在整个海运的最后环节,即港口内的船舶装卸作业中,港口内系泊船舶的运动影响了码头系统作业效率的提升,同时也存在安全隐患。掌握系泊船舶的运动响应规律,可为港口精细化的管理提供基础,因此,基于波浪要素等数据,进行系泊船舶运动预测分析的研究具有重要的现实意义。本文针对系泊船运动问题的预测方法进行了研究,通过物理模型试验获取系泊船的运动量数据,分析总结了不同周期和波高组合的波浪在不同水深、不同载量、不同浪向的八种工况下对系泊船运动变化的影响规律,基于神经网络方法建立了对系泊油船运动量的预测模型,基于试验数据对预测模型进行优化,并对预测结果进行检验。同时为了使预测模型更易应用,开发了系泊船运动量预测系统。首先,开展了波浪作用下系泊船运动的物理模型试验,分析研究了在不同波高、周期的单向不规则波作用下,系泊油船运动量的变化情况。结果表明,在相同波高的前提下,系泊油船的运动量均随周期增大而增大,并且系泊船会在船舶自振周期附近产生共振运动;在相同周期的前提下,系泊油船的运动量随波高增大而增大。而针对不同试验工况,浪向影响最大,载量影响次之,水位对运动量影响较小。进一步,建立了两种神经网络模型,即单船型和多船型预测神经网络来预测系泊船运动量。两种模型的共性是输入层均包括六个参数:入射波浪波高、周期、船舶吃水、水深、船舶横摇周期和纵摇周期。输出层为系泊船运动量六分量:纵移、横移、升沉、纵摇、横摇、回转。结果表明,对于单船型预测神经网络,由于其预测模型数据集基于单船试验结果本身,其预测准确率较高,预测时间较长。而对于多船型预测神经网络,由于其综合考虑多船的试验数据,其预测范围较大,预测效率较高,但预测准确率相对较低。模型预测结果与试验值对比表明,BP神经网络模型预测结果具有较高的准确性,且具备同时输出多参数的优势。该方法能够综合考虑系泊船非线性系统中不易量化的影响因素,给出相对精确的预测结果。应用该方法拓展进行多船型系泊运动的预测,亦能输出满足预测精度要求的结果。最后,考虑到优化好的模型使用受限于系统环境,数据文件调用不便,为了使模型更易应用,同时使后续试验数据在相同的框架下归纳总结,本文开发了基于神经网络的系泊船运动量预测系统,可以在多种终端使用,同时预留了算法改进和数据更新的接口。本文对应用神经网络预测系泊船运动量进行了尝试,对比物理模型试验数据证明了预测模型的准确性,针对神经网络易发生过拟合和解释性差等问题,提出了解决方案。可应用神经网络对系泊船运动的研究提供借鉴。