第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

式造波机和循环式造流系统。 在水槽中央布置网

衣模型,试验水深为 0. 613 m。 整个模型的基准

线为水平液面。 物理网衣试验模型布置如图 6 所

示。 验证试验选择右下区域中心检测点的试验数

据和数值模拟数据进行对比,指标参数为沿波浪

方向的加速度。

B

fl

C

fl

48-

 





















dff

X







B

fl

图 6 试验模型布置图

Fig. 6 Experimental model layout

图 7 为数值模拟与物理试验的数据对比

结果。

      

















T



ffi

图 7 网衣数值模型验证

Fig. 7 Mesh numerical model verification

结果显示,在规则波的作用下,网衣在波浪方

向上的加速度分量的数值结果与试验结果的时程

曲线整体拟合良好。 经过计算,数值模拟数据和

试验数据的最大加速度与最小加速度的相对差异

分别为 5. 1%和 2. 3%。 数值模拟结果与物理模

型试验结果相吻合,说明本研究数值方法准确

有效。

1. 5 网衣数值模拟

1. 5. 1 网衣建模影响因素数值模拟

为了研究监测节点类型和破损指标参数对网

衣破损定位检测效果的影响,本研究采用数值模

拟对其进行分析,数值模拟过程如图 8 所示。

_ T _ T _ T

_ T _ T _ T

_ T _ T _ T

图 8 右下区域破损情况

Fig. 8 Breakage in the lower right area

本研究采用波高为 0. 08 m,周期为 1. 1 s 的

Stokes 五阶波进行网衣右下区域破损的数值模

拟,持续时间为 360 s。 在 0~120 s,网衣处于完整

状态。 在 120 s 时,第一根网线断裂,随后每 30 s

断开一根网线,直到 270 s 时断裂第 6 条网线为

止。 在 300 s 时,第 7 条和第 8 条网线同时断裂,

在 330 s 时,下方的 8 条网线一次性断开,破损区

域如图 8 中红色矩形框所示。

首先进行监测点类型对网衣破损定位影响的

分析,本研究进行将网线中点和网目节点作为监

测点的对比分析,节点定义如图 9 所示。 Line-1、

Line-2 、Line-3 和 Line-4 分别为所标记位置网

线上的中点,如图红色实心矩形所示; Dot-1、Dot

-2、Dot-3 和 Dot-4 分别为上述网线的右端节点,

如图中蓝色圆点所示。

Line-2 与 Line-3 水平相距 50 cm,Line-3 距

离破损区域 5 cm,Dot-2 与 Dot-3 的位置情况同

理。 通过对比监测点的拉力得出水平方向上不同

位置监测点在破损发生时的变化规律。 Line-1、

Line-3 和 Line-4 为深度不同的监测点,其中 Line

49

渔 业 现 代 化 2024 年

-1 位于水上,Line-3 和 Line-4 位于水下,Dot-1、

Dot-3 和 Dot-4 同理。 通过对比监测点的拉力得

出处于不同水深监测点在破损发生时的变化规

律。 数值模拟的坐标系如图 10 所示。



-JOF 



%PU



%PU



%PU



-JOF



-JOF



-JOF



%PU







fl

图 9 监测点选择对比模型

Fig. 9 Comparison model of monitoring site selection



;

:

9

图 10 坐标系

Fig. 10 Coordinate system

在网衣破损检测的研究中,常使用网线所受

的拉力作为判断破损的指标参数,例如连栗楷

等[19]进行网衣破损检测时,使用的方法是分别在

网衣横纲和竖纲的网线上布置拉力传感器。 本研

究通过对比分析研究拉力、加速度及其分量作为

指标参数的特点。 用于对拉力、加速度分量进行

研究。

1. 5. 2 网衣破损定位检测数值模拟

为了检验模型对网衣破损定位的检测能力,

首先需要采用数值模型模拟网衣的破损情况,破

损情况如图 11 所示,共包含 8 种破损情况。

 



 



 



 



图 11 破损情况

Fig. 11 Damage condition

50

第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

模拟工况为波高 0. 08 m,周期 1. 1 s 的 Stokes

五阶波,模拟时长为 300 s,数据采集为 50 Hz。 采

集各个破损状态下 4 个监测区域监测点的加速度

数据,根据数据特点进行数据处理,制作用于算法

模型训练的数据集。

1. 6 破损定位识别算法

在机器学习中,常使用决策树和人工神经网络

对数据进行分类,决策树具有简单速度快等特点,

但在其处理多分类问题时,容易出现分类错误的问

题。 相较而言,人工神经网络处理多分类问题效果

更好,本研究分别使用决策树和人工神经网络对网

衣破损进行定位检测,对检测效果进行对比。

决策树是一种树形结构,其中每个内部节点

表示一个属性上的判断,每个分支代表一个判断

结果的输出,最后每个叶节点代表一种分类结果。

CART 算法的二分法可以简化决策树的规模,提

高生成决策树的效率。 基尼指数是 CART 决策树

的分裂系数,代表了模型的不纯度,基尼系数越

小,不纯度越低, 特征越好。 基尼系数的公式

如下:

Gini(p) = ∑

K

k = 1

pk(1 - pk) = 1 - ∑

K

k = 1

p

2

k (3)

式中:k 表示类别;pk 表示第 k 个类别的概率。

基尼指数反映了从数据集中随机抽取两个样

本,其 类 别 标 记 不 一 致 的 概 率。 本 研 究 使 用

Matlab 分类工具箱的 CART 精细树进行分类,最

大分裂数设置为 150。

神经网络由输入层、隐藏层和输出层组成。

隐藏层神经元个数是通过研究者的经验确定的,

然后根据实际情况进行微调。 本研究首先使用经

验公式初步确定神经元的个数,并根据实际情况

对神经元个数进行微调[31]

。 经验公式如下所示:

m = 2n + 1 (4)

式中:n 为输入层个数;m 为隐藏层神经元个数,

本神经网络模型共有 4 个输入,神经元个数初步

设置为 9 个。

模型训练选择 MATLAB 自带的分类工具箱。

通过训练获得具有网衣破损定位能力的模型。 本

次神经网络使用的激活函数为 ReLU。 ReLU 函

数是由 Xavier 等[27]提出的,公式如下:

f(x) = max(0,x) (5)

式中:x 为输入值;f(x)为 ReLU 函数的输出值。

ReLU 的 函 数 形 态 如 图 12 所 示, 相 比 于

Sigmoid 函数和双曲正切函数更不容易导致梯度

消失问题,相比于其他激活函数更加高效。 本研

究待分类的破损类别和其对应的标签如表 2

所示。

  















X

RelU

Y

图 12 ReLU 函数

Fig. 12 ReLU Function

表 2 网衣状态标签

Tab. 2 Net garment status label

网衣状态 标签

完整状态 0

左上轻微破损 1

左上严重破损 2

右上轻微破损 3

右上严重破损 4

左下轻微破损 5

左下严重破损 6

右下轻微破损 7

右下严重破损 8

2. 1 破损定位建模依据

2. 1. 1 监测节点类型对数值计算结果影响

本研究通过监测点的指标参数变化情况判断

网衣是否发生破损。 其理论依据是当网衣发生破

损时,网衣的受力面积发生了变化,即网衣的密实

度发生了变化,而网衣受力与网衣的密实度有

关[28]

。 因此,监测点的参数变化幅度和趋势也发

生了变化。

水平方向监测点与破损区域距离对监测效果

的影响如图 13 所示。 图 13a 为将网线中点作为

监测点的拉力时程曲线对比,可知两个监测点的

拉力时程几乎曲线重合,峰值差异在 1% 以内。

在 0~120 s 网衣处于完整状态时,两监测点拉力

变化范围均为 0. 1~1. 8 N,当到达 120 s 时,网衣

网线断 开, 两 个 监 测 点 的 拉 力 峰 值 瞬 间 减 小

51

渔 业 现 代 化 2024 年

20%。 在 120~300 s 期间,每断开一根网线时,拉

力峰值和变化范围均增大 20%。 在 300 s 时,网

衣瞬间断开两根网线,两个监测点拉力峰值从 3

N 瞬间增加到 8. 4 N,变化范围也扩大为原来的 3

倍。 在 330 s 时网衣断开 8 根网线,监测点拉力

的峰值和变化范围均减小了近 10%。

将网目节点处作为监测点的拉力对比分析如

图 13b 所示,在 0 ~ 120 s,由于对称,两监测点的

拉力峰值均为 0. 003 5 N,120 s 发生破损后,两监

测点的峰值缩小到 0. 002 3 N,缩小了 34%。 在

210 s 后 ,Dot-3 的拉力瞬间达到 0. 004 7 N,Dot3 在 240 s 时拉力减小至 0. 003 1 N,在 240~360 s

阶段呈现拉力增大趋势。 Dot-2 在 270 s 才停止

了减小趋势,两监测点数据差异明显。 在 210 -

240 s 破损区域监测点的数据峰值和变化范围是

非破损区域监测点的 3 倍。 可见在水平方向上,

将网目节点处作为监测点,距离破损区域较近的

监测点拉力数据的差异更加明显。

-JOF

-JOF

%PU

%PU

            

T

/

T

            



















/

B



C



图 13 底部横纲监测点的拉力对比

Fig. 13 Comparison of tensile forces at the bottom transverse

monitoring point

水深方向监测点与破损区域距离对监测效果

的影响如图 14 所示。 如图 14a 可知,Line-1 的拉

力变化范围处于 2. 1~4. 0 N,Line-3 的拉力变化

范围处于 0. 2~5. 0 N, Line-4 在 0~300 s 处于 4.

1 ~5. 1 N,在 300 s 时 Line-3 的拉力突然从 2. 1 N

增大到 8. 1 N,可见三者的拉力差异明显。 如图

14b 所示,Dot-1、Dot-3 和 Dot-4 差异分明,三者

的变化范围均从 0 N 开始,基准相同。 在 120 s 网

衣发生破损后,上侧和递补节点的拉力峰值先增

大后减小,比破损前的峰值增大了 3 倍。 而底部

横纲的右侧节点的拉力峰值变化趋势为先减小后

增大,3 个监测点的时程曲线差异明显。 由此可

见,将网目节点作为监测点时,可以增大监测点对

于网衣完整与破损状态的数据差异。

%PU

%PU

%PU

            

            

T

/

/

























-JOF

-JOF

-JOF

T

B



C



图 14 水深方向监测点的拉力对比

Fig. 14 Comparison of tensile forces at monitoring points

in the direction of water depth

2. 1. 2 破损指标参数对数值计算结果影响

拉力与加速度的对比如图 15 所示。 其中,拉

力的变化区间为 0~0. 18 N,加速度的变化区间为

0~6. 2 m / s

2

。 加速度数据的变化范围在完整状

态下的 0. 75 ~ 1. 20 倍。 可见加速度的数值变化

范围大约是 30 倍,数据更易测量,对试验仪器的

精度要求较低,更适合作为判断破损的指标参数。

52

第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

/PEF

/PEF

            





















T

             

T

/PEF

/PEF

/PEF

B



C



图 15 加速度时程曲线

Fig. 15 Acceleration time history curve

右下区域监测点(Node-4)的加速度 3 个坐

标轴方向分量的时程曲线如图 16 所示。

            



















T

       

T

B



C

_ T Y 

Y/PEF:

X

Y

Z

图 16 加速度分量

Fig. 16 Acceleration component

3 个方向的加速度分量峰值和变化范围在破

损发生时刻均发生了突变,变化趋势是先减小后

增大。 其中 3 个方向分量的峰值在第 120 秒瞬间

减小 25%,Y 方向的加速度在 330 s 处的突变幅度

最大,增大了近 23 倍。 可见 Y 方向加速度作为网

衣破损检测的参数指标效果更好。

根据 2. 1. 2 节的分析,如何增大水平相邻两

个监测点的数据差异是破损检测的关键因素。 左

下和右下区域监测点的加速度 3 个坐标轴方向分

量的数据对比如图 17 所示。 图 17a 显示 X 方向

的加速度分量在 120 s 和 180 s 处发生突变,180 s

后两个监测点的数据差异明显;图 17b 显示 Y 方

向加速度在 210 s 发生的突变范围为完整状态下

的 18 倍,且 210 s 后的两监测点的数据差异最

大。 由图 17c 可知,两监测点 Y 方向的加速度分

量在 120 ~ 180 s 存在差异,解决了加速度和拉力

在小破损状态下曲线重叠的问题。 如图 17d 所

示,Z 方向分量加速度存在差异,但差异幅度小于

Y 方向加速度分量。

综上所述,Y 方向的加速度分量在 3 个坐标

轴方向分量中对破损的反应能力最强,因此本次

所建的破损定位模型的指标选择 4 个监测点的 Y

方向加速度分量作为算法模型的输入数据。

2. 2 多监测区域模型检测结果

数值模拟获得的加速度数据特点如图 18 所

示。 在破损状态下,所在破损区域监测点的加速

度变化范围均大于完整状态下的变化范围,随破

损程度的增加,加速度的变化范围在增加,最大值

逐渐增大,最小值逐渐减小。

在训练之前需要对数据进行处理,数据处理

的方式如图 19 所示。 分别对破损所在区域的监

测点的数据通过做差的方式,增大网衣各个状态

的数据差异,例如轻微破损的加速度数据去掉完

整区域的数据作为训练数据,如图中绿色区域的

数据所示;严重破损的数据为剔除轻微破损数据

的数据,如图中粉色区域数据所示。 然后将图中

的完整数据、轻微破损状态下绿色区间的数据和

严重破损状态下粉色区间的数据进行整合,作为

模型的训练数据。 收集所有监测点数据处理后的

Y 方向加速度分量数据,建立训练数据集。 训练

集包含完整状态及 8 种破损状态的加速度数据

集,共计 12 506 条。

53

渔 业 现 代 化 2024 年

                         

            

























T

       

T

T T

/PEF9

/PEF9

/PEF:

/PEF:

/PEF;

/PEF;

/PEF:

/PEF:

D

 T Y E

Z

B

X C

Y

图 17 加速度分量

Fig. 17 Acceleration component

D. b

.

c. d

.

















/PEF: /PEF:

/PEF: /PEF:

 



 



 



 











      

             

      

T T

T T

图 18 数据特点

Fig. 18 Data characteristics

54

第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

      

T



 



图 19 数据处理

Fig. 19 Data processing

测试集数据来源于同波况下物理试验传感器

所收集的 Y 方向加速度分量数据,物理试验中的

破损情况如图 20 所示,分别对 8 种破损情况进行

试验,分别对轻微破损和严重破损单独测量,单个

试验工况的数据采集时长为 96 s,陀螺仪以 50 Hz

的频率进行数据采集。

B



C



图 20 网衣破损状态

Fig. 20 The net garment is in a torn state

每个工况进行了 3 次试验,然后对得到的数

据进行了平均处理,物理试验收集了 4 个监测点

的 Y 方向加速度数据,共计 43 200 条数据,试验

数据包含 9 种网衣状态,数据分布如图 21a 所示,

可知不同破损状态均存在数据差异。 物理试验和

数值模拟右下破损的数据对比如图 21b 所示,可

知当网衣发生破损时,物理试验数据的变化范围

小于数值模拟,并且严重破损下的物理试验数据

变化范围大于轻微破损下数值模拟的变化范围。

在机器学习算法中,训练集与测试集的比例常为

7:3 或 8:2,因此每个网衣状态选取 430 条数据,

共计 3 870 条,作为测试集。

判断算法模型的指标常用准确度,预测准确

度采用以下公式计算:

A = 100% × m / n (5)

式中:m 为匹配的案例;n 为案例总数。

参考有关利用数字孪生技术进行破损检测的

文献发现[29]

,模型的识别准确率在 90%以上即可

判断该模型的识别准确度高。

为了确定每个破损类别的分类准确度,采用

混淆矩阵作为判断算法模型性能的指标。 混淆矩

阵也称误差矩阵,是表示精度评价的一种标准格

式,用 n 行 n 列的矩阵形式来表示[30]

。 主要用于

比较分类结果和实际测得值,并把分类结果的精

度显示在一个混淆矩阵里面。

将处理过的数据放入决策树和人工神经网络

模型进行训练。 并使用针对上述 8 种破损情况物

理试验所收集到的测试数据进行检验。 首先对决

策树的分类结果进行分析,结果显示决策树对训

练集和测试集的预测准确度分别为 98. 2% 和

96. 8%。 混淆矩阵显示了每种破损情况的预测准

确率。 其混淆矩阵结果如图 22 所示,纵坐标为真

实类别,横坐标为预测类别。 结果显示,模型对破

损类别标签为 7 的情况存在严重的过拟合,训练集

准确度高达 94. 8%,测试集准确度仅为 85. 1%,可

见决策树对数据的分类效果不佳。

对人工神经网络的分类结果进行分析, 结果

表明,该人工神经网络模型对训练集和测试集的预

测准确度分别为 98. 5%和 97. 9%,训练集和测试

集的混淆矩阵如图 23 所示,结果可知,训练集中的

各个破损情况类别的分类准确率均在 95. 0%以上,

测试数据的分类准确率均在 91. 1%以上,可知模型

可以对网衣的破损类型进行准确分类,找到破损发

生的区域,并对破损程度进行区分。

55

渔 业 现 代 化 2024 年

B

ffi

 C



            



























 



 





ffi

图 21 网衣试验数据

Fig. 21 Netting experiment data

B

ffifl C

fl

         TPR FNR          TPR FNR





















































图 22 决策树混淆矩阵

Fig. 22 Decision tree confusion matrix

B

fl C

fl

















































         TPR FNR          TPR FNR

 

图 23 神经网络混淆矩阵

Fig. 23 Neural network obfuscation matrix

56

第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

3 讨论

3. 1 网衣物理试验数据分析及对破损定位的

影响

分析网衣破损物理试验数据,可知当网衣发

生破损时,物理试验数据略小于数值模拟的数据。

连栗楷等[19]在数值模型的验证中,拉力的峰值普

遍小于数值模拟的峰值;Wang 等[6] 在网衣中嵌

入导线,两者均使得网衣发生破损时的形变变小,

数据变化范围缩小。 其原因是布置在网衣上的传

感器是由数据线固定的。 当网线断裂时,破损的

网衣挣脱束缚,加速度增大,但是数据线会给破损

的网衣提供阻力,导致加速度比数值模拟略小。

由于网衣严重破损状态下的物理试验数据的变化

范围普遍大于网衣轻微破损状态下的数值模拟的

变化范围,并且监测点的数据变化范围随破损程

度增加而增大,可知分类算法可以对物理试验数

据进行精确分类,从而准确判断网衣破损发生的

位置。

3. 2 划分监测区域个数的确定

连栗楷等[19]未进行区域划分,导致所设计的

模型仅能判断网衣是否发生破损,不能对破损进

行定位,在实际海况中,如果不能缩小对破损的搜

索区域,将会导致无法对破损进行及时修复,造成

大量鱼群逃逸。 张金泉等[32] 利用自主式水下潜

器(AUV)沿着螺旋运动轨迹对水下渔网进行拍

摄,然后对水下摄像机拍摄的渔网图像信息进行

分析识别完成对网衣的破损检测;赵云鹏等[33] 提

出的方法能够对 ROV 所拍摄到的图像进行准确

且有效识别受损渔网。 由于摄像头拍摄的范围有

限,如果不能对破损位置进行初步定位,将会消耗

大量的时间,无法及时发现网衣破损。 作为对比,

本研究提出的网衣破损定位的关键因素是对网衣

划分监测区域,通过对比每个监测区域监测点的

指标参数的变化趋势,确定破损所发生的区域,在

本次研究中划分了 4 个监测区域。 理论上讲,将

监测区域划分的数量越多,对破损的定位就越准

确。 然而,对于实际的养殖网箱,由于网箱的体积

大,水下环境复杂,布置过多的传感器会增加经济

成本,同时会使网衣容易被水下的物体附着,影响

水体交换进而影响鱼类的生长,因此,网衣的区域

划分个数要根据实际网箱尺寸以及所处海域进行

调整。

3. 3 监测点布置位置与指标参数的影响

监测点位置的选择直接影响网衣物理实体传

感器的布置位置,网衣破损指标参数的选择决定

了传感器的类型,两者共同影响数字孪生体物理

空间的数据采集质量。 连栗楷等[19] 选择横纲的

一段网线中心点作为监测点,在此处布置了拉力

传感器,在完整和破损状态下采集的数据差异不

明显,因而使用滑动平均值增大数据差异,此操作

增加了计算成本,是否具有普适性还有待验证。

Kim 等[18]将监测点选择在浮标处,用人工神经网

络模型在选定的波浪条件下进行训练,以识别传

感器信号的加速度变化,从而使预测模型能够识

别受损位置。 本研究首先对比了网线中心点和网

目节点处布置传感器的效果,然后对比了拉力和

加速度及其分量的特性。 最终,本研究选择将网

目节点作为监测点以及选择加速度分量作为指标

参数,由此获得的各个破损状态下监测点数据差

异明显,未使用算法进行数据处理,原始数据就有

明显的数据差异。 因此,本次模型设计提升了网

衣破损定位检测模型研究的经济性,本建模方法

所构建的模型在网衣未来的数字孪生研究中,可

以作为构建数字孪生模型的依据。

3. 4 网衣破损定位识别算法选择

深度学习算法常用于基于视觉的网衣破损检

测研究中,俞国燕等[12] 使用改进的 YOLOv7 算法

对网衣进行破损检测, Zhong 和 Feng

[34]采用改进

的金字塔融合算法对采集到的图像进行预处理,

结合 Faster R-CNN 的深度学习方法对网衣进行

破损检测。 相较而言,基于传感器的网衣破损检

测常用机器学习中的人工神经网络,较深度学习

具有速度快、计算量小等特点。 连栗楷等[19]使用

BP 神经网络对网衣完整和破损进行二分类,对于

二分类的问题,选择决策树就可以对破损情况进

行准确分类,未证明使用神经网络的必要性。 本

次研究分类算法,比较了决策树和人工神经网络

的破损定位识别效果,结果显示决策树出现严重

的过拟合,其原因是本次分类任务包含 9 种类别,

决策树在多分类任务的表现效果不佳。 除此之

外,破损程度仅有轻微和严重两种类别,并且破损

位置是对称的,使得破损程度相同的类别会有少

57

渔 业 现 代 化 2024 年

量的数据混合,导致决策树出现过拟合的情况。

对于实际的网衣破损情况,出现破损的类别的数

量会多于本次测试,对分类算法的性能的要求更

高,因此,网衣破损定位检测应选择人工神经网络

作为分类识别算法。

4 结论

本研究首先基于 OrcaFlex 数值模拟求解了不

同破损状态下网衣的受力和加速度特性,并通过

物理模型试验验证了数值模型的准确性。 然后对

影响网衣监测效率的建模因素进行了分析,结果

表明,将网衣网目节点作为监测点,选择加速度分

量作为指标参数能提升监测点对破损的感知能

力。 通过对比分析证明了使用人工神经网络的必

要性,本研究使用 8 种破损情况对模型的定位检

测能力进行测试,模型在训练集破损定位的准确

度为 98. 5%,测试准确度为 97. 9%,因此可作为

未来网衣破损定位模型建立的新方法,对深远海

养殖设备的维护具有重要意义。 本研究仅对规则

波下的网衣破损定位检测提供了建模依据,由于

实际海域中的波流环境更加复杂,为提高渔网破

损检测的准确率,对如何提升不规则波下的模型

破损检测准确率是下一步的研究内容。 □

参考文献

[1] 林鸣. 发展大规模深远海养殖:问题、模式与实现路径[ J].

管理世界,2022,38(12):39-58.

[2] 黄小华,庞国良,袁太平,等. 我国深远海网箱养殖工程与装

备技术研究综述[J]. 渔业科学进展,2022,43(6):121-131.

[3] 黄滨,关长涛,崔勇,等. 台风“米雷”对山东网箱养殖业灾害

性影响的调查与技术解析[ J]. 渔业现代化,2011,38( 4):

17-21.

[4] 陶飞,刘蔚然,刘检华,等. 数字孪生及其应用探索[ J]. 计算

机集成制造系统,2018,24(1):1-18.

[5] 牛丽娟,杜海,赵云鹏,等. 养殖网箱水下网衣破损视觉检测

方法研究[ C]. 第十九届中国海洋(岸) 工程学术讨论会,

2019:122-126.

[6] WANG Y,QI C,PAN H. Design of remote monitoring system for

aquaculture cages based on 3G networks and ARM-Android

embedded system[J]. Procedia Engineering,2012,29(4):79-83.

[7] 叶盛,王俊. 深水网箱网衣破损监测系统设计[ J]. 农业机械

学报,2006,037(004):94-96,118.

[8] KNUDSEN F R, FOSSEIDENGEN J E, OPPEDALF, et al.

Hydroacoustic monitoring of fish in sea cages: Target strength

(TS) measurements on Atlantic salmon (Salmo salar). Fisheries

Research,2004,69(2):205-209.

[9] BJERKENG B,BORGSTRΦM R,BRABRAND,et al. Fish size

distribution and total fish biomass estimated by hydroacoustical

methods:a statistical approach[J]. Fisheries Research,1991,11

(1):41-73.

[10] HORNE J K, JECH J M. Multi-frequency estimates of fish

abundance: constraints of rather high frequencies [ J ]. Ices

Journal of Marine Science,1999(2):184-199.

[11] LEE J A,ROH M T,KIM K M, et al. Design of autonomous

underwater vehicles for cage aquafarms [ C ] / / 2007 IEEE

Intelligent Vehicles Symposium. IEEE,2007:938-943.

[12]俞国燕,苏锦萍,陈泽佳,等. 基于改进 YOLOv7 的网箱网衣

破损识别方法[J]. 渔业现代化,2023,50(4):126-136.

[13] GUO T Z, GAO T Y, CHEN W, et al. Research on Visual

Detection Method of Underwater Cage Net Damage Basedon

Bionic Robotic Fish [ J ]. Information & Compute, 2022, 34

(16):200-202,230.

[ 14 ] LABRA J, ZUNIGA M D, REBOLLEDO J, et al. Robust

automatic net damage detection and tracking on real aquaculture

environment using computer vision [ J ]. Aquacultural

Engineering,2023,101:102323.

[15]刘雨青,冯俊凯,邢博闻,等. 基于深度学习的水面目标检测

[J]. 激光与光电子学进展,2020,57(18):295-304.

[16] ERKOYUNCU J A, DEL AMO IF, DALLE MURA M, et al.

Improving efficiency of industrial maintenance with context aware

adaptive authoring in augmented reality[ J]. Cirp Annals,2017,

66(1):465-468.

[17]RITTO T G,ROCHINHA FA. Digital twin,physics-based model,and

machine learning applied to damage detection in structures [ J].

Mechanical Systems and Signal Processing,2021,155:107614.

[18]KIM H,C J IN,KIM M,et al. Damage detection of bottom-set

gillnet using artificial neural network [ J]. Ocean Engineering,

2020,208:107423.

[19]连栗楷,赵云鹏,毕春伟,等. 基于数字孪生技术的平面渔网

破损检测方法研究[J]. 渔业科学进展,2022,43(6):40-46.

[20] SU B,BJøRNSON F O, TSARAU A, et al. Towards a holistic

digital twin solution for real-time monitoring of aquaculture net

cage systems[J]. Marine Structures,2023,91:103469.

[21 ] LAN H Y, UBINA N A, CHENG S C, et al. Digital twin

architecture evaluation for intelligent fish farm management using

modified analytic hierarchy process[J]. Applied Sciences,2022,

13(1):1-19.

[22]许条建. 离岸组合式网箱水动力特征研究[D]. 大连:大连理

工大学,2013.

[23]LEE C W,LEE G H,CHOE M Y,et al. Dynamic simulation of

the fish cage net and floating collar subjected to currents and

waves [ C ]. International offshore and polar engineering

conference,2008:348-353.

[24]ZHAO Y P,LI Y C,DONG G H,et al. Numerical simulation of

hydrodynamic behaviors of gravity cage in current and waves

58

第 3 期 孙衍谦等:基于加速度分量测量的水下网衣破损定位方法

[J]. International Journal of Offshore and Polar Engineering,

2009,19(2):97-107.

[ 25] ZHAO Y P, GUI F K, XU T J, et al. Numerical analysis of

dynamic behavior of a box-shaped net cage in pure waves and

current[J]. Applied Ocean Research,2013,39:158-167.

[26]DU Y, ZHOU S, JING X, et al. Damage detection techniques

for wind turbine blades: A review[J]. Mechanical Systems and

Signal Processing, 2020, 141: 106445.

[27] GLOROT X, BORDES A, BENGIO Y. Deep Sparse Rectifier

Neural Networks [ J]. Journal of Machine Learning Research,

2011,15:315-323.

[28]陈天华. 桩柱式围网养殖系统水动力特性研究[D]. 舟山:浙

江海洋大学,2017.

[29] SESHADRI B R, KRISHNAMURATHY T. Structural health

management of damaged aircraft structures using digital twin

concept [ C ] / / 25th aiaa / ahs adaptive structures conference,

2017: 1675.

[30 ] PROVOST F, KOHAVI R. Guest editors ' introduction: On

applied research in machine learning [ J]. Machine learning,

1998,30:127-132.

[31] STATHAKIS D. How many hidden layers and nodes? [ J].

International Journal of Remote Sensing, 2009, 30 ( 8 ):

2133-2147.

[32]张金泉,胡庆松,申屠基康,等. 海上网箱网衣检测用框架式

AUV 设计与试验[J]. 上海海洋大学学报,2016,25(4):6.

[33]ZHAO Y P,NIU L J,H DU,et al. An adaptive method of damage

detection for fishing nets based on image processing technology

[J]. Aquacultural Engineering,2020,90:102071.

[ 34 ] ZHONG X, FENG W. Research on Machine Vision-based

Damage Detection Method for Underwater Net box and Net Coat

[ C ] / / 2023 5th International Conference on Frontiers

Technology of Information and Computer ( ICFTIC ). IEEE,

2023:1205-1209.

59

渔 业 现 代 化 2024 年

Underwater mesh damage location method

based on acceleration measurement

SUN Yanqian

1,2

,LI Zijie

2

,ZHAO Yunpeng

2

(1 China Power Engineering Consulting Group Co.,Ltd.,Beijing 100011,Beijing China;

2 State Key Laboratory of Coastal and Offshore Engineering,Dalian University of

Technology,Dalian 116024,Liaoning China)

Abstract:In order to obtain accurate identification and real-time monitoring of mesh damage location, a new

modeling method for mesh damage location based on acceleration measurement was proposed by combining

physical test and numerical simulation. The method increases the data difference between the monitoring points

in the broken area and the non-broken area, so as to determine the location of the broken fishing net. The

fishing net physical tests and numerical simulation calculations were combined to study the fishing net breakage

localization. Firstly, we carry out the physical model test of mesh coat damage, validate the numerical model

of mesh coat, and use the validated numerical model of mesh coat to deeply explore the influencing factors

affecting the modeling of mesh coat damage location detection, which serves as the basis of the mesh coat

damage location detection model proposed in this study. The damage localization model includes four

monitoring areas, and eight damage conditions are listed to test the localization detection ability of the model.

The model uses artificial neural networks to localize and identify the damages. The Y-direction acceleration

data collected from the monitoring points in the four regions were processed as inputs, and the eight types of

damage and one intact case were used as outputs. The training data are the data obtained from numerical

simulation and the test data are the sensing data from the physical model. (1) The results show that under the

effect of regular waves, when the center of the mesh line is selected as the monitoring point, the data of the

monitoring points in the broken and non-broken areas almost overlap, and the difference is within 1%. When

the mesh node of the mesh coat is used as the monitoring point, the data change trends of the monitoring points

in the two monitoring regions are different, and the data peak and change range of the monitoring point in the

broken region at 210-240 s are three times of that of the monitoring point in the non-broken region. (2) Ydirection acceleration component comparing the acceleration, in addition to this broken when the data

difference changes the same, with the increase of the degree of broken, the acceleration data changes in the

intact state in the range of 0. 75-1. 2 times, while the Y-direction acceleration changes in the range of 0. 75-

23 times, and comparing the other direction of the acceleration component, the intact region and the broken

region of the data difference is greater. (3) The accuracy of the model in locating the breakage in the training

set is 98. 5 % and the test accuracy is 97. 9 %, which can locate the breakage accurately. In this study, we

proposed a modeling method for detecting breakage of mesh garments based on region division, proved that

using mesh nodes as monitoring points can increase the difference between monitoring points that are in the

intact and broken regions, and the selection of acceleration component as an indicator parameter can increase

the ability of the monitoring points to perceive the breakage. The results of this study provide some guidance

for the modeling of digital twin of net clothing, and at the same time provide theoretical basis for the sensor

arrangement and type selection of fishing nets.

Key words:underwater fishing net; breakage localization; physical model tests; numerical simulations;

acceleration

60

第 51 卷第 3 期 渔 业 现 代 化 Vol. 51 No. 3

2024 年 6 月 FISHERY MODERNIZATION Jun. 2024

DOI:10. 3969 / j. issn. 1007-9580. 2024. 03. 007 开放科学(资源服务)标识码(OSID):

岳云鹏,周骏,扈喆,等. 多浮球阻力性能海上实测与数值模拟研究[J]. 渔业现代化,2024,51(3):61-69.

收稿日期:2023-11-01

基金项目:国家自然科学基金面上项目“高阶畸形波与多体浮式结构物相互作用及快速预报方法(52371321)”;福建省科技计划项目“海

上塑胶渔排安全养殖若干关键技术研究与应用(2021N0035)”

作者简介:岳云鹏(1998—),男,硕士研究生,研究方向:养殖装备水动力分析。 E-mail:yyp18845877907@ 163. com

通信作者:张晓莹(1988—),女,讲师,研究方向:船舶与养殖装备水动力分析。 E-mail:zhangxy@ jmu. edu. cn

多浮球阻力性能海上实测与数值模拟研究

岳云鹏1,2

,周 骏3

,扈 喆1,2

,张晓莹1,2

,李 妍1,2

,郭 军1,2

(1 厦门市海上养殖装备重点实验室,福建 厦门,361021;

2 集美大学轮机工程学院,福建 厦门,361021;

3 上海振华重工(集团)股份有限公司,上海,200125)

摘要:浮球是海上养殖塑胶渔排的主要浮力部件,在海流作用下,浮球阻力可导致渔排受力与变形增加,浮球

表面液面爬升可引起渔排踏板上浪,因此研究浮球阻力性能对海上养殖安全生产有重要意义。 采用海上实

测手段研究单、双浮球的阻力性能;基于黏流理论数值模拟单、双浮球在不同流速下的阻力和波形,并与海上

实测结果对比,验证数值模拟的准确性;对方形、菱形两种典型浮球摆放形式进行数值模拟,分析不同流速下

的液面高度和阻力。 结果显示:数值模拟与海上实测误差小于 9. 5%吻合良好;菱形浮球摆放形式对应的液

面抬升、两浮球中间的流场更加稳定、平均阻力更小,在流速大于 1. 5 m/ s 时,平均阻力小于 29%,推荐采用

该摆放形式生产作业。

关键词:多浮球;海上实测;数值模拟;阻力;波面

中图分类号:S969 文献标志码:A 文章编号:1007-9580-(2024)03-0061-009

塑胶渔排主要由塑胶板/ 管材和浮球组成,是

中国东南沿海广泛应用的海上养殖设施。 浮球是

塑胶渔排的主要浮力部件,在海流作用下浮球所

受阻力可导致渔排受力与变形加剧,浮球表面液

面爬升可增加塑胶渔排踏板上浪风险,进而对海

上养殖安全生产造成威胁[1]

。 此外,塑胶渔排的

浮球间距较近,多浮球间水动力影响效应不可忽

视,因此研究多浮球水动力性能对于海上养殖渔

排设计和安全生产意义显著。

在浮球本身属性研究方面,李玉成等[2] 通过

对矩形体在波浪及波流组合作用下的分析,得到

了柱体阻力系数供工程上参考。 Harleman 等[3]

研究了球形浮球在波浪作用下的水动力特性,研

究了浮球的不同直径、质量、下潜深度等不同因素

对浮球运动幅度的影响。 Radhakrisham 等[4]对系

缆球形浮球在规则波作用下进行了横向不稳定性

的理论和试验分析,理论分析结果和模型试验结

果吻合较好。 Carpenter 等[5] 对不规则波下的圆

柱平台和球型浮球的运动响应进行了试验和数值

模拟,试验结果与数值模拟吻合良好。 Williamson

等[6]对水流中系缆的浮球的动力响应进行了研

究,完善浮球运动受力分析过程,得到了浮球的相

关参数设置。 Drobyshevski

[7]

、Sulisz 等[8] 对方型

截面浮体的水动力选取问题做了详细分析。 在研

究渔排整体结构方面,王经坤等[9] 使用商业软件

对风浪流条件下的筏式养殖设施进行建模、设计

得到了浮筒的运动响应、锚绳的受力及变形情况。

赵云鹏等[10]采用集中质量法和刚体运动学原理

建成网箱的数值模型,模拟了网箱在波流联合作

用下的水动力特性。 付世晓[11] 基于三维水弹理

论使用商业软件在频域内对筏式渔排浮架在纯浪

条件下的水动力特性进行了研究。 许条建等[12]

对不规则波浪作用下网箱使用随机过程谱分析的

办法分析其动力特性。 Raman-Nair 和 Colbourne

等[13-14]使用了 Morison 方程对延绳式养殖系统的

浮球、绳子和养殖物进行耦合计算。 以上研究或

渔 业 现 代 化 2024 年

从浮球本身性质出发,研究浮球在波浪中的运动

幅度,以及确定浮球的阻力系数;或从养殖渔排出

发,研究渔排整体结构的水动力性能。 针对浮球

摆放形式的研究鲜有发表,而改变浮球摆放形式

是生产过程中提高渔排水动力性能的实用方法,

具有重要意义。

本研究基于海上试验研究单、双浮球的阻力

性能;基于求解 RANS 方程的黏流理论数值模拟

单、双浮球在不同流速下的阻力和波形,并与海上

实测结果对比,验证数值模拟的准确性;以方形、

菱形两种典型浮球摆放形式为例,基于数值模拟

分析不同流速下的液面高度和阻力,评估两种摆

放形式的优劣。

1 海上实测

浮 球 材 料 为 高 密 度 聚 乙 烯 ( High

densitypolyethylene, HDPE ), 浮 球 长 度 950 ( L/

mm),宽度 550(D/ mm),高度 550(H/ mm),吃水

(T/ 255 mm),浮球槽宽 100 mm,浮球槽深 35 mm,

浮球阻力海上实测在福建省福州市罗源县罗源湾

进行。

HDPE 浮球如图 1 所示。 罗源湾位置如图 2

所示。

图 1 HDPE 浮球

Fig. 1 HDPE float

试验布置如图 3 所示,在渔船首部横向布置

两个向舷外延申 1 m 的支架,左侧支架固定流速

仪,右侧支架固定拉力传感器,拉力传感器后方固

定浮球, 浮 球 内 部 增 加 配 重 以 达 到 预 期 吃 水

255 mm。 流速仪和拉力传感器如图 4 所示。

 

4<>



 fl 

fi



 fl    









ffl

 

 



图 2 罗源湾位置图

Fig. 2 Luoyuan Bay Location

62

第 3 期 岳云鹏等:多浮球阻力性能海上实测与数值模拟研究

D



B

 C







 





  X

 N

 N





 

图 3 海上试验布置简图与实船场景

Fig. 3 Sketch of the sea trial set-up and live- aboard scene

试验过程中,渔船直线运动拖曳浮球,记录不

同流速下的浮球阻力,并拍摄液面形态。 每组试

验重复 3 次,取其平均值为试验结果。

B



C





图 4 仪器实物图

Fig. 4 Physical drawing of the instrument

分析海上实测数据得到了流速 v 与阻力的定

量关系式如(1)。

F =

1

2

Cd

ρv

a

S (1)

式中:Cd 和 α 为拟合参数;ρ 为海水密度,kg / m

3

;v

为流速,m / s;S 为湿表面积,m

2

。

拉力传感器/ 多普勒流速仪如表 1 所示。

表 1 拉力传感器/ 多普勒流速仪

Tab. 1 Tension sensor parameters/ doppler flow meter

参数 拉力传感器 多普勒流速仪

采样频率 10 Hz 20 Hz

最大量程 500 N /

灵敏度 2 mV/ V /

测量范围 / 0~3 m/ s

测量精度 / -1~2 cm/ s

基于拟合曲线可得,单浮球和双浮球在不同

流速下海上拖曳试验所受到的阻力,浮球阻力海

上实测结果与拟合曲线如图 5 所示。



/













   

 NT

图 5 浮球阻力海上实测结果与拟合曲线

Fig. 5 Measured results and fitted curves of

float resistance at sea

63

渔 业 现 代 化 2024 年

从图中可以看出流速越大,阻力增长越快。

海上 试 验 双 浮 球 阻 力 平 均 大 于 单 浮 球 阻 力

52. 6%,并没有呈现二倍阻力关系。

2 控制方程和边界条件设置

2. 1 控制方程

在笛卡尔坐标系下,三维、非定常、不可压缩

流体的连续方程和动量方程分别为。

?ui

?xi

= 0 (2)

?ui

?t

+

?

?xj

(ρuiuj) = -

?ρ

?xi

+ μ

?

?xj

?ui

?xj

+

?uj

?xi

( ) (3)

式中:ui、uj 为速度时均量;xi、xj 为坐标分量;t 为

时间, s;p 为流体的压力, Pa;ρ 为流体的密度,

kg / m

3

;μ 为流体的黏性系数。

用非稳态 RANS 方程求解湍流流动,采用 kε 湍流模型封闭上述方程组。

?

?t

(ρk) +

?

?xi

(ρkui) =

?

?xi

μ +

μt

σk

?k

?xi

( ) + Gk

+

Gb

- ρε (4)

?

?t

(ρε) +

?

?xi

(ρεui) =

?

?xi

μ +

μt

σε

?ε

?xi

( ) + Gε

1

ε

k

Gk

- Cε

2

ρ

ε

2

k

(5)

式中:k 和 ε 分别为湍动能和耗散率;μt 为湍流黏

性系数,Gk 和 Gb 分别为平均速度梯度和浮力引

起的湍动能产生项;σk 和 σε 分别为 k 和 ε 的普

朗特数,常数 σk

= 1. 0、σε

= 1. 3、Cε

1

= 1. 44、Cε

2

=

1. 92。

2. 2 计算域与边界条件

由于浮球为对称结构,可以对半个浮球进行

模拟计算,计算域大小边界如图 6 所示。 以浮球

长度 L 为基准,左侧速度入口到浮球首部长度为

2 L,浮球尾部到压力出口距离为 4 L;侧壁距离浮

球左侧距离 L;上方速度入口到浮球顶部距离为

L,下方速度入口到浮球底部的距离为 1. 5 L。 经

过多次试验,此处的流场选择可兼顾计算速度以

及计算准确度。 浮球表面设置为无滑移壁面条

件,在计算域入口和底部设为速度进口,计算域两

侧设为对称平面,计算域出口设为压力出口。



fl

 

 

 

 L

L

 L

 L

X

Z

Y

图 6 计算域大小以及边界划分

Fig. 6 Computational domain size and boundary delimitation

2. 3 计算模型与网格划分

采用 SolidWorks 建立浮球几何模型,如图 7

所示。

图 7 HDPE 浮球几何模型

Fig. 7 HDPE Float Geometry Model

分别使用 163 万、97. 5 万、42 万三套网格进

行模拟,并开展网格收敛性分析。 以流速 v = 0. 75

m / s 为例,浮球阻力在不同网格下的收敛曲线如

图 8 所示。

0 5 10 15 20

10

20

30

40

50



/

T

 8

 8

 8

图 8 不同网格下阻力收敛曲线

Fig. 8 Resistance convergence curves for different meshes

鉴于三套网格给出的收敛结果基本一致,故

64

第 3 期 岳云鹏等:多浮球阻力性能海上实测与数值模拟研究

选择第三套网格作为计算网格,背景网格 29 万、

自由液面加密网格 13 万、总网格数 42 万。 网格

分布如图 9 所示。

B



C



图 9 网格布置图

Fig. 9 Grid layout

2. 4 数值模拟结果验证

单浮球海上试验阻力与数值模拟对比最小误

差为 5. 4%,最大误差为-9. 3%;双浮球海上试验

与数值模拟对比最小误差为-4. 6%,最大误差为

9. 2%,如图 10 所示。

0.0 0.5 1.0 1.5 2.0

0

50

100

150

200

250

300

 NT

 $ '%

ffi

 $'%

ffi



/

图 10 浮球阻力数值模拟结果与海上实测结果对比

Fig. 10 Comparison of numerical simulation results of float

resistance with measured results at sea

如图 11 所示,海上浮球试验的液面波形与数

值模拟结果基本吻合。 数值模拟与海上试验结果

吻合良好,证明本研究的数值模拟结果准确。

图 11 浮球附近波面对比

Fig. 11 Wavefront ratio near the float

3 两种浮球排列比较分析

3. 1 两种浮球排列

方形和菱形浮球摆放形式在实际生产上均有

应用,如图 12 所示。 采用数值模拟方法,在不同

流速下(0. 25 ~ 2 m / s,间隔 0. 25 m / s),研究两种

摆放形式下的阻力与液面抬升。

图 12 两种浮球摆放形式

Fig. 12 Two types of float placement

3. 2 液面高度对比

在浮球前、后侧和几何排列中心点选取 4 个

液面监测点,编号 1~4,如图 12 所示。 图 13 给出

了两种摆放形式下 1~4 点的液面高度对比。

可以看出,测点 1、2 都随流速增加的液面变

化具有明显增加或减少特征。 1 点为整个浮球群

65

渔 业 现 代 化 2024 年

变化最大的位置,最大可接近 18 cm;2 点液面变

化在 3 cm 之内。 受到浮球间的相互影响,点 3 的

液面抬高量小于点 1,点 4 的液面降低量小于点

2;点 1 的液面高度随速度变化呈较光滑的单调递

增曲线,而点 2~4 的液面高度随速度变化呈现出

不 规 则 的 波 动 和 突 然 变 化, 例 如 当 速 度

从 1. 75 m / s 增加至 2. 0 m / s 时,液面高度出现了

大幅度变化。 对比四边形和菱形两种摆放形式的

液面高度,可见当速度小于 1 m / s 时,两者大部分

液面结果接近,菱形摆放形式呈现稍大幅度的液

面变化(如点 3);当速度大于 1 m / s 时,方形摆放

形式的液面变化显著增加,相比之下菱形摆放形

式的液面变化较平缓,此时方形摆放的液面变化

幅度超过了菱形摆放形式。

 

 

 

 

 NT

B



    

 NT

C



    



fl

ffi

DN



fl

ffi

DN

图 13 两种摆放形式对应液面高度对比

Fig. 13 Comparison of liquid level heights corresponding

to the two types of placement

为进一步揭示浮球间的相互作用,图 14 给出

了两种摆放形式的自由液面高度云图。 受浮球间

的相互影响,迎流侧浮球周围的液面起伏程度明

显大于下游浮球,这表明前方浮球对后方浮球产

生了不可忽视的遮蔽效应。 当流速小于 1. 5 m / s

时,方形摆放和菱形摆放均呈现出清晰规则的兴

波波形。 当流速达到 2 m / s 时,菱形摆放形式的

兴波波形仍然清晰规则,且位于 y 轴的双浮球的

迎流面波面抬升区域(A、B、C)变小,表明首浮球

兴波与 y 轴双浮球兴波发生有利干扰;方形摆放

形式的兴波出现了杂乱无章的形态,表明此时流

场较紊乱,可能有波面破碎发生。

考虑到液面高度对气隙性有影响,以上结果

表明:当流速小于 1 m / s 时,菱形摆放和方形摆放

的气隙性整体接近,方形摆放稍优;当流速大于 1

m / s 时,菱形摆放的气隙性显著优于方形摆放,表

明菱形摆放下海水不易飞溅到踏板上,可减少踏

板打滑现象发生,为海上养殖提供更好的作业

环境。

3. 3 截面速度场

对两种摆放浮球场间的流场进行捕捉,在方

形摆放和菱形摆放的沿 x 轴方向对浮球 1 / 2 处设

置一个纵截面如图 12 所示。 提取的纵切面速度

场如图 15 所示。 纵截面速度进行无量纲化,提取

了流速相关数据图像。

由于入射流与反射流的叠加作用,浮球速度

最大出现浮球首部。 方形摆放由于水流流经后方

浮球时速度较大,造成较强的回流,使得方形摆放

的两浮球中间部分流场变化复杂。 菱形摆放两浮

球中间由于两侧浮球的遮挡,大幅度的削弱了后

方浮球的回流,使得菱形摆放的两浮球中间部分

流场更加稳定。

3. 4 总阻力对比分析

为了更加直观比较两种摆放形式所受到的阻

力,对两种摆放形式的总阻力进行平均,并与单个

浮球所受到的阻力进行比较。 如图 16 所示,两种

摆放的平均阻力均小于单个浮球所受到的阻力。

可以看出在低流速时两种摆放和单个浮球的阻力

相差不大,在流速大于 1. 5 m / s 时菱形摆放比方

形摆放的阻力小,所以菱形摆放更加适合复杂

海况。

66

第 3 期 岳云鹏等:多浮球阻力性能海上实测与数值模拟研究

B

 NT

C

 NT

D

 NT

1PTJUJPO<Z> m

     

1PTJUJPO<Z> m

     

1PTJUJPO<Z> m

     

图 14 自由液面高度云图

Fig. 14 Free liquid level height cloud

9 fl

7=2.0 m/s

 

9 fl

7=1.5 m/s

V/VO

V/VO

     

     

图 15 不同摆放下的速度分布图

Fig. 15 Velocity distribution at different placements

0.0 0.5 1.0 1.5 2.0

0

50

100

150

200



/

 NT

#*

Efl

:fl

图 16 平均阻力比较

Fig. 16 Comparison of average resistance

67

渔 业 现 代 化 2024 年

4 结论

根据海上实测的小船拖曳试验的结果与数值

模拟输出的结果进行了阻力和波形等对比,对比

发现,阻力和波形与试验结果吻合良好,证明本研

究使用的数值模拟方法是准确和可靠的,可以为

后续浮球的数值研究提供技术支撑。 通过分析两

种摆放的液面高度情况和液面高度云图,发现菱

形摆放比方形摆放,液面变化更稳定、气隙性更

好,相比较于方形摆放菱形摆放显然更加适合复

杂的海上环境,可以为海上养殖提供更好的作业

环境。 通过对对数值模拟的结果进行整理分析,

方形摆放和菱形摆放的平均阻力均小于单个浮球

所受到的阻力,通过进一步进行对比平均阻力发

现,菱形摆放受到的平均阻力小于方形摆放的平

均阻力,得出菱形摆放更加适合海上复杂的海上

情况。 首次对养殖渔排的浮球摆放进行研究,发

现在纯流作用下,菱形摆放的阻力性能优于四边

形摆放的阻力性能。 本研究尚未对波浪下的浮球

群进行模拟验证分析,后期应补充波浪下的浮球

群所受到的阻力,更加贴近真实海况,为实际生产

提供更多的保障。 □

参考文献

[1] NEWMAN J N. Wave effects on multiple bodies[J]. Hydrodynamics

in Ship and Ocean Engineering,2001(3):3-26.

[2] 李玉成,何明. 作用于小尺度方柱上的正向波流力[ J]. 中国

海洋平台,1994(增刊 1):304-309.

[3] HARLEMAN D R F,WILLIAM C S. The dunamics of a submerged

moored sphere in oscillatory waves [ J]. Ocean Engineering,2011

(7):41-46.

[4] RADHAKRISHAM S,RICHARD I H. Theoretical and experimental

analysis of tethered buoy instability in gravity waves [ J]. Ocean

Engineering,2007(64):261-274.

[5] CARPENTER E B,LEONARD J W,YIM S C S. Experimental

and numerical investigations of tethered spar and sphere buoys in

irregular waves[J]. Ocean Engineering,1995(22):65-78.

[6] WILLIAMSON C H K,GOBARDHAN R. Dynamics and forcing of a

tethered sphered in a fluid flow Journal of Fluids and Structures

[J]. Journal of Fluids and Structures,1997(11):293-305.

[7] DROBYSHEVSKI Y. Hydrodynamic coefficients of a twodimensional,truncated rectangular floating structure in shallow

water[J]. Ocean Engineering,2004(31):305-341.

[8] SULISZ W,MICKEY J. Second- order wave loading on a horizontal

rectangular cylinder of substantial draught [ J ]. Applied Ocean

Research,1992(14):333-340.

[9] 王经坤,刘镇昌,杨红生. 筏式养殖的框架虚拟设计及仿真硏

究[J]. 渔业现代化,2008(1):32-35.

[10]ZHAO Y P,LI Y C,DONG G H. A numerical study on dynamic

properties of the gravity cage in combined wave- current flow

[J]. Ocean Engineering,2007(34):2350-2363.

[11]FU S X,MOAN T. Dynamic analyses of floating fish cage collars

in waves [J]. Aquacultural Engineering,2012,47:7-15.

[12]许条建. 离岸组合式网箱水动力特性研究[D]. 大连:大连理

工大学,2013.

[13]RAMAN-NAIR W, COLLBOURNE B. Dynamics of a mussel

longline system [ J]. Aquacultural Engineering, 2003 ( 27 ) :

191-212.

[14]RAMAN-NAIR W, COLLBOURNE B. Numerical model of a

mussel longline system [ J]. Ocean Engineering, 2008 ( 35 ):

1372-1380.

[15]LIEN E,FREDHEIM,A O. Development of longtube mussel systems

for cultivation of mussels (mytilis edulis)[J]. Proceedings of Ooa,

2001(6):17-20.

[16]焦甲龙. 实际海浪环境中舰船大尺度模型运动与载荷响应

试验研究[D]. 哈尔滨:哈尔滨工程大学,2016.

[17]陈坤鑫,盛松伟,张亚群,等. 海工型渔业养殖网箱技术现状

与发展趋势[J]. 新能源进展,2020(5):440-446.

[18]王银涛,王千,郭晓宇. 规则波作用下养殖网箱水动力特性

分析[J]. 渔业现代化,2023(2):40-49.

[19]黄雯,冯谊武,张海龙. 波浪作用下的群桩受力及优化布置

[J]. 桥梁建设,2016(3):51-56.

[20]冯铁城. 浮筒的波浪力计算[J]. 海洋工程,1996(3):37-41.

[21]邓推. 筏式养殖系统在波浪作用下的数值模拟化[D]. 大连:

大连理工大学,2010.

[22]DONG,G,ZHENG Y. Research on the float collar of a gravity

fish cage[ J]. Engineering Applications of Computational Fluid

Mechanics,2009(3):430-444.

[23]DUCLOS G,CLEMEN A H. Wave propagation through arrays of

unevenly spaced vertical piles [ J ]. Ocean Engineering, 2004

(31):1655-1668.

[24]高炜鹏,谢永和,李德堂,等. 养殖工船自动投饲机设计和螺

旋下料器的仿真分析[J]. 渔业现代化,2023,50(4):59-67.

[25]CHU W H,CHEN C. Hydrodynamic performance and structural

response characteristics of the double-slotted vertical cambered

V-Type otter board[J]. Aquaculture and Fisheries,2020,5(4):

201-209.

[26]王一博,初文华,张怀志,等. 基于 CFD 的拖网网板模型参数

对水动力试验的影响研究[ J]. 渔业现代化,2023,50( 5):

101-112.

[27]陈坚强,张益荣. 基于 Richardson 插值法的 CFD 验证和确认

方法的研究[J]. 空气动力学学报,2012,30(2):176-183.

[28]TAKAHASHI Y,FUJIMORI Y et al. Design of trawl otter boards

using computational fluid dynamics [ J ]. Fisheries Research,

2015,161:400-407.

[29]鲍旭腾,谌志新,崔铭超,等. 中国深远海养殖装备发展探议

及思考[J]. 渔业现代化,2022,49(5):8-14.

[30]LADER P F, ENERHAUG B. Experimental investigation of

forces and geometry of a net cage in uniform flow [ J]. IEEE

Journal of Oceanic Engineering,2005,30(l):79-84.

[31]ZHAO Y,LIU H,BI C,et al. Numerical study on the flow field

inside and around a semi-submersible aquaculture platform[J].

Applied Ocean Research,2021,115:102824.

68

第 3 期 岳云鹏等:多浮球阻力性能海上实测与数值模拟研究

Multi-float hydrodynamic performance measurement and

numerical simulation at sea

YUE Yunpeng

1,2

,ZHOU Jun

3

,HU Zhe

1,2

,ZHANG Xiaoying

1,2

,LI Yan

1,2

,GUO Jun

1,2

(1 Key Laboratory of Maritime Aquaculture Equipment,Xiamen 361021,Fujian,China;

2 School of Marine Engineering,Jimei University,Xiamen 361021,Fujian,China;

3 Shanghai Zhenhua Heavy Industry (Group) Co.,Shanghai 200125,China)

Abstract:Floats are the primary buoyancy component of plastic fish cages in offshore aquaculture. They can

increase fish cage stress and deformation under the action of sea currents,and the rise of the float's surface

liquid level can cause waves on the fish cage walkway. Although plastic fish cages are a recent development in

aquaculture,little research has been conducted on the arrangement of floats. Therefore,studying the resistance

performance of floats is significant for safe offshore aquaculture production. This article first studies the

resistance of single and double floats through on-site measurement methods. Then, based on viscous flow

theory,numerical simulations are carried out to simulate the resistance and waveforms of single and double

floats under different flow velocities. The simulation results are compared with the on-site measurement results

to verify the accuracy of the numerical simulation. Using the same numerical simulation method as above,

numerical simulations are carried out for square and diamond two typical float arrangement forms,to analyze

liquid level and resistance under different flow velocities. The results show that the numerical model agrees with

the on-site measurement results,with an error of 9. 5%. Three aspects are used to analyze the advantages and

disadvantages of square and diamond arrangements. (1) Liquid level rise:When the flow velocity is the same,

the total liquid level rise of the diamond-shaped floats arrangement is less than that of the square arrangement.

(2) Flow field distribution in the middle of two floats: The flow field between the two floats of square

arrangement is more chaotic than that of diamond arrangement. (3) Average resistance:When the flow velocity

is greater than 1. 5 m / s,the resistance of diamond arrangement is 29% less than that of square arrangement.

The results of the on-site measurement of the small boat towing test are compared with the results of the

numerical simulation output. The resistance and waveforms agree with the test results, proving that the

numerical simulation method used in this article is accurate and reliable and can provide technical support for

subsequent numerical studies of floats. Analyzing the liquid level situation and liquid level cloud images of the

two arrangements shows that the diamond arrangement has more stable liquid level changes and better air gap

performance than the square arrangement, so it is more suitable for complex offshore environments. The

diamond arrangement can provide a better working environment for offshore aquaculture. By sorting out and

analyzing the results of numerical simulation,it is found that the average resistance of square arrangement and

diamond arrangement is less than that of individual floats. Further comparing average resistance shows that

diamond arrangement has less average resistance than square arrangement,so it is more suitable for complex

offshore conditions. Floats are the primary buoyancy components of plastic fishing rafts used in offshore

aquaculture. Under the influence of sea currents,the resistance generated by floats can result in increased force

and deformation of the fishing raft. Additionally,the elevation of the liquid level on the float's surface can

induce waves on the raft platform. Therefore,studying the resistance performance of floats is crucial for ensuring

the safety of offshore aquaculture production. The resistance performance of both single and double floats was

investigated through practical measurements at sea. Numerical simulations based on viscous flow theory were

employed to analyze the resistance and waveform of single and double floats at various flow rates. The accuracy

of the numerical simulations was validated by comparing the results with actual sea measurements.

Furthermore,numerical simulations were conducted to assess the placement of two typical floats in square and

diamond configurations. Liquid surface heights and resistance at different flow rates were analyzed. The findings

indicate that numerical simulations align well with actual sea measurements,with an error rate of less than

9. 5%. The diamond-shaped float configuration corresponds to an elevation in the liquid surface,creating a

more stable flow field between the two floats. This results in a smaller average resistance,with values below

29% in flow velocities exceeding 1. 5 m / s. Consequently,it is recommended that this placement configuration

be adopted for production operations.

Key words:multi-float; sea realism; numerical simulation; drag; wavefront

69

第 51 卷第 3 期 渔 业 现 代 化 Vol. 51 No. 3

2024 年 6 月 FISHERY MODERNIZATION Jun. 2024

DOI:10. 3969 / j. issn. 1007-9580. 2024. 03. 008 开放科学(资源服务)标识码(OSID):

宋利明,张锦辉,李玉伟,等. 金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究[J]. 渔业现代化,2024,51(3):70-78.

收稿日期:2024-03-04

基金项目:国家自然科学基金项目(32273185); 国家重点研发项目( 2023YFD2401301)

作者简介:宋利明( 1968—) ,教授,博士,研究方向:捕捞学。 E-mail:lmsong@ shou. edu. cn

通信作者:李玉伟( 1984—) ,讲师,博士,研究方向:捕捞学。 E-mail:ywli@ shou. edu. cn

金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究

宋利明1,2

,张锦辉1

,李玉伟1,2

,王 顺1

,王文鑫1

,张 波1

(1 上海海洋大学海洋生物资源与管理学院,上海 201306;

2 国家远洋渔业工程技术研究中心,上海 201306)

摘要:金枪鱼延绳钓单丝和绳索的惯性力系数 CM 和阻力系数 CD 取值直接影响到渔具数值模拟的计算速度

和精度。 通过波浪水槽试验探究了 7 种金枪鱼延绳钓单丝和绳索材料在规则波条件下所受的波浪力,并在

Morison 方程的基础上,使用最小二乘法计算出相应材料的 CM 和 CD ;分析了 CM 和 CD 随 KC 数和雷诺数 Re

的变化情况。 结果显示:同一波高下,试验材料所受波浪力随着波浪周期增加逐渐增加;同一波浪周期下,试

验材料所受波浪力随波高增加逐渐增加;相同材料随着直径增加,所受波浪力增加;3 种尼龙单丝随着 KC 数

增加 CD 逐渐增加, CM 变化不明显,趋于常数,随着雷诺数 Re 的增加 CM 和 CD 有逐渐增加的趋势;3 种聚丙

烯绳索 CM 随着 KC 数和雷诺数 Re 增加而增加,CD 在低 KC 数时较为平稳,其随着雷诺数 Re 增加逐渐下降,

趋于常数;涂沥青的聚丙烯绳索的 CM 和 CD 较为稳定。 研究表明,本试验得出的 CD 和 CM ,可用于延绳钓渔

具数值模拟。

关键词:延绳钓;单丝;绳索;惯性力系数;阻力系数;规则波

中图分类号:S972. 3 文献标志码:A 文章编号:1007-9580-(2024)03-0070-009

金枪鱼延绳钓单丝和绳索的阻力系数 CD 和

惯性力系数 CM 取值直接影响到渔具数值模拟的

计算速度和精度,是研究延绳钓水动力学特性的

重要参数,曹道梅等[1-2] 使用静力学模型,研究发

现当 CN90 为 1. 12 时,模型计算的结果与实测结

果最为相符,精度最高。 齐雨琨[3] 通过水槽试验

测得 4 种柔索材料的阻力系数。 现有的金枪鱼延

绳钓数值模拟中对于延绳钓渔具的惯性力系数

CM 的取值并没有达成一致,惯性力系数的研究过

于简单。 目前对小尺度构件的惯性力系数 CM 采

用 Morison 方程[4-5] 来确定。 徐伟云[6] 研究了延

绳钓的 CM 在[1,5]的区间内变化,李杰[7]为了简

化计算得到模拟沉降与 DR 实测沉降分别达到相

对稳定状态所需时间差的绝对值,并选取差值绝

对值最小时的 CM 值(CM

= 3)为延绳钓数值模拟

计算的值。 宋利明等[8] 在数值模拟过程中使用

的 CM 值也是 3。 交通运输部发布的《港口与航道

水文规范》对圆柱体的阻力系数 CD 建议取 1. 2,

惯性力系数 CM 为 2. 0

[9]

。

阻力系数通常在均匀流场下进行测定[10-11]

,

而惯性力系数则需要施加外力[12-13]

。 刘莉莉[14]

对网衣惯性力系数进行了研究,在水槽中对网衣

进行水下受迫振动试验,通过傅立叶变换求得惯

性力。 李玉成等[15] 在波浪水槽中对网片施加波

浪力,使用最小二乘法求得水动力系数。

综上所述,为确定合适的惯性力系数 CM 和

阻力系数 CD,本试验通过波浪试验测量 7 种金枪

鱼延绳钓单丝和绳索材料在规则波条件下所受的

波浪力,并在 Morison 方程的基础上,使用最小二

乘法计算出相应材料的 CM 和 CD,为今后金枪鱼

延绳钓渔具数值模拟 CM 和 CD 的取值提供参考

依据。

第 3 期 宋利明等:金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究

1 材料与方法

1. 1 试验材料

1. 1. 1 延绳钓材料

本试验选用的是捷胜海洋装备股份有限公司

生产的延绳钓渔具材料,其中尼龙材质的单丝直

径为 2 mm、3 mm、4 mm。 聚丙烯绳索的直径为

4 mm、5. 5 mm、6. 5 mm、7. 2 mm。 其中直径为

7. 2 mm 的聚丙烯绳索表面涂有沥青。 具体参数

见表 1。

表 1 金枪鱼延绳钓单丝和绳索参数

Tab. 1 Parameters of the single filament and twisted

rope for tuna longline fishing

材料 加工方式 直径/ mm

2

尼龙 单丝 3

4

聚丙烯

4

三股绳索 5. 5

6. 5

三股绳索(表面涂沥青) 7. 2

1. 1. 2 试验框架

因单根单丝或绳索的受力过小,为了方便测

量材料的受力情况,避免低于测力计的测量精度,

本试验设计了一种框架,框架由四根直径为 10

mm 的不锈钢钢筋焊接而成,框架的尺寸为 940

mm×500 mm,长边每隔 30 mm 在水平方向钻直径

为 4 mm 的圆孔,共 29 对圆孔。 并在垂直圆孔方

向,以直径 4 mm 钻螺纹孔,使用螺丝固定测试材

料。 框架示意图见图 1。











 Ø

图 1 框架示意图

Fig. 1 Framework Schematic Diagram

1. 2 试验布置

本试验在中国水产科学研究院江苏如东试验

基地的波浪水槽中进行,水槽长 65 m、宽 1 m、高

1. 5 m。 试验水深 0. 6 m,水槽的尾端布置了消波

装置,以吸收波浪的能量并减少反射波的影响。

试验用 两 个 拉 压 力 传 感 器 ( 量 程 20 N、 误 差

0. 3%),数据收集频率为 0. 01 s,试验设置两个波

高仪(试验开始前进行标定),测定波浪波高的前

后变化。 试验布设和安装如图 2 所示,使用钢丝

绳将框架固定在水下,框架顶部距水面 0. 07 m,

框架底部距水槽底面 0. 03 m。 测力计的一端使

用钢丝绳固定在立于水中的钢管上,位于框架的

中间处,另一端使用 4 根相同长度的钢丝绳与框

架的 4 个端点固定。 保证 2 个测力计保持在同一

水平面,并且处于框架的中心位置。



ffi







  N

 N

 N





ffi



 N

 N

图 2 试验布设和安装示意图

Fig. 2 Experimental layout and installation schematic diagram

试验为探究单丝和绳索惯性力系数在不同波

浪条件下的规律,考虑水槽尺寸,设计了 9 种波要

素(见表 2)。 试验中数据全部使用计算机进行采

集和处理,测力计的采集频率为 0. 01 s。 每种工

况下进行 3 次重复试验,取 3 次试验结果的平均

值作为最终结果。

1. 3 惯性力系数和阻力系数测定方法

本试验中使用的是试验材料轴线垂直于波浪

传播方向放置的方法,可按照计算作用在直立柱

体上波浪力的方法进行求解。 为了方便计算受

力,试验放置了 29 根试验材料,按照交通运输部

发布的《港口与航道水文规范》规定,当柱体之间

71

渔 业 现 代 化 2024 年

间距较小时,会产生干扰效应,当柱桩中心距 l 和

柱体直径 D 满足 l / D≥4 时干扰效应可以忽略不

计[9]

,因此试验设计中每根材料按照间隔 3 cm 的

方法进行安装。

表 2 试验波要素表

Tab. 2 Experimental wave element table

水深 波高/ m 周期/ s 波长/ m

1. 1 1. 83

0. 08 1. 4 2. 7

1. 7 3. 55

1. 1 1. 83

0. 6 m 0. 1 1. 4 2. 7

1. 7 3. 55

1. 1 1. 83

0. 12 1. 4 2. 7

1. 7 3. 55

本试验中,材料的直径 D 与波浪波长 L 相比

较小,因此对于作用在材料上的波浪力, 按照

Morison 方程进行计算[4-5]

。 波浪力 FH 由两个部

分组成,惯性力项 FI 同加速度成正比,阻力项 FD

同速度的平方成正比。 作用于试验材料任意柱高

上的单位波浪力如下公式所示:

FH

= FD

+ FI

=

1

2

CD

ρDux ux

+

CM

ρ

πD

2

4

dux

dt

(1)

式中:D 为绳索直径;ρ 为水的密度;CD 为垂直于

柱体的阻力系数;CM 为惯性力系数,CM

= Cm

+1;

ux 为水质点水平速度;

dux

dt

为水质点水平加速度。

根据试验工况,本试验采用一阶线性波理论

进行计算,一阶线性波理论中 ux 与

dux

dt

可表示为:

ux

=

πH

T

coshk(z + d)

sinhkd

cos(kx - ωt) (2)

dux

dt

=

2π

2H

T

2

coshk(z + d)

sinhkd

sin(kx - ωt) (3)

式中:H 为波高;T 为波浪周期;z 为垂直水面的坐

标值,且以水平面作为坐标原点;d 为静止时水

深;ω 为圆频率,ω =

2π

T

;t 为时间。 水中的试验材

料受力可沿试验材料长度积分求得:

fH

= ∫

1

2

CD

ρDux ux dz + ∫CM

ρ

πD

2

4

dux

dt

dz (4)

此时水动力系数的求解方法可用最小二乘法

求得,假设 3 个函数:

FC(t) = CDX(t) + CM Y(t)

X(t) =

1

2

ρD∫U(zt) U(zt) dz

Y(t) =

πρD

2

4

∫U

·

(zt)dz

(5)

式中:FC( t) 为波浪力计算值;X( t) 为阻力项部

分;Y(t)为惯性力项部分。 设实测的力为 FM(t),

根据最小二乘法,求 FM ( t) 和 FC ( t) 二者的误

差 Q:

Q = ∑

N

i = 1

[FC(i) - FM(i)]

2 = ∑

N

i = 1

[CDX(i) +

CM Y(i) - FM(i)]

2

(6)

式中:N 为实测点个数。 选用的 CD 和 CM 值应该

使 Q→Qmin ,∂Q/ ∂CD

= ∂Q/ ∂CM

= 0。 由此可得:

A1CD

+ A2CM

= A4 (7)

A2CD

+ A3CM

= A5 (8)

式中:A1

= ∑X

2

( i),A2

= ∑X( i) Y( i),A3

= ∑Y

2

(i),A4

= FM( i) X( i),A5

= FM( i) Y( i),阻力系数

CD 和惯性力系数 CM 可得:

CD

=

A4 A2

A5 A3

/

A1 A2

A2 A3

(9)

CM

=

A1 A4

A2 A5

/

A1 A2

A2 A3

(10)

将 CD 和 CM 代入 FC(t)中,可求得波浪力的

计算值。 根据图 3 所示,试验材料所受到的波浪

力实测值与计算值拟合较好,说明试验方法可行、

试验结果可信。

        



















'/

UT

图 3 波浪力实测值 FM 与计算值 FC 比较

Fig. 3 Comparison between measured wave force

FM

and calculated value FC

72

第 3 期 宋利明等:金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究

水动力系数常与波浪周期参数 KC、雷诺数

Re 柱体表面粗糙度有关。 同种试验材料分析时

柱体表面粗糙度不变,选择波浪周期参数 KC 和

雷诺数 Re 作为分析水动力系数的依据。 计算公

式为:KC =

uT

D

,Re =

ρuD

μ

,式中 u 为流体速度,在波

浪中选择水质点最大速度代入公式中;T 为波浪

周期;D 为特征长度,这里选择试验材料直径作为

特征长度代入公式;ρ 为水的密度; μ 为水的动力

黏度,取值为 1. 01×10

-3

Pa·s。

2 结果

2. 1 波浪作用下材料的受力情况

根据实测受力峰值平均值减去空框架的受力

峰值平均值即可获得试验材料受力峰值平均值,

在此基础上除以 29 即可求得单根绳索受力峰值,

结果如图 4 所示。

        

  













'/

T

ffiN

 NN

 NN

 NN

 NN

 NN

 NN

 NN

图 4 试验材料不同工况下所受波浪力峰值图

Fig. 4 Peak wave force diagram for experimental materials

under different operating conditions

在同一波高下,7 种试验材料所受波浪力随

着周期的增加逐渐升高。 在波高为 0. 08 m 时,尼

龙单丝材料在同一周期下,所受波浪力随着直径

的增加逐渐升高;直径为 6. 5 mm 的绳索在 1. 1 s

周期下受力与直径 5. 5 mm 的绳索接近,其他两

个周期下绳索的受力也随着直径的增加而升高。

在波高为 0. 1 m 时,尼龙单丝在同一周期下,所受

波浪力随着直径增加逐渐升高。 直径 6. 5 mm 绳

索在 1. 1 s 周期时受力低于直径为 5. 5 mm 绳索;

其他周期下绳索受力随着直径增加逐渐升高。

波高为 0. 12 m 时,同种材料的绳索在同一周期

下受力随着直径的增加逐渐升高。 直径为 4 mm

的尼龙单丝和聚丙烯绳索在波高为 0. 08 m 周

期为 1. 1 s 时,尼龙单丝受力略低于聚丙烯绳索

受力,其他情况下尼龙单丝受力高于聚丙烯绳

索受力。

2. 2 7 种材料的阻力系数和惯性力系数

根据 1. 3 介绍的方法,求得每种试验材料在

不同工况下的阻力系数和惯性力系数。 每种试

验材料的阻力系数 CD 随着 KC 数变化如图 5

所示。

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

2 mm 

KC

3 mm 

KC

4 mm 

KC

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

KC

4 mm53

5.5 mm 53

KC

f

g

6.5 mm 53

KC

a b

c d

e

7.2 mm 53

CD

KC

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

2 mm 

CD

KC

3 mm

CD

4 mm 

CD

KC

0 50 0.0

0.5

1.0

1.5

2.0

2.5

3.0

CD

4 mm

5.5 mm 53

CD

KC

g

6.5 mm

CD

a

c

e

7.2 mm 53

KC

图 5 试验材料阻力系数随 KC 数变化

Fig. 5 Resistance coefficient of experimental materials

vs. KC number variation

惯性力系数 CM 随 KC 数变化如图 6 所示。

直径为 2 mm 的尼龙单丝在 KC 数为 50 ~ 170 时,

阻力系数呈现小幅上升趋势,惯性力系数也在逐

渐上升;直径为 3 mm 的尼龙单丝在 KC 数为 30~

120 时,阻力系数和惯性力系数趋于平稳;直径为

73

渔 业 现 代 化 2024 年

4 mm 的尼龙单丝在 KC 数为 20~90 时,阻力系数

在波动中小幅上升,惯性力系数趋于常数;直径为

4 mm 的聚丙烯绳索在 KC 数为 20~90 时,阻力系

数趋 于 平 稳, 惯 性 力 系 数 小 幅 上 升; 直 径 为

5. 5 mm 的聚丙烯绳索在 KC 数为 20~70 时,阻力

系数除了在 KC 数为 29 时过高,其余皆趋于平

稳,范围为 1. 73~1. 95,惯性力系数有着逐渐上升

的趋势;直径为 6. 5 mm 的聚丙烯绳索在 KC 数为

10~60 时,阻力系数在 1. 55 附近波动,惯性力系

数呈现逐渐上升的趋势;直径为 7. 2 mm 的涂沥

青绳索在 KC 数为 10~50 时,除在 KC 数为 14 时,

阻力系数过大,其余阻力系数在 1. 47 附近波动,

惯性力系数除了在 KC 数为 20 时过大,其余惯性

力系数在 1. 77 附近波动。

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0

KC

a b

c d

e

KC

KC KC

f

KC

 NN   NN 

 NN   NN 

 NN   NN 

0 50 100 150 200 0.0

0.5

1.0

1.5

2.0

2.5

3.0 g

KC

 NN 

KC

图 6 试验材料惯性力系数随 KC 数变化

Fig. 6 Inertia force coefficient of experimental materials

vs. KC number variation

每种材料的阻力系数 CD 随着 Re 数变化如图

7 所示,惯性力系数 CM 随 Re 数变化如图 8 所示。

0 250 500 750 10001250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 100012501500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500 0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500 0.0

0.5

1.0

1.5

2.0

2.5

3.0

2 mm 

Re

3 mm 

Re

4 mm 

Re

4 mm53

Re

5.5 mm53

Re

g

6.5 mm53

Re

7.2 mm 53

Re

a b

c d

e f

图 7 试验材料阻力系数随 Re 数变化

Fig. 7 Resistance coefficient of experimental materials

vs. reynolds number variation

其中直径为 2 mm 的尼龙单丝在雷诺数 Re

为 0~ 500 范围时,阻力系数随着雷诺数 Re 的增

加有逐渐增加的趋势,范围在 0. 97~1. 56,惯性力

系数也有逐渐上升趋势,范围在 1. 08~1. 51;直径

为 3 mm 的尼龙单丝在雷诺数 Re 为 250 ~ 600 范

围时,阻力系数也有上升趋势, 范围在 1. 13 ~

1. 39,惯性力系数也有上升趋势,范围在 1. 33 ~

1. 70;直径为 4 mm 的尼龙单丝在雷诺数 Re 为

250~900 范围时,阻力系数也有较小的上升趋势,

范围在 1. 44~1. 79,惯性力系数也逐渐上升,范围

在 1. 33~ 1. 65;直径为 4 mm 的聚丙烯绳索在雷

诺数 Re 为 250~900 范围时,阻力系数趋于平稳,

阻力系数范围在 1. 62 ~ 1. 96,平均值为 1. 76,惯

性力系数逐渐上升,范围在 1. 28 ~ 1. 73;直径为

5. 5 mm 的聚丙烯绳索在 Re 为 300 ~ 1 100 范围

74

第 3 期 宋利明等:金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究

时,除在雷诺数 Re 为 659 时,阻力系数为 2. 29 过

高,其余阻力系数平稳,范围在 1. 73 ~ 1. 95,平均

阻力系数为 1. 87,惯性力系数逐渐上升,范围在

1. 57~2. 07;直径为 6. 5 mm 的聚丙烯绳索在雷诺

数 Re 为 500 ~ 1 300 时,阻力系数平稳,范围在

1. 36~1. 73,平均阻力系数为 1. 55,惯性力系数有

逐渐上升的趋势,范围为 1. 42 ~ 2. 40;直径为

7. 2 mm 的涂沥青绳索在雷诺数 Re 为 600 ~ 1 400

时,阻力系数趋于平稳,范围在 1. 36 ~ 1. 82,惯性

力系数除在雷诺数 Re 为 949 时过高(2. 30),其

余惯性力系数平稳,范围在 1. 53~1. 92。

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

0 250 500 750 1000 1250 1500

0.0

0.5

1.0

1.5

2.0

2.5

3.0

2 mm 

Re

3 mm 

Re

c d 4 mm 

Re

e f

4 mm 53

Re

5.5 mm53

Re

g

6.5 mm53

Re

7.2 mm53

Re

a b

图 8 试验材料惯性力系数随 Re 数变化

Fig. 8 Inertia force coefficient of experimental materials

vs. reynolds number variation

本研究建议: 2 mm、3 mm 和 4 mm 尼龙单丝

阻力 系 数 分 别 可 取 1. 2、 1. 29 和 1. 6; 4 mm、

5. 5 mm、6. 5 mm 聚丙烯绳索的阻力系数分别可取

1. 76、1. 87、1. 55,7. 2 mm 涂沥青绳索阻力系数可

取 1. 47; 2 mm、3 mm 和 4 mm 尼龙单丝惯性力系

数分别可取 1. 3、1. 45 和 1. 56; 4 mm、5. 5 mm 和

6. 5 mm 聚丙烯绳索惯性力系数分别可取 1. 54、

1. 79 和 1. 94,7. 2 mm 涂沥青绳索惯性力系数可取

1. 77。

3 讨论

3. 1 本试验的可靠性

现有渔具数值模拟的数学建模方法大部分为

牛顿力学建模,使用集中质量法和质量弹簧系统

建立数学模型[16-22]

。 Takagi 等[23] 使用集中质量

法编写了一套程序,并对网衣的三维形态进行了

预测;Takagi 等[24]使用了牛顿力学模型对程序计

算结果进行了验证;Lee 等[25] 基于牛顿力学方程

建立了围网网具的数学模型,模拟了围网作业时

的动态过程。 对于延绳钓渔具的数值模拟研究,

也多使用牛顿力学模型[26-27]

。 在这些数值模拟

中,通常将网线、单丝或者绳索视为杆单元,并且

使用圆柱体的阻力系数和惯性力系数作为它们的

水动力系数。

对于延绳钓而言,其实际工作环境复杂多变,

海流和波浪作为海洋因素,对延绳钓渔具水下的

形态和受力产生重要影响。 因此,在计算延绳钓

水下受力情况时,选取合适的惯性力系数,能够使

数值模拟计算结果更接近实际情况。 沈智宾[28]

研究发现延绳钓数值模拟的计算结果与惯性力系

数 CM 的取值有很大关系,因此需要进行试验来

测定其惯性力系数。 对于延绳钓渔具而言,结构

简单,其水下部分主要由单丝、绳索和其他金属构

件构成。 延绳钓渔具模型试验常使用田内准

则[29]进行缩小,受限于水槽尺寸,进行模型试验

的误差较大,因此本试验选择对延绳钓实际使用

的多种尺寸的单丝和绳索的阻力系数和惯性力系

数进行研究。 对于研究作用在小尺度结构物上的

波浪力,广泛采用 Morison 方程进行计算[30-31]

,由

于试验用的单丝和绳索尺寸与试验波浪波长比值

较小,满足试验条件(即单丝和绳索的横向尺寸

和波长之比小于 0. 2),所以本试验具有较高的可

靠性。

3. 2 本试验的合理性

试验时,测量的波浪力为绳索和框架整体的

受力。 在 9 种工况条件下,3 种尼龙单丝和 4 种

75

渔 业 现 代 化 2024 年

聚丙烯绳索的波浪力测量值范围为 0. 41 ~ 3. 23

N。 测量值最小的一组为 2 mm 尼龙单丝在波高

为 0. 08 m,周期为 1. 1s 工况下的试验组,在测定

值为 0. 41N 时测力计产生的误差为 0. 001 22 N,

对应的单根尼龙单丝的受力为 0. 003 29 N,远大

于误差 0. 001 22 N。 测量值最大的一组为 7. 2mm

聚丙烯绳索在波高为 0. 12 m,周期为 1. 7S 工况

下的试验组,在测定值为 3. 23 N 时测力计产生的

误差为 0. 009 7 N,对应的单根聚丙烯绳索的受力

为 0. 092 5 N 远大于误差 0. 009 7 N。 其余试验

组的波浪力误差范围为 0. 001 2~0. 009 6 N,所对

应的单根尼龙单丝或聚丙烯绳索的受力范围为

0. 004 0~0. 092 3 N,单根尼龙单丝或聚丙烯绳索

的受力为所对应的波浪力误差的 2. 83 ~ 9. 53 倍。

因此,综合来看,本试验具有合理性。

3. 3 阻力系数 CD 的取值

本试验 3 种尼龙单丝随着 KC 数增加阻力系

数逐渐增加,随着雷诺数 Re 的增加,阻力系数呈

现出逐渐增加的趋势。 赵云鹏等[32] 在进行贝类

吊笼试验中,认为阻力系数随着 KC 数和雷诺数

Re 增加而增加。 这可能是吊笼的生产作业工况

与延绳钓作业工况比较接近以及材料的直径都较

小有关。 本试验建议 2 mm、3 mm 和 4 mm 尼龙单

丝阻力系数分别可取 1. 2、1. 29 和 1. 6。 Takagi

等[23-24]使用集中质量法预测了网衣的三维形态,

并且利用牛顿力学模型对数值模拟结果进行验

证,所使用的网线阻力系数为 1. 20。 Lee 等[25] 在

使用牛顿力学方程模拟围网网具作业动态过程

中,所使用的网线阻力系数也为 1. 20。 这与本试

验中 2 mm 尼龙单丝阻力系数较为接近。 3 种聚

丙烯绳索阻力系数低 KC 数时较为平稳,随着雷

诺数 Re 增加逐渐下降趋于常数。 刘莉莉[14]对网

衣进行受迫振动试验,发现随着雷诺数 Re 增加,

阻力系数呈现下降趋势,这与本次试验中聚丙烯

绳索的结果较为符合。 这可能是由于刘莉莉[14]

网衣试验中的网线存在捻纹与本试验聚丙烯绳索

的结构类似有关。 本试验建议 4 mm、5. 5 mm、

6. 5 mm 聚丙烯绳索的阻力系数分别可取 1. 76、

1. 87、1. 55,7. 2 mm 涂沥青绳索阻力系数可取

1. 47。 尼龙单丝阻力系数普遍小于聚丙烯绳索阻

力系数,可能的原因是尼龙单丝直径较小、表面光

滑,聚丙烯绳索直径大、表面存在捻纹。

3. 4 惯性力系数 CM 的取值

3 种尼龙单丝随着 KC 数增加惯性力系数变

化不明显,趋于常数,随着雷诺数 Re 的增加,惯性

力系数有逐渐增加的趋势。 赵云鹏等[32] 在进行

贝类吊笼试验中,认为惯性力系数先增加后稳定,

趋于常数,与本研究中尼龙单丝水动力系数变化

相似,这可能是吊笼的生产作业工况与延绳钓作

业工况比较接近、直径都较小有关。 本研究建议

2 mm、3 mm 和 4 mm 尼龙单丝惯性力系数分别可

取 1. 3、1. 45 和 1. 56。 3 种聚丙烯绳索惯性力系

数随着 KC 数和雷诺数 Re 增加而增加。 本研究

建议 4 mm、5. 5 mm 和 6. 5 mm 聚丙烯绳索惯性力

系数分别可取 1. 54、1. 79 和 1. 94,7. 2 mm 涂沥青

绳索惯性力系数可取 1. 77。 李杰等[7]

、宋利明

等[8,26-27]在进行延绳钓数值计算时,所使用的圆

柱体惯性力系数为 3. 0,得到了较好的结果;比本

试验得到的尼龙单丝和聚丙烯绳索的惯性力系数

略大。 《港口与航道水文规范》

[9] 建议的圆柱体

惯性力系数为 2. 0,Takagi 等[23-24] 进行网衣数值

计算时,使用的圆柱体惯性力系数为 2. 0,这与本

试验测定的聚丙烯绳索的惯性力系数较为接近,

比尼龙单丝的惯性力系数略大。 Balash 等[33] 认

为网线的直径较小所以惯性力系数比圆柱体惯性

力系数大。 Zhao 等[34] 在对网衣波浪试验中,认

为惯性力较小,在数值模拟时可把惯性力部分忽

略不计。 可能因波浪条件,阻力占波浪力的主要

部分,惯性力较小。 本研究建议的惯性力系数较

为可靠。

4 结论

本研究结果显示,同一波高下,试验材料所受

波浪力随着波浪周期增加逐渐增加;同一波浪周

期下,试验材料所受波浪力随波高增加逐渐增加;

相同材料随着直径增加,所受波浪力增加。 3 种

尼龙单丝随着 KC 数增加阻力系数逐渐增加,惯

性力系数变化不明显,趋于常数,随着雷诺数 Re

的增加阻力系数和惯性力系数有逐渐增加的趋

势。 3 种聚丙烯绳索阻力系数低 KC 数时较为平

稳,随着雷诺数 Re 增加逐渐下降,趋于常数,惯性

力系数随着 KC 数和雷诺数 Re 增加而增加。 涂

沥青的聚丙烯绳索参数较为稳定。 本试验得出的

阻力系数和惯性力系数,可为延绳钓数值模拟时

76

第 3 期 宋利明等:金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究

的取值提供参考依据。 本研究所选单丝和绳索的

直径范围大,波浪水槽造波能力有限,未来研究中

可增加波浪参数,获得更多数据,探究不同单丝和

绳索在 KC 数相同,阻力系数和惯性力系数在不

同雷诺数 Re 中的变化;在雷诺数 Re 相同,阻力系

数和惯性力系数在不同 KC 数中的变化。 □

参考文献

[1] 曹道梅. 金枪鱼延绳钓渔具动力学模拟[D]. 上海:上海海洋

大学,2011.

[2 ] CAO D M, SONG L M, LI J, et al. Determining the drag

coefficient of a cylinder perpendicular to water flow by numerical

simulation and field measurement[J]. Ocean Engineering,2014,

85:93-99.

[3] 齐雨琨. 金枪鱼延绳钓数值仿真及作业参数优化[D]. 上海:

上海海洋大学,2022.

[4] MORISON JR,JOHNSON JW,SCHAAF S A. The force exerted

by surface waves on piles[J]. Journal of Petroleum Technology,

1950,2(5):149-154.

[5] ZAN X X,LIN Z H,GOU Y. The force exerted by surface wave

on cylinder and its parameterization:morison equation revisited

[J]. Journal of Marine Science and Engineering,2022,10( 5):

1-16.

[6] 徐伟云. 金枪鱼漂流延绳钓渔具投绳作业动力学模拟[D].

上海:上海海洋大学,2013.

[7] 李杰. 金枪鱼延绳钓渔具起绳作业动力学模拟[D]. 上海:上

海海洋大学,2014.

[8] 宋利明,李轶婷. 基于龙格库塔法的漂流延绳钓沉降过程数

值模拟[J]. 中国水产科学,2022,29(1):157-169.

[9] 交通运输部. JTS145—2015(2022 版) 港口与航道水文规范

[S]. 北京:人民交通出版社,2022:230-231.

[10]刘慕广,管文夏,杜睿,等. 低雷诺数下圆杆正方形塔架的阻

力系数研究[ J]. 湖南大学学报 ( 自然科学版), 2023, 50

(11):72-78.

[11] JANNIS L, LUKAS F, REBEKKA G, et al. Drag and inertia

coefficients of live and surrogate shellfish dropper lines under

steady and oscillatory flow [ J ]. Ocean Engineering, 2021,

235:109377.

[12]桂福坤,姚晓杰,孟昂,等. 杆件结构物水动力系数与波浪要

素关系研究[J]. 大连理工大学学报,2017,57(2):164-169.

[13]刘贵杰,王清扬,田晓洁,等. 海洋结构物小尺度桩柱的水动

力系数研究与进展[ J]. 中国海洋大学学报(自然科学版),

2020,50(1):136-144.

[14]刘莉莉. 网渔具水动力学特性的数值模拟研究[D]. 青岛:中

国海洋大学,2013.

[15]李玉成,赵云鹏,桂福坤,等. 波浪条件下渔网水动力特性研

究[C] / / 2006 年度海洋工程学术会议论文集. 北京:中国造

船工程学会近海工程学术委员会, 《 中国造船》 编辑部,

2006:9.

[16]张新峰,胡夫祥,许柳雄,等. 网渔具计算机数值模拟的研究

进展[J]. 海洋渔业,2015,37 (3):277-287.

[17]王永进,万荣,张勋,等. 大网目底拖网在稳定流场中的数值

模拟[J]. 海洋渔业,2021,43(2):230-240.

[18]陈诚,宋炜,谢正丽,等. 基于多孔介质模型的养殖装备网衣

水动力特性研究[J]. 渔业现代化,2022,49(5):105-126.

[19]李娜,李昕,施伟,等. 波流作用下平面网衣水动力特性数值

模拟[J]. 上海海洋大学学报,2024,33(2):509-519.

[20 ] ZHOU C, XU L X, TANG H, et al. Identifying the Design

Alternatives and Flow Interference of Tuna Purse Seine by the

Numerical Modelling Approach [ J]. Journal of Marine Science

and Engineering,2019,7(11):1-18.

[21] WAN R, GUAN Q L, LI Z G, et al. Study on hydrodynamic

performance of a set-net in current based on numerical

simulation and physical model test [ J ]. Ocean Engineering,

2020,195:106660.

[22] GUAN Q L, ZHU W B, ZHOU A Z, et al. Numerical and

experimental investigations on hydrodynamic performance of a

newly designed deep bottom trawl [ J ]. Frontiers in Marine

Science,2022,9:891046.

[23]TAKAGI T,SHIMIZU T,SUZUKI K. Performance of “NaLA”:a

fishing net shape simulator[ J]. Fisheries Engineering,2003,40

(2):125-134.

[24]TAKAGI T,SHIMIZU T,SUZUKI K,et al. Validity and layout of

“NaLA”:a net configuration and loading analysis system[ J].

Fisheries Research,2004,66(2 / 3):235-243.

[25]LEE C,LEE J,CHA B,et al. Physical modeling for underwater

flexible systems dynamic simulation [ J]. Ocean Engineering,

2005,32(3):331-347.

[26]宋利明,周旺. 基于 ANSYS Workbench 力学仿真的金枪鱼延

绳钓钓钩深度[J]. 渔业现代化,2021,48(4):85-94.

[27] SONG L M,QI Y K,SHEN Z B,et al. Dynamic simulation of

pelagic longline retrieval [ J ]. Journal of OceanUniversity of

China,2019,18 (2):455-466.

[28]沈智宾. 金枪鱼延绳钓渔具作业过程数值模拟[D]. 上海:上

海海洋大学,2016.

[29]TAUTI M. A relation between experiments on model and on full

scale of fishing net[ J]. Nippon Suisan Gakkaishi,1934,3( 4):

171-177.

[30]金伟良. 海洋工程中若干力学问题[ J]. 科技通报,1997(2):

19-25.

[31]刘贵杰,王清扬,田晓洁,等. 海洋结构物小尺度桩柱的水动

力系数研究与进展[ J]. 中国海洋大学学报(自然科学版),

2020,50(1):136-144.

[32]赵云鹏,廖鹏,毕春伟,等. 贝类养殖吊笼水动力特性的实验

研究[J]. 渔业现代化,2017,44(2):6-13.

[33] BALASH C,COLBOURNE B,BOSE N,et al. Aquaculture Net

Drag Force and Added Mass [ J]. Aquacultural Engineering,

2009,41 (1):14-21.

[34]ZHAO Y P,LI Y C,DONG G H, et al. An experimental and

numerical study of hydrodynamic characteristics of submerged

flexible plane nets in waves [ J ]. Aquacultural Engineering,

2008,38 (1):16-25.

77

渔 业 现 代 化 2024 年

Inertia force coefficient and resistance coefficient of

monofilament and rope in tuna longline gear

SONG Liming

1,2

,ZHANG Jinhui

1,2

,LI Yuwei

1,2

,WANG Shun

1

,WANG Wenxin

1

,ZHANG Bo

1

(1 College of Marine Living Resource Sciences and Management,Shanghai Ocean University,Shanghai 201306,China;

2 National Engineering Research Center for Oceanic Fisheries,Shanghai 201306,China)

Abstract:Inertia force coefficient CM

and resistance coefficient CD

of monofilament and rope used in tuna

longline gear directly affect the computational speed and accuracy of numerical simulations of fishing gear. In

this study,wave forces acting on seven types of monofilament and rope materials for tuna longline gear under

regular wave conditions were investigated through wave tank experiments. CM

and CD

for respective materials

were calculated using the Morison equation and employing the least squares method. The variations of CM

and

CD with Keulegan-Carpenter number KC and Reynolds number Re were analyzed. The results indicate that:(1)

Under the same wave height, the wave forces acting on experimental materials gradually increase with

increasing wave period. (2) Under the same wave period,the wave forces acting on experimental materials

gradually increase with increasing wave height. ( 3) With increasing diameter, the wave forces acting on

experimental materials also increase. (4) For three types of nylon monofilament,CD

gradually increases with

the increasing KC while CM

remains relatively stable, and CM

and CD

exhibit an increasing trend with the

increasing of Re . (5) For three types of polypropylene ropes,CM

increases with the increasing KC and Re ,

while CD

stabilizes at lower KC numbers and decreases gradually with the increasing Re. (6) Polypropylene

ropes coated with asphalt exhibit relatively stable CM

and CD

values. The obtained CD

and CM

values from this

experiment can be applied to the numerical simulations of longline fishing gear.

Key words: longline gear; monofilament; rope; inertia coefficient; resistance coefficient; regular waves

78

第 51 卷第 3 期 渔 业 现 代 化 Vol. 51 No. 3

2024 年 6 月 FISHERY MODERNIZATION Jun. 2024

DOI:10. 3969 / j. issn. 1007-9580. 2024. 03. 009 开放科学(资源服务)标识码(OSID):

初文华,武树龙,王一博,等. 基于流固耦合算法的不同材料网板水动力试验 [J]. 渔业现代化,2024,51(3):79-88.

收稿日期:2024-01-22

基金项目:国家自然科学基金面上项目(31972845);国家远洋渔业工程技术研究中心开放基金(A1-2006-21-200208);上海海洋大学科

学发展专项基金(A2-2006-22-200214)

作者简介:初文华(1986—),女,副教授,研究方向:海洋渔业、渔具水动力。 E-mail:whchu@ shou. edu. cn

基于流固耦合算法的不同材料网板水动力试验

初文华1,2,3

,武树龙1,2,3

,王一博1,2,3

,曹 宇3,4

,翟明浩1,2,3

(1 上海海洋大学海洋生物资源与管理学院,上海 201306;

2 国家远洋渔业工程技术研究中心,上海 201306;

3 上海海洋可再生能源工程技术研究中心,上海 201306;

4 上海海洋大学工程学院,上海 201306)

摘要:拖网网板的水动力模型试验结果会因加工工艺、加工方式、加工材料和试验条件等多种因素出现不同

程度的试验偏差。 为探究网板模型不同加工材料对水动力试验的影响机理,选取双开缝矩形曲面网板为研

究对象,基于流固耦合算法结合动水槽模型试验,分析丙烯腈-丁二烯-苯乙烯共聚物(ABS)、聚丙烯(PP)、

聚氯乙烯(PVC)3 种 3D 打印材料网板模型与传统钢质网板模型的结构响应差异及其对水动力试验的影响

规律。 结果显示:采用传统金属材料(钢)与非金属材料(ABS)加工的网板模型在结构响应及水动力性能方

面均具有显著差异,且随冲角和流速的增加,网板模型的最大变形量增加,进而导致升/ 阻力系数差异也进一

步增加;PVC 材料因其弹性模量较大、刚性较强,结构响应与金属材料较为接近,因而对水动力试验结果影

响较小。 基于上述结果,开展网板水动力模型试验时,可选用 PVC 作为 3D 打印材料,但需确保模型制作精

度,避免模型材料对水动力试验结果精度的影响。

关键词:拖网网板;流固耦合;CFD;模型试验;影响机理

中图分类号:S971 文献标志码:A 文章编号:1007-9580-(2024)03-0079-010

网板是单船拖网作业中重要的渔具构件,是

实现网具水平扩张的关键组成部分,具有节能高

效,成本低廉、结构简单、坚固耐用的特点[1-2]

。

风洞和水槽模型试验被广泛应用于网板的水动力

性能研究,是网板水动力研究的主要手段和方法

之一[3-4]

。

李崇聪[5]选用钢材料制作一种简单结构的 V

型网板,利用水槽模型试验结合数值模拟的研究

方法,研究测定了其水动力系数、最大升阻比和最

佳工作冲角,试验值与模拟值的阻、升力相对误差

分别为 13. 8%、15. 6%。 王磊等[6] 利用风洞模型

试验研究单缝曲面网板模型,模型加工材料选用

Q345B 钢,并对网板模型结构进行简化,研究了

单缝曲面网板在不同叶板尺度比例下的水动力性

能。 朴倉斗等[7] 采用厚度为 2 mm 曲率半径为

127. 2 mm 的不锈钢板为材料制作 V 型曲面网板

模型,利用水槽模型试验,研究了二面角和后退角

对自由流中或近底网板的水动力性能影响。 冯春

雷等[8]采用 5 mm 厚度钢板制作全钢结构网板模

型,通过水槽试验和数值模拟研究圆形曲面网板

的水动力性能,测得该网板的升、阻力系数和升阻

比等水动力参数,试验值与模拟值的最大升力系

数误差为 4. 63%,最大升阻比误差为 6. 00%。 刘

志强等[9]利用水槽试验和计算流体力学方法研

究立式双曲面网板,探究了展弦比等一系列结构

参数对其水动力性能的影响,数值模拟结果相对

于水槽模型试验值的升力系数、阻力系数和升阻

比的 偏 差 分 别 为 21% ± 16%、 19% ± 5. 3% 和

1. 2%±0. 7%,数值模拟结果整体偏高于水槽模型

试验值。 Xu 等[10]选用钢材制作一种结构简单的

矩形 V 型网板模型,通过水槽试验利用 Fluent 和

CFX 两种数值分析方法研究该网板的水动力性

渔 业 现 代 化 2024 年

能。 Fluent 方法的升、阻力系数平均相对偏差为

7. 82%和-10. 29%;CFX 方法的升、阻力系数平均

相对偏差为 7. 96%和-10. 13%。 Takahashi 等[11]选

用不锈钢材质的双翼式网板,结合计算流体力学

(CFD)方法与水槽试验,研究了间隙弦比和交错角

对网板水动力性能的影响,试验值与模拟值的最大

升力系数误差约为 4. 38%。 刘健等[3] 采用光敏树

脂复合材料制作网板模型,通过水槽模型试验研究

了展弦比和最大相对弯度对立式曲面双弧面型网

板水动力性能的影响。 李浩然[12] 采用 ABS 材料,

以 3D 打印工艺制作矩形曲面网板和椭圆形曲面

网板模型,结合模型试验与 CFD 数值模拟方法,研

究了流场底部效应和沙幕效应对底拖网板水动力

性能的影响,矩形曲面网板升、阻力系数相对误差

分别为 14. 4%和 9. 23%,椭圆形曲面网板升、阻力

系数相对误差为 15. 69%和 8. 89%。

研究人员开展网板水动力模型试验时通常采

用金属材料对模型进行加工,但针对结构较为复

杂的网板,金属材料的加工难以到达模型试验所

需精度,因此需要借助 3D 打印技术的帮助[13]

。

3D 打印材料因弹性模量、屈服强度等特性与金属

材料存在差异,可能会引起试验结果出现偏差。

为系统地分析不同网板模型材料对水动力性

能测试结果的影响,选取矩形网板为研究对象,基

于水槽模型试验结合流固耦合算法,探究 3 种非

金属材料(ABS,PP,PVC) 网板与钢质网板的结

构响应差异及其对水动力试验的影响规律,旨在

为拖网网板水动力模型试验的设计与开展提供

参考。

1 材料与方法

1. 1 研究方法

1. 1. 1 模型

双开缝矩形曲面网板模型制作如图 1 所示。

B

 C



图 1 双开缝矩形曲面网板模型制作

Fig. 1 Model making of double- opened slotted cambered rectangular otter board

本研究选取广泛应用于中、底层拖网作业的

双开缝矩形曲面网板为研究对象,具体结构形式

如图 1(a)所示,其上设置开缝结构,有利于减小

网板的背面涡流,增加网板的水动力性能[14]

。 为

确保该网板水槽模型试验的有效开展,在综合考

虑水槽试验区域流场尺寸及测力设备量程范围的

基础上,以 1:6 的尺度比设计了网板水动力试验

缩比模型,如图 1(b)所示,网板模型翼展长为 l =

240 mm,翼弦长为 b = 400 mm,展弦比为 λ = 0. 6。

为保证模型精度,采用 3D 打印技术对网板缩比

模型进行加工,加工材料选用 ABS 材料。

1. 1. 2 设备

双开缝矩形曲面网板水槽模型试验如图 2

所示。

C



ffi

B

ffi

图 2 双开缝矩形曲面网板水槽模型试验

Fig. 2 Experiment in flume tank of double- opened

slotted cambered rectangular otter board

80

第 3 期 初文华等:基于流固耦合算法的不同材料网板水动力试验

网板水动力性能试验在上海海洋大学国家远

洋渔业工程技术研究中心动水槽中进行,试验段

长 A = 10. 0 m、宽 C = 3. 0 m、深 B = 2. 0 m、流速 0~

1. 4 m / s 连续可调。 配备水槽流速检测仪器与六

分力传感器(范围 0~500 N,准确度 0. 1%)

[15]

。

模型试验原理如图 2(a)所示,网板由金属杆

连接固定在六分力传感器的末端,距水槽入口 3~

5 m,水深 0. 61 m,水温 T = 21. 0 ℃ ,水密度为 ρ =

997. 0 kg / m

3

。 试验过程如图 2(b)所示。

定义动水槽水流方向为 x 轴正向,竖直向上

方向为 z 轴正向。 设置水槽流速为 0. 6 m / s 和

0. 9 m / s,分别测得网板模型 x、y、z 三个方向在 0°

~50°冲角下的受力情况。

1. 2 数值研究方法

1. 2. 1 网板水动力性能数值计算模型

本研究采用 CFD 软件 ANSYS Fluent 建立网

板的水动力性能数值计算模型。 流场采用非结构

网格进行计算。 模拟计算中,对控制方程采用有

限体积法进行离散化处理,并使用 SIMPLE 算法

进行求解,湍流模型采用 RNG k-ε 模型,其考虑

到了湍流漩涡,并为湍流 Prandtl 数提供了解析公

式,从而有效改善了精度[15-19]

。

上游入口处设定为速度入口边界( velocity

inlet),以沿着 x 轴正向的均匀流作为入口条件,

湍流强度设定为 5%,湍流强度比设定为 3,下游

出口设定为完全发展自 由 出 流 边 界 ( pressure

outlet),网板结构表面及计算域边界设定为不可

滑移壁面(no slip wall)

[14-15]

。 如图 3(a)所示,流

场区域长 x = 3 200 mm、宽 y = 1 600 mm、高 z =

1 600 mm,网板前缘距水流入口 800 mm。 为提高

计算精度,网板边界处网格设置沿网板表面膨胀

3 层,增长率为 1. 2。 壁面函数选择湍流模型兼容

性较高且边界层模拟一致性较好的标准壁面

函数[20]

。

1. 2. 2 网板结构响应数值计算模型

数值计算模型如图 3 所示。

B



 

 C

 



图 3 数值计算模型

Fig. 3 Numerical calculation model

由于网板结构较为复杂,采用缩小网格尺寸

的方法增加网格密度,如图 3(b)所示。 在结构场

求解器 ANSYS Workbench 中,应用结构瞬态动力

分析方法模拟网板结构的动态响应,并与流场的

非定常计算同时进行求解[21]

。 网板与连接杆接

触处施加固定约束( Fixed Support),限制其自由

度。 载荷采用进口压力(Imported Pressure),以将

水动力性能数值计算的压力结果传递到结构环境

中进行耦合,求解应力和总变形。 考虑到在流固

耦合求解中,网板结构受到流体力对其表面的作

用,为了实现流体对结构施加压力载荷,将网板与

流体接触的表面定义为流固耦合作用面[21-22]

。

1. 2. 3 参数定义

立式 V 型曲面网板水动力性能系数主要为

升力系数 CL ,阻力系数 Cd ,升阻比 K;主要结构参

数为展弦比 λ;主要试验参数为冲角 α,雷诺数

Re,具体定义如下:

λ =

l

2

S

(1)

CL

= 2

Fl

ρSv

2

(2)

Cd

= 2

Fd

ρSv

2

(3)

K =

Cl

Cd

(4)

Re =

vbρ

μ

(5)

81

渔 业 现 代 化 2024 年

式中:l 为翼展(m);S 为网板法向上的投影面积

(m

2

); v 为 来 流 速 度 ( m / s ); ρ 为 流 体 密 度

(kg / m

3

);b 为网板弦长(m);μ 为流体动力黏度

(kg / m·s);Fd 为网板阻力(N);Fl 为网板升力

(N);Cl 为升力系数;Cd 为阻力系数。

其中,升力系数和阻力系数均为进入自动模

型区后测量值的平均值[15]

。

1. 2. 4 数值计算工况设置

为系统地分析拖网网板模型材料对水动力试

验的影响,本研究在上述计算模型的基础上,设置

了如下计算工况。

改变模型材料,在相同尺度比(1 ∶6)下分别采

用金属材料(钢)与 3D 打印材料(ABS、PP、PVC)

进行数值建模。 在流速为 0. 6 m/ s 和 0. 9 m/ s(雷

诺数为 2. 39×10

5 和 3. 58×10

5

)的条件下,计算分析

其在不同冲角(0°、10°、20°、30°、40°、50°)下的结构

响应与水动力性能,如表 1 所示。

表 1 计算工况设置

Tab. 1 Calculated working condition setting

模型编号 材料 流速/ (m/ s) 冲角/ (°)

1 钢

0. 6 0°、10°、20°、30°、40°、50°

0. 9 0°、10°、20°、30°、40°、50°

2 ABS

0. 6 0°、10°、20°、30°、40°、50°

0. 9 0°、10°、20°、30°、40°、50°

3 PP

0. 6 0°、10°、20°、30°、40°、50°

0. 9 0°、10°、20°、30°、40°、50°

4 PVC

0. 6 0°、10°、20°、30°、40°、50°

0. 9 0°、10°、20°、30°、40°、50°

2 结果与分析

2. 1 数值模型有效性验证

2. 1. 1 网格无关性检验

为保证数值模型的有效性,本研究分别采用流

场网格单元数为 100 万、210 万、350 万、430 万的模

型进行网格无关性检验,检验结果如表 2 所示。

表 2 网格无关性检验结果

Tab. 2 Test results of the grid's independent character

网格

最大

y

+值

最小

y

+值

流场

单元数 节点数

结构场

单元数 节点数

是否收敛

流场 结构场

流场流

固耦合面

结构场流

固耦合面

A 1. 12×10

2

0 9. 89×10

5

1. 86×10

5

1. 11×10

4

2. 25×10

4 否 是 否 是

B 6. 37×10

1

0 2. 07×10

6

3. 84×10

5

6. 33×10

4

1. 22×10

5 否 是 否 是

C 4. 15×10

1

0 3. 57×10

6

5. 82×10

5

7. 11×10

4

1. 43×10

5 是 是 是 是

D 4. 07×10

1

0 4. 33×10

6

8. 20×10

5

8. 80×10

4

1. 59×10

5 是 是 是 是

结果显示,当流场网格单元数小于 210 万时,

流场及其流固耦合面的计算结果无法收敛;当流

场网格单元数超过 350 万时,流场与结构场的流

体力学指标均趋于稳定,最大 y

+ 值在 40 左右。

基于此,本研究将数值模型网格数量控制在约

350 万个,流场域的单元数和节点数分别为 3. 57×

10

6 和 5. 82×10

5

,结构场的单元数和节点数分别

为 7. 11×10

4 和 1. 43×10

5

。 在网格设置中将第一

层网格厚度设置为 1. 62 × 10

-3m,y

+ 值为 0 <y

+

<

41. 5 之间。

2. 1. 2 水槽试验与数值模拟结果对比

为验证所建立数值计算模型的有效性,针对

上述网板水动力性能模型试验工况,采用 CFD 方

法建立与水槽模型试验相同尺度的网板数值模型

进行计算分析,并将数值计算结果与水槽模型试

验结果进行对比,对比结果如图 4 所示。 由图 4

可知,在 0. 6 m / s、0. 9 m / s 的流速下,双开缝矩形

曲面网板的升力系数与阻力系数随冲角的变化趋

势具有显著的规律性:在冲角 0° ~ 40°范围内,随

着冲角的增加升力系数逐渐增大,最大升力系数

均出现在 40°冲角;当冲角大于 40°时,升力系数

随冲角的增加而减小,阻力系数则始终随冲角的

增加而增大;且这种趋势在数值模拟与模型试验

中基本一致。 从升/ 阻力系数值来看,在小冲角

(小于 20°)时,数值模型计算结果与水槽模型试

验结果误差很小,而随冲角的进一步增加,二者的

误差略有增大,阻力系数尤为明显。 在 0. 6 m / s

的流速下,升力系数平均相对误差为 4. 3%,阻力

82

第 3 期 初文华等:基于流固耦合算法的不同材料网板水动力试验

系数平均相对误差为-5. 5%,当流速为 0. 9 m / s

时,升力系数平均相对误差为 8. 4%,阻力系数平

均相对误差为-37. 2%,可以发现试验值与模拟值

在低流速(0. 6 m / s)时拟合较好,在高流速(0. 9

m / s)时拟合相对较差。 图 5 进一步给出了不同

冲角下升/ 阻力系数试验值与模拟值的偏差数值。

BB

\"E NNTT CC

\"ENNTT

图 4 数值模型计算结果与水槽模型试验结果对比

Fig. 4 Contrasting numerical simulation findings with experimental measurements

图 5 两种流速的双开缝矩形曲面网板不同冲角下

升力系数和阻力系数模拟值与试验值偏差

Fig. 5 Deviation between simulated and experimental values

of lift and drag coefficients for double- opened slotted

cambered rectangular otter board at different angles

of attack and two flow velocities

总体而言,本研究建立的数值模型能够在误

差允许范围内相对精准地计算出双开缝矩形曲面

网板在不同工况下的升力和阻力系数,数值计算

结果具有较高的有效性[23-24]

。

2. 2 模型材料对网板水动力模型试验的影响原因

分析

从图 4、5 中可以发现,升力系数和阻力系数偏

差会随冲角的增加呈增大趋势,且在高流速下偏差

更大。 分析上述现象产生的原因可能是由于水槽

试验中采用的缩比模型选用 ABS 材料进行加工,

该种材料刚性相对较弱,因此在试验过程中模型可

能会随水动力的增加产生一定的局部位移与变形。

由此进一步推测,网板模型会因材料差异产生不同

程度的变形,进而对水动力试验产生影响。 为验证

推测,图 6 给出了基于流固耦合模型计算得到的两

种不同材质(钢与 ABS)的网板模型在水动力试验

过程中相同工况下(流速 0. 6 m/ s,冲角 40°)的变

形情 况 以 及 ABS 材 质 网 板 模 型 在 不 同 流 速

(0. 9 m/ s)工况下的变形情况对照。

fiffifl 

ffifl

fl

fifflflfl

ffiffifl

fflfl

fifffffl

ffiflfifl

fl

 

;TOZ SS

fl 

flfi

ff

fflflffl

flffi

flfl



fflfl

fl

fl



fflfififi

fifififf

fififfl

 

;TOZ SS

ffffi 

ffffiffi

fflfifififf

ffifflff

ffiffiffiffiffi

flflfl

fi

ffiffiff

ffl

ffffi

ffiffiffl

fffl

ff

ffiffiffl

 

;TOZ SS

B

fi NTfi C

\"#4  NT

D

\"#4  NT

图 6 ABS 和钢材质网板模型变形情况

Fig. 6 Deformation analysis of ABS and steel otter board models

83

渔 业 现 代 化 2024 年

如图 6 所示,可以明显观察到,由于网板模型

顶端通过连接杆固定,底端自由,因此网板的底端

产生了一定的变形,迎流端的变形最大,且同侧背

流端的变形量要小于迎流端,表明网板产生了扭

转变形,改变了网板的曲率半径与开缝结构,进而

对水动力性能产生一定影响[25]

。 如图 6 所示,在

相同的工况条件下,两种材料产生变形的区域基

本一致,ABS 材质的网板模型变形明显大于钢材

质,在流固耦合模型中,网板的变形或运动会影响

流体运动,从而改变流体载荷的分布和强度,还会

导致流场网格发生形变,进而影响试验结果,导致

二者水动力系数的显著差异。

图 7 进一步给出了 ABS 与钢材质网板模型

的最大变形在流速 0. 6 m / s 下随冲角的变化

情况。

图 7 ABS 材质和钢材质网板模型总变形

随冲角变化情况

Fig. 7 Total deformation variation with angle of attack for ABS

material and steel material otter board model

可以观察到,ABS 材料模型在各冲角下的变

形均显著大于结构钢材质的网板模型,且二者的

差距随冲角的增加显著增大,在冲角 40°时差距

最大,这与图 5 所反映的在流速 0. 6 m / s 的工况

下升/ 阻力系数的模拟值与试验值偏差随冲角的

增加而增大且在 40°冲角达到最大值的趋势一

致,由此就解释了数值计算结果与水槽模型试验

结果的偏差随冲角的增加逐渐增大这一现象,即

随网板模型的最大变形量增加偏差增大。

在不同流速下,ABS 材质的网板模型在流场

中产生的变形亦具有显著差异,流速为 0. 9 m / s

时网板模型的最大变形值约为 0. 6 m / s 流速下的

两倍。 依据上文变形越大偏差越大的结论,可以

解释数值计算结果与水槽模型试验结果在高流速

下偏差更大的现象。

综上所述,为避免水动力试验时因网板模型

产生局部位移与变形而导致的误差,在加工模型

时要结合模型精度与材料性质综合考虑,尽可能

选择变形较小且加工工艺简便的材料。

2. 3 典型材料的网板模型水动力性能对比分析

为进一步研究不同模型材料对网板水动力系

数的影响,探究 3D 打印工艺的最佳模型加工材

料,本文基于流固耦合模型计算分析了非金属三

种 3D 打印材料(ABS、PP、PVC)网板模型与钢质

网板模型的结构响应差异,四种材料的特征参数

如表 3 所示。

表 3 材料特征参数

Tab. 3 Material characteristic parameters

材料

弹性模量/ MPa

杨氏模量 体积模量

抗拉极限强度/ MPa 拉伸屈服强度/ MPa 泊松比

ABS 1 628 2 978. 4 36. 26 27. 44 0. 408 9

PP 1 461 2 667 37. 62 34. 60 0. 408 7

PVC 2 861 4 768. 30 46. 71 46. 71 0. 40

钢 2. 1×10

5

1. 791 2×10

5

422. 50 237. 4 0. 304 6

由表 3 可知,钢的弹性模量、抗拉极限强度和

拉伸屈服强度均远大于 3 种非金属材料,表示其

具有更强的承受载荷、抵抗变形的能力,但其冷加

工成型性能和焊接等热加工性能会较差,对应力

腐蚀更敏感[26-29]

,因此采用钢等金属材料加工结

构较为复杂的网板模型时往往会无法满足模型精

度。 在 3 种 3D 打印材料中,PVC 的弹性模量最

大,约为 ABS 和 PP 的两倍,与钢材相对接近。

从图 8 可以观察到网板模型加工材料的改变

对最大变形随冲角变化趋势的影响并不显著,均

呈现先增后减的趋势,并在 40°冲角附近达到最

大值;相较而言,材料改变对最大变形数值影响更

为显著,钢材质网板模型的变形始终处于较低水

平,弹性模量较小的 PP、ABS 材料的网板模型变

形明显较大,PVC 材质网板模型变形相对较小,

与钢材质较为接近。

84

第 3 期 初文华等:基于流固耦合算法的不同材料网板水动力试验

图 8 不同材质网板模型最大变形随冲角变化情况

Fig. 8 Variation of maximum deformation with angle of attack

for otter board models of different materials

此外,随着 3 种 3D 打印材料杨氏模量和体

积模量的减小,网板模型的变形增大,这是因为弹

性模量是表征材料在受到应力时对弹性变形的抵

抗程度的物理量,其数值越小,材料刚度越小,抵

抗变形的能力就越弱[30]

。 因此,在给定的应力作

用下,材料的弹性模量越小,网板模型发生的变形

就越大。 结合 2. 2 节中的变形越大偏差越大的结

论,可以推测 PVC 材质网板模型的水动力系数值

与钢材质网板模型较为接近,对水动力试验结果

影响相对较小。 为验证这一推测,图 9 给出了不

同模型材料(钢、PVC、ABS)的网板模型在相同流

速下(0. 6 m / s)的升/ 阻力系数对比。

图 9 模型材料对网板水动力性能的影响

Fig. 9 Impact of model materials on hydrodynamic performance of otter boards

85

渔 业 现 代 化 2024 年

从图 9(a)中可以观察到,材料的改变对升力

系数的影响并不显著,仅在 30°冲角下偏差略大,

此时 ABS 材质网板模型的升力系数偏低。 而从

图 4(a)的 0. 6m / s 流速下数值计算结果与水槽模

型试验结果的对比中发现,模型材料的改变对阻

力系数的影响较为显著,主要反映在大冲角(大

于 30°),此时模拟值明显小于试验值。 图 9( b)

证明,采用 PVC 材料加工网板模型可以显著提高

大冲角下的阻力系数。 由图 9(c)可知,数值模拟

中,钢材质网板与 PVC 材质网板的最佳冲角均出

现在 15°左右,相较之下,ABS 材质网板的最佳冲

角有所减小,出现在 10°左右。 同时,ABS 材质网

板的升阻比数值与其他两种材料也有较大差异。

因此,采用 ABS 材料加工网板模型会使最佳冲角

的位置发生改变,且对水动力性能有较大影响。

从图 9 整体来看,PVC 与钢两种材质网板模

型的升力系数、阻力系数、升阻比曲线基本重叠,

水动力性能较为接近。 因此,设计网板水动力模

型试验时,可选用 PVC 作为 3D 打印材料,在保证

模型精度的基础上进一步减小因结构变形引起的

试验误差,从而有效改善试验精度。

3 讨论

本研究通过对比网板数值模型计算结果与水

槽试验结果,可以明确显示出两者升力系数与阻

力系数的变化趋势较为一致,最大升力系数出现

在 40°冲角左右,阻力系数呈上升趋势(图 4),这

与陈刚等[14] 的研究结果一致。 在流速 0. 6 m / s

时,升力系数平均相对误差为 4. 3%,阻力系数平

均相对误差为- 5. 5%。 分析误差产生的原因主

要有以下 3 点:

(1)数值模拟未考虑连接网板模型和传感器

的连接杆。 在数值模型建立时,流场中只存在网

板,因此数值模拟的阻力仅为网板所受阻力。 但

在水槽试验中,测得的阻力为连接杆与网板所受

阻力的合力,且本试验采用的连接杆较长,产生的

阻力难以忽略。

(2)水槽试验条件无法保证与数值模拟时完

全一致。 模型试验过程中由于试验水槽环境限

制,极易产生水流不稳定与模型结构振动,进而导

致试验结果存在误差。

(3)数值模型的建立过程中,由于数值算法

与定义域之间的差异,会产生离散误差。 这些误

差可能由多种因素导致,包括:离散格式的截断误

差,即数值计算无法完全准确地表示真实物理现

象;不合理的边界条件设置,导致数值模型与实际

问题的边界行为不一致;质量较低的网格,影响数

值计算的准确性和稳定性[31]

。 这些因素可能会

增加离散误差的大小。

网板在流体载荷下易发生非线性变形,属于

复杂的流固耦合现象。 流固耦合作用是自然界客

观存在的一种特殊现象,是指流体与固体之间的

相互作用,流固耦合现象在自然界随处可见[32]

。

由于流固耦合问题复杂、非线性和难以理论推导

求解等特点,因此数值模拟是求解该问题的常用

方法之一。 流固耦合数值模拟包括两种类型:单

向流固耦合与双向流固耦合。 其中,双向流固耦

合具有双向传递数据的特点,即流场域和固体域

之间的信息相互传递,其计算结果也会相互影响。

相比单向流固耦合,双向流固耦合考虑了流体与

固体结构之间的相互作用,会使得计算结果更符

合实际情况[33-35]

。

本研 究 基 于 流 体 力 学 有 限 元 分 析 软 件

ANSYS Fluent 采用 ALE 方法来实现网板在流体

载荷下的双向流固耦合分析。 在较大的流体载荷

下,网板产生的非线性大变形会导致流场网格的

变形,进而引发网格的畸变、失效,从而带来模拟

精度降低及计算效率不高等问题,因此 ALE 方法

本身的缺陷可能也是导致数值模型计算结果与水

槽模型试验结果在大流速( 0. 9 m / s) 和大冲角

(大于 30°)下偏差较大的原因。

4 结论

网板模型加工材料是影响水动力模型试验结

果的关键,且模型试验应该采用一定的试验准则,

并有相应的要求,所以在材料选择上也有相应的

条件限制。 本研究以双开缝矩形曲面网板为研究

对象,基于流固耦合算法,采用水槽模型试验与数

值模型计算相结合的方法,探究网板模型加工材

料对水动力试验的影响机理,得出的主要结论如

下:(1)采用传统金属材料(结构钢)与非金属材

料(ABS)加工的网板模型在结构响应及水动力性

能方面均具有显著差异。 ABS 材质的网板模型

变形明显大于钢材质,且二者的升/ 阻力系数均存

86

第 3 期 初文华等:基于流固耦合算法的不同材料网板水动力试验

在一定差异。 随冲角和流速的增加,网板模型的

最大变形量增加,进而导致升/ 阻力系数差异也进

一步增加。 (2)材料的改变对网板升力系数与阻

力系数曲线形状改变均不显著,其主要对网板阻

力系数值和最佳冲角位置产生较大影响,尤其在

大冲角(大于 30°)时,弹性模量越大的材料其网

板模型的阻力系数越大。 PVC 材料因其结构响

应与金属材料较为接近,可以显著提高大冲角下

的阻力系数。 设计网板水动力模型试验时,可选

用 PVC 作为 3D 打印材料,在保证模型精度的同

时减小模型材料对水动力试验结果精度的影响。

□

参考文献

[1] 张勋,王明彦,徐宝生. 拖网网板型式、结构与性能的研究与

应用进展[J]. 中国水产科学,2004,11(增刊 1):107-113.

[2] 徐宝生,张勋,王明彦. 单船拖网网板的现状及发展趋势

[J]. 福建水产,2010(1):86-90.

[3] 刘健,黄洪亮,吴越,等. 展弦比和最大相对弯度对南极磷虾

拖网网板水动力学性能的影响[J]. 海洋渔业,2017,39(5):

571-581.

[4] 刘健,黄洪亮,陈帅,等. 两种立式曲面 V 型网板水动力性能

的实验研究[ J]. 水动力学研究与进展 A 辑,2014,29( 2):

183-188.

[5] 李崇聪. V 型网板水动力性能和数值模拟初步研究[D]. 青

岛:中国海洋大学,2012.

[6] 王磊,王鲁民,冯春雷,等. 叶板尺度比例变化对单缝曲面网

板水动力性能的影响[J]. 渔业现代化,2015,42(6):55-60.

[7] 朴倉斗,松田皎,胡夫祥. 縦湾曲型オッターボードの揚抗力

特性に及ぼす上反角および後退角の影響[ J]. 日本水産学

会誌,1996,62(6):920-927.

[8] 冯春雷,许庆昌,黄六一,等. 圆形曲面网板水动力学性能研

究[J]. 水产研究,2021,8(3):127-135.

[9] 刘志强,许柳雄,唐浩,等. 立式双曲面网板水动力性能及流

场可视化研究[J]. 水产学报,2020,44(8):1360-1370.

[10]XU Q C, HUANG L Y, ZHAO F F, et al. Study on the

hydrodynamic characteristics of the rectangular V-type otter

board using computational fluid dynamics[J]. Fisheries Science,

2017,83:181-190.

[11]TAKAHASHI Y,FUJIMORI Y,HU F,et al. Design of trawl otter

boards using computational fluid dynamics [ J ]. Fisheries

Research,2015,161.

[12]李浩然. 流场底部效应与沙幕效应对底拖网网板水动力性

能的影响分析[D]. 上海:上海海洋大学,2022.

[13]李青,王青. 3D 打印:一种新兴的学习技术[ J]. 远程教育杂

志,2013,31(4):29-35.

[14]陈刚,崔秀芳,初文华,等. 双开缝矩形曲面网板水动力性能

及影响参数研究[J]. 海洋渔业,2020,42(1):82-88.

[15]张怀志,初文华,尹纯晴,等. 加筋结构对 V 型网板水动力性

能的影响研究[J]. 海洋渔业,2022,44(3):360-374.

[16]解元玉. 基于 ANSYS Workbench 的流固耦合计算研究及工

程应用[D]. 太原:太原理工大学,2011.

[17]陈进辉,林华. 基于有限体积法研究溢洪道水流最佳湍流模

型[J]. 河南水利与南水北调,2022,51(10):92-94.

[18]任志安,郝点,谢红杰. 几种湍流模型及其在 FLUENT 中的应

用[J]. 化工装备技术,2009,30(2):38-40,44.

[19]李文华,苏明军. 常用湍流模型及其在 FLUENT 软件中的应

用[J]. 水泵技术,2006(4):39-40,31.

[20]杨彬. 基于 CFD 的汽车主动进气格栅匹配与仿真分析[D].

合肥:合肥工业大学,2018.

[21]李伟. 斜流泵启动过程瞬态非定常内流特性及实验研究

[D]. 镇江:江苏大学,2012.

[22]李伟,杨勇飞,施卫东,等. 基于双向流固耦合的混流泵叶轮

力学特性研究[J]. 农业机械学报,2015,46(12):82-88.

[23]CHU W H,CHEN G,YE X C,et al. Hydrodynamic performance

and structural response characteristics of the double-slotted

vertical cambered V-Type otter board [ J ]. Aquaculture and

Fisheries,2020,5(4):201-209.

[24]LI H R,QIAN W G,CHU W H,et al. Influence of bottom and

sand curtain on hydrodynamic performance of otter boards[ J].

Aquaculture and Fisheries,2023,8(6):634-643.

[25]何朋朋,李子如,刘谦,等. 3D 打印螺旋桨流固耦合特性数值

与模型实验研究[J]. 武汉理工大学学报(交通科学与工程

版),2022,46(3):443-448.

[26]邓利鹏,黎超丰,章新立,等. 冷轧变形对 CuNiCoSi 合金组织

和性能的影响[J]. 铜业工程,2023(3):46-54.

[27]尹雨群,余伟,姜金星,等. 高级别管线钢的高温屈服强度及

工艺影响分析[J]. 钢铁,2013,48(5):46-50.

[28]郭利明,苏永贵. 钢索塔斜拉桥主桥钢结构焊接工艺研究

[J]. 机械设计与制造工程,2023,52(6):130-134.

[29]崔英浩,张建龙,李晓磊. 屈服强度对 304 不锈钢 SCC 裂尖

蠕变场及扩展速率的影响分析 [ J]. 铸造技术, 2020, 41

(12):1117-1121.

[30]胡康明. Ti-Al-Nb 三元系中 O 相的相结构及力学性能的理

论研究[D]. 福州:福州大学,2017.

[31]左玲玉,司海青,李耀,等. 基于 Richardson 外推法的 CFD 离

散误差分析[J]. 指挥控制与仿真,2022,44(1):58-62.

[32]裴吉,袁寿其. 离心泵非定常流动特性及流固耦合机理[M].

机械工业出版社:2014.

[33]张桂勇,王双强,孙哲,等. 船舶与海洋工程流固耦合数值方

法研究进展[J]. 中国舰船研究,2022,17(5):52-73.

[34]黄贤振,栾晓刚,朱丽莎,等. 基于双向流固耦合的锥阀阀芯

位移可靠性分析[J]. 东北大学学报(自然科学版),2023,44

(5):667-673.

[35]刘松,吴先梅,彭修乾,等. 基于双向流固耦合的输流圆管应

力应变响应分析[J]. 振动与冲击,2021,40(20):73-79.

87

渔 业 现 代 化 2024 年

Hydrodynamic experiment of different materials otter board

based on fluid-structure coupling algorithm

CHU Wenhua

1,2,3

,WU Shulong

1,2,3

,WANG Yibo

1,2,3

,CAO Yu

3,4

,ZHAI Minghao

1,2,3

(1 College of Marine Living Resources Sciences and Management,Shanghai Ocean University,Shanghai 201306,China;

2 National Research Center of Ocean Fishery Engineering and Technology,Shanghai 201306,China;

3 College of Engineering Science and Technology,Shanghai Ocean University,Shanghai 201306,China;

4 Shanghai Engineering Research Center of Marine Renewable Energy,Shanghai 201306,China)

Abstract:The results of hydrodynamic model experiment of otter board will have different degree of test

deviation due to various factors such as processing method and structure simplification. In order to explore the

influence mechanism of the processing materials of the otter board model on the hydrodynamic experiment,the

double-slit rectangular curved otter board was selected as the research object. Based on the fluid-structure

coupling algorithm combined with the flume tank model experiment, the influence on the hydrodynamic

experiment and its structural response difference between the three 3D printing materials otter board and the

traditional steel materials otter board was analyzed. The results show that there are significant differences in

structural response and hydrodynamic performance between the traditional metal ( Steel ) and non-metal

(ABS) models. With the increase of the angle of attack and the flow rate,the maximum deformation of the otter

board increases,and the difference of lift coefficient and drag coefficient also increases. Due to the large elastic

modulus and strong rigidity of PVC material,the structural response is close to that of metal material,so it has

little influence on the results of hydrodynamic experiment. Based on the above results,PVC can be used as the

3D printing material to ensure the accuracy of the model and reduce the influence of the model material on the

accuracy of the hydrodynamic experiment results.

Key words:otter board; fluid-solid coupling; CFD; model experiment; influence mechanism

88

第 51 卷第 3 期 渔 业 现 代 化 Vol. 51 No. 3

2024 年 6 月 FISHERY MODERNIZATION Jun. 2024

DOI:10. 3969 / j. issn. 1007-9580. 2024. 03. 010 开放科学(资源服务)标识码(OSID):

张翔,张俊虎,李海涛,等. 基于改进 YOLOv5n 的轻量化海产生物目标检测[J]. 渔业现代化,2024,51(3):89-97.

收稿日期:2024-02-23

基金项目:国家自然科学基金(61702295);青岛市海洋科技创新专项(22-3-3-hygg-hy)

作者简介:张翔(1997—),男,硕士研究生,研究方向:海洋生物目标检测。 E-mail:962732179@ qq. com

通信作者:张俊虎(1974—),男,副教授,研究方向:海洋生物深度学习与目标检测。 E-mail:jzhang@ qust. edu. cn

基于改进 YOLOv5n 的轻量化海产生物目标检测

张 翔,张俊虎,李海涛,李 辉

(青岛科技大学信息科学与技术学院,山东 青岛 266061)

摘要:对于海产生物科考与捕捞等行业,在海上远洋的船只在利用水下机器人进行海产生物的捕捞与识别

时,由于通信带宽受限,计算资源有限,而采用轻量化网络模型可以更好地适应这样的条件。 为此,提出了一

种改进 YOLOv5n 的海产生物目标检测模型。 首先,引入高效的轻量化卷积模块(Group Shuffle Convolution,

Gsconv),对模型主体进行缩减;然后改进损失函数,引用 α- giou 损失函数进行优化,提升预测框回归精度;

再引 L1-norm 正则化剪枝,裁剪不必要的通道以及相关的卷积核;最后采用 L2 知识蒸馏,将模型精度调整到

接近剪枝前的水平。 结果显示,与原有基线模型 YOLOv5n 相比,改进后的模型计算量下降了 53%,参数量下

降了 51%。 所提出的改进算法在保持模型性能的同时保证了轻量化处理的有效性。

关键词:海产生物目标检测;YOLOv5n;Gsconv;模型剪枝;知识蒸馏

中图分类号:P714. 5 文献标志码:A 文章编号:1007-9580-(2024)03-0089-009

地球上海洋与大陆面积之比大约 7 ∶3。 海洋

中蕴藏着大量的生物及矿产资源,但到目前为止

人类只对大约 5%海洋进行过探索,所以,对海洋

资源进行合理有效的开发与利用将对人类社会的

可持续发展起到不可缺少的推动作用。 涂雪滢

等[1]针对大菱鲆鱼苗个体小,透明度高以及体型

不规则等问题,通过使用 ResNet34 模型实现了对

大菱鲆鱼苗的精准计数。 张德春等[2] 通过双注

意力机制( Convolutional Block Attention Module,

CBAM)和 BiFPN 方法改进 YOLOv5,提高了对小

目标渔船的检测效果。 杨琛等[3] 设计并制作了

南极磷虾生态模拟暂养系统满足了南极磷虾在南

极科考研究使用需求。

海产生物目标检测是一项关键的计算机技

术,它在海洋领域发挥着重要作用。 在水产养殖

业,目标检测可以帮助养殖户及时发现海产生物

的病害和异常情况,从而保证海产品的质量;在濒

危生物保护业,它可以通过对特定物种进行检测

来辅助科学家们制定濒危海洋生物保护策略;在

海洋环境检测业,它通过检测污染源与污染物扩

散情况来有效避免污染物进一步污染环境。 另

外,这项技术还可以应用在渔业捕捞和海洋科考

等领域。 总而言之。 海产生物目标检测具有重要

的应用研究价值。

海上航行的船只多采用水下机器人来进行相

关的海上作业活动[4-5]

,然而,由于船只面临计算

能力和通信带宽等限制,所以,海产生物目标检测

对模型轻量化有较高的要求,这促进了目标检测

轻量化方法的理论研究的进步,因此,海产生物目

标检测具有重要的理论研究价值。

YOLO 模型作为深度学习[6-7] 中单阶段的目

标检测方法,由于其高效快捷的特性,在海洋生物

目标检测领域得到了广泛应用[8-11]

。

在模型精度改进方面,Ye 等[12] 使用高分辨

率特征层(P2),TA 模块和自主设计的联合注意

力机制等提高了海洋红外数据集目标检测的识别

率;Wang

[13]提出了一种基于 YOLO 的近海无人

机数据目标检测模型(YOLO-D),通过建立密集

连接和增加双注意力机制(CBAM)来增强特征和

全局信息的使用,改进残差模块,在权重系数中加

渔 业 现 代 化 2024 年

入 YOLO-D 模型的损失函数,将特征金字塔网络

(FPN)替换为二次递归特征金字塔网络,使得改

进后的网络在海上无人机数据中目标检测数据集

中的检测精度最高。

在模型轻量化改进方面,Dou 等[14] 提出一种

基于改进 YOLOv5-SAR(Synthetic Aperture Radar,

SAR)图像的海面小目标算法,通过自适应算法收

敛速度和提高模型锚框检测效果,增加残差网络

以阻止深度神经网络传播的梯度消失和过度拟合

等方法,降低了对应数据集的漏检率,减轻了模型

的复杂度;Yang 等[15] 采用一种基于注意力机制

的改进的 ShuffleNetv2 作为骨干网络来提取特征,

引入深度可分离卷积模块重建颈部网络等方法优

化特征提取网络,使得网络的参数量大大降低;

Zheng 等[16]利用 t-SNE 算法对数据集标签信息进

行缩减和可视化,对处理后的特征进行低维数据

的加权分析;使用映射核 K-mean(K 均值算法)聚

类算法自适应选择更合适的锚箱,并考虑大、小舰

船目标的检测性能。 利用剪枝对 YOLOv5 网络进

行压缩,从而在不降低检测性能的情况下对模型

进行缩减;使得优化后的 YOLOv5 框架在自建数

据集上提升了检测精度,在低算力机器上也表现

出不错的性能。

本研究以部分海产棘皮类动物(海星、海胆、

海参)和海产软体类动物(扇贝)为检测目标展开

轻量化改进,采用轻量化卷积模块 Gsconv

[17]和模

型剪枝蒸馏改进 YOLOv5n 网络,在保持模型性能

的同时保证了轻量化处理的有效性,为水下机器

人海产生物识别模型的轻量化处理提供了一种

方法。

1 YOLOv5 算法原理

YOLOv5 作为常用的单阶段目标检测算法,

其包 括 特 征 提 取 主 干 ( Backone )、 颈 部 网 络

(Neck)和输出层(Head)3 个部分。 在这其中,特

征提取主干的职责是将各种图像的细粒度进行聚

合,从而形成图像的特征,而颈部网络则负责将这

些特征进行混合和整合,图像的特征被传送到输

出层,而输出层的职责是预测图像的特征、创建边

界框并进行类别预测。 常见的 YOLOv5 模型版本

包括 YOLOv5s、 YOLOv5n、 YOLOv5m、 YOLOv5l。

YOLOv5n 网络结构图[18]如图 1 所示。

#BDLCPOF /FDL )FBE

$POWE

$ )FBE

$ $

$

$POW

$POW

$POW

411'

$

$POW

$POW

$POW

$POW

$POW

$

$

$

6QTBNQMF $PODBU

$POW $PODBU

$PODBU

$PODBU

$PODBU

$POWE

$POWE

$POWE

$POWE

$PODBU $ )FBE

.BYQPPME .BYQPPME .BYQPPME

$PODBU

$POW

411'

$

)FBE

)FBE

6QTBNQMF

图 1 YOLOv5n 网络结构

Fig. 1 YOLOv5n network structure

90

第 3 期 张翔等:基于改进 YOLOv5n 的轻量化海产生物目标检测

2 改进 YOLOv5n 海产生物检测算法

2. 1 改进 YOLOv5n 算法概述

所提出的改进 YOLOv5n 算法主要包括:1)采

用高性能卷积模块 Gsconv 替换原有颈部网络的

标准卷积,在不失精度的前提下减少模型计算量

和参数量;2)引入 L1-norm 正则化剪枝策略[19]

,

进一步压缩模型的计算量与参数量;3) 引入 L2

知识蒸馏[20]方法,使模型的精度有效回调至接近

原有模型的水平;4)采用 α- giou 损失函数[21]

,加

快模型收敛的速度以及提高回归的精度。 改进后

的模 型 参 数 量 与 计 算 量 均 低 于 YOLOv5n 与

YOLOv8n,在保持模型性能的同时保证了轻量化

处理的有效性,为水下机器人海产生物识别模型

的轻量化处理提供了一种方法。 所提方法网络结

构如图 2 所示。

$POW

411'

$POWE

$PODBU

.BYQPPME .BYQPPME .BYQPPME

#/ 4*-6

$POW

$POW

$

$

$ $ $

$

$

$

411'

#BDLCPOF /FDL )FBE

$POW $PODBU

6QTBNQMF

6QTBNQMF

(TDPOW

(TDPOW

(TDPOW

(TDPOW

$PODBU

$POW $PODBU

$POW $PODBU

$POWE

$POWE

$POWE

$POWE

$PODBU

$PODBU

)FBE

)FBE

)FBE

图 2 改进 YOLOv5n 网络结构

Fig. 2 Improved YOLOv5n network structure

2. 2 颈部网络改进

在 YOLOv5n 颈 部 网 络 ( Neck ) 部 分 引 入

Gsconv 模块,将输入通道数的一半保持原有的标

准卷积(Conv)不变,其余的通道数采用深度可分

离卷积(DWConv),并在之后进行连接与随机打

乱等操作。 深度可分离卷积较传统卷积仅需选择

特征输入通道数的一半即可实现检测。 Gsconv

结构图如图 3 所示,改进后的 YOLOv5n 颈部网络

的结构图如图 4 所示。

2. 3 模型剪枝

在改进 YOLOv5n 颈部网络后,引入 L1-norm

正则化剪枝,该剪枝类型属于通道剪枝中的结构

化剪枝,原理为根据 L1-norm 无数据卷积核选择

准则,将需要剪枝的权重绝对值之和最小的卷积

核及对应的特征图剪掉,同时剪掉对应下一层的

与剪掉的特征图相关的卷积核。 通道剪枝示意图

如图 5 所示。

91

渔 业 现 代 化 2024 年

D DIBOOFMT



D DIBOOFMT



D DIBOOFMT

PVUQVU

4IVGGMF $PODBU EXDPOW *OQVU $POW

D DIBOOFMT

图 3 Gsconv 模块结构

Fig. 3 Gsconv module structure

$PODBU $PODBU

$PODBU

6QTBNQMF 6QTBNQMF

6QTBNQMF

$POW

$POW

$POW

$

$

$ $ $

$

$ $

$PODBU $PODBU

$PODBU $PODBU

$PODBU (TDPOW

(TDPOW

(TDPOW

$POW (TDPOW

6QTBNQMF

/FDL /FDL

图 4 融合 Gsconv 的 YOLOv5n 颈部网络结构

Fig. 4 Fused Gsconv YOLOv5n neck network structure

 

J #/ K J #/ K

$J $J

$J

$J

 







 



$J

$J

$JO $JO

$KO $KO

$K

$K

图 5 通道剪枝示意图

Fig. 5 Channel pruning diagram

92

第 3 期 张翔等:基于改进 YOLOv5n 的轻量化海产生物目标检测

L1-norm 直接计算各滤波器的 L1 范数,根据

范数大小来决定裁剪哪个滤波器,图 6 中卷积核

1 的第二个滤波器 L1 范数最小,所以裁剪第二个

滤波器,同理裁剪卷积核 k 的第一个滤波器。 剪

枝后的模型难以避免地出现了精度上的丢失,因

此需要对剪枝后的模型进行微调让模型适应新的

网络结构,训练轮次为 200 轮,加载剪枝后的权重

文件进行微调重新训练(注:将经 Gsconv 和剪枝

训练完成后的模型命名为 YOLOv5n-prune)。

 L

 

  

 

 



 

 



 

 



 

  

 

  

 

 



 

 



图 6 L1-norm 权重系数选择

Fig. 6 L1-norm weight coefficient selection

2. 4 知识蒸馏

为提升剪枝后模型的精度,引入 L2 知识蒸馏

(教师-学生模型) 方法,知识蒸馏的原理如图 7

所示。













 fl









  

  

 







图 7 知识蒸馏原理图

Fig. 7 Schematic diagram of knowledge distillation

知识蒸馏主要分为学生模型和教师模型,学

生模型学习教师模型中的知识和行为。 将水下机

器 人 编 程 竞 赛 URPC ( Underwater Robotic

Programming Contest) 数据集作为知识蒸馏的输

入,将 YOLOv5s 网络作为教师模型,经微调后的

剪枝网络模型 YOLOv5n-prune 作为学生模型。

该方法使得学生模型学习教师模型的特征信息和

细节信息,以提升对部分识别效果不好的目标检

测能力,从而使检测精度恢复到剪枝之前的效果。

qi

=

exp( Zi

/ T)

∑j

exp( Zj

/ T)

(1)

在公式(1)

[22]中,qi 表示目标类别的概率,Zi

是经 Softmax 函数处理之后的线性输出,T 为预设

的温度参数。

2. 5 损失函数改进

采用 α- giou 对定位损失进行优化,计算定位

损失的公式如公式(2)所示。

Lα-giou

= 1 - IOU

α +

C - (B ∪ B

gt

)

C

( )

α

(2)

式中:IOU 代表预测框和真实框的交集除以二者

的并集;C 是两个框的最小外接矩形的面积;B∪

B

gt 为预测框核真实框的并集;α 是一个可调节的

参数,通过调节 α,使得模型在同水平的 bbox 回

归精度方面具有更大的灵活性。

2. 6 试验环境和参数设置

所用计算机配置为 Windows11 操作系统、

Intel Core I7 - 13700F CPU、 Nvidia Geforce RTX

4070ti GPU、 32GB 内 存, 所 用 仿 真 环 境 为

pytorch2. 1. 0、Cuda12. 2、Cudnn8. 9、python3. 8,训

练配置如表 1 所示。

表 1 模型训练配置

Tab. 1 Model training configuration

参数名称 参数值

批处理大小 32

优化器 SGD

初始学习率 0. 01

权重衰减系数 0. 000 5

动量 0. 937

IOU 阈值 0. 5

训练轮次 150

批处理大小是指单次训练迭代中使用的样本

数量;优化器选用 SGD 优化算法;初始学习率是

优化器开始时的学习率;权重衰减系数用于防止

模型过拟合的正则化参数;动量用于模型更快地

收敛;IOU 阈值为目标检测模型中的评价指标,表

示预测边界框与真实边界框间的重叠程度;训练

轮次是指整个训练过程的重复次数。

93

渔 业 现 代 化 2024 年

3 试验结果

3. 1 试验数据集

采用 URPC 数据集,该数据集内的数据均是

通过水下机器人拍摄,共有四个类别,分别是海

星、海参、海胆、扇贝。 同时提供了图像的标注数

据,共计得到 5 591 张图片,图片大小为 1 920 ×

1 080,将数据集按照 9 ∶1 的比例对其进行划分,

最终得到 4 982 张用于训练的图片以及 609 张用

于验证的图片。

3. 2 评估指标

为综合评估轻量化处理对模型性能的影响,

选取 3 个模型识别性能指标、2 个计算性能指标

以及模型每秒传输帧数(FPS)来综合评估改进后

的模型的效果,其中,模型性能指标包括 IOU 阈

值为 0. 5 的平均精度 均 值 map ( mean average

precision)、精确率(P)、召回率(R);2 个计算性

能指 标 包 括 参 数 量 ( Parameters )、 计 算 量

(GFLOPs)。 具体名称和含义如表 2 所示。

表 2 评价指标释义

Tab. 2 Evaluation index interpretation

参数名称 参数值

AP0. 5 网络在 IOU 为 0. 5 条件下的精度值

Parameters 模型所包含的参数的数量

GFLOPs 模型每秒的浮点数计算量

FPS 模型每秒传输帧数

Precision(P) 模型识别正类中实际为正类的比例

Recall(R) 模型识别正类中占实际正类样本的比例

3. 3 改进模型对比试验

为了证明研究提出的模型轻量化处理的有效

性,将本研究改进的模型与当前主流的轻量化处

理模型和当前主流的目标检测算法进行比较,其

中,主流的轻量化处理模型选取了以 Pplcnet

[23]

、

Efficientnet _ b0

[24]

、 Mobilenetv3

[25]

、 Ghostnet

[26]

、

Shufflenet

[27]改进 YOLOv5n 骨干网络模型;主流

的目标检测算法选取了 SSD

[28]

、Faster_rcnn

[29]

、

YOLOv3 _ tiny

[30]

、 YOLOv5n, 试 验 结 果 如 表 3

所示。

表 3 改进模型对比试验

Tab. 3 Improved model comparison experiment

检测算法 Parameters/ M GFLOPs/ G FPS map@ . 5 / % P R

Pplcnet 0. 2×10

6

0. 6 101 69. 3 0. 719 0. 662

Efficientnet_b0 1. 4×10

6

1. 8 59 74. 1 0. 815 0. 678

Mobilenetv3 0. 8×10

6

1. 3 39 70. 4 0. 755 0. 652

Ghostnet 2. 4×10

6

3. 4 34 76. 3 0. 778 0. 729

Shufflenet 0. 2×10

6

0. 5 104 62. 4 0. 660 0. 598

SSD 26. 2×10

6

62. 7 155 65. 5 0. 861 0. 435

Faster-rcnn 137. 1×10

6

370. 2 26 77. 4 0. 535 0. 840

YOLOv3-tiny 61. 7×10

6

66. 2 67 72. 8 0. 856 0. 548

YOLOv5n(baseline) 1. 7×10

6

4. 2 142 82. 7 0. 844 0. 766

Ours 0. 8×10

6

2. 0 147 82. 3 0. 843 0. 739

3. 4 改进模型消融试验

3. 4. 1 α 超参数试验

研究使用 ɑ- giou 来改进损失函数,α 是一个

可调节的参数,为测试当 α 取何值时模型性能达

到最优,研究对不同的 α 取值进行试验,当 α 取

值为 1、2、3、4 时,模型的检测精度分别为 83. 3%、

84. 7%、84. 4%、82. 9%。 所以当 α 取值为 2 时,

模型性能达到最优,α 超过 2 时,map 逐渐下降,

因此,设置 α 参数为 2,使模型达到最优性能。

3. 4. 2 改进模型消融试验

为了验证研究提出的改进模型在海产生物目

标检测任务中的轻量化效果,研究设计的消融试

验如表 4 所示。

表 4 改进模型消融试验设计

Tab. 4 Improved model ablation experiment design

模型 Gsconv α- giou L1 剪枝 L2 蒸馏

① × × × ×

② √ × × ×

③ × √ × ×

④ × × √ ×

⑤ √ √ × ×

⑥ √ √ √ ×

⑦ √ √ √ √

94

第 3 期 张翔等:基于改进 YOLOv5n 的轻量化海产生物目标检测

将 YOLOv5n 设置为基线模型( baseline),试验均

在同样的环境、参数设置、数据集下进行,试验结

果如表 5 所示。 最终的检测对比效果图如图 8

所示。

表 5 改进模型消融试验

Tab. 5 Improved model ablation experiment

模型

Parameters

/ M

GFLOPs

/ G

FPS

map

@ . 5%

P R

① 1. 76×10

6

4. 1 141 82. 7 0. 844 0. 766

② 1. 69×10

6

4. 1 133 84. 2 0. 832 0. 778

③ 1. 76×10

6

4. 1 135 84. 2 0. 889 0. 842

④ 0. 85×10

6

2. 1 135 82. 8 0. 811 0. 764

⑤ 1. 69×10

6

4. 1 131 83. 6 0. 894 0. 836

⑥ 0. 82×10

6

2. 0 153 82. 1 0. 818 0. 753

⑦ 0. 8×10

6

2. 0 147 82. 3 0. 843 0. 739

图 8 检测效果

Fig. 8 Detection effect

左侧两张为原 Yolov5n 的检测效果图,右侧

两张为改进后的检测效果图,由图可知,各个目标

的检测精度相当,且有一些目标的检测有少许的

精度提升。

4 试验分析

4. 1 对比试验分析

表 3 表明,改进模型在减少计算量和参数量

方面表现突出,这主要得益于 Gsconv 模块和 L1-

norm 剪枝方法的引入。 Gsconv 模块通过使用深

度可分离卷积,只需一半的特征输入通道数,显著

降低了模型结构的复杂度和运算成本。 而 L1-

norm 剪枝方法则是通过剔除权重评分较低的通

道及其相关卷积核,进一步减少了模型的参数量,

并优化了特征提取过程。

此外,改进模型在保持较高精度的同时,还引

入了 L2 知识蒸馏方法,使模型能够学习到大型模

型的知识,从而弥补了由于剪枝操作可能带来的

精度 损 失。 尽 管 在 平 均 检 测 精 度 上 略 逊 于

YOLOv5n 基线模型,但这一差距并不明显。

在检测速度方面,改进模型同样展现出了优

秀的性能,这要归功于 α- giou 损失函数的应用。

该损失函数能更准确地评估目标框和真实框之间

的相似度,提高了目标检测的鲁棒性和适应性,从

而加速了检测过程。 尽管如此,检测速度仍稍逊

于 SSD 检测模型。

在精准率和召回率方面,改进模型的表现略

有差异。 精 准 率 略 低 于 SSD、 YOLOv3 _ tiny 和

YOLOv5n 基线模型,而召回率则次优于 Faster _

rcnn 和 YOLOv5n 基线模型。

综上所述,改进模型在减少计算量和参数量

方面取得了显著成效,充分证明了所提出方法的

有效性和优越性。 然而,仍存在精度、精准率和召

回率方面的提升空间,需要进一步研究和优化以

实现更全面的性能提升。

4. 2 消融试验分析

表 4、表 5 表明,对比模型①与②,改进模型

②的参数量下降了 3%,精度提高了 1. 7%,这是

因为经 YOLOv5n 的骨干部分提取数据的特征信

息后,Gsconv 采用的 DW 卷积能够在最大限度地

保留了原始特征信息的同时降低了计算量和参数

量, 提升了精度。 对比模型①与③,改进模型③

的精度提高了 1. 7%,这是因为 giou 引入的最小

闭合矩形能够使损失函数更加稳定,在此基础上

添加一个可调节参数 α 可以增加预测框的精度;

对比模型①与④,改进模型④的参数量下降了

51%,计算量降低了 48%,精度保持不变,这是因

为 L1-norm 正则化剪枝[19] 方法能够根据相关步

骤计算出每个通道及相关卷积核的权重系数并排

序,且以此为基准,裁剪不必要的通道以及相关卷

积核;对比模型⑥与⑦,改进模型⑦的参数量与计

算量保持不变,精度提高了 0. 2%,这是因为经

L1-norm 剪枝方法处理之后的模型精度出现了难

以避免的下滑,因此,通过对教师模型 YOLOv5s

的学习,尽可能地将改进之后的模型回调到与

baseline 接近的水平。 模型⑦为最终的网络结构,

95

渔 业 现 代 化 2024 年

相比于基线模型 YOLOv5n,模型的参数量下降了

51%,计算量下降了 48%,代价仅为精度减少了

0. 4%,而精确率与召回率也排在消融改进模型的

前列。 消融试验结果表明,本研究为海产生物目

标检测的轻量化处理提供了理论支持。

5 结论

提出了一种改进 YOLOv5n 的轻量化海产生

物目标检测模型。 模型使用高效的轻量化卷积模

块 Gsconv 改进 YOLOv5n 中的部分标准卷积模

块,对模型主体进行缩减;改进损失函数,引入 αgiou 损失函数以提升预测框回归精度;采用 L1-

norm 正则化剪枝,裁剪不必要的通道以及相关的

卷积核;最后利用 L2 知识蒸馏,将模型精度调整

到接近剪枝前的水平。 试验结果表明,与传统的

轻量化主干网络相比,改进后的模型表现出优异

的精度性能,检测精度提升了 11%;与常用的单

阶段,双阶段算法相比,改进后的模型在大幅降低

了计算量和参数量,其中,参数量降低到 0. 8×10

6

M,计算量降低到 2 GFLOPs。 改进后的模型为水

下机器人海产生物识别模型的轻量化处理提供了

一种方法,为在渔船上的低算力机器部署轻量化

模型提供了一种可能。 未来将进一步分析输入数

据的特征和观察网络结构,使模型在进一步轻量

化的同时,提高目标检测精度。 □

参考文献

[1] 涂雪滢,钱程,刘世晶,等. 基于 ResNet34 模型的大菱鲆鱼苗

识别计数方法[J]. 渔业现代化,2024,51(1):90-97.

[2] 张德春,李海涛,李勋,等. 基于 CBAM 和 BiFPN 改进 YoloV5

的渔船目标检测[J]. 渔业现代化,2022,49(3):71-80.

[3] 杨琛,周培,袁军亭,等. 南极磷虾生态模拟暂养系统的设计

与应用[J]. 渔业现代化,2019,46(6):48-53.

[4] 闫勋,廖宇辰,贾晋军,等. 面向海洋勘测的多水下机器人编

队跟踪控制研究[J]. 舰船科学技术,2024,46(1):102-108.

[5] 丛明,刘毅,李泳耀,等. 水下捕捞机器人的研究现状与发展

[J]. 船舶工程,2016,38(6):55-60.

[6] 裴旭,基于深度学习的海上目标跟踪与预警系统设计与实现

[J]. 无线互联科技,2023,20(24):68-70,74.

[7] 陈谦. 基于深度学习的水下目标检测方法研究[D]. 北京:北

京石油化工学院,2023.

[8] 周华平,汪佳伟. 基于轻量化网络的海底垃圾检测算法 SLDNet[J]. 黄石:湖北理工学院学报,2024,40(1):41-46.

[9] 郭平秀. 基于深度学习的海洋生物图像检测研究[D]. 兰州:

兰州交通大学,2023.

[10]高梦菲. 基于深度学习的浅海生物多目标检测与跟踪[D].

大连:大连交通大学,2023.

[11]张晓鹏. 基于深度学习的海上船舶识别研究[D]. 辽宁:大连

海洋大学,2023.

[12]YE J,YUAN Z,QIAN C, et al. Caa- yolo:Combined- attentionaugmented yolo for infrared ocean ships detection[ J]. Sensors,

2022,22(10):3782.

[13]WANG Z,ZHANG X,LI J,et al. A YOLO-based target detection

model for offshore unmanned aerial vehicle data [ J ].

Sustainability,2021,13(23):12980.

[14] DOU Q,YAN M. Ocean small target detection in SAR image

based on YOLO- v5 [ J ]. International Core Journal of

Engineering,2021,7:167-173.

[15]YANG Z,LI Y,WANG B,et al. A lightweight sea surface object

detection network for unmanned surface vehicles[ J]. Journal of

Marine Science and Engineering,2022,10(7):965.

[16]ZHENG J C,SUN S D,ZHAO S J. Fast ship detection based on

lightweight YOLOv5 network[ J]. IET Image Processing,2022,

16(6):1585-1593.

[17]LI H,LI J,WEI H,et al. Slim-neck by GSConv:A better design

paradigm of detector architectures for autonomous vehicles. [EB/

OL]. ( 2022-06-06 ) [ 2024-04-23 ]. https: / / arxiv. org / abs/

2206. 02424. pdf.

[18]陈禹,吴雪梅,张珍,等. 基于改进 YOLOv5s 的自然环境下茶

叶病 害 识 别 方 法 [ J ]. 农 业 工 程 学 报, 2023, 39 ( 24 ):

185-194.

[19] LI,HAO,ASIM KADAV,IGOR DURDANOVIC,et al. Pruning

filters for efficient convnets[EB/ OL]. (2016-08-31)[2024-04-

23]. https: / / arxiv. org / abs/ 1608. 08710. pdf.

[20]YUAN,LI,FRANCIS E. et al. Revisit Knowledge Distillation:a

Teacher-free Framework. [ EB/ OL]. ( 2019-09-25) [ 2024-04-

23]. https: / / arxiv. org / abs/ 1909. 11723.

[21]HE J,ERFANI S,MA X,et al. Alpha-IoU:A family of power

intersection over union losses for bounding box regression[ J].

Advances in Neural Information Processing Systems,2021,34:

20230-20242.

[22]ZHENG Z,WANG P,REN D,et al. Enhancing geometric factors

in model learning and inference for object detection and instance

segmentation[ J]. IEEE transactions on cybernetics, 2021, 52

(8):8574-8586.

[23] CUI C,GAO T, WEI S, et al. PP-LCNet:A lightweight CPU

convolutional neural network [EB/ OL]. ( 2021-09-17) [ 2024-

04-23]. https: / / arxiv. org / abs/ 2109. 15099. pdf.

[ 24 ] TAN M, LE Q. Efficientnet: Rethinking model scaling for

convolutional neural networks[ C] / / International conference on

machine learning. PMLR,2019:6105-6114.

[25 ] HOWARD A, SANDLER M, CHU G, et al. Searching for

mobilenetv3[ C] / / Proceedings of the IEEE/ CVF international

conference on computer vision, Seoul, Korea ( South): IEEE,

2019:1314-1324.

96

第 3 期 张翔等:基于改进 YOLOv5n 的轻量化海产生物目标检测

[26]HAN K,WANG Y,TIAN Q,et al. Ghostnet:More features from

cheap operations [ C ] / / Proceedings of the IEEE/ CVF

conference on computer vision and pattern recognition. Seattle,

WA,USA:IEEE,2020:1580-1589.

[ 27] ZHANG X, ZHOU X, LIN M, et al. Shufflenet:An extremely

efficient convolutional neural network for mobile devices[ C] / /

Proceedings of the IEEE conference on computer vision and

pattern recognition. UT,USA:IEEE,2018:6848-6856.

[28 ] LIU W, ANGUELOV D, ERHAN D, et al. Ssd: Single shot

multibox detector [ C ] / / Computer Vision-ECCV 2016: 14th

European Conference,Amsterdam,The Netherlands,October 11-

14, 2016, Proceedings, Part I 14. Springer International

Publishing,Cham:Springer,2016:21-37.

[ 29]REN S,HE K,GIRSHICK R,et al. Faster R-CNN:Towards realtime object detection with region proposal networks [ J]. IEEE

transactions on pattern analysis and machine intelligence,2016,

39(6):1137-1149.

[ 30 ] REDMON J, FARHADI A. YOLOv3: an incremental

improvement [ EB/ OL ]. ( 2018-04-08 ) [ 2024-04-23 ].

https: / / arxiv. org / abs/ 1804. 02767. pdf.

Lightweight marine organism target detection

based on improved YOLOv5

ZHANG Xiang,ZHANG Junhu,LI Haitao,LI Hui

(College of Information Science and Technology,Qingdao University of

Science and Technology,Qingdao 266061,Shangdong,China)

Abstract: In marine biology research and fishing industries, ships using underwater robots to capture and

identify marine organisms may face limited communication bandwidth and computing resources, making

lightweight network models better suited for such conditions. To address this issue, a modified YOLOv5n

model for marine organism detection was proposed, incorporating improvements in the neck network, model

pruning, and knowledge distillation techniques. The model size was effectively reduced by leveraging the

Gsconv lightweight convolution module to replace standard convolutions in the YOLOv5n Neck section. A

novel α- giou loss function was adopted to enhance bounding box regression accuracy. Based on weight

coefficients, L1-norm regularization pruning was applied to eliminate unnecessary channels and associated

convolutional kernels. Finally, retraining and L2 knowledge distillation were employed to fine-tune the model

accuracy close to pre-pruning levels. Experimental results demonstrated a 53% reduction in computational

load and a 51% decrease in parameters compared to the original YOLOv5n baseline network. The proposed

algorithm ensures the effectiveness

Key words:marine biological target detection; YOLOv5n; gsconv; model pruning; knowledge distillation

97

第 51 卷第 3 期 渔 业 现 代 化 Vol. 51 No. 3

2024 年 6 月 FISHERY MODERNIZATION Jun. 2024

DOI:10. 3969 / j. issn. 1007-9580. 2024. 03. 011 开放科学(资源服务)标识码(OSID):

王杰群,李明智,刘鹰,等. 淹没水射流式贝肉清洗装置设计与试验[J]. 渔业现代化,2024,51(3):98-112.

收稿日期:2024-02-02

基金项目:国家重点研发计划( 2020YFD0900700);国家贝类产业技术体系设施养殖岗位( CARS-48);辽宁省教育厅科学研究项目

(DL202004);辽宁省自然科学基金计划项目(2023-BSBA-020)

作者简介:王杰群(1999—),男,硕士研究生,研究方向:渔业装备与工程、船舶工程。 E-mail:jqq2467@ 163. com

通信作者:李明智(1984—),男,博士,副教授,研究方向:渔业装备与工程、船舶机电一体化。 E-mail:limingzhi@ dlou. edu. cn

淹没水射流式贝肉清洗装置设计与试验

王杰群1

,李明智1,2

,刘 鹰2,3

,刘永睿4

,卢宏博2

(1 大连海洋大学航海与船舶工程学院,辽宁 大连 116023;

2 大连海洋大学辽宁省水产设施养殖与装备技术工程研究中心,辽宁 大连 116023;

3 浙江大学生物系统工程与食品科学学院,浙江 杭州 310058;

4 辽宁省科学技术馆,辽宁 沈阳 110000)

摘要:随着贝类预制菜产业的发展,基于贝肉的精加工预制食品逐渐在市场上推广,虽然市场上清洗装置品

类较多,但是尚未有适合各类贝肉产品清洗的装备,存在清洗效率低、洗净率差和易破损等问题。 本研究基

于淹没水射流机理,设计了以淹没水射流为清洗动力的贝肉清洗装置,并对清洗装置进行 Fluent-EDEM 耦

合数值模拟,确定清洗装置的关键结构参数范围。 通过 2 个阶段试验论证了该清洗装置的合理性,第 1 阶段

通过清洗正交试验得出,当射流口直径为 10 mm,清洗量为 14 kg,清洗时间为 6 min,淹没水射流式清洗效果

最佳;第 2 阶段进行了生产性对比试验,并以洗净率和破损率作为评价指标,对比 3 种清洗装置洗净率。 结

果显示:以扇贝裙边为清洗对象时,淹没水射流式清洗装置的平均洗净率为 97. 77%,且无破损现象,较螺旋

桨式清洗装置洗净率提高了 14. 4%,较超声波式清洗装置洗净率提高了 7. 3%;以鸟蛤肉为清洗对象时,淹

没水射流式清洗装置的平均洗净率为 98. 23%,较螺旋桨式清洗装置的洗净率提高了 12. 49%,较超声波式清

洗装置洗净率提高了 6. 7%,且无破损情况。 研究表明,淹没水射流式装置具有较好的清洗效果,具备产业

化推广价值。

关键词:贝肉清洗;淹没水射流;水产品加工;Fluent-EDEM;流固耦合

中图分类号:TS254; S226. 5 文献标志码:A 文章编号:1007-9580-(2024)03-0098-015

随着贝类预制菜产业的发展,基于贝肉的精

加工预制食品逐渐在市场上推广[1]

。 但拖网捕

捞过程会造成贝类呛泥沙,以及剥壳过程中碎贝

壳混入贝肉等问题,若处理不当极易影响贝肉的

口感,降低贝肉预制菜食品的质量[2]

。 由于贝类

品种不同,肉质也存在较大差异,目前市场上清洗

装置品类较多,但尚未有适合各类贝肉产品清洗

的装备,故清洗效率低、洗净率差和易破损等问题

仍较为严重。 因此,研发一种满足各类贝肉清洗

需求的装置已成为该产业发展的迫切需求。

目前用于贝类清洗加工的设备主要有超声波

清洗、多元复合清洗、水射流清洗等[3-4]

。 超声波

清洗主要是利用其空化作用实现的,当超声波在

液体介质中传播时,将存在于液体中的微小气泡

激活,表现为泡核的形成、振荡、生长、收缩乃至崩

溃等一系列动力学过程,在空穴崩溃过程中,周围

产生高温、高压及射流现象,引发底物发生一系列

物化效应,达到清洗的目的[5]

。 张敬峰等[6] 探讨

了超声波频率、处理时间、超声方式对牡蛎清洗效

果的影响,证实了超声波对牡蛎清洗良好的效果,

以及对牡蛎的存活率影响。 Rais 等[7] 评估了超

声波作为清洗鸟蛤壳去污技术的效果,试验表明

脉冲模式在相同实际清洗功率下的有效性与时间

有关,且证明了超声波清洗可以有效清洗鸟蛤壳

污垢。 同时国内学者还针对不同贝类所需清洗程

度的差异性,创新研发了多元复合清洗工艺模