随着勘探向更恶劣的环境和超深水域扩展，深水钻探已成为海上能源开发的关键驱动力[1]。在这种操作背景下，钻井立管是钻井系统中结构要求高且安全至关重要的组成部分[2]。作为连接浮动平台和海底井口的细长多关节导管，立管系统传递机械载荷，保护井筒完整性，并为钻井液提供循环通道[3]。然而，其性能对环境不确定性非常敏感。台风、风暴引起的波浪和强水流可能导致平台-立管系统发生大幅运动和多方向的水动力激励，尤其是在紧急撤离过程中[4]。在硬撤离和软撤离模式下，波浪-水流-平台-立管的相互作用会产生强烈的非线性动态响应，可能导致过度弯曲、应力集中或月池间隙丧失，从而增加立管-平台接触的风险[[5], [6], [7], [8], [9], [10], [11]]。这些挑战凸显了需要能够量化不确定性引起的失效机制并确定紧急撤离期间安全运行限制的结构可靠性方法的需求。因此，需要一个严格的结构可靠性框架来支持紧急撤离过程中的风险决策。
深水立管的动态建模已取得了显著进展，为极端条件下的可靠性评估提供了机械基础。研究建立了考虑张力器力学[3,16]、流体-结构相互作用[13]、关节柔韧性[14]、内波载荷[15]和强载荷-平台-立管耦合[1,16]的非线性硬撤离和软撤离模型。这些高保真度的有限元（FE）模拟能够捕捉关键的非线性行为，但其计算成本使得大规模不确定性传播不切实际。时域FE分析通常需要耦合的水动力-结构求解器和精细的时间分辨率，每次模拟需要数小时的计算时间。蒙特卡洛（MC）模拟在理论上是结构可靠性评估最严格的方法，因为它不需要条件独立性假设，并能收敛到无偏的概率估计[[17], [18], [19], [20], [21]]。然而，当每次FE评估都涉及完全耦合的水动力和结构物理时，经典MC方法对于深水立管系统来说变得不可行。
为了克服FE-MC的高昂成本，海上和海洋可靠性研究越来越多地采用替代概率框架，如贝叶斯网络（BN）[[22], [23], [24], [25]]、动态贝叶斯网络（DBN）[12,[26], [27], [28]]和模糊推理模型[29,30]。这些方法在因果推理、基于场景的安全分析和海洋结构、管道、海上作业及复杂能源系统的系统级风险传播方面展示了价值。最近的研究强调了基于BN的风险演化建模[31,32,54]、用于退化过程的DBN公式[2,33,34,55]以及用于决策支持的模糊概率混合方法[35,36]的进展。然而，这些模型依赖于离散变量、条件概率表和结构简化，无法直接反映深水立管在耦合波浪-水流-平台动态下的连续、多模态和方向敏感的响应。因此，尽管BN和DBN方法在系统级推理方面有效，但它们无法近似MC级结构可靠性所需的非线性FE响应空间。这种方法论差距凸显了需要一种替代增强的MC框架，既能保留MC的统计保真度，又能大幅降低与时域FE模型相关的计算负担。
机器学习（ML）的最新进展为复杂工程结构中的可靠性评估提供了有前景的替代策略。人工神经网络（ANN）已被用于估计水动力载荷[37]、预测涡流引起的振动疲劳[38]、评估管道破裂压力和腐蚀风险[39,57]以及支持海上结构的概率评估[56,58,59]。混合ML-概率集成方法，如ANN-Bayesian框架、用于点蚀腐蚀的元模型、模糊ANN可靠性模型和基于ML的脆弱性替代模型，展示了数据驱动方法在不确定性量化方面的潜力[[40], [41], [42]]。深度神经网络（DNN）凭借其分层特征提取能力，在高层建筑的地震脆弱性建模[43]、基于可靠性的海上风电结构设计优化[44]、海洋系统的疲劳预测[45]以及系泊线的极端载荷响应预测[46]方面表现出色。然而，将ANN/DNN替代模型应用于深水钻井立管带来了独特的挑战。首先，由于高保真度模拟成本高昂，现有的FE生成数据集通常较小，增加了过拟合的可能性。其次，立管响应强烈依赖于方向，受到波浪方向、平台航向、撤离速度和张力器力学的影响。第三，从多源激励到失效控制响应（例如顶部应力、月池位移）的非线性映射具有高度多模态性，使得传统的ANN/DNN架构容易不稳定且泛化能力下降。此外，深度网络需要仔细调整的超参数，包括隐藏层大小、学习率、丢弃率、批量大小，但对于高维非线性系统来说，手动调整并不可靠。这些挑战构成了核心方法论差距：如何构建一个稳定、准确且数据高效的替代模型，能够从有限的FE数据中学习到强烈的非线性立管动态，同时保持MC级结构可靠性评估的统计准确性。
为了解决这些限制，本研究旨在开发一种数据高效的结构可靠性方法，该方法将进化优化的深度替代模型与蒙特卡洛不确定性传播相结合。本文的主要贡献总结如下：
(0)提出了一种萤火虫优化的深度神经网络（FA-DNN）替代模型作为核心方法创新。萤火虫算法执行多目标进化超参数优化，以提高学习稳定性，在小样本条件下抑制过拟合，并提高多源激励的非线性预测准确性。这使得FA-DNN能够捕捉传统ANN和基线DNN无法可靠表示的复杂非线性动态。
(0)FA-DNN替代模型被集成到结构可靠性框架中，实现了基于MC的失效概率高效估计和极端海况下的可靠运行限制。这种集成在保持MC级统计保真度的同时，消除了重复FE评估的高昂计算成本。
总体而言，这些发展为深水立管系统在紧急撤离过程中的可靠性评估提供了一种可扩展且高精度的方法，并展示了其在受到随机环境载荷影响的海上结构中的更广泛应用。
本文的其余部分组织如下。第2节介绍了深度神经网络和萤火虫算法的理论基础，为所提出的替代建模方法提供了基础。第3节详细介绍了整个方法，包括基于FE的数据集生成、FA优化DNN替代模型的开发以及基于MC的结构可靠性评估框架。第4节将所提出的方法应用于紧急撤离下的深水钻井立管，展示了其预测性能，并在不同环境条件下得出了可靠的撤离范围。第5节总结了主要发现，并讨论了方法论扩展和更广泛海上应用的方向。
