以及智能浮标漂移特征在内的信息，结合海洋高度计测得的海面高度异常来识别海洋现象；
智能浮标的组网仿真集结模块：以识别出的海洋现象为对象，根据智能浮标的动力模型，输入所需参数得到整个观测过程的总时间和总能耗，由观测路径和最短原理和智能浮标观测能耗机理，分别建立出智能浮标组网仿真观测的时间最短模型和能耗最优模型；
智能浮标的动力模型包括：
滑翔机的总能耗为执行机构的耗能，公式为E＝UIt，其中U为电压，I为电流，t为总的时间，时间t按分段来计算，每段均根据距离除以距离方向的速度来计算；
CD＝Vcz*T；Vcz＝Vc*sinα
AD＝(Vc*cosα+V*cosθ)*T
AC＝S＝2d/tanθ
AD2+CD2＝AC2
智能浮标的下潜速度V，分解为在航向的Vx和下潜方向的Vy；洋流的速度Vc，分解为在航向上的偏移速度Vcz，以及在智能浮标航向的分量Vcx；α为洋流与航行方向的夹角，θ为俯仰角，智能浮标每次下潜的深度为d；
在没有洋流场的作用下会从A点会到达D点，而受洋流作用会偏移到C点，从起始点A到第一个出水点C的之间需要的时间为T，接下来是以第一个出水位置为始发点进行迭代，迭代过程中α1＝α+β，α1为C点的航向与洋流方向的夹角，α为A点的航向与洋流的夹角，β为AB与CB的夹角，CD、AD、AC为两点间的直线距离。
5.根据权利要求4所述的面向海洋现象的智能浮标组网仿真***，其特征在于，还包括组网仿真优化模块：
在建立的时间最短模型和能耗最优模型的基础上，根据需要仿真观测的海洋现象、当前位置和演变趋势，通过两种优化模型分别规划出面向海洋现象的智能浮标组网观测的时间最短和能耗最少优化方案。
6.根据权利要求4所述的面向海洋现象的智能浮标组网仿真***，其特征在于，所述海洋现象识别步骤具体包括：
三维流场环境的提取及可视化步骤：利用HYCOM数据中的温盐数据构建出海洋三维温盐场环境，HYCOM数据为经纬度网格数据，利用Python对HYCOM数据的每层温盐信息进行提取，建立出海洋三维温盐环境；
温盐场环境的提取及可视化步骤：从垂直层面对HYCOM数据中不同深度的海洋流场进行计算，根据格网点的经向速度和纬向速度，计算出每个格网点的洋流速度和方向，建立出不同深度层次下的海洋流场环境，从而构建出全球海洋三维立体流体环境
海洋现象识别步骤：在智能浮标运动过程中，根据监测的信息结合海洋高度计测得的海面高度异常来识别海洋现象。
CN201810404927.XA 2018-04-28 2018-04-28 面向海洋现象的智能浮标组网仿真方法及*** Active CN108829918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810404927.XA CN108829918B (zh) 2018-04-28 2018-04-28 面向海洋现象的智能浮标组网仿真方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810404927.XA CN108829918B (zh) 2018-04-28 2018-04-28 面向海洋现象的智能浮标组网仿真方法及***

Publications (2)

Publication Number Publication Date
CN108829918A CN108829918A (zh) 2018-11-16
CN108829918B true CN108829918B (zh) 2020-08-11

Family

ID=64147541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810404927.XA Active CN108829918B (zh) 2018-04-28 2018-04-28 面向海洋现象的智能浮标组网仿真方法及***

Country Status (1)

Country Link
CN (1) CN108829918B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008509B (zh) * 2019-03-01 2020-07-07 中国海洋大学 一种考虑背景流场下的内孤立波作用力特性分析方法
CN110222138B (zh) * 2019-06-11 2021-08-17 上海彩虹鱼海洋科技股份有限公司 基于航线的浮标搜索方法和***
CN111551972B (zh) * 2020-05-15 2022-10-18 中国科学院空天信息创新研究院 一种Argo轨迹的处理方法及***
CN112905686B (zh) * 2021-03-24 2022-08-05 中国海洋大学 基于Python程序的海洋剖面水体数据提取方法
CN113297810B (zh) * 2021-05-13 2022-10-11 中国海洋大学 一种检验海面高度的现场观测设备布放方法和***
CN114459485A (zh) * 2021-11-29 2022-05-10 湖北中南鹏力海洋探测***工程有限公司 一种基于微弱动力的海面表层漂流浮标自主导航方法
CN116858290B (zh) * 2023-09-04 2023-12-08 中国海洋大学 基于大型无人机的深远海海面高度观测定标方法和***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7841177B1 (en) * 2008-06-17 2010-11-30 Detwiler Donald M Ocean electricity generator
CN103318381A (zh) * 2013-07-02 2013-09-25 大连海事大学 一种自主移动式监测浮标及其监测方法
CN106372367A (zh) * 2016-09-30 2017-02-01 浙江大学 一种Argo浮标海洋产品的可视化仿真方法
CN106372256A (zh) * 2016-09-30 2017-02-01 浙江大学 一种面向海量Argo数据的分布式存储方法
CN107179071A (zh) * 2016-03-11 2017-09-19 国家***南海预报中心 一种用于海洋观测的潜标
KR20180013624A (ko) * 2016-07-29 2018-02-07 (주)한국플랜트관리 실해역의 파랑 운동 시뮬레이션 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7841177B1 (en) * 2008-06-17 2010-11-30 Detwiler Donald M Ocean electricity generator
CN103318381A (zh) * 2013-07-02 2013-09-25 大连海事大学 一种自主移动式监测浮标及其监测方法
CN107179071A (zh) * 2016-03-11 2017-09-19 国家***南海预报中心 一种用于海洋观测的潜标
KR20180013624A (ko) * 2016-07-29 2018-02-07 (주)한국플랜트관리 실해역의 파랑 운동 시뮬레이션 시스템
CN106372367A (zh) * 2016-09-30 2017-02-01 浙江大学 一种Argo浮标海洋产品的可视化仿真方法
CN106372256A (zh) * 2016-09-30 2017-02-01 浙江大学 一种面向海量Argo数据的分布式存储方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Climatology and seasonality of upper ocean salinity：a three-dimensional view from argo floats》;Ge Chen等;《CrossMark》;20170609;第2169-2182页 *
《基于海洋台站和浮标的近海海洋观测***现状与发展研究》;李立立;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20120215;第B027-761页 *

Also Published As

Publication number Publication date
CN108829918A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108829918B (zh) 面向海洋现象的智能浮标组网仿真方法及***
Lolla et al. Path planning in multi-scale ocean flows: Coordination and dynamic obstacles
Haidvogel et al. Ocean forecasting in terrain-following coordinates: Formulation and skill assessment of the Regional Ocean Modeling System
Baptista et al. A cross-scale model for 3D baroclinic circulation in estuary–plume–shelf systems: II. Application to the Columbia River
Mandli et al. Adaptive mesh refinement for storm surge
CN103105611B (zh) 一种分布式多传感器智能信息融合方法
Chang et al. Real-time guidance of underwater gliders assisted by predictive ocean models
Lermusiaux et al. Multiscale physical and biological dynamics in the Philippine Archipelago: Predictions and processes
Flierl et al. Mesoscale and submesoscale physical-biological interactions
Lewis et al. Assimilation of Doppler radar current data into numerical ocean models
CN107589749A (zh) 水下机器人自主定位与节点地图构建方法
CN110020459A (zh) 基于动网格技术船随波浪在航线方向上运动模拟方法
CN109488261A (zh) 一种海洋天然气水合物三相动态虚拟构建方法
Xiong et al. A scheme on indoor tracking of ship dynamic positioning based on distributed multi-sensor data fusion
Wang et al. Application of a multigrid method to a mass-consistent diagnostic wind model
CN103778298A (zh) 改进的模拟多孔介质中二维水流运动的多尺度有限元方法
CN109343134A (zh) 一种矿井瞬变电磁探测数据分析解释方法及***
De Serio et al. Circulation in a Southern Italy coastal basin: Modelling and field measurements
Xue et al. Development and path planning of a novel unmanned surface vehicle system and its application to exploitation of Qarhan Salt Lake
Moulton et al. A surfzone morphological diffusivity estimated from the evolution of excavated holes
Hill et al. On the performance of a generic length scale turbulence model within an adaptive finite element ocean model
CN110730415B (zh) 一种基于分层海流模型的水下传感器节点定位方法
CN108182320B (zh) 面向内河航道的自由漂移物体搁浅概率分布计算方法
Jin et al. A deep learning model for joint prediction of three-dimensional ocean temperature, salinity and flow fields
Menshutkin et al. Ecosystem modeling of freshwater lakes (Review): 1. Hydrodynamics of lakes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant