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
예시11) 선형 연립방정식에서 답이 false 로 나올 때 https://allcalc.org/55823 2025 10.22 approx(참 해) 값이 이상하게 튀는 것 같아서 AI를 이용해 (python 으로) 구해보았습니다. * python 의 유효자릿수가 nspire 의 유효자릿수(14자리~15자리)보다 더 길기 때문에 시도하였습니다. ** 원래는 wolfram alpha 로 구해보려고 했는데, 울프람에서는 수식 길이가 너무 길다고 거부하는 바람에 포기하였습니다. 그 결과, AI approx(참 해) 값은 정상 범주에 포함되었고, 이는 solve()로 구한 대부분의 결과값과 유사하였습니다. 그럼 nspire 의 approx(참 해)는 왜 튀었나? 참 해에 더하기,빼기,곱하기,나누기 가 너무 많이 포함되어 있다보니, 모두 계산하고 나면 오차가 누적&증폭되어 버리는 것 같습니다. 그래서 오히려 solve의 numeric 한 접근보다도 더 큰 오차가 발생한 듯 하고, 그래서 적절한 해의 x 구간을 벗어나버린 듯 합니다. 그것이 처음의 solve 에서 false 를 이끌어낸 주 원인이 아니었을까요? (추정) 2025 10.21 그래프로 확인 그래프 함수로 지정하고, 매우 좁은 구간으로 그래프를 확대해 보면 불연속적인 그래프 모습이 확인됩니다. 이것은 한계 digits(15자리) 이상을 처리하지 못하기 때문일 것이구요. 다만 특이한 점은, 그래프상으로 교점에 해당하는 구간이 73.049507058477≤x≤73.049507058484 사이로 나오는데 -> 이 구간은 'solve에서 여러 방법으로 직접 구해진 해들'은 포함되는 구간입니다. -> 하지만, '참값인 해를 계산기로 구한 appprox 값 x=73.049507058547'은 포함되지 않는 구간입니다. 2025 10.21 tns 파일 첨부 sol_num_vs_exact.tns 2025 10.21 검증하면 1번 식을 x에 대해 정리하고, → 그 x 값을 2번 식에 대입해 넣으면 → 그 결과로 x는 사라지고 y에 대한 식이 되니, y에 대해 정리하면 참값 y를 얻음. 얻은 y의 참값을 처음 x에 대해 정리한 1번식에 대입하면 참 값 x를 얻음. 구해진 참값의 근사값을 구하면 x=73.049507058547 and y=23.747548955927 참 값을 approx() 로 변환한 근사값은 원래 방정식 모두를 만족할 수 없지만, linsolve() 로 찾은 근사값과, AI로 참 값을 근사변환한 값은 원래 방정식 모두를 만족할 수 있습니다. 2025 10.21