利用神经网络评估风浪对光滑和粗糙水平圆柱体的作用力
《Ocean Engineering》:Assessing wind-wave forces on smooth and rough horizontal cylinders by neural networks
【字体:
大
中
小
】
时间:2026年04月25日
来源:Ocean Engineering 5.5
编辑推荐:
Federico Casella | Francesco Aristodemo | Franck Schoefs | Pasquale Filianoti
D.I.C.E.A.M.部门,RENEW - 海洋能源实验室,雷焦卡拉布里亚地中海大学,via Zhender, 1,
Federico Casella | Francesco Aristodemo | Franck Schoefs | Pasquale Filianoti
D.I.C.E.A.M.部门,RENEW - 海洋能源实验室,雷焦卡拉布里亚地中海大学,via Zhender, 1, 89122 雷焦卡拉布里亚,意大利
**摘要**
本研究探讨了前馈神经网络(FNNs)在预测光滑表面及被藤壶覆盖的水平圆柱结构上受波浪引起的流体动力载荷方面的应用。研究基于来自雷焦卡拉布里亚海洋能源实验室(MEL)的小规模现场实验所获得的4867组海况数据,该地点非常适合仅在风浪条件下的测试。开发了两种神经网络模型:第一种模型用于预测水平和垂直载荷的95百分位数;第二种模型通过估计载荷时间序列的标准差来重构其概率密度函数(PDF)。与实测数据相比,两种模型的预测精度均较高,其中基于百分位数的模型平均绝对误差(MAE)为0.83 N/m,均方误差(MSE)为1.29 N2/m2,R2值为0.86;而基于标准差的模型平均MAE为0.34 N/m,MSE为0.22 N2/m2,R2值同样为0.86。第二种方法还适用于结构监测。作为对比,还实现了一个多元线性回归(MLR)模型。尽管MLR模型也提供了可接受的结果,但FNN在处理由海洋生物附着引起的非线性载荷时具有更高的预测精度。虽然从重构的PDF中提取极值时假设了瑞利分布,但这种简化方法仍存在局限性。研究结果展示了神经网络在支持受表面条件变化影响的海上结构设计和基于状态的监测方面的潜力。
**引言**
在沿海和海洋工程中,准确评估波浪对海洋结构的作用力对于确保其韧性、稳定性和长期运行安全性至关重要(例如,Sarpkaya和Isaacson,1981;Chakrabarti,2005)。诸如防波堤(Filianoti和Piscopo,2015;Aristodemo和Filianoti,2022)、海堤(Cuomo等,2010)、海上平台(Filip等,2020)以及海底管道(Aristodemo等,2013)等沿海基础设施的设计必须能够承受极端波浪条件,这些条件通常超出传统分析方法(Morison等,1950)和数值方法(Tripepi等,2020;Zhou等,2023)的预测能力。由于海洋生物附着(例如,Sell,1992)导致的结构几何形状持续变化,这些载荷的复杂性和不可预测性进一步加剧。尽管已有显著进展(Zou等,2024),传统物理和数值模型在处理实际海洋动力学和生物附着效应所带来的复杂性、不可预测性和高计算需求方面仍存在局限性。
**机器学习的应用**
近几十年来,机器学习(ML)尤其是人工神经网络(ANNs)的引入成为了一个重要的转折点,它们通过在大规模复杂数据集中的模式识别能力为应对这些挑战提供了新的方法(Haykin,1998;Bishop,2006)。机器学习在海洋工程中的初步应用主要集中在海况预报和波浪参数估计上。Deo和Naidu(1998)的早期开创性工作展示了利用海上位置的浮标数据提前数小时预测显著波高的潜力。后续研究扩展了这一概念,使用基于物理的数值模型输出作为训练数据集。例如,James等人(2018)开发了一个基于SWAN模型输出的机器学习框架,在显著波高预测方面取得了高精度且计算时间显著减少。Patanè等人(2024)使用了一个结合卷积层进行空间特征提取和短时记忆层的混合深度神经网络来预测显著波高;Laviola da Silva等人(2024)和Chen与Xue(2025)分别使用长时记忆神经网络和结合卷积神经网络(CNN)与变换器编码器的混合模型进行了类似研究。
**潮汐预测**
除了波浪预测之外,机器学习还用于更准确高效地模拟和预测复杂的潮汐特征,超越了传统的谐波分析方法(例如,Deo和Chaudhari,1998;Lee,2004;Chang和Lin,2006;Granata和Di Nunno,2021;Shi等人,2024;Cuevas López等人,2025)。由于海啸波对海岸的灾难性影响,神经网络也被用于预测其波高、到达时间和淹没范围(Song和Cho,2024;Fukutani和Motoki,2025)。另一个重要应用是使用机器学习技术识别和分类海洋结构、船舶和涡轮机上的生物附着(例如,Zhao等人,2023;Habbouche等人,2024;Rashid等人,2025)。海洋生物附着显著影响了结构的载荷和维护计划。例如,Signor等人(2023)应用了基于海洋生物附着图像训练的CNN(Rawat和Wang,2017)来成功分类附着类型并辅助海上组件的状态监测。Warby等人(2025)进一步发展了ML算法来估计Morison方程系数,充分考虑了生物附着引起的表面粗糙度对流体动力载荷的变化,从而提高了载荷预测的准确性,这一成果通过广泛的波浪水池实验得到了验证。
**波浪-结构相互作用建模**
在使用神经网络建模波浪与结构相互作用方面也取得了显著进展。Shafieefar等人(2011)使用实验室测量数据训练的神经网络预测细长圆柱体上的波浪和流体力,其精度优于传统的Morison方法。类似地,Quéau等人(2014)、Behara等人(2024)、Cao等人(2024)、Díaz-Carrasco等人(2024)以及Wang等人(2025)证明了基于神经网络的方法能够有效模拟复杂的流体动力相互作用和结构响应,包括涡激振动和疲劳分析。
**本研究的内容**
本研究旨在探索人工神经网络(ANNs)在预测光滑和受生物附着影响的地圆柱结构上波浪引起的流体动力载荷方面的应用潜力。为此,使用了来自现场测量的4867组海况数据。开发了两种不同的神经网络:第一种网络使用显著波高(Hs)和峰值周期(Tp)作为输入来估计极端值(如95百分位数);第二种网络则从相同输入参数重构流体动力载荷的概率密度函数(PDF),以便与第一种网络的输出进行详细比较。这种双方法为受生物附着影响的海洋结构的初步设计和维护规划提供了有价值的见解。
**论文结构**
第2节概述了进行的现场测试。第3节详细介绍了神经网络架构、训练策略和性能评估。第4节讨论了神经网络模型在极端载荷预测和PDF重构方面的结果。第5节比较了神经网络与传统统计方法得出的结果。最后,结论部分总结了研究的贡献和意义。
**数据来源**
用于训练神经网络的数据集基于在墨西拿海峡东岸雷焦卡拉布里亚大学海洋能源实验室(MEL)进行的实验测试。该地点因其自然暴露于当地生成的风浪、最小的海浪干扰以及有利的浴蚀和几何条件而特别适合进行现场测试。
**结论**
本研究开发并训练了两个前馈神经网络(FNNs),用于分析风浪引起的光滑和粗糙水平圆柱体上流体动力载荷的特定特性。每个网络包含两个全连接的隐藏层,分别包含32个和16个神经元。为防止过拟合,第一层应用了20%的丢弃率,并在两层中使用了L2正则化。第一个FNN用于预测CRediT
**作者贡献声明**
Federico Casella:撰写——原始草稿、方法论、调查、形式分析、数据整理、概念化。
Francesco Aristodemo:撰写——原始草稿、方法论、形式分析、概念化。
Franck Schoefs:监督、方法论、形式分析、概念化。
Pasquale Filianoti:撰写——原始草稿、监督、方法论、调查、概念化。
**利益冲突声明**
作者声明他们没有已知的利益冲突或可能影响本文研究的个人关系。
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