基于时空尺度模态分解的海上柔性立管连续运动响应预测

为解决海上柔性立管在稀疏传感器数据下连续运动响应重建与预测的难题，研究人员提出了一种融合时空尺度模态分解的VMD-LSTM模型。该研究通过变分模态分解(VMD)和长短期记忆网络(LSTM)的协同作用，实现了时间序列预测(RMSE 0.004 m)和空间重构(误差<0.1 m)，为深海油气生产系统的结构健康监测(SHM)和疲劳寿命评估提供了创新解决方案。

　　

在深海油气开采领域，柔性立管如同连接海底与平台的"生命线"，却在波浪、洋流等多重环境载荷下成为最易受损的环节。传统监测方法依赖有限离散传感器数据，难以捕捉高模态涡激振动(VIV)的复杂响应，而现有重建技术又受限于观测数据不足和物理模型误差。这种矛盾使得立管的结构健康监测(SHM)和疲劳预测长期面临精度不足的困境。

针对这一挑战，天津大学的研究团队在《Ocean Engineering》发表创新研究，提出双尺度模态分解框架。该工作通过分析MIT在墨西哥湾开展的70测点VIV实验数据，将变分模态分解(VMD)与长短期记忆网络(LSTM)深度融合：时间尺度上采用滚动分解策略预测本征模态函数(IMF)演变，空间尺度则引入理论模态形状作为物理约束。关键技术包括：1)自适应确定VMD模态数K的优化方法；2)防止信息泄露的窗口化分解流程；3)融合理论模态的时空耦合重建算法。

Variational mode decomposition (VMD)
建立非递归信号分解模型，将位移信号μ_k(t,x)分解为时变振幅A_k(t)与空间模态φ_k(x)的乘积形式，通过约束变分问题求解IMF分量。

Model construction
构建的时空双分解框架中，时间模态分解采用VMD-LSTM串联结构，空间重建则通过理论模态加权叠加实现。创新性地将立管振动微分方程的解作为VMD的物理约束项，显著提升稀疏测点下的重建稳定性。

Data source
采用MIT的立管模型VIV实验数据，包含70个四象限光纤应变测点的三维运动记录，采样频率覆盖1-20阶模态振动特征。

Summary of findings
1)时间预测：LSTM对IMF分量的动态捕捉达到0.004 m的RMSE精度；
2)滚动分解：窗口化处理使计算量降低37%，且支持在线更新；
3)空间重建：引入Euler-Bernoulli梁理论模态后，最大重构误差控制在0.1 m内。

该研究开创性地实现了"离散→连续"、"历史→未来"的双维度响应重构，其物理约束数据融合策略为海洋工程监测提供了新范式。特别值得注意的是，提出的参数K选择准则平衡了计算效率与精度需求，而时空解耦的分解方式有效规避了传统混合模型的误差累积问题。这些突破不仅适用于立管系统，对悬索桥、海底管道等长柔结构的安全评估同样具有重要参考价值。