基于现场实测FPSO运动与环境数据的海浪参数逆向估计神经网络模型研究

本文创新性地利用人工神经网络（ANN）模型，通过浮式生产储卸油装置（FPSO）实测运动数据逆向估计有效波高（Hs）、峰值周期（Tp）和平均波向（θ?）。研究结合WaMoS II系统与再分析数据集（ERA5、HYCOM），系统评估了数据分辨率与输入变量组合对模型性能的影响，为海洋工程实时监测与极端海况预警提供了数据驱动解决方案。

　　

Section snippets

Measurement systems and data acquisition methodology

图1展示了WaMoS II的雷达天线(a)与显示单元(b)、风传感器(c)、运动传感器(d)、目标FPSO(e)以及船舶六自由度运动示意图(f)。波浪参数（如H_s、T_p和θ?）与表层流数据通过WaMoS II系统获取，这是一种基于雷达的实时波浪观测远程传感系统。该系统通过安装在船舶上的海洋X波段雷达运作，持续捕捉海面状态信息。

Artificial neural network for inverse estimation of wave properties from floater motion sensors

人工神经网络（ANN）是一种模拟生物学习能力的数学模型，它无需显式关系表达式即可捕捉输入与输出之间的关联。ANN结构包含接收数据的输入层、输出结果的输出层，以及连接这两层的一个或多个隐藏层。数据在层间传递时与特定权重相乘，每层设有多节点处理非线性变换，通过激活函数（如ReLU）引入非线性特性。本研究采用反向传播算法优化权重，损失函数选用均方误差（MSE），以最小化预测值与真实值差异。

Estimation of significant wave height: influence of processing interval

首先针对有效波高（H_s）评估输出变量性能。如第3节所述，本研究考虑了多种时间窗口分析原始数据。利用WaMoS II高时间分辨率实测数据，系统评估了处理间隔（从超短时5–10分钟、中等1小时到长时超过2小时）对噪声水平、波高峰值捕捉及预测精度的影响。长时间序列有助于平滑随机波动，但可能掩盖瞬态极端事件；短时间窗口则更敏感于实时变化但噪声显著。结果表明，1小时窗口在噪声控制与峰值捕捉间达成最优平衡。

Conclusions

本研究证明了人工神经网络（ANN）模型通过FPSO实测运动数据逆向估计有效波高（H_s）、峰值周期（T_p）和平均波向（θ?）的潜力。利用近三年全面船体运动与环境数据，凸显了机器学习方法在近实时海洋状态估计中的可行性，为传统波浪监测提供了经济高效的替代方案。