Комплексна модель оцінювання ризику втрати навігаційних характеристик судноплавного каналу
##plugins.themes.bootstrap3.article.sidebar##
Опубліковано:
лип 1, 2026
Ключові слова:
експлуатація флоту, морський транспорт, судноплавство, навігаційні характеристики, ризик, керування судном, математичне моделювання, управління операціями судна, системи підтримки прийняття рішень
##plugins.themes.bootstrap3.article.main##
Анотація
Ефективність функціонування судноплавних каналів у дельтових системах значною мірою визначається здатністю підтримувати нормативні навігаційні характеристики в умовах постійного впливу процесів седиментації, гідрометеорологічних факторів та морфодинамічних змін русла. Погіршення навігаційних параметрів призводить до обмеження осадки суден, зниження пропускної спроможності водного шляху та зростання витрат на його утримання. У роботі розроблено комплексну модель оцінювання ризику втрати навігаційних характеристик судноплавного каналу. Запропонована модель базується на інтеграції факторного аналізу, ймовірнісного підходу, нечіткої логіки та динамічного моделювання ризиків. Введено інтегральний індекс ризику, який враховує вплив морфодинамічних, гідрологічних, седиментаційних та експлуатаційних факторів. Розроблено критерій прийняття рішень щодо необхідності проведення днопоглиблювальних робіт на основі допустимого рівня ризику. Отримані результати можуть бути використані під час створення систем підтримки прийняття рішень для управління експлуатаційним станом судноплавних каналів та планування днопоглиблювальних заходів
##plugins.themes.bootstrap3.article.details##
Як цитувати
Науменко, А. (2026). Комплексна модель оцінювання ризику втрати навігаційних характеристик судноплавного каналу. Вісник Одеського національного морського університету, (80), 221-239. https://doi.org/10.47049/2226-1893-2026-2-221-239
Розділ
Забезпечення безпеки мореплавства
Посилання
1. Wang, Z., Mu, D., Zhao, Y., Liang, X., & Fan, Y. (2026). Dynamics aware spatio-temporal path planning for USV in reef–island waters under time-varying environmental disturbances. Ocean Engineering, 362, 126360. https://doi.org/10.1016/j.oceaneng.2026.126360.
2. Zhang, W., Ma, X., & Zhang, Y. (2025). Research on navigation risk assessment index system of intelligent ships. Ocean Engineering, 322, 120435. https://doi.org/10.1016/j.oceaneng.2025.120435.
3. Guan, H., Xu, Y., Li, L., Deng, J., Ma, W., Gong, X., & Zhang, T. (2025). A novel attention mechanism-based multi-branch long short-term memory network model for mental workload recognition of crew in tunnel navigation. Ocean Engineering, 339, 122141. https://doi.org/10.1016/j.oceaneng.2025.122141.
4. Wang, P., Zhou, J., Zheng, K., Jin, X., Chan, N. W., Tan, M. L., Lin, X., Wu, J., Jim, C.Y., Johnson, V.C., & Zhang, F. (2025). Impacts of nearshore photovoltaic installation on mariculture and navigation based on the MIKE21 hydrodynamic model. Journal of Sea Research, 209, 102651. https://doi.org/10.1016/j.seares.2025.102651.
5. Medina, R., Marino-Tapia, I., Osorio, A., Davidson, M., & Martin, F. (2007). Management of dynamic navigational channels using video techniques. Coastal Engineering, 54(6-7), 523-537. https://doi.org/10.1016/j.coastaleng.2007.01.008
6. Liu, X., He, Y., Zhang, K., Mou, J., Zhang, K., & Zhao, X. (2025). Research on the decision-making method for autonomous navigation for the ocean-going ship in the ships’ routeing waters. Ocean Engineering, 323, 120641. https://doi.org/10.1016/j.oceaneng.2025.120641.
7. O'Reilly, G. J., Shahnazaryan, D., Dubini, P., Brunesi, E., Rosti, A., Dacarro, F., Gotti, A., Silvestri, D., Mascetti, S., Ducci, M., Ciucci, M., & Marino, A. (2023). Risk-aware navigation in industrial plants at risk of NaTech accidents. International Journal of Disaster Risk Reduction, 88, 103620. https://doi.org/10.1016/j.ijdrr.2023.103620.
8. Zhang, W., Zhang, Y., & Zhang, C. (2024). Navigation risk assessment of intelligent ships based on DS-Fuzzy weighted distance Bayesian network. Ocean Engineering, 313, 119452. https://doi.org/10.1016/j.oceaneng.2024.119452
9. Chen, X., Zhou, H., Li, M., Grifoll, M., Zhou, Y., Liu, J., & Zheng, P. (2026). Quantifying ship-bridge collision risk through extreme value theory: A new methodological framework. Ocean Engineering, 347, 124023. https://doi.org/10.1016/j.oceaneng.2025.124023.
10. Li, W., Liao, M., & Zou, W. (2025). A progressive segmentation network for navigable areas with semantic–spatial information flow. Expert Systems With Applications, 261, 125465. https://doi.org/10.1016/j.eswa.2024.125465
11. He, Z., Li, S., Wang, S., & Zhuang, Z. (2021). Mining navigable water current information from ship-based big automated identification system data. Ocean Engineering, 242, 110076. https://doi.org/10.1016/j.oceaneng.2021.110076.
12. Zuo, W., Liu, Z., Zhuang, Y., Wan, C., & Shu, Y. (2026). A data-driven approach for determining navigation waters influenced by bridges – A framework and a case study. Ocean Engineering, 352, 124509. https://doi.org/10.1016/j.oceaneng.2026.124509.
13. Huang, C., Wang, S., Zheng, J., Chen, X., & Zhou, J. (2025). Ship formation scheduling optimization for the multi-compound channel with deterministic and uncertain arrivals. Ocean Engineering, 342, 122815. https://doi.org/10.1016/j.oceaneng.2025.122815.
14. Lin, M., Bakhsheshian, J., Strickland, B., Rennert, R.C., Chu, R.M., Chaichana, K.L., & Zada, G. (2019). Exoscopic resection of atrial intraventricular meningiomas using a navigation-assisted channel-based trans-sulcal approach: Case series and literature review. Journal of Clinical Neuroscience, 71, 58-65. https://doi.org/10.1016/j.jocn.2019.10.017.
15. Brenna, A., Bizzi, S., & Surian, N. (2023). How multiple anthropic pressures may lead to unplanned channel patterns: Insights from the evolutionary trajectory of the Po River (Italy). CATENA, 234, 107598. https://doi.org/10.1016/j.catena.2023.107598.
2. Zhang, W., Ma, X., & Zhang, Y. (2025). Research on navigation risk assessment index system of intelligent ships. Ocean Engineering, 322, 120435. https://doi.org/10.1016/j.oceaneng.2025.120435.
3. Guan, H., Xu, Y., Li, L., Deng, J., Ma, W., Gong, X., & Zhang, T. (2025). A novel attention mechanism-based multi-branch long short-term memory network model for mental workload recognition of crew in tunnel navigation. Ocean Engineering, 339, 122141. https://doi.org/10.1016/j.oceaneng.2025.122141.
4. Wang, P., Zhou, J., Zheng, K., Jin, X., Chan, N. W., Tan, M. L., Lin, X., Wu, J., Jim, C.Y., Johnson, V.C., & Zhang, F. (2025). Impacts of nearshore photovoltaic installation on mariculture and navigation based on the MIKE21 hydrodynamic model. Journal of Sea Research, 209, 102651. https://doi.org/10.1016/j.seares.2025.102651.
5. Medina, R., Marino-Tapia, I., Osorio, A., Davidson, M., & Martin, F. (2007). Management of dynamic navigational channels using video techniques. Coastal Engineering, 54(6-7), 523-537. https://doi.org/10.1016/j.coastaleng.2007.01.008
6. Liu, X., He, Y., Zhang, K., Mou, J., Zhang, K., & Zhao, X. (2025). Research on the decision-making method for autonomous navigation for the ocean-going ship in the ships’ routeing waters. Ocean Engineering, 323, 120641. https://doi.org/10.1016/j.oceaneng.2025.120641.
7. O'Reilly, G. J., Shahnazaryan, D., Dubini, P., Brunesi, E., Rosti, A., Dacarro, F., Gotti, A., Silvestri, D., Mascetti, S., Ducci, M., Ciucci, M., & Marino, A. (2023). Risk-aware navigation in industrial plants at risk of NaTech accidents. International Journal of Disaster Risk Reduction, 88, 103620. https://doi.org/10.1016/j.ijdrr.2023.103620.
8. Zhang, W., Zhang, Y., & Zhang, C. (2024). Navigation risk assessment of intelligent ships based on DS-Fuzzy weighted distance Bayesian network. Ocean Engineering, 313, 119452. https://doi.org/10.1016/j.oceaneng.2024.119452
9. Chen, X., Zhou, H., Li, M., Grifoll, M., Zhou, Y., Liu, J., & Zheng, P. (2026). Quantifying ship-bridge collision risk through extreme value theory: A new methodological framework. Ocean Engineering, 347, 124023. https://doi.org/10.1016/j.oceaneng.2025.124023.
10. Li, W., Liao, M., & Zou, W. (2025). A progressive segmentation network for navigable areas with semantic–spatial information flow. Expert Systems With Applications, 261, 125465. https://doi.org/10.1016/j.eswa.2024.125465
11. He, Z., Li, S., Wang, S., & Zhuang, Z. (2021). Mining navigable water current information from ship-based big automated identification system data. Ocean Engineering, 242, 110076. https://doi.org/10.1016/j.oceaneng.2021.110076.
12. Zuo, W., Liu, Z., Zhuang, Y., Wan, C., & Shu, Y. (2026). A data-driven approach for determining navigation waters influenced by bridges – A framework and a case study. Ocean Engineering, 352, 124509. https://doi.org/10.1016/j.oceaneng.2026.124509.
13. Huang, C., Wang, S., Zheng, J., Chen, X., & Zhou, J. (2025). Ship formation scheduling optimization for the multi-compound channel with deterministic and uncertain arrivals. Ocean Engineering, 342, 122815. https://doi.org/10.1016/j.oceaneng.2025.122815.
14. Lin, M., Bakhsheshian, J., Strickland, B., Rennert, R.C., Chu, R.M., Chaichana, K.L., & Zada, G. (2019). Exoscopic resection of atrial intraventricular meningiomas using a navigation-assisted channel-based trans-sulcal approach: Case series and literature review. Journal of Clinical Neuroscience, 71, 58-65. https://doi.org/10.1016/j.jocn.2019.10.017.
15. Brenna, A., Bizzi, S., & Surian, N. (2023). How multiple anthropic pressures may lead to unplanned channel patterns: Insights from the evolutionary trajectory of the Po River (Italy). CATENA, 234, 107598. https://doi.org/10.1016/j.catena.2023.107598.