一种基于有限元方法和人工神经网络的独立预测动态系泊张力的方案
《Ocean Engineering》:An uncoupled scheme for predicting the dynamic mooring tension based on the finite element method and artificial neural networks
【字体:
大
中
小
】
时间:2026年04月15日
来源:Ocean Engineering 5.5
编辑推荐:
浮式结构系泊张力预测方法研究:提出有限元-人工神经网络不耦合模型,通过浮子运动数据快速计算动态响应并训练时间序列神经网络预测各节点张力,在风-光-水产综合浮式结构中验证误差低于3%,准确度超0.8,兼具高效性、可靠性和低成本优势。
张胜|郑向远|黄祖明|詹子怡
清华大学深圳国际研究生院海洋工程研究所,中国深圳,518055
摘要
为确保浮动结构的安全运行,预测动态系泊张力至关重要。然而,现有的预测方法大多是耦合方法,需要大量的复杂数值模拟,而这些模拟往往缺乏足够的准确性。本研究提出了一种基于浮动体运动的解耦方案,将有限元方法与人工神经网络相结合。首先,利用易于获得的浮动体运动数据(例如来自GPS的数据)驱动一个计算效率高的解耦系泊有限元模型,以实现快速计算系泊动态响应。然后,使用得到的数据训练时间序列预测神经网络,以预测悬链线段上任意节点的动态响应。以一个复杂的多功能浮体(集风能、太阳能和水产养殖于一体)作为案例研究。所提出的方案通过非线性、完全耦合的时域分析结果进行了验证。对于在临界载荷条件下不同节点的各种动态响应,10秒前的预测结果显示决定系数高于0.8,均方根误差和平均绝对误差均低于平均动态响应的3%。这些结果证明了所提方案的可行性、可靠性和鲁棒性。其主要优点在于通过系泊计算理论提高了可解释性,通过减少数值模拟和对传感器的依赖性显著提高了成本效益,并具有更广泛的应用前景。
引言
诸如浮动石油和天然气平台、海上风力涡轮机(FOWTs)、水产养殖笼、波浪能转换器和光伏发电等浮动海上结构,使得能够利用丰富的海洋资源来满足人类对能源和食品的需求。作为这些浮动海上结构的关键部分,系泊系统可以减轻由风、波浪和洋流等恶劣环境载荷引起的过度漂移(API, 2005)。过去的故障表明,在复杂的海洋环境中,系泊系统容易受到疲劳、碰撞和腐蚀的影响(Ma等人,2019)。如果系泊绳发生故障,维修和更换会导致长时间停机,从而造成显著的生产损失(Prislin和Maroju, 2017)。因此,准确预测动态系泊张力长期以来一直是工程实践和学术研究中的一个重要课题。张力预测有助于为运动控制系统提供早期预警和前馈信息,从而减少浮动海上结构的动态响应和疲劳损伤。
如果在系泊系统上安装了水下张力传感器,并且有长期的监测数据,就可以收集大量的系泊张力数据集来训练时间序列预测神经网络(TSPNN)模型。一旦成功训练并验证,该模型就可以预测未来的系泊张力。Yuan等人(2024)提出了一种改进的变压器神经网络架构,用于使用长期现场测量的系泊张力数据来预测“深海1号”半潜式生产和储存平台的系泊张力。与常用的长短期记忆(LSTM)神经网络模型相比,他们的方法更为有效。Chen等人(2025)开发了一种结合信号处理技术的新型混合预测模型。利用“深海1号”实际系泊张力数据,他们克服了单一神经网络模型在复杂实际条件下的预测滞后和高误差问题。值得注意的是,这两项研究都依赖于现场测量的系泊张力数据集进行时间序列预测,因为该平台配备了提供长期监测数据的水下系泊传感器。然而,这些水下系泊传感器价格昂贵、安装复杂且使用寿命有限(Carbon Trust, 2021),导致成本和维护工作增加。因此,它们通常应用于大型结构,如“深海1号”——世界上第一个10万吨级的深水半潜式生产和储存平台(中国日报,2021)。由于现场监测引入了多种挑战,人们一直在探索替代方法以降低监测系统的成本和复杂性。
通过基于GPS或类似的运动测量系统获取浮动体运动数据比使用水下传感器测量系泊张力更为方便和可靠。在现代海上工程中,集成实时运动学GPS(RTK-GPS)和惯性测量单元(IMUs)的现代监测系统已被证明能够非常可靠地捕捉浮动平台的6自由度(6-DOF)宏观运动。现有研究(Gao等人,2024;Revert Calabuig等人,2023)表明,多天线GNSS和加速度计的数据融合可以克服非线性姿态变化的挑战,提供厘米级精度的实时动态定位和高度精确的旋转测量。对于大型海上浮动结构,需要测量的刚体运动通常比现代GPS系统的定位误差大得多。因此,这种定位精度对于工程实践中描述浮动体的刚体运动来说是完全足够的。随着人工神经网络的快速发展及其在非线性海洋工程问题中的应用日益增多,人们越来越关注从易于获得的浮动体运动数据预测难以测量的系泊张力。Christiansen等人(2015)构建了一个反向传播(BP)ANN,用于实时系泊张力预测,以便在截断的系泊混合测试中快速加载执行器,使用六自由度(6-DOF)浮动体运动和之前的系泊张力作为输入。Sidarta等人(2017)应用BP ANN使用船舶运动作为输入数据来预测系泊张力。Kumar等人(2020)将系泊张力分为低频和波频成分,将前者近似为准静态张力,同时使用带有导缆运动的前馈神经网络来预测动态张力。Qiao等人(2021)开发了一个基于一阶和二阶中心矩的预处理方法的LSTM模型,以增强输入数据的波动特性。他们的结果表明,LSTM模型能够准确预测船舶运动产生的系泊绳张力。Mao等人(2022)提出了一种深度学习模型,使用半潜式平台运动作为输入来预测故障条件下的系泊绳张力,将最关键的系泊绳张力作为输出。采用网格搜索算法优化深度神经网络(DNN)的超参数配置,以获得更准确的系泊张力预测。Wang等人(2022)将半潜式基础的6-DOF运动和相应的系泊张力分解为波频和低频成分,并分别为每个成分训练单独的LSTM子模型。子模型输出的总和得到了预测的系泊张力,显示出比基于全局动态响应训练的LSTM模型更高的准确性。Yang等人(2023)提出了一种基于水库计算(RC)模型的机器学习方法来预测驳船和标准船舶模型(KVLCC2)的系泊张力。他们首先将原始张力信号分解为低频和波频成分,然后分别将这些成分以及船舶的历史涌浪运动输入到两个RC子模型中进行训练。通过叠加这两个预测路径的输出获得了预测结果。他们的训练模型在未来的80秒内实现了高精度,这一点通过实验结果得到了验证。Liu和Li(2025)提出了一种基于LSTM的多任务集成模型,使用FOWT基础的6-DOF运动和动态电缆内力作为输入输出训练对,以预测多个易疲劳位置的张力和弯曲力矩。他们使用减半的网格搜索算法高效优化了超参数,并发现将3-DOF运动添加到动态电缆的拱形弯曲位置到模型输入中可以提高预测精度。
尽管在实际工程中相对容易获取浮动体运动数据,但由于系泊张力不易获得,因此这些方法所需的大量匹配的浮动体运动和系泊张力数据仍然难以获得。此外,这些开发的方法还依赖于大量且耗时的完全耦合数值模拟来生成这样的数据集。在实践中,模拟结果与现场测量数据之间往往存在差异,特别是在浮动基础的流体动力运动和风力涡轮机的复杂空气弹性-伺服计算的动态响应方面。这些差异一直是OC6项目(Darling等人,2025;IEA Wind TCP,2025;Robertson等人,2020)关注的焦点。此外,开发的方法通常只关注系泊绳特定节点的单一动态响应,例如导缆处的系泊张力。然而,通常需要关注系泊绳上多个节点的多个动态响应,例如材料过渡点的应力和应变、由于集群重量或浮标而导致的集中载荷位置的内力以及系泊长度(Ma等人,2019)。因此,当可用的系泊张力数据很少但需要检查不同节点的多个动态响应时,这些开发的方法效果较差。为了解决上述挑战,本文提出了一种结合有限元方法(FEM)和ANNs(FEM-ANN)的混合方案来预测系泊动态响应。这种混合方案结合了系泊绳动态计算理论,提高了预测的鲁棒性和可靠性。此外,它还能够预测系泊绳上任何感兴趣点的常见动态响应。最后,它既不依赖于昂贵且易受损害的水下传感器的部署,也不需要复杂且耗时的完全耦合模拟。
本文的结构如下。第2节介绍了LSTM神经网络、基于FEM的系泊动力学模型和FEM-ANN解耦方法。第3节介绍了案例研究的研究对象和相应的临界载荷条件。第4节讨论了系泊绳解耦分析中遇到的几个挑战。第5节讨论了FEM-ANN预测结果及其相应的验证。第6节总结了本研究。
章节摘录
方法论
在这些开发的方法中,需要大量的浮动体运动和相应的系泊张力数据集来训练ANN模型。一旦ANN模型训练完成,就会使用一个小数据集进行验证,以评估训练模型的可行性,如图1所示。然后,使用训练和验证过的ANN模型,根据图2中所示的滑动窗口预测程序,以浮动体运动作为输入来预测未来的系泊张力。然而,如图1所示,这些
案例研究
基于一个复杂的多功能浮体(集风能、太阳能和水产养殖于一体),评估了所提出方法的可行性。使用非线性、完全耦合的时域分析计算了该多体、多自由度和刚柔耦合系统在复杂、时变环境载荷下的动态响应。这提供了浮动体在额定和极端载荷条件下的6-DOF运动数据,这些数据作为所提方法的原始输入数据集。
解耦分析
本节进一步详细讨论了第2.3节未涵盖的几个方面。对于FOWT的完全耦合分析,浮动基础受到空气动力学和流体动力载荷的影响,以及系泊力的影响(图12)。同时,系泊绳受到浮动体运动和波浪及洋流产生的流体动力载荷的影响(图4)。
结果与讨论
在使用第一组随机种子训练和验证TSPNN之后,使用第二组随机种子来测试模型的最终泛化能力。下面展示了第二组随机种子的3小时动态响应测试结果并进行了分析。
结论
本研究提出了一种仅基于浮动体运动来预测系泊动态响应的解耦方法,将FEM与ANNs相结合。使用由GPS或IMU等设备测量的浮动海上结构的可靠运动作为输入,一个简单的解耦FE模型(仅考虑系泊绳)可以快速计算系泊绳的动态响应。随后,利用训练和验证过的TSPNN模型快速预测常见的动态响应
CRediT作者贡献声明
张胜:撰写 – 审稿与编辑,撰写 – 原稿,可视化,软件,方法论,调查,形式分析,概念化。郑向远:撰写 – 审稿与编辑,监督,方法论,调查,资金获取,概念化。黄祖明:撰写 – 审稿与编辑,软件,调查,形式分析。詹子怡:撰写 – 审稿与编辑,调查。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
非常感谢来自国家自然科学基金(52071186)、由中国电力公司资助的联合工业项目(关于Spar型浮动风力涡轮机)以及清华大学深圳国际研究生院关于RC型浮动风力涡轮机制氢发展的内部研发项目(TD2024-05)提供的财政支持。同时,也非常感谢Orcina有限公司的技术支持。
生物通微信公众号
生物通新浪微博
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