基于BP-MOWOA算法的螺旋骨架支撑型深冷管道多目标优化设计

本文针对深冷环境下螺旋骨架支撑型柔性管道（hc-FCP）因多层非粘合螺旋结构导致的力学性能优化难题，提出结合反向传播神经网络（BP）与多目标鲸鱼优化算法（MOWOA）的BP-MOWOA混合智能优化方法。通过建立高精度有限元模型生成数据集，训练BP神经网络预测管道轴向拉伸/弯曲刚度，进而优化增强层缠绕角度等参数，最终实现轴向拉伸刚度提升24.35%、弯曲刚度降低2.99%、材料消耗减少1.84%的多目标协同优化，为复杂海洋环境下LNG输送系统提供高性能低成本解决方案。

　　

在深海天然气开发的热潮中，液化天然气（LNG）输送系统如同海洋能源动脉的"柔性关节"，其核心组件——螺旋骨架支撑型深冷管道（hc-FCP）的性能直接关乎能源输送的安全与效率。这种由不锈钢骨架与高分子材料层构成的"千层饼"结构，虽能耐受-196℃的极寒环境，却因复杂的螺旋缠绕和非粘合层间作用，陷入力学性能优化的困境：工程师们既希望它像钢筋般抵抗拉伸，又需要它如橡皮筋般灵活弯曲，还得控制材料成本不超标。传统设计方法面对这种"既要又要还要"的多目标需求时，往往捉襟见肘。

大连理工大学的研究团队在《Marine Structures》发表的这项研究，开创性地将人工智能与仿生算法"联姻"。他们先通过高精度有限元模型（FEM）构建数字孪生体，再训练BP神经网络快速预测管道性能，最后用模拟鲸群捕食行为的MOWOA算法在参数海洋中"猎取"最优解。这种BP-MOWOA混合策略，相当于给管道设计装上了"智能导航系统"，成功找到了缠绕角度等关键参数的黄金组合。

关键技术包括：1）建立经实验验证的hc-FCP有限元模型；2）基于300组模拟数据训练BP神经网络预测力学性能；3）采用改进的MOWOA算法进行三目标（轴向刚度、弯曲刚度、成本）优化；4）通过理想点距离法从Pareto解集中筛选最优方案。

【结构参数】
研究以8英寸口径hc-FCP为对象，其7层结构包含不锈钢支撑层、编织增强层和密封功能层。支撑层采用S31254不锈钢螺旋带，相邻层间呈镜像对称缠绕，形成独特的"波纹管"截面。这种设计使管道在承受20MPa内压时，仍能保持3D弯曲灵活性。

【BP神经网络模型】
针对hc-FCP的强非线性特征，团队构建含双隐层的BP网络，以4个缠绕角度为输入，轴向/弯曲刚度为输出。经贝叶斯正则化训练后，预测误差控制在1.5%以内，计算效率较传统FEM提升400倍，为后续优化提供高效"性能计算器"。

【结果选择】
优化获得的Pareto前沿显示，当增强层缠绕角为35.7°时达成最佳平衡。与初始设计相比：轴向刚度提升至1.24×10⁶ N/m（+24.35%），弯曲刚度降至5.8×10³ N·m²（-2.99%），材料消耗减少1.84%。该方案在MOGA、MOPSO等算法对比中，表现出更优的收敛性和分布均匀性。

研究结论表明：1）BP-MOWOA能有效解决hc-FCP多目标优化中的"维数灾难"问题；2）缠绕角度对轴向刚度影响呈非线性，存在明确最优区间；3）优化后的结构在FLNG（浮式液化天然气装置）动态输运场景中，可同时满足系泊张力抵抗和波浪顺应性需求。这项成果不仅为深冷管道智能设计建立新范式，其"神经网络+生物启发算法"的框架更可推广至其他多层复合结构优化领域。

值得关注的是，团队在讨论中指出当前模型未考虑极端冰载荷的影响，下一步将结合北极LNG项目需求开展低温-冰载耦合研究。正如通讯作者Jun Yan强调："这项技术让柔性管道像智能生物般自主进化，未来甚至能根据海况变化实时调整参数组合。"这种"自适应管道"的构想，或许正是海洋能源装备智能化的重要突破口。