선박의 아웃리거에 의한 선박 안정성(요동 감쇄)
Reduction Of Outrigger Wide To Maximize Fishing Boat ...
https://iptek.its.ac.id › article › download › pdf_266
2024. 8. 5. — Moreover, broader outriggers can amplify vessel motion, leading to extended oscillation periods, ... of the boat with and without the use ...

1. 연구 배경:
- 프리기 지역의 주깅(Jukung) 어선들은 넓은 아웃리거(약 5미터) 때문에 해안 가까이 정박하기 어려운 문제가 있습니다.
2. 연구 목적:
- 아웃리거 폭을 줄여 PPN 프리기 항구의 정박 용량을 늘리면서도 선박 안정성을 유지하는 방법을 찾고자 합니다.
3. 연구 방법:
- 다양한 아웃리거 폭(1.5m, 1.25m, 1m, 0.75m)에 대해 선박 안정성을 분석했습니다.
- HSC 2000 Annex 7과 Annex 749 (18) Ch3 설계 기준을 사용했습니다.
4. 주요 결과:
- 아웃리거 폭을 1미터로 줄여도 선박 안정성 기준을 충족합니다.
- 이 변경으로 15미터 정박지에서 정박 효율을 66% 높일 수 있습니다.
- PPN 프리기 동쪽 부두의 주깅 선박 수용량이 142척에서 236척으로 증가합니다.
5. 결론:
- 아웃리거 폭을 줄이면 항구 인프라를 최적화하고 프리기 어업 공동체의 운영 효율성을 향상시킬 수 있습니다.
이 연구는 전통적인 어선 설계를 현대화하여 항구 용량과 효율성을 개선하는 방법을 제시하고 있습니다.
댓글2
-
세상의모든계산기
클로드 Sonnet 3.5에게 수치적으로 분석해 달라고 했습니다.


import numpy as np import matplotlib.pyplot as plt from scipy.signal import find_peaks # 파도 프로파일 생성 함수 def generate_wave_profile(time, amplitude, frequency): return amplitude * np.sin(2 * np.pi * frequency * time) # 선박 요동 각도 계산 함수 def calculate_boat_angle(wave_height, outrigger_width): base_angle = np.arctan(wave_height / 5) # 기본 각도 (아웃리거 없을 때) if outrigger_width == 0: return np.degrees(base_angle) else: return np.degrees(base_angle / (1 + outrigger_width * 0.5)) # 아웃리거 효과 # 파라미터 설정 time = np.linspace(0, 10, 1000) # 10초 동안 1000개 데이터 포인트 wave_amplitude = 2 # 파도 진폭 (미터) wave_frequency = 0.5 # 파도 주파수 (Hz) # 파도 프로파일 생성 wave_profile = generate_wave_profile(time, wave_amplitude, wave_frequency) # 아웃리거 폭 범위 설정 outrigger_widths = [0, 0.75, 1, 1.25, 1.5, 2] # 그래프 설정 plt.figure(figsize=(12, 8)) # 파도 프로파일 플롯 plt.subplot(2, 1, 1) plt.plot(time, wave_profile, label='Wave Profile') plt.title('Wave Profile') plt.xlabel('Time (s)') plt.ylabel('Wave Height (m)') plt.legend() # 선박 요동 각도 플롯 plt.subplot(2, 1, 2) for width in outrigger_widths: boat_angles = [calculate_boat_angle(h, width) for h in wave_profile] plt.plot(time, boat_angles, label=f'Outrigger Width: {width}m') plt.title('Boat Roll Angle for Different Outrigger Widths') plt.xlabel('Time (s)') plt.ylabel('Roll Angle (degrees)') plt.legend() plt.tight_layout() plt.show() # 최대 요동 각도 분석 max_angles = [] for width in outrigger_widths: boat_angles = [calculate_boat_angle(h, width) for h in wave_profile] peaks, _ = find_peaks(boat_angles) max_angle = np.mean(np.array(boat_angles)[peaks]) max_angles.append(max_angle) # 최대 요동 각도 플롯 plt.figure(figsize=(10, 6)) plt.plot(outrigger_widths, max_angles, 'bo-') plt.title('Maximum Roll Angle vs Outrigger Width') plt.xlabel('Outrigger Width (m)') plt.ylabel('Maximum Roll Angle (degrees)') plt.grid(True) plt.show() # 결과 출력 for width, max_angle in zip(outrigger_widths, max_angles): print(f"Outrigger Width: {width}m, Max Roll Angle: {max_angle:.2f} degrees")인공지능 정말 똑똑하네요.
인공지능은 아직 개발 초기단계라는거...
세상의모든계산기 님의 최근 댓글
- claude AI는 l-c*r^2 을 1-c*r^2 으로 잘못 읽고 표시하고 있습니다. - TI-nspire CAS 계산기에 l-c*r^2 ≥0 을 조건에 추가해 계산해 보아도 결과는 바뀌지 않습니다. 2026 07.20 ⚠️ 경고가 바로 두 번째 방법이 "성공"한 이유와 정확히 연결되어 있습니다. 경고의 의미 "Domain of the result might be larger than the domain of the input"는 CAS가 절댓값(모듈러스)을 계산하는 과정에서 원래 식보다 정의역이 더 넓은 형태로 단순화했다는 뜻입니다. 구체적으로 이 계산은 내부적으로 대략 이런 과정을 거칩니다. $$\left|\frac{er}{e\cdot r}\right| = \sqrt{\left(\frac{er}{e\cdot r}\right)\cdot\overline{\left(\frac{er}{e\cdot r}\right)}}$$ 즉 원래 식(복소수)과 그 켤레복소수를 곱해서 실수부·허수부 제곱합을 만들고, 거기에 다시 제곱근을 씌우는 과정입니다. 이 과정에서 √(x²) → x 또는 √a·√b → √(ab) 같은 규칙들이 쓰이는데, 이런 규칙들은 x가 실수이고 0 이상일 때만 엄밀하게 성립합니다. CAS는 이 조건들을 일일이 다 추적하지 않고 넘어가면서, 원래는 (e≠0, r+l·ω·i ≠ 0 등) 복소수 특유의 좁은 정의역을 가진 식을, r, l, ω가 어떤 실수여도(부호 무관하게) 정의되는 1/√(r²+l²·ω²)라는 더 넓은 정의역의 식으로 바꿔버린 것입니다. CAS는 이 손실을 감지하고 경고를 띄운 것입니다. 이게 왜 조건 대입 성공과 연결되는가 정리하면, 이 경고는 사실상 이런 뜻입니다. "나는 이 결과를 만들면서 원래 식이 가지고 있던 정의역 제약 정보(부호 조건, i 관련 조건 등)를 이미 버렸다." 바로 이 "정의역 정보를 버린" 상태가 이후 con_1 대입을 매끄럽게 만드는 원인입니다. 첫 번째 시도에서는 i가 살아있는 원래 식에 조건을 대입했기 때문에, CAS가 √(1-c·r²)이 실수인지(정의역 조건: 1-c·r² ≥ 0) 계속 추적하려고 했고, 그 정보가 con에 없어서 더 이상 정리를 못 하고 멈췄습니다. 두 번째 시도에서는 절댓값 계산 단계에서 이미 그런 세밀한 정의역 추적을 CAS 스스로 포기(단순화)했기 때문에, 이후 ω에 무리식을 대입해도 "이게 실수가 맞나?" 하는 검증 절차 없이 그냥 대수적으로 치환·정리해 버립니다. 그래서 깔끔하게 √c/√l이 나온 겁니다. 한 줄 요약 절댓값 계산 시 뜬 "정의역이 넓어졌을 수 있다"는 경고는, CAS가 그 순간에 원래 식의 엄밀한 조건(정의역)을 놓쳤다는 신호이고, 바로 그 "조건을 놓친 상태"이기 때문에 뒤에 이어지는 조건식 대입이 막힘없이 진행된 것입니다. 다만 그 대가로, 결과인 1/√(r²+l²·ω²)이나 최종 √c/√l이 원래 회로 조건(i≠0이 되는 경계, 분모가 0이 되는 경우 등)에서는 엄밀히 성립하지 않을 수 있다는 점은 감안하셔야 합니다. 실제 물리적으로는 r, l, c > 0이고 결과도 물리적으로 타당한 형태라 문제없어 보이지만, 수학적 엄밀성 측면에서는 "정의역이 넓어진 근사적 결과"라는 꼬리표가 붙어있는 셈입니다. 2026 07.20 Claude AI 답변 TI-Nspire CAS의 | (such that / 조건대입) 연산자는 대입 시점의 수식 형태를 그대로 두고 기호만 치환하는 연산입니다. 대입 후에 처음부터 다시 "실수부/허수부 분리, 유리화" 같은 재간소화를 자동으로 수행하지 않습니다. 이 차이가 지금 보신 결과 차이의 핵심입니다. 첫 번째 경우 (|er/(e·r)| | con_1 and con → 실패) 이 시점의 식은 아직 r + l·ω·i 형태의 복소수 그대로입니다 (i가 살아있음). 여기에 con_1: ω = √(1-c·r²)/(√c·l)을 대입하면, 분모 안에 i · √(1-c·r²) 라는 항이 새로 생깁니다. 문제는 CAS가 √(1-c·r²)이 실수인지(즉 1-c·r² ≥ 0인지) 판단할 근거가 없다는 겁니다. 저장해 두신 con 조건은 c>0, l>0, r>0뿐이고, 1-c·r²≥0이라는 조건은 포함되어 있지 않습니다. 그래서 CAS는 i와 이 무리식을 더 정리(유리화, 실수부·허수부 재결합)하지 못하고 있는 그대로 남겨둡니다. 결과에 여전히 i가 보이는 이유입니다. 두 번째 경우 (결과값 1/√(r²+l²·ω²)에 대입 → 성공) |er/(e·r)| (절댓값/모듈러스) 연산은 그 자체로 이미 "복소수 → 실수" 변환을 완료한 결과입니다. 즉 1/√(r²+l²·ω²)에는 더 이상 i가 없고, 순수하게 r, l, ω로만 이루어진 실수식입니다. 이 식에 ω = con_1을 대입하는 것은 그냥 실수 대수식에 실수 대입하는 것이므로, i와 무리식이 뒤엉키는 문제 자체가 발생하지 않습니다. 그래서 바로 깔끔하게 √c/√l로 정리됩니다. 정리하면 절댓값(모듈러스) 계산은 "이 값들이 실수다"라는 가정을 이미 내부적으로 써서 i를 제거하는 연산입니다. 그 연산을 조건 대입 이전에 해두면, 이후 대입은 단순 실수 대입이라 문제없이 정리됩니다. 반대로 i가 남아있는 식에 무리식을 포함한 조건을 먼저 대입하면, 그 무리식의 실수성/부호에 대한 가정이 없어서 CAS가 i를 소거하는 재간소화를 못 하고 멈춰버립니다. 실용적 팁: 복소식에 조건을 대입해야 할 때는 가능하면 절댓값·실수화(유리화) 등을 먼저 끝내서 i를 없앤 뒤 조건을 대입하거나, 대입 후 결과에 다시 simplify/expand/combine 같은 명령을 한 번 더 걸어주면 (필요한 도메인 조건과 함께) 정리가 되는 경우가 많습니다. 2026 07.19 저도 어림잡아 추측할 뿐이지 정확한 이유를 알지는 못합니다. 질문하신 사진을 그대로 (Gemini 3.5 Flash / ChatGPT / Claude Sonnet 5) AI에 넣어 보니 claude AI 가 제일 합리적인 답변을 주어서 이를 붙여 넣습니다. 2026 07.19 아 그렇네요. 감사합니다. ^^ 2026 04.28