基于物理引导的深度学习与不确定性量化方法对极端条件下张力腿平台运动响应的预测

《Ocean Engineering》:Prediction of tension leg platform motion responses under extreme conditions based on physics-informed deep learning and uncertainty quantification

【字体: 大 中 小 】 时间:2026年02月02日 来源:Ocean Engineering 6.3

编辑推荐:

  魏哲仁|周嘉辉|邱小龙|曲先强|卢宇晨|刘洪兵 中国哈尔滨工程大学船舶与海洋工程学院,哈尔滨150001 摘要 准确预测张力腿平台在极端海况下的运动响应对于结构安全评估和动态定位作业至关重要。为应对强非线性水动力耦合以及极端海洋环境中的环境不确定性量化问题,本文提出

  魏哲仁|周嘉辉|邱小龙|曲先强|卢宇晨|刘洪兵
中国哈尔滨工程大学船舶与海洋工程学院,哈尔滨150001

摘要
准确预测张力腿平台在极端海况下的运动响应对于结构安全评估和动态定位作业至关重要。为应对强非线性水动力耦合以及极端海洋环境中的环境不确定性量化问题,本文提出了一种自适应时空融合预测网络(ASTF-Net)。该模型通过集成多分辨率小波分解模块,分离出多尺度时空特征。它利用自适应图学习机制动态捕捉六个自由度之间的空间耦合关系,同时通过物理约束层优化预测结果。在五种典型海况下的系统验证表明,ASTF-Net在预测未来20秒内的运动响应方面显著优于TimeXer和Dlinear等先进基准模型,平均决定系数高达0.924。此外,ASTF-Net的平均预测区间覆盖概率可达94.14%,并能根据海况严重程度自适应调整置信区间宽度。该模型在模拟低频漂移力的有色噪声条件下仍表现出优异的鲁棒性,其R2保持率明显高于高斯白噪声条件。本研究为海上工程结构的智能监测和早期风险预警提供了高效、精准且可靠的解决方案。

引言
随着全球能源战略向深水区域拓展,深水油气资源的勘探开发已成为保障能源供应的关键领域。由于具有出色的垂直运动抑制能力,张力腿平台在中深水油气田的开发中发挥着不可或缺的作用(He等人,2025;Sang等人,2025)。然而,在其设计寿命期内,张力腿平台不可避免地会面临飓风、台风或百年一遇的风暴潮等极端海洋环境。在这种条件下,平台的动态响应会从线性或弱非线性动力学转变为受复杂强非线性水动力现象主导的机制(Jin等人,2021)。其张力腿系统可能面临瞬时张力不足或过载的风险,进而导致结构灾难性失效(Do等人,2023;Li等人,2025;Wu等人,2023)。此外,剧烈的运动还会对立管系统、井口设备以及甲板结构构成严重威胁(Duan等人,2024;Hou等人,2025)。因此,准确预测张力腿平台在极端海况下的运动响应,是进行平台生存能力设计、制定应急响应计划以及实施结构健康监测的基础前提。

然而,这一预测任务面临着重大的理论和技术挑战。传统的运动响应预测方法主要依赖于两种途径:基于物理模型的数值模拟和物理模型试验。虽然基于势流理论的方法计算效率较高,但其线性或弱非线性假设在面对极端海浪时显得力不从心,难以捕捉波浪破碎和流体分离等关键物理现象,往往导致风险被严重低估(Huang等人,2022;Suner和Bas,2022)。计算流体动力学模拟虽能提供高精度的流场细节,但由于计算成本高昂,难以用于需要长时间序列模拟以获取极端响应统计数据的工程实践,从而造成了精度与效率之间的权衡(Descamps等人,2025;Min等人,2025;Ye等人,2024)。作为最终验证手段的物理模型试验同样受到高成本、长周期以及不可避免的尺度效应限制(Tian等人,2023)。

近年来,由于深度学习模型在提取非线性特征方面的强大能力,它们逐渐成为预测海洋工程结构运动响应的主流方法(Zhang等人,2021)。大多数研究集中在循环神经网络架构上,其中长短期记忆网络因其在处理长序列梯度消失问题方面的独特优势,成为预测船舶和海上平台运动的优选基准模型。为优化船舶运动的输入特征,Liu等人(2020)提出了基于自相关函数的长短期记忆网络输入向量空间优化方法;Han和Hu(2023)则聚焦于采样策略,研究了变步长采样对船舶运动预测精度的影响;Fan等人(2023)比较了结合多种信号分解方法与长短期记忆网络的混合模型,发现将经验小波变换与长短期记忆网络相结合的模型在预测半潜式平台的短期运动方面具有较高的计算效率与良好性能;Geng等人(2023)通过将经验模态分解与自适应粒子群优化相结合的长短期记忆网络,提升了船舶横摇和纵摇的预测精度;Song等人(2025)则通过多特征融合算法显著提高了正常海况和极端海况下的运动响应预测精度。对于浮式风力涡轮机平台,Shi等人(2023)提出了互信息长短期记忆网络模型,通过引入波高和系泊力,大幅提升了短期预测精度。此外,双向长短期记忆网络已被成功应用于预测不规则波浪作用下的深水浮式风力涡轮机响应(Yin等人,2025)、实现船舶横摇和纵摇的高精度预测(Yuan等人,2025),以及预测在随机舵效和环境干扰作用下的运动状态(Zhou等人,2024)。为应对更复杂的任务,混合架构也应运而生:Zhang等人(2024)将卷积神经网络与多层循环神经网络相结合,并通过改进的自适应粒子群优化算法优化超参数,从而预测船舶的横摇、纵摇和垂荡运动;Sun等人(2025)则采用了结合反向传播与双向长短期记忆网络的混合网络,并通过改进的粒子群优化算法对其进行优化,通过动态权重组合策略降低了船舶运动的多步预测误差;Wang等人(2023)提出了SeaBil模型,专注于船舶操纵运动的超短期预测。除基于长短期记忆网络的模型外,其他机器学习架构在特定工程场景中也展现出潜力。Liu等人(2025)验证了极梯度提升模型在预测浮式风力涡轮机平台的六自由度运动方面的潜力,其在复杂海况下仍能获得较高的决定系数;Liong等人(2024)利用人工神经网络实现了低计算成本的船舶运动实时预测;Gannon和Marshall(2023)则基于欧拉-拉格朗日模型数据,利用长短期记忆网络完成了水下冲击作用下浮式结构的高精度响应预测;Jiang等人(2024)发现高斯过程在预测涌浪、纵摇和系泊缆张力的均值方面具有更优的性能。He等人(2024)则在超参数调优框架中将卷积神经网络与门控循环单元相结合,显著提升了模型的预测精度,同时减少了训练时间。

随着注意力机制的兴起,基于Transformer的架构在预测多自由度长序列运动响应方面得到了广泛应用。Shi等人(2025)开发了一种基于Transformer增强的多尺度卷积神经网络模型,能够满足主动补偿中船舶垂直运动的高精度预测需求;Hou等人(2024)将完整集合经验模态分解与自适应噪声分解结合,并与Informer模型相融合,实现了不同海况下船舶运动响应的长序列预测;Shen等人(2025)设计了机制-数据双驱动框架,利用预训练的Informer模型替代横摇预测,从而降低累积误差。Yan等人(2025)提出了四元数-Transformer-长短期记忆网络混合框架,显著降低了60秒预测周期内船舶横摇、纵摇和偏航的均方根误差。然而,为降低计算复杂度,现有的Transformer变体(如PatchTST和DLinear)通常采用“通道独立”策略,将多自由度运动视为独立的单变量序列。虽然这种简化提升了计算效率,但它从根本上破坏了刚体动力学中固有的强空间耦合机制(如垂荡与纵摇运动之间的几何耦合)。由于忽视了通道间的相关性,这些模型无法捕捉各自由度之间的协同能量传递,因此在处理强耦合的张力腿平台系统时,其物理一致性较差,也难以在复杂海况下准确预测耦合响应。

综上所述,尽管上述研究已取得显著进展,但现有主流模型在预测张力腿平台在极端海况下的运动响应时仍存在三个根本性局限:首先,现有的长期预测模型缺乏明确机制来模拟六个自由度之间的瞬时相互作用,无法有效捕捉能量通过结构约束在不同模式之间的传递过程,这直接限制了其在强耦合海况下的预测精度;其次,通用模型难以在单一端到端框架内同时描述由二阶漂移力引起的长期缓慢漂移与由一阶波浪力引发的高频振荡,往往导致低频趋势预测不准确或高频细节丢失;最后,绝大多数现有模型都是确定性的“黑箱”预测器,它们缺乏物理守恒定律(如能量约束)的先验指导,容易产生违背物理现实的预测结果,且无法为预测结果提供置信度量,无法满足极端海况下海洋工程所需的严格可靠性评估要求。因此,本研究提出了一种全新的深度学习框架——自适应时空融合网络(ASTF-Net),该框架深入整合了物理先验知识。具体而言,ASTF-Net通过自适应图学习模块动态捕捉六个自由度之间随时间变化的耦合关系,利用可学习的多分辨率分解模块分离信号中的多尺度动态特征,其核心是一个创新的时空联合注意力编码器,用于高效提取和融合特征。此外,为进一步提升模型的泛化能力和工程实用性,我们还加入了物理约束层以确保预测结果的物理一致性,并设计了概率输出层以量化预测不确定性。

本文的核心贡献在于提出了创新的ASTF-Net深度学习框架,旨在为预测张力腿平台在极端条件下的运动响应提供高精度且可靠的解决方案。该框架的创新体现在三个层面:在模型架构方面,它通过自适应图学习和多分辨率分析,实现了对张力腿平台运动中随时间变化的物理耦合及多尺度动态特征的显式建模;在方法论方面,它创新地将宏观物理约束与概率预测相结合,解决了传统“黑箱”模型存在的物理一致性差和无法量化不确定性两大缺陷;在实验验证方面,通过全面的评估体系,系统证明了所提方法相较于现有基准模型具有更优越的性能。

本文结构如下:第2节介绍ASTF-Net的整体架构及其核心组件,包括自适应图学习模块、多分辨率分解模块和时空联合注意力模块,同时阐述模型训练框架与优化策略;第3节详细说明张力腿平台数值模拟模型的构建、模拟验证以及数据集的整理过程;第4节进行全面的实验验证,首先比较了ASTF-Net与基准模型在不同海况下的预测精度,随后深入分析了模型的不确定性量化能力、对不同类型噪声的鲁棒性以及自适应空间耦合机制;第5节总结了本文的主要结论,指出了当前研究的局限性,并提出了未来的研究方向。本文采用了三种预测性能评估指标——平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)——来评估各种模型的预测效果。
MAE=1/N∑i=1N|Motiontrue,i?Motionpred,i|
RMSE=1/N∑i=1N(Motiontrue,i?Motionpred,i)2
R2=1?∑i=1N(Motiontrue,i?Motionpred,i)2/∑i=1N(Motiontrue,i?Motiontrue,avg)2
在公式(7)、(8)、(9)中,N表示时间序列的长度,Motiontrue,i为平台的实际运动状态。

**结论**
为应对极端海况下预测张力腿平台运动响应时所面临的强非线性、多自由度耦合以及环境随机性等挑战,本文提出了一种时空预测框架——ASTF-Net,该框架将物理感知与概率推理相结合。通过引入多分辨率小波分解、自适应图学习以及物理约束机制,该模型实现了从确定性方法到新型预测方法的转变。

**作者贡献说明**
任伟哲:撰写——初稿、方法部分。周佳辉:软件支持。邱小龙:撰写——审阅与编辑。曲贤强:资源提供。卢宇晨:撰写——审阅与编辑。刘洪兵:监督指导、资金筹集。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
本研究得到了中国山东省自然科学基金(ZR2022QE091)、泰山产业领军人才专项基金(tsls20230605)以及中国山东省重点研发计划(2023CXGC010407)的资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号