0 引　言

随着世界经济的迅速发展，清洁能源的需求不断增加，现有的小型近海制氢平台已经不能满足工业对绿色氢能的迫切需求。氢能因其高效、高效、环保、便捷等优点，逐渐成为新能源系统的重要组成部分。

然而，新型能源的应用不可避免地带来安全隐患，特别是氢能源。氢气是一种易燃、易爆、燃烧范围广、点火能量低的物质，在其制备、贮存、运输、加注、使用等各个环节都有可能发生火灾和爆炸。事故一旦发生，它不仅对周边环境、人员和设备产生重大破坏，而且还会造成重大的经济损失。因此，科学合理的船体外部结构设计是确保浮式制氢平台安全运营的关键前提之一。

本文重点探讨船体结构的最优方案，并构建碰撞有限元模型。基于传统GA-BP算法，引入模拟退火算法，生成一种新型的优化设计方法SGA-BP-GA^[1]，用于提升浮式制氢平台舷侧结构的耐撞性能。

1 浮式制氢平台碰撞有限元模型构建 1.1 碰撞模型简介

本文涉及的浮式制氢储氢运输一体化平台与撞击船舶的主尺度参数如表1所示。为了深入分析平台舷侧遭受撞击后对液氢储罐舱室的影响，选择平台中段液氢储罐放置区域作为撞击位置。具体的撞击评估区域如图1所示。

1.2 碰撞仿真计算相关参数设置

本文采用壳单元对平台与撞击船进行有限元分析。考虑到碰撞导致的结构破坏与变形多发生在接触区域上，需要对该区域构件的网格进行细化，而对远离接触区域的结构则采用相对较粗的网格进行有限元模拟，以优化计算效率。平台主体结构采用 AH36 高强度船用钢。考虑到低碳钢塑性行为对应变率的高敏感性，本文在材料模型中引入了 Cowper-Symonds 应变率相关本构方程，以准确计算材料在动态加载条件下的屈服应力^[2]：

$ {\sigma _y} = {\sigma _0}\left[ {1 + {{\left( {\frac{{\dot \varepsilon }}{{{D}}}} \right)}^{\frac{1}{{{q}}}}}} \right]。$

(1)

式中：${\sigma _y}$为动态屈服应力，MPa；$ \sigma_0 $为静态屈服应力，MPa；$\dot \varepsilon $为材料应变率；D和q为常数。具体材料参数如表2所示。

在船舶碰撞过程中，接触表面之间的相互作用十分复杂。因此，选择适当的接触算法对于精确模拟船舶碰撞过程至关重要。本文采用 Contact-Automatic-Surface-to-Surface 接触算法，该算法将撞击船与平台之间的碰撞定义为从接触点到平台主接触面之间的相互作用。这种算法的优势在于能够在碰撞仿真过程中自动搜索和更新接触边界，从而确保计算的精度和稳定性。在本文构建的船舶碰撞有限元模型中，所有潜在的接触表面均被定义为碰撞后可能发生接触的区域。接触面之间的摩擦系数取0.3。

2 数值仿真分析 2.1 工况设计

由于浮式制氢平台的移动与补给需要其他船舶的协同作业，且其工作位置通常位于深远海区域，因此不可避免地存在与其他船舶发生接触的风险，这可能导致船舶间的碰撞事故。本文的碰撞模拟设定了5 m/s的撞击速度，并选择了90°、60°、45°和30°作为撞击角度进行分析。初始时刻，平台舷侧与碰撞船之间的距离为0.1 m，具体的碰撞场景如图2所示。

2.2 浮式制氢平台舷侧受撞损伤

图3～图6为在4个不同的撞击角度下，浮式制氢平台在最大撞击压力下的破坏和变形情况。可知，在上述4种碰撞模式下，浮式制氢平台的舷侧外板与撞击船的艏部区域产生了接触与碰撞。由于两船间发生了相对滑移，撞击区域也在持续地在发生着改变，这引起了平台舷侧外板和框架结构的显著变形。结果表明：在接触部位，材板的应力大于材料的屈服强度，部分构件已发生屈服并进入塑性变形状态，而壳板没有开裂，主体结构也没有损坏。撞击对平台舷侧结构造成了一定程度的破坏，而在撞击距离较远的区域，其破坏程度相对较小。

对于模式1（90°撞击）而言，由于两船间的角度比较大，浮式制氢平台舷侧结构的损伤变形更为严重，其碰撞力最大时刻的应力值超过其他碰撞模式，破坏范围也更大。相比于模式1，模式2（60°撞击）、模式3（45°撞击）及模式4（30°撞击）中，由于两船之间的角度不断降低，主要是由于撞击船前端遭受的碰撞力反弹至外侧。这种反向作用力导致了撞击船船艏结构与被撞击的平台舷侧结构发生了滑动接触，从而产生了刮擦与损伤。这些损伤痕迹沿着撞击船的艏部延伸至其边缘，形成了一条狭长的损伤区域。

2.3 碰撞力与能量变化

在4种不同碰撞模式下，碰撞过程中碰撞作用力的变化曲线如图7所示。曲线表现出显著的非线性特征，这主要是由于撞击船艏或平台舷侧结构失效引起的碰撞力卸载与再加载过程所致。结果表明，碰撞角度对碰撞力具有显著影响。在4种碰撞角度条件下，90°碰撞模式产生的碰撞力峰值远高于其余3种碰撞模式。60°与45°的碰撞力变化趋势基本一致，而60°模态下2艘船的碰撞角度更大，所以撞击力也更大。在30°碰撞模式下，从应力云图可知，撞击船的球鼻艏区域并未与平台发生接触，仅有舷侧区域与平台发生滑动刮伤，因此碰撞力峰值较小，且曲线更为平滑。

在能量吸收方面，在碰撞发生时，舷侧外板作为主要的能量吸收构件，承担了约50%的总能量吸收，发挥着至关重要的作用。紧随其后的是舷侧内板，虽然其能量吸收能力相对较小，但仍然对整体结构的耐撞性能起到重要的辅助作用^[3]。因此，舷侧结构的耐撞性能应作为重点考虑对象。可知，随着碰撞角度的增加，舷侧结构的能量吸收能力逐渐增强。

3 浮式制氢平台舷侧结构耐撞性能优化设计 3.1 耐撞性能优化设计方法

首先构建耐撞性能优化数学模型，确定关键优化参数；随后运用正交试验法设计实验方案，通过有限元仿真计算获取BP神经网络的训练样本。在网络训练阶段，采用SGA混合算法优化BP神经网络的权值与阈值，并将优化后的权重参数输入到BP算法中进行再训练，由此构建精确的神经网络响应面模型。在最终阶段，通过使用遗传算法（GA）和已经创建的BP网络模型，对浮式制氢平台舷侧结构的耐撞性能进行了优化设计^{[4 - 11]}。优化流程如图8所示。

3.2 数学模型与正交实验设计

结构的耐撞性能通常可以通过比吸能和单位质量变形2个重要指标来表征，这些指标能有效反映结构在碰撞过程中能量吸收和变形能力。因此，本文在综合考虑这2个关键参数的基础上，构建了一个结构耐撞性能的综合优化指标，以便更准确地评估和优化舷侧结构在实际碰撞条件下的表现。具体公式为：

$ F = {\alpha _E} \cdot f({\beta _E}) + {\alpha _C} \cdot f(1/{\beta _C})。$

(2)

式中：${\beta _E}$和${\beta _C}$分别为比吸能和单位质量变形；${\alpha _E}$和${\alpha _C}$各为其隶属度的权重系数，取 ${\alpha _E}$ = ${\alpha _C}$= 0.5；f( ) 函数为指标的隶属度函数，隶属度计算式为：

$ {指标隶属度=\displaystyle\frac{指标值\text{ }-指标最小值}{指标最大值\text{ }-指标最小值}} 。$

(3)

将式(2)定义为浮式制氢平台舷侧结构耐撞性能优化的目标函数。在优化过程中，为了提高结构的耐撞性能，必须使该目标函数的值尽可能增大，这意味着需要通过增大β_E值和减小β_C值来实现最优的设计效果，从而提高结构在碰撞中的能量吸收能力并降低损伤程度。本文拟以舷侧外板板厚t₁、第三甲板t₂、第二甲板t₃、第一甲板t₄、舷侧强框架厚度t₅这5个参数为优化参数，建立浮式制氢平台舷侧结构耐撞性能优化数学模型。

$ \left\{\begin{aligned}&\max F=\alpha_E\cdot f(\beta_E)+\alpha_C\cdot f(1/\beta_C)，\\ &\text{s}\text{.t}\text{.15 mm}\leqslant t_1\leqslant19\text{ mm}，\\ &\text{13 mm}\leqslant t_2\leqslant17\ \text{mm}，\\ &\text{10 mm}\leqslant t_3\leqslant14\ \text{mm}，\\ &\text{13 mm}\leqslant t_4\leqslant17\ \text{mm}，\\ &\text{12 mm}\leqslant t_5\leqslant20\ \text{mm}，\\ &{m}\leqslant23\;200\text{ kg}。\end{aligned} \right.$

(4)

BP神经网络在处理数据时，其预测精度与其泛化能力紧密相关。这些性能指标受到训练样本集的质量与多样性的显著影响。高质量的样本有助于模型更准确地捕捉到复杂关系，而丰富多样且分布均匀的样本则能提升模型对不同场景的适应性和稳定性。采用正交试验设计法获取的训练样本不仅确保了数据的代表性，还保证了样本量的充足性，从而有效提升了BP神经网络的性能。本文对各影响因素均设置5个水平，通过正交实验设计方法L25( 5⁵)对浮式制氢平台舷侧结构的各影响因素进行实验设计，得到25个不同的实验组合，具体正交实验设计结果见表3。

3.3 传统GA-BP与SGA-BP-GA预测性能对比

利用Matlab分别编写GA-BP与SGA-BP-GA神经网络。在此基础上，采用2种不同的神经网络，对25个不同的正交试验样本进行训练。

BP神经网络由5个神经元、10个隐含层和2个输出层组成。在神经网络的训练过程中，分别利用 traingdm训练函数和 learngdm学习函数2种方法。在此基础上，设定最多500步的迭代次数，平均方差10⁻⁶，学习速率0.01。

遗传算法的参数配置如下：初始种群规模为50，最大遗传代数为300。采用二进制编码，染色体长度设定为20；代沟概率为0.97，单点交叉概率为0.75，变异概率设置为0.015。适应度函数采用比吸能和单位重量变形的均方根误差（RMSE），函数值越小代表权值和阈值的优化效果越好。在每一代的迭代过程中，算法基于适应度值进行种群选择，从而有效传递优势基因。

模拟退火算法的参数设置为：初始温度为1500，终止温度为10⁻³，设置每个温度下迭代60次，降温系数取0.8。与遗传算法一致，状态评价函数仍然选用比吸能与单位重量变形的均方根误差（RMSE），其值越小，则表明权值和阈值的优化效果越好。

相对误差在预测值与真实值之间是评估神经网络训练精度的重要指标，反映了模型对样本数据拟合的准确性。由图9可以清晰地看出，SGA-BP-GA在预测精度方面的优势，尤其是在处理复杂数据时表现出更强的稳定性和准确性。可以明显观察到：

1） 传统的基于遗传算法的 BP神经网络的预测准确度不高。结果表明，该模型的β_E预报精度在−3%～3%，最高可达−2.97%；β_C在−8.5%～8%范围内，最大可达−8.23%。

2） SGA-BP-GA算法展现了较高的预测精度，能够有效地处理复杂的预测任务。研究结果表明，β_E的预测误差在−2%～2%，最大误差仅为−1.98%；同时，β_C的预测误差在−3.3%～3.6%，最大误差为3.58%，显示出该模型的稳定性和可靠性。

3.4 SGA-BP-GA优化分析

以式(2)中的目标函数作为遗传算法的适应度函数，本文分别采用GA-BP和SGA-BP-GA两种优化方法对浮式制氢平台舷侧结构的耐撞性能进行深入分析和优化。通过对比2种方法在优化过程中的表现与结果，进一步验证了SGA-BP-GA方法在处理复杂耐撞性设计问题时的优越性。尤其在提高结构的耐撞性能、提升优化精度以及确保设计的可靠性方面，SGA-BP-GA展现出了更强的适用性和优势。

由图10可知，经过约30代遗传迭代，目标函数值逐渐收敛，其中SGA-BP-GA方法的最大目标函数值为0.589，明显高于GA-BP方法的0.575，表明SGA-BP-GA在优化过程中能够更有效地提升耐撞性能。在最优设计方案方面，GA-BP方法的板厚分布为：舷侧外板板厚t₁=19 mm、第三甲板t₂=13 mm、第二甲板t₃=14 mm、第一甲板t₄=14 mm、舷侧强框架厚度t₅=16 mm。相比之下，SGA-BP-GA方法得出的最优设计为：t₁=19 mm、t₂=13.5 mm、t₃=14 mm、t₄=14.5 mm、t₅=16.5 mm。由此可见，SGA-BP-GA方法在优化过程中不仅提高了目标函数值，而且对各结构部件的厚度进行了微调，从而进一步优化了整体耐撞性能。

表4为2种改进方案和原始方案的比较。结果显示，采用SGA-BP-GA方法，其耐撞性能指标较原始设计指标提高19.04%，比GA-BP的16.21%有所提高。尽管经过SGA-BP-GA方法优化后的舷侧结构具有最好的耐撞能力，但其总体重量却最大，其原因与其所使用的结构耐撞性能评估系统相关，与特定的优化方案无直接关联，也表明本文且所用的综合耐撞性能指标还有待提高。

4 结　语

1）被撞平台的舷侧结构受撞损伤程度随撞击角的增大而增大。

2）在典型的碰撞模式下，撞击船通常以船首撞击被撞平台的舷侧区域，接触形式主要表现为点-面或线-面接触。碰撞引起的结构损伤主要局限于接触区域附近，舷侧远离接触区域的结构变形较小，可近似忽略。此外，碰撞还会诱发船体梁的振动效应。

3）针对本文的浮式制氢平台舷侧结构耐撞性优化设计，其中SGA-BP-GA和GA-BP算法分别比原始设计提高19.04%和16.21%。与传统GA-BP神经网络相比，SGA-BP-GA神经网络在多个方面表现出显著优势，特别是在预测精度和泛化能力上。通过引入改进的优化策略，SGA-BP-GA不仅能够更准确地拟合训练数据，还能有效提高对未知样本的预测能力，从而增强了模型的稳定性和适应性。