《Journal of Ocean Engineering and Science》:A method for predicting the hydrodynamic characteristics of trawl codends based on machine learning models
编辑推荐:
准确估计拖网网囊(trawl codend)的水动力行为对于优化渔具选择性(selectivity)、减少非目标鱼类捕捞以及保护可持续渔业中的生物多样性至关重要。本研究评估并预测了关键设计参数(网目尺寸(mesh size)、线绳厚度(twine thickn
准确估计拖网网囊(trawl codend)的水动力行为对于优化渔具选择性(selectivity)、减少非目标鱼类捕捞以及保护可持续渔业中的生物多样性至关重要。本研究评估并预测了关键设计参数(网目尺寸(mesh size)、线绳厚度(twine thickness)、线绳材料(twine material)、网目方向(mesh orientation)、结节类型(knot type)、网囊长度(codend length)、内衬(liner)和网目数量(mesh number))以及流速(current speed)对网囊阻力和颤动位移(fluttering displacement)的影响。采用了五种机器学习模型,即多层感知器(Multilayer Perceptron,MLP)神经网络、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、高斯过程回归(Gaussian Process Regression,GPR)和梯度提升广义加性模型(Gradient-boosted generalized additive model,GBGAM),并利用K折交叉验证(K-fold cross-validation)进行了严格验证,以建立一个全面的、数据驱动的网囊性能优化框架。结果表明,网目尺寸、线绳厚度和网囊配置对网囊阻力和动态运动有强烈影响,其中T90网囊比T0网囊表现出更低的颤动位移和更高的阻力,这表明用T90替换T0可通过稳定网囊行为来改善尺寸选择性。此外,阻力振荡直接与网囊动态运动相关,主要由低频结构动力学驱动,并受设计因素和流速的调节。在预测性能方面,GBGAM(R2 = 0.996,MAE = 0.8,RMSE = 1.18)、GPR(R2 = 0.995,MAE = 0.73,RMSE = 0.91)和MLP(R2 = 0.989,MAE = 0.96,RMSE = 1.21)在预测阻力方面优于其他模型。对于网囊位移,GBGAM(R2 = 0.9345,MAE = 0.35,RMSE = 0.50)和GPR(R2 = 0.841,MAE = 0.45,RMSE = 0.60)表现出强大的预测能力。选择拖网网囊性能的最重要特征可减少计算时间,同时提高模型精度。GBGAM和GPR均表现出较强的稳定性和泛化能力,如其在水动力力和网囊位移预测中在10折交叉验证期间的一致表现所示。因此,所提出的机器学习框架为传统物理建模方法提供了强大的替代方案,能够精确模拟拖网性能,并为智能拖网的发展提供可操作的见解。
拖网网囊是拖网渔业中最关键的部件之一,其选择性直接影响渔业资源的可持续利用。传统研究主要通过物理修改渔具(如调整网目尺寸、方向、线绳厚度等)来提升选择性,但这些方法难以全面揭示设计参数与网囊水动力特性及动态行为之间的非线性交互关系。此外,目前缺乏一个综合性的数据驱动框架来高精度预测不同设计参数和流速组合下的网囊阻力和颤动位移,从而限制了智能拖网技术的发展。针对这一空白,研究人员开展了一项融合物理模型实验与机器学习的系统研究,旨在量化关键设计与操作参数对网囊稳定性及水动力特性的协同效应,并将这些见解转化为可操作的、生态友好的设计原则。相关论文发表在《Journal of Ocean Engineering and Science》。
为开展这项研究,研究人员主要运用了以下关键技术方法:首先,在循环水槽中依据修改的Tauti定律构建了12种1:30缩尺的拖网网囊物理模型(设计参数涵盖网目尺寸、线绳厚度、材料、网目方向、结节类型、网囊长度、内衬及网目数量),并采用六分量力传感器和CCD相机分别测量了不同流速(0.5–0.9 m/s)下的阻力和二维颤动位移(x方向和z方向)。其次,利用傅里叶分析和功率谱密度(PSD)方法分析了阻力和位移的频域特征。最后,采用五种机器学习模型(MLP、RF、SVM、GPR、GBGAM)构建预测框架,通过K折交叉验证(K=10)进行模型训练与评估,并基于变量重要性分析识别关键影响因子。实验样本来源于南极磷虾拖网渔业设计的网囊模型。
**3.1 实验瞬时阻力**:通过水槽实验测量12种网囊在不同流速下的瞬时阻力,发现阻力随流速增加呈非线性上升,且网目尺寸减小、线绳厚度增大、网囊长度缩短均会导致阻力增大。T90网囊阻力高于T0网囊,有结节网囊比无结节网囊阻力高17.24%。功率谱密度(PSD)分析表明,阻力振荡以低频(0.001–0.055 Hz)为主,且T90网囊的频率峰值高于T0网囊。
**3.2 拖网网囊颤动运动分析**:通过图像追踪技术获取x方向和z方向位移。x方向位移呈规则谐波模式,最大振幅随网目尺寸和线绳厚度减小而增大;T90网囊x位移振幅比T0高40.14%,但z方向位移振幅比T0低35.02%。z方向位移表现为非周期振荡,随网囊长度和网目数量增加而增大。频域分析显示,位移主频集中在0.15–1.25 Hz,且随流速和线绳厚度增加而升高,随网目尺寸增大而降低。
**3.3 机器学习模型结果**:通过线性回归图和性能指标比较,GPR和GBGAM在阻力预测上表现最优(R
2分别为0.995和0.996,MAE分别为0.73和0.80),MLP次之。对于x方向位移,GBGAM的R
2最高达0.951;对于z方向位移,GBGAM同样最优(MAE=0.36,RMSE=0.51)。变量重要性分析表明,流速、网目数量和网目尺寸是影响阻力和位移的最重要因子,而线绳材料、结节类型等的贡献较小但不可忽略。
**3.4 最佳机器学习模型与GBGAM算法比较**:GBGAM在位移预测上全面优于MLP和GPR,阻力预测略逊于GPR但差距极小。GBGAM和GPR均展现出高稳定性和泛化能力,但GBGAM计算时间更长。综合来看,GBGAM和GPR是预测网囊性能最可靠的模型。
讨论部分指出,机器学习模型(尤其是GPR和GBGAM)成功揭示了设计参数与网囊性能之间的非线性交互关系,例如流速与阻力之间并非简单二次关系,而是在0.8 m/s以上出现减速;网目尺寸与线绳厚度之间存在非加性交互,小网目时增大线绳厚度导致阻力激增。这些发现超越了传统线性回归的局限,为拖网设计提供了更深入的机理理解。研究还强调了T90网囊通过稳定几何结构改善选择性,但会牺牲阻力效率;尼龙材料导致更大颤动,而聚乙烯(PE)材质更有利于运动控制。最终,研究人员建议采用长、无结节、T90构型、中等网目尺寸且薄PE线绳的网囊作为优化设计。
**研究结论翻译**:(1)设计参数显著影响网囊的阻力和颤动位移;减少网目尺寸、网囊长度、网目数量,以及增加线绳厚度和流速会增大阻力;尼龙、T90和无结节网囊阻力高于PE、T0和有结节网囊。(2)小网目尺寸、大线绳直径、长网囊和多数量的网囊运动更剧烈;T90网囊运动幅度小于T0,建议用T90替代T0以改善尺寸选择性。(3)傅里叶分析揭示了阻力和颤动位移之间的强相关性,表现为低频同步分量;频率峰值随网目尺寸和网囊长度增大而降低,随线绳厚度增大而升高;T0网囊的阻力频谱频率低于T90;网囊位移振荡频率随流速和线绳厚度增大而升高,随网目尺寸增大而降低;PE和T90网囊以低频成分为主,与尼龙和T0相反。(4)通过K折交叉验证,GBGAM和GPR在预测精度上一致优于MLP、SVM和RF,训练效率高且泛化能力强。(5)特征重要性分析表明,网囊阻力主要受流速、网目尺寸、网目数量和线绳厚度影响;位移受网囊长度、网目尺寸、网目数量、流速、网目方向和线绳厚度等更广泛因素影响。(6)使用1/30缩尺模型在特定流速范围内测量,全尺寸下的振荡幅度预计放大30倍,全尺寸阻力约为模型的3600倍。