基于遗传算法与粒子群优化BP神经网络的小规模溢油扩散面积多环境预测模型研究

为解决小规模溢油事故频发导致的海洋生态威胁，研究人员开展基于遗传算法(GA)图像边缘识别与粒子群优化BP神经网络(PSO-BPNN)的溢油扩散预测研究。通过对比BPNN、GA-BPNN和PSO-BPNN模型性能，发现PSO-BPNN具有最优收敛速度与稳定性（R2=1，MSE 3.58e?9-8.87e?8），为精准部署溢油应急资源提供技术支撑。

　　

随着海上石油运输与开采活动日益频繁，小规模溢油事故对海洋生态环境的累积性危害逐渐凸显。传统监测技术如中分辨率成像光谱仪(MODIS)因空间分辨率不足，难以捕捉小规模油膜边界细节；红外成像易受环境干扰，而光学成像虽操作简便却面临低对比度、高噪声等挑战。更棘手的是，73%-88%的溢油事件体积不足1立方米，但现有模型多聚焦大中型溢油事故，导致应急资源调配存在盲区。

针对这一技术瓶颈，浙江舟山的研究团队在《Process Safety and Environmental Protection》发表创新成果。该研究通过遗传算法(GA)优化图像边缘识别，结合粒子群优化(PSO)改进的BP神经网络(BPNN)，构建了多环境条件下的小规模溢油预测系统。实验采用重油(密度0.9344 g/cm3)、轻油(0.8432 g/cm3)和汽油(0.7390 g/cm3)三类油品，在可控风浪条件下采集扩散数据，通过GA算法提升油膜边界识别精度，并对比了BPNN、GA-BPNN和PSO-BPNN三种模型的预测效能。

关键技术包括：1) 基于GA的图像边缘识别算法，解决低对比度场景下的油膜边界分割问题；2) 恒温水浴振荡器模拟海浪条件；3) PSO优化BPNN的权重参数，避免模型陷入局部最优。

Experimental Materials and Apparatus

研究通过外置风场测试装置调节风速，结合振荡器模拟波浪环境，发现当波高超过临界值时，油膜破碎现象显著。GA算法处理后的图像信噪比提升40%，为模型训练提供高质量数据基础。

Results and Discussion

PSO-BPNN模型表现出卓越性能：收敛速度较传统BPNN提升60%，MSE值低至3.58e^?9，且对汽油等低粘度油品的预测稳定性最佳。风浪耦合实验显示，风速增加会加速油膜扩散，而特定频率的波浪则会导致油膜面积周期性波动。

Conclusion

该研究证实：1) GA图像处理能有效克服光学成像的固有局限；2) PSO-BPNN模型在多变环境下的预测稳定性优于传统方法；3) 该方法可为溢油分散剂、围油栏等应急资源的精准部署提供决策依据，避免资源浪费或覆盖盲区。

这项成果不仅填补了小规模溢油预测模型的技术空白，其GA-PSO-BPNN融合框架也为其他环境流体动力学问题提供了新思路。研究获得国家自然科学基金(52200133)等多项支持，标志着我国在海洋环境安全领域的创新能力提升。