针对传统随机采样一致性（RANSAC）算法在圆柱分割中的不足，结合结构特征和统计方法，提出一种环肋壳圈点云的分割方法。

利用模型表面积特征估计局内点比例，提高初始参数的精确度；加入主方向和半径限制，提高圆柱识别的准确性并减少迭代次数；使用基于加权函数的修正方法抑制局外点干扰，使圆柱拟合更逼近真值；通过DBSCAN算法对环肋点云聚类，并利用改进的RANSAC算法识别环肋构件的局部特征，实现构件尺寸的精确测量。

试验结果表明：所提方法有效解决环肋壳圈各部分构件的智能识别与尺寸测量问题，显著提高柱段及环肋的识别速度和精度。柱段分割的精确率、召回率和整体精度分别达到96.9%、99.5%和96.4%，计算速度提高约4.6倍；环肋构件尺寸测量误差在0.2%以内。

所提方法与传统方法相比，其点云的分割精确度和计算效率均具有显著优势。

为应对海上风电基础结构面临严重的冲刷挑战，

通过数值模拟研究海流作用下海上风电四桩导管架桩基的冲刷问题。采用FLOW-3D软件，利用大涡模拟（LES）湍流模型和泥沙运动模型，通过与试验结果的对比验证冲刷数值模型的有效性，并模拟单独恒定流作用下四桩导管架桩基的冲刷过程，分析桩基周围冲刷坑形态随时间的发展变化，研究不同流速、迎流角度、桩间距对四桩桩基冲刷的影响。

结果表明，群桩效应是四桩导管架基础冲刷规律核心，迎流角度改变桩间遮蔽关系，影响冲刷形态的非对称分布；桩间距调节桩间干涉强度，其增大导致群桩效应逐渐减弱，冲刷模式由整体的、相互连接的冲刷坑过渡为相对独立的局部冲刷坑；极限冲刷深度主要受流速控制，随桩间距变化较小。

研究结果为海上风电四桩导管架桩基冲刷数提供参考。

为系统梳理无人水面艇（USV）的技术演进脉络并探索其与智能船舶融合发展的路径，以突破单艇在续航、算力及通信上的性能瓶颈，

回顾USV从无线电遥控到全自主航行、从单体作业到集群协同的百年发展历程。深入剖析环境感知、决策规划、控制驱动及通信链路四大关键核心技术。在此基础上，重点探讨USV与大型智能船舶的融合趋势，分析“母船-子艇”跨域协同作业模式及数字孪生驱动的云端管控体系。

当前USV技术正经历从“感知-避障”向“认知-博弈”的智能化跃升，而“母船-子艇”协同模式通过将大型船舶的平台优势与USV的机动优势结合，可有效解决单艇在深远海复杂环境下作业与大型智能船舶进出港“最后一公里”操纵的难题，实现优势互补。

该协同模式是未来海洋作业的主流范式，但仍应在法律法规适应性、通信网络安全及绿色能源动力等方面持续攻关，研究成果可为构建空海潜一体化的新型海洋智能装备体系提供理论参考。

为梳理水面智能无人船艇自主航行决策控制技术的研究现状，厘清不同复杂度场景下的技术瓶颈与发展趋势，

系统调研了国内外无人船艇关键技术发展历程。围绕中低复杂度与高复杂度2类应用场景的技术需求差异，分别对路径规划、视线（LOS）制导、自主避碰、自动靠离泊、多智能体协同控制和自主回收等方向展开综述，评述现有技术不足并给出发展建议。

分析表明，面向开放水域的自主航行技术已日趋成熟并逐步实现工程化应用，但面向复杂水域和复杂任务的核心技术仍存在发展瓶颈。

进一步展望未来，提出应构建面向真实场景的标准化仿真和实船测试评价体系，推动关键技术快速迭代与落地，为我国无人船艇自主航行决策控制技术的发展提供支撑。

为提升船舶轨迹预测的精度与稳健性，

提出ABiM-Ship网络，以双向选择性状态空间模型对历史航迹编码，利用注意力机制显式对齐航迹与航向、航速，设计2阶段端到端联合预测，先回归未来航迹与航向、航速，再以残差校正，引入Huber损失以约束物理误差并稳定收敛。

试验表明：该网络在短、中、长程上的平均预测误差等指标表现均显著优于传统主流基线，预测精确度较高，且表征方法，2阶段结构与Huber损失均贡献显著增益。

研究成果在保持线性时序复杂度的同时实现对轨迹、航向与航速的显式耦合与粗到细预测，具备良好的可复现与可推广性，可为复杂海域高密度交通的智能导航与协同调度提供可推广的技术路径与工程参考。

海上风速观测常面临数据缺失问题，限制了风资源评估与风电运行管理的准确性。

基于ERA5再分析资料与近海漂浮式测风激光雷达实测数据，提出一种适用于海上风速缺测场景的比值插补方法。以某近海浮标100 m高度风速数据为例，评估该比值法在全年尺度、季节变化、风力等级及典型极端天气过程下的插补性能。

结果表明，该方法在风速时序趋势还原方面具有较好一致性，全年平均相关系数达0.839；但在风速幅值恢复上存在系统性低估，误差随风速增大而显著扩大，尤其在夏季强对流和台风影响期间，插补精度明显下降。与传统线性回归法相比，比值法在趋势保持与误差控制方面表现更优，且在风速剧烈波动或极端天气条件下展现出更高的稳定性与鲁棒性。

总体而言，比值法在风速平稳、变化规律清晰的环境中具有较好适用性，适合用于中长期风资源评估与观测数据修复；但在极端天气条件下，仍应引入更高分辨率数据或融合方法，以提升插补精度和适应性。

现有的自主靠泊技术依赖于精确的数学船舶模型，且多采用经验公式进行建模，然而在实际的靠泊场景中，受到环境、速度等影响，这些方法无法实时精确地反映当前的船舶操纵状态，导致靠泊控制精度受限。为解决上述问题，

提出一种基于物理信息神经网络（PINN）的船舶自主靠泊控制方法，该方法通过构建基于滑动窗口的实时数据集，通过物理神经网络实时辨识船舶操纵参数，设计基于增益调度的自适应控制器，利用辨识出的参数动态调整控制增益，实现船舶的精确靠泊。

试验结果显示，PINN网络能够在动态工况下迅速收敛，准确辨识船舶参数，拟合优度达到0.97，在靠泊试验中，确保终端航向角偏差与横向误差收敛至极小范围，实现平滑、安全的停靠，航向误差为0.13°。

该方法有效解决在船舶参数未知、复杂工况下，传统控制算法因模型失配而失效的问题，提供一种安全、可解释的自适应靠泊控制。

旨在构建基于云-边-端协同的智能管控体系，提升生产过程可控性、缩短建造周期并强化决策支撑能力。

以生产计划为驱动，工艺流程为牵引，设计云-边-端三级协同架构，通过构建船体分段车间物理信息融合环境，建立“计划、资源、执行”联动机制。提出混沌初始化种群与自适应遗传操作的改进遗传算法（IGA），融合模拟退火算法构建动态排产模型；开发多源异构数据融合引擎，实现设备状态、工序进度等实时数据驱动的排产优化。

系统应用后，船舶分段建造周期较传统模式缩短19.7%，生产异常响应时间缩短75%，设备负荷均衡指数优化28%。

提出的云-边-端协同管控模式有效破解船舶分段车间计划与执行的动态匹配难题，建立的“感知、分析、决策、执行”闭环体系为船舶智能制造提供可复用的实施框架，推动船舶工业数字化转型。

为揭示碳纤维船体结构轻量化效果对环境负荷的影响，

以11 m碳纤维增强复合材料高速艇为例，采用全生命周期评估方法进行环境影响评估，评价指标是大气污染相关的全球变暖潜力（GWP）和臭氧层破坏潜力（ODP）。

结果表明：基于纤维含量调节的碳纤维船体结构轻量化设计方法，通过增加纤维用量、减少树脂用量，当纤维含量为55%时，能够在满足结构安全的同时实现质量最优，对比设计原案（纤维含量为40%）船体结构减重12.5%。但碳纤维在制造阶段环境负荷远远高于树脂的，导致生产阶段的GWP与ODP分别上升10.24%和14.37%。相反，运营阶段因船体轻量化，25 a内节油323.98 t，GWP与ODP分别下降4.13%和4.19%。

营运阶段的周期远远长于制造阶段，轻量化效果对营运阶段的正面影响可覆盖生产阶段的负面影响。研究可为绿色船舶设计与航运业碳中和提供参考。

为提高船舶在实际靠泊过程中的路径规划和运动控制精度，

采用非线性模型预测控制（NMPC）与滚动时域估计（MHE）相结合的船舶靠泊路径规划方法，提出一种能预测船舶未来运动轨迹并在线更新船舶运动控制策略的非线性模型预测控制系统。建立船舶在横荡、纵荡、艏摇和横摇4个自由度上的Fossen动态模型，以适应船舶在水面上的运动状态和环境变化，从而提高船舶的靠泊控制精度。以巴布亚新几内亚及其邻近海域和马尼拉国际港的船舶自主靠泊路径规划为例开展仿真试验，验证该系统的有效性。

结果显示：采用该系统所得航迹误差均小于8.0 m，靠泊位置误差均为0.6 m。研究结果表明：所提系统的有效性、泛化性和适用性满足需求；建立的数学模型能为系统提供更全面的船舶运动信息，实现更精准的船舶运动控制，增强系统的鲁棒性。

研究成果可供不同港口环境下的智能船舶自主靠泊路径规划和运动控制参考。