人工神经网络在表征振荡水柱装置水动力性能中的应用

《ENERGY CONVERSION AND MANAGEMENT》:Application of artificial neural networks for characterizing the hydrodynamic performance of oscillating water column devices

【字体: 大 中 小 】 时间:2026年04月28日 来源:ENERGY CONVERSION AND MANAGEMENT 10.9

编辑推荐:

  B. álvarez | D.M. Fouz | I. López | R. Carballo 水力工程领域,EPSE,Campus Terra,圣地亚哥-德孔波斯特拉大学,27002 Lugo,西班牙 **摘要** 本研究探讨了人工神经网络在提高振荡水柱波浪能量转

  B. álvarez | D.M. Fouz | I. López | R. Carballo
水力工程领域,EPSE,Campus Terra,圣地亚哥-德孔波斯特拉大学,27002 Lugo,西班牙

**摘要**
本研究探讨了人工神经网络在提高振荡水柱波浪能量转换器特性分析及辅助优化过程中的应用,从而提高了性能预测的可靠性和准确性。具体而言,通过将神经网络与精心设计的实验方案相结合,本研究解决了资源密集型物理建模所带来的挑战,减少了对外部 exhaustive 实验测试的依赖性,同时保持了预测的准确性。该方法结合了多层感知器网络和 Levenberg-Marquardt 优化算法,这两种方法因其鲁棒性和适用于回归任务而受到青睐。研究中使用了关键参数(如有效波高、能量周期和涡轮机引起的阻尼)作为输入,以预测捕捉宽度比的准确性。在测试的各种配置中,一个包含 20 个神经元的一层隐藏层的网络在准确性和泛化能力之间取得了最佳平衡,在与实验数据对比时,其均方根误差低于 2.5%,相关系数接近于 1(R > 0.99)。选定的神经网络模型随后被应用于分析一个实际案例站点中运行的振荡水柱装置的表现,能够准确预测其在未测试的涡轮机阻尼值下的捕捉宽度比,并通过参数搜索确定最优阻尼值。研究结果证实,基于人工神经网络的框架是一种有价值的工具,可以提供信息以简化振荡水柱装置的设计和优化过程。

**1. 引言**
探索和利用可再生能源对于满足全球能源需求并减缓气候变化至关重要 [1]。特别是波浪能是一种前景广阔且尚未充分开发的清洁能源 [2],具有巨大潜力。在所有用于捕获海浪动能以发电的技术中,振荡水柱(OWC)波浪能量转换器(WEC)是最受关注的设备之一 [3]。OWC 利用波浪的振荡运动交替压缩和释放腔室内的空气,从而驱动涡轮机发电。尽管 OWC 设备结构简单(主要由一个空心腔室和一个空气涡轮机组成),但准确表征和优化其性能仍是一个重大挑战。特别是,OWC 系统的效率在很大程度上取决于这两个组件——涡轮机和腔室的特性及相互作用。涡轮机必须在水柱振荡产生的双向气流条件下有效运行。为了解决这个问题,自整流脉冲涡轮机是最常用的解决方案 [4]。其中,如双径向涡轮机这样的脉冲涡轮机因其在广泛工作流范围内的高效率和稳定性能而备受关注 [5]。对于腔室而言,其几何形状必须设计得能够在预定沿海部署位置的最具能量的海况下实现共振条件。多项研究已经探讨了 OWC 腔室几何形状的优化 [6],[7],[8]。在这方面,构造设计提供了一个基于物理的框架,用于系统性地提升 OWC 的性能 [9]。构造定律指出,有限尺寸的流动系统会发展成易于利用流经其中的流动的配置 [10]。将其应用于 OWC 时,这种方法允许在规定的约束条件下调整腔室的几何参数,以增强气流、压力振荡,最终提高波浪到空气的能量转换效率 [11]。尽管构造设计为通过几何优化提升 OWC 性能提供了一个系统化框架,但该方法的有效性依赖于对控制设备运行的复杂物理过程的深入理解。

OWC 的性能受到多种非线性过程的影响,例如空气可压缩性 [12] 或涡轮机-腔室耦合 [13] 等,这些因素显著影响系统性能。特别是涡轮机对水柱振荡产生的阻尼是影响 OWC 设备效率的关键参数之一 [14],[15]。因此,为了进一步发展和优化这项技术,特别是针对新型 OWC 构念和设计创新( increasingly 包括复杂的三维几何形状 [17]),进行全面和先进的建模至关重要。最近的创新包括聚光型 OWC [18],[19]、透气型减重 OWC [20],[21] 和多腔室宽频带 OWC [22],[23],这些创新引起了大量研究兴趣。这些研究有效解决了 OWC 设备面临的重大挑战,如低能量捕获效率、生存能力差和有效频率带宽狭窄等问题。然而,它们也增加了 OWC 系统的复杂性,使得传统数值方法难以以满意的准确性和计算效率分析这些设备。虽然数值模型和物理模型都可以用于此目的,但在波浪作用下可靠评估设备性能方面,物理模型仍然至关重要,因为数值模型(即使是最先进的计算流体动力学 [CFD] 模型 [24] 或波浪到导线模型 [25],[26])也难以完全避免固有的简化。为了确保准确性,必要的实验验证是不可或缺的。然而,物理建模方法涉及大量的波浪水槽或波浪水池测试 [27],因此需要大量的经济和人力资源。鉴于这些限制,开发更高效的工具以减少对物理测试的依赖成为加速 WEC 发展的关键,尤其是 OWC 的发展。

自 20 世纪 90 年代以来,人工智能(AI)得到了广泛应用,通常分为机器学习(ML)和深度学习(DL)[28],[29]。这些子领域专注于创建能够基于数据学习和预测的算法和模型 [30]。这些方法在自然语言处理、计算机视觉或时间序列分析等广泛的应用中已被证明非常有效 [31],[32]。

在这种背景下,人工神经网络(ANN)作为一种有价值的替代传统建模方法的出现 [33],[34]。ANN 是能够学习数据中复杂关系的计算模型,适用于多种应用 [35],从预测 [36],[37]、波浪降尺度 [38]、基于可用资源选择合适位置 [39],[40],甚至创建人工模型 [41](例如本研究中用于插值 OWC 实验数据集)等方面。通过有效学习测试结果中的潜在模式,ANN 可以在保持性能预测准确性的同时减少对 exhaustive 实验的需求。

已经使用 ANN 对 OWC 设备进行了多项研究。通过使用输入和输出数据库对它们进行训练,ANN 可以预测提高能量转换效率的最佳几何参数。特别是,已经进行了优化 OWC 设备腔室设计的研究,无论是传统形状的腔室 [42] 还是 U 形或 L 形配置 [43]。其他研究探索了在设备前设置倾斜屏障以提升性能的最佳设计 [44]。ANN 在 OWC 系统中的其他应用还包括增强 OWC 系统的涡轮机转速控制 [45] 和根据涡轮机转速和水位估算腔室内气压 [46]。与本研究密切相关的是,López 和 Iglesias [33] 开发了一个虚拟实验室,可以通过 ANN 确定给定波浪条件下的 OWC 捕捉宽度比。然而,这项研究主要侧重于规则波形的测试,忽略了空气可压缩性的影响。这些局限性在后续工作中得到了解决 [27],尽管仅停留在实验模型层面,为当前研究提供了基础。

本研究的主要目标及其新颖贡献在于集成 ANN 的使用,以准确表征在真实条件下运行的不同配置的 OWC 设备的性能,从而减少对物理建模的依赖 [47]。真实条件包括考虑感兴趣站点的整个波浪气候(由不同不规则波浪条件代表)并避免常见的简化,例如忽略粘性效应或空气可压缩性的弹簧效应,这两种因素都会影响实际设备的性能。为了实现这一目标,首先扩展了 [27] 中提出的物理测试方案,以开发用于训练和验证 ANN 模型的广泛数据集。其次,系统性地评估不同的 ANN 架构,以确定能够提供准确一致预测的最佳 ANN 架构,并将 ANN 结果与实验数据集进行验证。验证后,使用 ANN 模型预测特定有效波高和能量周期组合下的 OWC 性能,以及给定涡轮机阻尼值(即特定直径的涡轮机)的性能。最后,利用得到的 ANN 确定能最大化 OWC 转换器效率的阻尼值。研究结果展示了 ANN 在减少与实验测试相关成本方面的潜力,同时提供了关于设备行为的精确洞察,促进了 OWC 系统的发展和应用。

**2. 材料与方法**

**2.1. 人工神经网络**
ANN 是一种受大脑启发的计算模型,由相互连接的处理单元(即神经元)组成,能够从数据中学习模式 [48]。它们通常由三个相互连接的层组成——输入层、隐藏层和输出层,数据依次通过这些层流动(图 1)。输入层收集并转发数据以供处理。隐藏层通过加权连接处理这些信息,并使用激活函数(如 ReLU、sigmoid、tansig)来捕捉非线性关系 [49]。最后,输出层生成最终预测 [50]。学习过程通过输入通过网络的前向传播来计算输出(预测),然后通过反向传播来计算误差,并使用优化算法更新网络参数 [51]。

**図 1. ANN 的一般工作原理示意图。**

对于本研究,采用了多层感知器前馈神经网络(MLP),因为它适用于回归任务 [52],[53]。训练使用 Levenberg–Marquardt 算法(LMA)进行,该算法结合了梯度下降(一阶)和高斯-牛顿(二阶)方法,以实现快速收敛和稳健稳定性 [54]。确定最佳 ANN 架构(即隐藏层的数量和每层的神经元数量)仍是一个复杂且具有挑战性的问题,因为目前没有通用的方法 [55],[56],[57]。过度复杂可能导致过拟合,而过于简单的设计则可能导致欠拟合。为了缓解这些问题,采用了提前停止技术。该技术使用一部分未见过的案例(称为验证集)来监控模型性能,并在检测到过拟合时停止训练,即当验证误差连续多次增加时。

**2.2. 物理建模**
本研究中用于物理建模的 WEC 模型是一个按 1:30 比例缩放的 L 形 OWC 设备,该模型已在之前的研究中使用 [27](图 2)。为了正确考虑空气可压缩性效应,模型和原型空气腔室体积的比例根据 [58] 设定:
\(V_p V_m = k_p \delta \lambda^2,\)
其中 \(V\) 表示空气腔室体积;\(k_p\) 是涡轮机的多项式指数;\(\lambda\) 是比例因子;下标 \(m\) 和 \(p\) 分别表示模型和原型。为了满足这一要求,额外的空气量是通过连接到模型空气腔的空气储罐提供的。为了准确模拟自由表面流动[6],模型的湿润部分被按比例缩放,以确保模型和原型之间的弗劳德数(Froude number)保持一致。实验测试在圣地亚哥-德孔波斯特拉大学的水力实验室进行,该实验室配备了一个长20米、宽0.65米、高0.95米的波浪水槽。波浪是通过带有主动吸收系统的活塞型 paddle 产生的,以最小化波浪的重新反射。仪器包括沿水槽分布的九个波浪测压器,用于记录不同位置的自由表面高度;两个超声波液位传感器,用于追踪水柱的振荡;以及一个差压传感器,用于测量大气与腔室内部之间的压力差。空气压力使用 Druck-Unik5000 差压传感器进行监测,其测量范围为 ±3400 Pa,精度为满量的 ±0.04%。水柱的振荡通过两个 Honeywell 943-F4V 超声波液位传感器记录,每个传感器的精度为 ±1 mm。实验设置的详细描述见 [27]。下载:下载高分辨率图像(135KB)下载:下载全尺寸图像

图2. OWC 模型的横截面(1:30 比例,尺寸以毫米为单位)。

实验活动包括42种不同的不规则波况,其中显著波高达到5米(转换器的操作极限),波能周期从4秒到15秒不等[59](图3),几乎代表了任何潜在兴趣位置的波浪特性。下载:下载高分辨率图像(88KB)下载:下载全尺寸图像

图3. 实验活动中覆盖的能量区间。十字标记表示每个能量区间的代表性不规则波况。

由于涡轮机-腔室耦合[27] 的关键作用,在使用不同特性的涡轮机运行时准确评估腔室的性能至关重要。这需要再现每个涡轮机对水柱振荡的阻尼效应,这是通过使用不同直径的孔口实现的。这种方法在之前的研究中得到了广泛验证[60],有效模拟了由非线性涡轮机(如自整流脉冲涡轮机)引起的阻尼。根据先前的研究,每个孔口提供的阻尼通过无量纲阻尼系数来表征,定义如下[27]:

(2) Bc = Δp/2QAcρw^1/2,

其中 Δp 表示涡轮机两端的压力降,驱动流体流动;Q 对应于通过孔口的空气体积流量;Ac 代表 OWC 设备的平面面积;最后,ρw 表示水的密度。

在本次实验活动中,测试了三种孔口直径:d = 12、14 和 20 毫米。此外,还结合了 [27] 中的数据集,得到了七个涡轮机引起的阻尼值(表1)。所有这些值都是在上述波况下测试的。因此,获得了294个测试案例的最终数据集,为 ANN 模型提供了适当的数据集,并确保了有效训练和验证所需的大量数据案例。

表1. 物理模型实验中测试的孔口直径(d)和相应的涡轮机引起的阻尼值(Bc)。孔口1、2、3和5的数据来源于[27]。

对于每个测试(由显著波高、波能周期和涡轮机引起的阻尼值组合定义),捕获宽度比(Cwr)被计算出来,作为衡量 OWC 设备效率的指标[61][62],定义如下:

(3) Cwr = Pp/Pw/c,

其中 wc 表示与波前平行的空气腔的宽度;Pp 是 OWC 捕获的空气动力;Pw 是入射的平均波功率。Cwr 表示被 OWC 腔室宽度拦截并转化为空气动力的波功率的比例。

OWC 转换器捕获的平均空气动力使用以下表达式计算[63]:

(4) Pp = 1/tmax ∫_{tmax}^{0} Δp Q dt,

其中 Δp 表示压力降;Q 是空气流量;tmax 是测试的总持续时间。压力降是在实验活动中直接测量的。流量是根据压力降使用 [27] 中描述的数值建模程序得到的压力-流量比计算得出的。

每个测试的平均波功率计算如下:

(5) Pw = ρwg ∫_{∞}^{0} S(f) Cg(f) df,

其中 S(f) 是从入射-反射波分析中获得的频谱能量密度[64];Cg(f) 是对应于每个频率带的群速度。这种方法在之前的研究中被广泛用于估计 OWC 设备(例如 [15])和一般 WECs(例如 [65])的平均波功率。

2.3. 资源特征

OWC 的性能是特定于地点的,这意味着它取决于感兴趣位置的波浪条件。为了进一步评估 ANN 模型,通过考虑加利西亚海岸一个之前提议用于 OWC 运行的位置的真实波浪条件(X = 510281.79 米,Y = 4677697.00 米;WGS84-UTM29N)[66],分析了其预测 OWC 性能的能力。为此,为了确保结果的准确性,计算了特定于位置的特征矩阵,提供了不同能量区间(由显著波高(Hm0)和能量周期(Te)定义的的能量组合的发生时间和功率,从而得到可用的能量。所得的特征矩阵显示在图4中。该矩阵是通过应用 WEDGE 方法获得的,该方法结合了在深水区选择波浪条件的复杂程序,以及通过谱数值建模技术将它们传播到感兴趣位置的过程。更具体地说,WEDGE 方法通过不同阶段应用。第一阶段包括在有一个广泛深水海况记录的离岸位置特征化和选择感兴趣的深水能量区间。为此,通过定义了 Hm0、Te 和平均方向(θm)区间以及它们的相关功率(P)和能量的三变量能量区间的发生概率来表征深水资源。然后,保留贡献了总可用能量95%的最具能量的区间,并通过高分辨率谱数值建模传播到海岸。结果,在感兴趣的近岸区域获得了大量的空间信息,包括主要谱参数(Hm0、Te、θm、P)和给定数量波浪案例的发生。这些信息用于在感兴趣的位置(数值网格的最接近网格节点)重建2D能量区间,从而得到波浪能量资源特征矩阵[59]。

下载:下载高分辨率图像(251KB)下载:下载全尺寸图像

图4. 感兴趣的沿海位置的资源特征矩阵,显示了不同能量区间提供的年发生时间(数字)和能量(颜色代码)。

2.4. OWC-ANN 模型实现

2.4.1. 数据和预处理

ANN 的输入包括影响 OWC 性能的关键变量:波浪条件,包括 Hm0 和 Te,以及代表涡轮机对 OWC 腔室影响的无量纲阻尼系数(Bc)。MLP 的输出是捕获宽度比(Cwr),这为每个输入变量组合进行预测。ANN 模型可以数学定义为:

(6) Cwr = f ANN(Hs, Te, Bc)

为了使 ANN 模型识别输入变量之间的潜在关系,必须提供一组相应的目标值,在这种情况下是 Cwr 值。这些目标指示网络对于每个给定的输入变量组合期望的输出,指导网络在训练期间学习正确的关系。

在训练 ANN 之前,输入和目标数据被标准化,以便将它们保持在 [?1, 1] 范围内。这种标准化是提高神经网络性能的关键步骤,因为它通过确保所有变量在训练期间按比例贡献来改善收敛性[67]。在本研究中,数据标准化[68] 是根据以下表达式进行的:

(7) Ynormalized = (2Y - Y_min) / (Y_max - Y_min) - 1,

其中 Ynormalized 表示标准化后的数据变量,Y 表示未标准化的输入数据变量。

2.4.2. 网络设置

为了确定预测 OWC 捕获宽度比的最佳 ANN 架构,进行了比较研究。特别是评估了一个隐藏层的神经网络,隐藏神经元的数量从3变化到60。每种架构都使用 LMA 反向传播算法进行训练,如前所述。训练-验证过程的详细信息在以下部分提供。

隐藏层神经元使用的激活函数是双曲正切 Sigmoid,通常称为 tansig。这个函数常用于在神经网络中引入非线性[69],特别是在使用隐藏层的模型中。此外,tansig 函数有效地将所有值映射到标准化范围 [?1, 1] 内。tansig 函数定义如下:

(8) y = 1 / (1 + e^(-2x)),

其中 x 表示输入变量,y 是应用 tansig 函数后的结果。对于输出神经元,实现了线性传输函数:

(9) y = x,

其中 x 表示输入变量,y 是应用线性函数后的结果。

每个网络模型最多训练750个周期,因为在这个值之后没有达到收敛,同时设置了8个周期的验证检查以触发提前停止。这些参数是基于经验观察选择的。在指定的周期内未收敛的配置被重新训练,以最小化 ANN 架构性能中的潜在虚假结果。在重新训练期间,ANN 模型的权重被重新初始化,赋予新的随机值。

2.4.3. 训练和交叉验证

ANN 模型的验证包括通过将网络输出与之前未见案例的实际目标进行比较来检查其泛化能力。本工作中采用的方法应用了 K 折交叉验证技术[70],其中数据集被分成 K 个大小相等的子集(folds)。ANN 模型进行 K 次训练,使用 K-1 个子集进行训练,同时保留剩下的子集用于测试。ANN 模型的最终准确性确定为 K 次训练-测试迭代的平均性能。这种技术确保了测试数据的选择既具有代表性又无偏。根据之前的工作,数据集被分成10个子集(K = 10)[71]。此外,为了应用提前停止技术并防止过拟合,用于训练的 K-1 个子集进一步随机划分为训练和验证子集,其中85%的数据分配给训练,15%分配给验证。图5展示了数据划分的方案。

下载:下载高分辨率图像(261KB)下载:下载全尺寸图像

图5. 应用于 ANN 模型的10折交叉验证技术方案。在 K 次迭代中的每次迭代中,验证案例(黑色圆圈)是从数据中随机选出的 K-1 个子集。

从包含七种不同孔口直径的完整初始数据集中,只保留了一个完整孔口的数据,用于最终评估 ANN 模型的泛化能力。因此,训练、验证和测试数据集包含252个案例(考虑所有孔口的总共294个案例)。在每次 K 次迭代中,25个案例用于测试,193个用于训练,34个用于验证。

最后,为了减轻权重随机初始化的影响,并彻底评估网络在不同初始条件下的性能,每个 ANN 模型进行了10次训练(N = 10)。因此,每个 ANN 架构进行了总共100次模拟(K × N 组合)。

2.4.4. 性能参数

通过均方根误差(RMSE)和预测值与实际(实验)值之间的相关系数[72] 来评估每个 ANN 模型的性能。RMSE 定义如下:

(10) RMSE = √(1/N ∑_{i=1}^{N} (xi - yi)^2,

其中 x 表示目标值;y 表示网络的输出值。

相关系数(R)定义如下[73]:

(11) R = ∑_{i=1}^{N} (xi - x?) (yi - y?) / (∑_{i=1}^{N} (xi - x?)^2)

3. 结果和讨论

3.1. 物理模型结果

从实验测试活动中获得的不同涡轮机引起的阻尼值的捕获宽度比矩阵显示在图6和图7中。图6中的矩阵对应于[27]中获得的结果,而图7中的第二组矩阵代表在本研究中特别测试的涡轮诱导阻尼的额外值。鉴于之前的试验中最高效率是在涡轮诱导阻尼的最高测试值下获得的,因此选定的额外阻尼值较高,以确保对OWC性能进行全面表征,覆盖整个阻尼值范围,包括最优水平以上和以下的区域。

下载:下载高分辨率图像(430KB)
下载:下载全尺寸图像

图6. [27]中实验测试的四个无量纲阻尼系数值的OWC转换单元捕获宽度比矩阵。

下载:下载高分辨率图像(402KB)
下载:下载全尺寸图像

图7. 本研究中实验测试的三个新的无量纲阻尼系数值的OWC转换单元捕获宽度比矩阵。

对于图6和图7中的每个矩阵,最大效率一致地在8-10秒的能量周期内实现。值得注意的是,这一效率范围在不同的涡轮诱导阻尼水平下保持稳定,表明OWC腔体的共振频率基本上不受涡轮诱导阻尼的影响。

矩阵的比较凸显了涡轮诱导阻尼对OWC系统性能的显著影响。捕获宽度比在不同的能量区间内显示出显著变化,这取决于阻尼系数。值得注意的是,通过选择适当的涡轮直径可以轻松调整阻尼系数,而不影响涡轮性能[27]。最佳捕获宽度比(Cwr = 0.82)是在无量纲阻尼系数Bc = 7.82时,在能量区间0 m < Hm0 < 1 m和能量周期8 s < Te < 9 s内获得的。

3.2. 神经网络(ANN)模型选择

3.2.1. ANN架构的选择

图8和图9使用测试子集的RMSE作为质量控制指标,展示了分析的不同ANN架构的性能。每个架构都用[输入 ? 隐藏神经元 ? 输出神经元]的格式进行标识。模型选择分为两个步骤进行。首先,58个训练模型以折线图的形式展示(图8),其中表现最佳的领域被标出以进行后续的精确分析。然后,通过箱线图(图9)展示数据集统计信息,箱体表示中间50% RMSE值的四分位距(IQR),水平线表示该集合的中位数;须状线表示非异常值RMSE值的范围,定义为距离四分位数1.5 × IQR内的值;最后,凹槽表示样本间中位数的变化[74]。

下载:下载高分辨率图像(119KB)
下载:下载全尺寸图像

图8. 58个训练模型的不同ANN架构(Ne)在RMSE方面的性能,隐藏神经元数量从3到60不等。

下载:下载高分辨率图像(207KB)
下载:下载全尺寸图像

图9. 最佳ANN架构(Ne)在RMSE方面的性能。箱体表示四分位距(IQR),水平线表示集合的中位数。须状线显示非异常值RMSE的值范围。圆圈表示异常值。

模型的行为表明,RMSE的变化在开始时急剧减小,在隐藏层神经元数量约为10个时进入一个稳定区域。超过这一点后,RMSE值在波动中没有明显趋势,随着神经元数量的继续增加而逐渐增加。大约11到30个神经元之间的区域呈现出最低的RMSE值,并被保留下来进行进一步分析。

从图9可以观察到,不同ANN架构(Ne)在预测OWC转换单元的捕获宽度比方面都相当准确,所有分析架构的中位数RMSE值均低于0.03。随着神经元数量的增加,RMSE值的中位数大小和分布都会波动,因此无法建立明确的趋势。最低的中位数RMSE是由[3-20-1]架构实现的,该架构在隐藏层有20个神经元,中位数为0.0214。此外,这种架构具有紧凑的IQR且没有异常值,表明与其他配置相比,预测误差减少,泛化能力得到改善。因此,选择了这种架构。这种选择过程与之前在规则波条件下进行的研究一致,这些研究表明它具有可靠的性能[27]。

一旦选择了ANN架构,下一步就是在20个神经元架构内训练的100个模型中确定最优模型(每次K迭代10个模型)。图10用箱线图展示了[3-20-1]架构的数据集统计信息。可以在K次迭代中观察到RMSE分布(IQR)和中心趋势(中位数)的差异。这种变化表明,网络根据用于训练和验证的数据集表现出不同的预测准确性和一致性水平。为了确保网络的适当泛化,选定的模型对应于没有异常值的K次迭代中的最小中位数:K = 6。如K = 3、4、8和10这样的配置显示出较高的RMSE变异性,这由异常值的存在和较大的IQR证明。其他配置,包括K = 2、5和9,显示出相对稳定的RMSE值,但它们的中位数RMSE值仍然高于选定的模型,表明有改进的空间。作为最后一步,在每次K迭代训练的N = 10个模型中,选择了性能最佳的模型。

下载:下载高分辨率图像(119KB)
下载:下载全尺寸图像

图10. [3-20-1]架构(测试子集)在RMSE方面的性能。箱体表示四分位距(IQR),水平线表示集合的中位数。须状线显示非异常值RMSE的范围。圆圈表示异常值。

3.2.2. 选定的ANN的性能

为了评估选定ANN模型的性能,图11、图12和图13分别展示了训练集、验证集和测试集的线性回归图,比较了网络输出(ANN生成的Cwr估计值)和目标值(来自实验测试程序的Cwr)。ANN模型在训练子集上的性能相关系数为R = 0.9989,所有数据点都接近x = y线,最佳线性拟合与此线重合(图11),表达式为:

(12) y = 0.9965x + 0.0014。

この結果は、トレーニング過程でのケースの非常に正確な学習を示しています。

下载:下载高分辨率图像(112KB)
下载:下载全尺寸图像

图11. トレーニングセットの線形回帰。ターゲットは実験テストプログラムから得られた捕捉幅比を表し、出力はANNによって推定された対応する値です。

下载:下载高分辨率图像(110KB)
下载:下载全尺寸图像

图12. 検証セットの線形回帰。ターゲットは実験テストプログラムから得られた捕捉幅比を表し、出力はANNによって推定された対応する値です。

下载:下载高分辨率图像(114KB)
下载:下载全尺寸图像

图13. テストセットの線形回帰。ターゲットは実験テストプログラムから得られた捕捉幅比を表し、出力はANNによって推定された対応する値です。

検証サブセットは、トレーニング中に予防するためにデータセットの一部を確保しており、モデルの未見データに対する性能を評価します。図12に示された分析では、検証サブセットの相関係数はR = 0.9943であり、これはトレーニングセットのそれよりもわずかに低いです。しかし、検証サブセットが未見データを含むことを考慮すると、モデルは高い精度を示しています。実際、検証セットの相関係数がトレーニングセットのそれを上回る場合は、検証ケースの選択が偏っているか、機械的な学習が行われている可能性があります。このサブセットの最適な線形フィット式は以下の通りです:

(13) y = 0.9892x + 0.0042。

最後に、テストセットはANNモデルの実際の性能を評価するものであり、それは初期ステップで保留され、トレーニングや検証中にニューラルネットワークに導入されなかったデータで構成されています。図13の線形回帰グラフは、出力とターゲットの間の非常に良い一致を反映しており、相関係数はR = 0.9941で、検証セットで得られたものとほぼ同じです。この一貫性は、ネットワークが過学習しておらず、未見データに対して信頼性を持って機能していることを確認しています。テストセットの最適な線形フィット式は以下の通りです:

(14) y = 0.9635x + 0.0147。

最適な線形フィット線とx = y線を比較すると、ANNモデルは一般的に捕捉幅比の中央から高い値(Cwr > 0.5)をやや過小評価する傾向があり、中央から低い値(Cwr < 0.5)を過大評価する傾向があります。検証セット(図12)でも同様の傾向が見られます。Cwrの最も一般的な値範囲である約0.2から0.6において、ANNモデルの精度は以前示されたものよりもさらに優れており、この範囲内ではほぼ完璧なフィット(y = x)を示しています。

これらの結果は、他のAIベースのアプローチ([37]、[75])が報告したものよりも高い相関係数を示しており、遺伝的アルゴリズム([76])などの計算負荷の高い方法と同等の性能を達成しています。これらの方法は通常、より複雑な最適化問題に適用されます。

3.3. 効率マトリックスへの応用

为了展示ANN在预测特定沿海位置的捕捉幅比总体数值方面的预测能力,还需要在各个能量区间层面评估其性能。因此,使用ANN模型来预测无量纲阻尼系数(Bc = 3.86)的未见值对应的捕捉幅比矩阵。实验获得的矩阵和ANN预测的矩阵都显示在图14中。

下载:下载高分辨率图像(304KB)
下载:下载全尺寸图像

图14. Bc = 3.86时OWC转换器的捕捉幅比矩阵:实验值(左)和ANN预测值(右)。

实验数据与ANN预测之间的比较突显了该模型的强大性能,证明了其在矩阵的各个能量区间内准确预测捕捉幅比的能力。虽然ANN预测(图14-右)在矩阵的中间区间(8 s < Te < 10 s)有轻微的 underestimate,但总体上提供了整个矩阵能量分布的非常准确的估计。两个矩阵的捕捉幅比值之间的比较得出总体的RMSE为0.021,相关系数为R = 0.9909。这进一步增强了模型捕捉这种阻尼配置下的总体捕捉幅比趋势的可靠性。此外,这些结果与关于波能转换器(WEC)功率评估和参数优化的相关工作[42]、[77]一致。

3.4. 应用于涡轮阻尼选择

为了全面验证ANN模型,它在实际应用中得到了使用:根据其特定海岸位置的波浪资源(由其特性矩阵定义,见第2.3节),确定OWC设备的最佳涡轮诱导阻尼。为此,ANN模型被用来预测特性矩阵中每个能量区间的捕捉幅比,无量纲阻尼系数的范围从Bc = 1.4到11。使用每个能量区间的捕捉幅比,根据入射波功率和相应的海况确定每个区间的捕获气动能量(图4)。然后,计算每个阻尼水平的平均捕捉幅比,作为总气动能量(所有区间之和)与总波能量的比率。这些结果显示在图15中。应该注意的是,使用了六个无量纲阻尼系数值(Bc = 1.89、2.61、3.23、5.35、7.82和10.58)来训练和验证ANN模型,但为验证模型在新情况下的性能,保留了一组针对额外阻尼水平(Bc = 3.86)的完整测试。实验值和ANN预测的平均捕捉幅比之间的比较得出总体RMSE为0.002,而未见阻尼水平的绝对误差为0.004。

下载:下载高分辨率图像(145KB)
下载:下载全尺寸图像

图15. ANN模型得到的不同无量纲阻尼系数值的平均捕捉幅比值(连续线)。圆圈表示用于训练和验证网络的实验建模中获得的实际值。星号代表一个额外的实验值,该值没有被网络识别到,是专门为验证目的保留的。虚线表示最佳阻尼值。人工神经网络(ANN)模型在与训练期间使用的无量纲阻尼系数对应的数据点上展示了高精度(图15中的圆圈)。这些结果表明,该模型可以可靠地预测任何阻尼条件下的平均捕获宽度比,从而能够识别出整体表现最佳的无量纲阻尼系数。对于这个特定的沿海站点,最佳阻尼水平——定义为产生最高平均捕获宽度比的值——是Bc = 3.70,该值使模型能够捕获所选位置56.4%的可用波浪能量。将ANN的预测结果与未观测到的阻尼值进行比较,发现两者之间的吻合度非常高。这些结果证实了ANN的可靠性,因为其预测值与目标值非常接近,进一步增强了模型的准确性和稳健性。与[78]中的方法不同,[78]中的阻尼优化是通过在波浪水槽中扫描一系列有限的孔径来实现的,而ANN模型能够在阻尼值和海况范围内提供连续的插值,显著减少了所需的物理模型测试数量。

4. 结论

本研究提出了一种新颖的方法,将人工神经网络(ANN)与物理建模相结合,用于表征L形振荡水柱(OWC)装置的水动力性能。该方法考虑了现实的操作条件,包括不规则波浪和空气可压缩性等非线性效应。开发了一个多层感知器前馈神经网络模型,并使用实验数据进行了训练和验证,从而能够在多种入射波浪条件和涡轮机特性的配置下,通过有限的物理模型测试数量,详细地表征OWC装置的性能,特别是捕获宽度比。10折交叉验证程序证明了神经网络解决所提出问题的出色能力,在几乎所有58种测试架构中,均实现了小于5%的均方根误差(RMSE)。其中,[3-20-1]模型——一个包含3个输入节点、20个隐藏节点和1个输出节点的架构——被确定为最佳ANN配置,其RMSE低于2.5%,相关性系数非常接近1(R = 0.9941)。所选的ANN模型在预测OWC装置在给定位置运行时在不同涡轮机诱导阻尼值下的平均捕获宽度比(RMSE < 1%)以及各个能量区间(波高和能量周期的组合)的捕获宽度比(RMSE < 2.5%)方面表现出强大的泛化能力。在这两种情况下,模型都表现出高精度,允许评估未经测试的输入配置。作为一个实际应用,基于ANN模型的性能预测,确定了在特定沿海站点运行的OWC的最佳阻尼值。对于加利西亚海岸的选定的案例研究,获得了最佳的无量纲阻尼系数Bc = 3.70,相应的捕获了56.4%的可用波浪能量资源。

总之,本研究开发的ANN模型能够准确预测在特定站点条件下运行的OWC装置的性能。这些能力减少了实验工作量,同时不牺牲预测的可靠性,有效地补充了物理建模,使得OWC装置的设计和优化过程更加便捷和成本效益更高。

CRediT作者贡献声明

B. álvarez:撰写——原始草稿、可视化、软件、方法论、调查、概念化。
D.M. Fouz:撰写——审阅与编辑、可视化、验证、软件、调查。
I. López:撰写——审阅与编辑、可视化、监督、方法论、调查。
R. Carballo:撰写——审阅与编辑、监督、方法论、调查、资金获取、形式分析。
相关新闻
生物通微信公众号
微信
新浪微博

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