利用U-Net卷积神经网络对平面海岸地形进行实时相位分辨波感测预测
《Coastal Engineering》:Real-time phase-resolved wave prediction over planar coastal bathymetries using U-Net convolutional neural networks
【字体:
大
中
小
】
时间:2026年05月08日
来源:Coastal Engineering 4.5
编辑推荐:
威廉·赖特 | 约翰·克拉斯克 | 伊奥安尼斯·卡尔帕达基斯
伦敦帝国学院土木与环境工程系,英国伦敦SW7 2AZ
**摘要**
实时、相位分辨的波浪预测对于沿海地区的安全运营至关重要,例如通过启用预警系统来支持实时决策。然而,非线性变换、深度变化和波浪破碎限制了理
威廉·赖特 | 约翰·克拉斯克 | 伊奥安尼斯·卡尔帕达基斯
伦敦帝国学院土木与环境工程系,英国伦敦SW7 2AZ
**摘要**
实时、相位分辨的波浪预测对于沿海地区的安全运营至关重要,例如通过启用预警系统来支持实时决策。然而,非线性变换、深度变化和波浪破碎限制了理论模型的准确性。本研究提出了一种数据驱动的替代方法,使用卷积神经网络来预测近岸水面高度的时间序列。所提出的方法是针对平坦斜坡上的长峰波开发的,能够提前大约6个周期预测水面高度。具体来说,采用了具有三个编码阶段和三个解码阶段的U-Net架构,以及大约200,000个可训练参数,预测基于来自单个海上测量的短时间窗口的数据。实验室实验使用了在倾斜床上传播的长峰波进行训练和测试,涵盖了多种床面坡度、光谱形状、峰值周期和陡度。将模型性能与经过浅滩修正的线性和二阶波浪理论的预测结果进行了比较。神经网络的预测误差一致低于理论模型,特别是在非线性和破碎作用占主导的浅水区域。它还比理论模型更准确地捕捉到了波浪到达时间,并且在应用于未见过的水况或略微嘈杂的输入信号时表现出魯棒性。这些结果表明,在这种实验室条件下,神经网络可以将相位分辨的波浪预测扩展到沿海地区,补充了传统的理论方法,并提供了一种实用框架,通过进一步发展,可以基于海上波浪数据提供实时运营预测。
**1. 引言**
海洋中的波浪通常被视为随机的,因此使用统计参数进行量化。例如,在全球海洋及其周围的许多结构的设计和运营中,显著波高Hs和峰值周期Tp等统计量起着关键作用(Goda, 2010)。然而,对于某些用途,需要相位分辨的入射波预测。一个重要的例子是通过减少意外大波浪或波浪群对人员造成伤害或设备损坏的风险来提高沿海地区的安全性。诸如结构维护和安装、船舶靠泊以及人员转移等操作都将受益于实时波浪预测带来的安全改进。某些商业产品的开发突显了这种安全增强的重要性,例如Next Ocean的WavePredictor(Next Ocean, 2024),它可以根据预测的波浪峰值高度提供安全的操作指示。另一个受益于相位分辨预测的例子是优化波浪能转换器的效率。波浪能转换器是一种日益流行的可再生能源来源(Hurtado, 2025),并且经常与沿海地区的结构集成在一起(Buccino et al., 2015, Almalki et al., 2025)。通过相位分辨预测,可以调整这些系统的扭矩以增加能量生成率(Li et al., 2012)。
除了上述例子之外,相位分辨的波浪预测在海岸和海洋工程中还有许多应用。例如,船舶导航(Naaijen和Huijsmans, 2008)预测由于入射波浪场而产生的船舶运动;船舶卸货和人员转移操作(Takami et al., 2021);以及计算沿海结构的波浪越浪风险(Henderson et al., 2022)。
海洋波浪的传播受一系列物理过程的支配,这些过程的相互作用导致了复杂的行为,在深水中的传播和通过沿海地区的传播之间存在很大差异。一些仅限于沿海区域的过程包括浅滩效应、波浪建立和衰减、床面摩擦以及回流(Holthuijsen, 2010)。其他在深水中存在的过程,随着 bathymetry(水深)的影响变得不可忽视而逐渐发展。例如,由于色散关系,在较浅的水域中波长缩短,波浪破碎从由陡度引起转变为由深度引起(Goda, 2010)。此外,高阶相互作用的性质也发生了变化,构成波浪场的不同谐波之间相互作用,可能导致能量转移到更高和更低的频率谐波。在深水中,这种作用的主要机制是四波之间的共振相互作用(Zakharov, 1968),随着水深变浅,这种机制转变为三波之间的相互作用(Akrish et al., 2024a, He et al., 2023)。尽管已经对上述效应进行了大量研究,并且存在许多试图解决这些效应的模型,但我们实时建模的能力仍然有限。以波浪破碎为例,像Basilisk(Popinet, 2013)这样的CFD模型可以用来进行直接数值模拟,但由于需要解决的尺度范围广泛,模拟需要极长的运行时间(Tang et al., 2024)。一个常见的替代方法是使用基于经验参数的简化破碎模型,例如Lin和Sheng(2017)讨论的模型,或者SWASH(Zijlema et al., 2011)中使用的模型。然而,这些简化可能会导致最终输出中的误差增加,正如Al Khalili et al.(2025a, Al Khalili et al., 2026)所示。
更简单的模型,如线性波浪理论及其变体,可以实时轻松运行,它们利用一些假设(例如小振幅和弱非线性)来用自由表面高度η(x,t)表示控制方程,而不是整个流场。其他流行的模型示例包括基于Boussinesq方程的模型(Madsen和S?rensen, 1992),这些模型最近也在GPU上实现,提供了巨大的计算时间优势(Tavakkol和Lynett, 2017)。
数据驱动方法(Liu et al., 2024, Huo et al., 2025)成为理论方法的一种越来越流行的替代方案,例如神经网络,用于学习不同数据集之间的关系。虽然神经网络不是一个新概念,但计算能力的进步以及越来越多数据和复杂算法的可用性使它们在广泛的应用中变得可行。尽管神经网络在某些情况下被证明是有用的,但它们的预测通常被视为来自一个“黑箱”,难以解释,因此应该谨慎对待,因为不清楚何时或为什么预测会出现错误(Ghorbani et al., 2019)。
神经网络已经使用不同的网络架构和数据类型应用于波浪建模。例如,Feng等人(2024)使用人工神经网络(ANN)来预测数值波浪模拟的输出。同样,Pang等人(2023)和Wedler等人(2023)都使用卷积神经网络(CNN),而Meng等人(2022)使用长短期记忆网络(LSTM)来预测数值生成波浪的输出。还有一些论文使用神经网络来预测实验生成的波浪,例如Ma等人(2022)使用LSTM,Ehlers等人(2025)使用物理信息神经网络(PINNs)。PINNs与其他模型不同,因为它们是无监督的,不需要实验数据进行训练。相反,它们使用控制物理方程来提供损失项,充当无网格的微分方程求解器。最后,还有一些研究检查实地数据。例如,Chen等人(2024)使用ANN根据大约33米水深的浮标测量来预测波浪传播。
上述机器学习贡献没有明确考虑水深变化的影响。这些影响完全改变了波浪传播的动力学,而这在以前的研究中只有少数被考虑过。例如,Wei和Davison(2022)使用CNN来预测SWASH模拟的沿海水深输出;Yang等人(2025)使用PINNs来求解Boussinesq和浅水方程;Harris(2025)使用基于多层感知器的编码器-解码器系统来预测在潜没沙洲上传播的波浪的实验室测量结果。
我们旨在解决的问题是使用远处海上的测量数据来预测靠近岸线的位置的长峰波表面高度时间序列。我们应用了理论模型和神经网络,以远处海上的测量数据作为输入,预测更靠近岸线的位置对应的表面高度时间序列。选择这种配置是因为它代表了沿海地区非常常见的设置,其中波浪浮标被安装在海上,它们的数据被用来预测波浪及其相关变量向岸线的演变。我们考虑了Bellos等人(2023)提供的实验室数据中的各种不同波浪光谱和测量位置,并分析了神经网络与理论模型的有效性。
在当前研究中,我们考虑了沿恒定床面坡度传播的长峰波。在真实的海洋中,波浪将是短峰的,并且可能会与潮汐或其他洋流、风以及变化的水深或沙洲相互作用。这些效应的重要性在文献中已经广泛讨论(Holthuijsen, 2010, Babanin, 2011)。例如,方向性会改变破碎极限和最大波高(Karmpadakis et al., 2019a),洋流的存在会改变色散(Klein et al., 2022),而潜没的沙洲会导致极端波浪形成(Millar et al., 2026)。因此,本文的发展针对的是一个相对简单的沿海环境,因为没有考虑上述效应,并提供了一个概念验证。然而,这里开发的方法为将来添加这些效应提供了直接途径。
本文的结构如下:第2节描述了实验室数据和使用的理论模型;第3节描述了所提出的机器学习解决方案的实现;第4节验证了所提出的模型,并将其输出与理论模型的输出进行了比较;最后,第6节提供了对该方法应用的结论和建议。
**2. 实验室数据**
本文使用的数据来自Bellos等人(2023)的实验,其中包括沿着23米长、0.5米深的槽道传播的长峰波,如图1所示。为了将这些数据转换为现场规模,应用了Froude相似性,长度比例比为1:100,时间比例比为1:10。此后,所有值均以现场规模给出(除非另有说明)。例如,在实验室规模中,Hs=0.086米和Tp=1.4秒的海况将在此工作中表示为Hs=8.6米和Tp=14秒。研究了三种不同的水深,包括1/50、1/30和1/15的均匀坡度,每种配置每隔20米设置一个测量点,提供了非常精细的空间分辨率。测量范围覆盖了最远1.9公里的距离,水深从海外的50米到近岸的0.8米不等。这些长度在实验室规模中对应于每隔0.2米设置一个测量点,最远距离为19米,水深在0.008米到0.5米之间。
为了简洁和方便,我们专注于1/30的坡度,特别是两个测量点——A和B——其中水深分别为26.5米和12.5米。这些在图1中用粗体标出,允许研究不同深度下的不同行为。然而,所呈现的结果同样适用于所有测量点对。
该数据集包括了一系列波浪光谱的模拟,涵盖了实际海洋状态中通常遇到的不同条件。使用了两种不同的光谱形状——JONSWAP和高斯。JONSWAP光谱(Hasselmann et al., 1973)是基于北海的测量数据得出的,光谱能量密度Sηη定义为:
(1) Sηη(f) = αg2(2π)?f?exp???ffp??γb(f),
(2) 其中b(f) = exp?12f/fp?1σJ2。这里α是能量比例因子,g是重力加速度,fp是峰值频率,σJ是峰值宽度参数(对于f≤fp,σJ=0.07,否则σJ=0.09),b(f)是峰值增强函数,γ是峰值增强因子。高斯光谱定义为:
(3) Sηη(f) = Hs?21δ2πexp?(f?fp)22δ2,其中δ是高斯光谱的标准差。
**下载:下载高分辨率图像(148KB)**
**下载:下载全尺寸图像**
图1.不同水深情况下的槽道设置图示,实验室尺度下的测量数据也一并展示。垂直线代表波浪测量仪,离岸较远的测量仪用粗线标出。对于1/30的坡度,另外两个测量仪也用粗线标出,分别命名为A(较深)和B(较浅),这些在整篇文章中都有提及。在数据集中,Tp的变化范围涵盖了更广泛的有效水深kph,其中kp是对应于峰值频率fp的波数,使用线性色散关系计算得出。对于每个给定的Tp值,我们通过改变Hs(相当于更改JONSWAP谱的α值)来研究海况陡度的效应。通过改变高斯谱的δ值或JONSWAP谱的γ值来捕捉谱带宽的影响。所有谱都是在离岸边界定义的,并且在过渡到较浅的水域时发生变化。本研究可用的完整谱集如表1所示。谱的形状用J或G表示,分别对应JONSWAP谱和高斯谱。对于JONSWAP谱,还使用另一个字母来表示Tp值——A、B、C或D,分别对应Tp=12、14、16或18秒。对于Tp=14秒的情况,γ和δ都可以变化,此时使用n、m或b来表示窄带、中带或宽带情况。最后,每种谱形的陡度情况都在表1中列出,其中陡度定义为(4)Sp=2πHsgTp2。
对于每个给定的谱形,我们将这些陡度情况编号为1到6的整数。例如,JBb4表示Tp=14秒、γ=1、Hs=11.5米的JONSWAP谱。
表1. 本研究使用的不同谱集,由Bello斯等人(2023年)生成。这包括不同类型的谱,具有峰值周期Tp、(离岸)有效波高Hs的变化,以及谱是窄带还是宽带的变化。
| Tp [秒] | γ [-] | 情况名称 | Sp [-] | Hs [米] | kph [-] |
|---------|--------|---------|--------|--------|
| | --- | -------|---------|--------|--------|
| 1/30 | | JBb | 0.010 | 0.020 | 0.031 | 0.040 | 0.048 | 0.055 | 2.3 | 4.6 | 6.8 | 9.1 | 11.1 | 12.4 |
| | | JBm | 0.009 | 0.019 | 0.028 | 0.037 | 0.045 | 2.9 | 5.7 | 8.6 | 11.5 | 13.9 | 15.6 |
| | | JBn | 0.009 | 0.019 | 0.028 | 0.037 | 0.045 | 2.9 | 5.7 | 8.6 | 11.5 | 13.9 | 15.6 |
| | | JC | 0.009 | 0.018 | 0.026 | 0.034 | 3.4 | 6.9 | 10.3 | 13.7 | 16.7 | 1.02 | 0.11 |
| | | JD | 0.008 | 0.016 | 0.024 | 0.031 | 4.0 | 8.0 | 11.9 | 15.9 | 0.88 | 0.10 |
| | | | | | |
对于每个海况,进行了20次随机模拟,初始相位均匀分布在(0,2π)范围内。这些随机相位在不同谱中重复使用,以便更好地分析能量和带宽等效应,遵循Karmpadakis和Swan(2020年)的方法。每个时间序列大约持续3小时,每个海况总共提供大约60小时的数据。每个海况的波浪数量在15,000到20,000个之间。每个时间序列在实验室尺度上以128 Hz的频率测量(相当于现场尺度上的12.8 Hz),Karmpadakis(2019年)指出测量误差在±5厘米以内(以现场尺度表示时,相对误差保持不变)。虽然Bello斯等人(2023年)使用固定的波浪测量仪,但应注意的是,这不一定代表波浪浮标——一种常见的现场仪器。根据其固定方式,波浪浮标可能在波浪场中漂移,以半拉格朗日方式提供测量数据(Kuik等人,1988年)。因此,实际使用中需要校正以考虑测量位置的变化,尽管这项工作中没有考虑这一点。本数据集中记录的波浪数量和谱的数量都明显多于大多数沿海研究(Katsardi等人,2013年;Karmpadakis等人,2019b年;Karmpadakis等人,2020年)。记录大量波浪对于可靠的机器学习方法至关重要,因为预测准确性很大程度上取决于可用的数据量。此外,记录更多波浪可以增加观察到极端事件的机会,而这些事件通常难以被机器学习方法准确捕捉(Chen和Majda,2020年)。考虑的海况范围广泛,允许比较不同的物理效应,以及测试机器学习的泛化能力。
3. 波浪理论
只有在短时间内,才能利用近岸测量仪获得足够的信息来进行准确的预测,这个时间间隔被称为可预测间隔,该间隔的最大未来范围被称为可预测性范围(Desmars等人,2020年;Kim等人,2024年;Qi等人,2018年;Stuhlmeier和Stiassnie,2021年)。可预测间隔与不同谐波传播的速度有关,正如Qi等人(2018年)所描述的。例如,如果在预测时快速波浪尚未经过初始测量仪,则模型无法考虑这些波浪的影响。当它们到达近岸测量仪时,它们对表面 elevation 时间序列的影响就无法考虑,这会显著影响预测的准确性。为了最小化这种准确性的降低,我们根据每个谐波相关的速度对预测时间序列的范围施加了限制。图2以图形方式展示了这一点。
具体来说,图2(a)显示了可预测间隔的构建方式,当前时间位于最初测量序列的末尾(以垂直蓝线表示)。可预测间隔随距离的变化由最大和最小群速度(cg,max和cg,min)控制,其中群速度描述了特定谐波传递能量的速度,如方程(5)所定义。图2(a)中黑色对角线的梯度由这些速度的倒数给出,因为时间和距离分别显示在y轴和x轴上。这确保了任何未被初始测量捕获的波浪在可预测间隔内不会产生影响,前提是相应的群速度cg满足cg,min< />
图2(a)显示了如何根据最快的和最慢的群速度来考虑可预测间隔与初始测量之间的关系。这里的群速度等于两条对角线梯度的倒数,这些梯度随着水深的减小而变化。可预测间隔的最大未来范围由红色段的长度给出,即可预测性范围。图(a)中使用的群速度是根据图(b)中白色部分波谱的最大和最小频率计算得出的。红色部分被忽略,因为它们各自只包含谱总能量的0.5%。
根据线性理论,给定谐波的群速度通过以下公式定义:
cg(ω) = ω2k1 + 2khsin(2kh),其中h是水深,ω=2πf是角频率,k=k(ω)是波数。在ω→0(长波)的极限情况下,cg(ω)→gh;而在ω→∞(短波)的极限情况下,cg(ω)→0。这会有问题,因为cgmin的小值会严重限制可预测区域。为了解决这个问题,我们通过从谱的每个尾部减去总能量的0.5%来排除最高和最低频率的谐波,从而忽略了总能量的1%。图2(b)显示了一个示例谱,其中未阴影区域对应于总能量的99%,因此cg,min和cg,max在这个区域的边界处定义。
请注意,我们用来定义可预测间隔的计算基于线性随机波理论(lrwt,mei等人,2005年),因此在非线性行为未被捕捉的情况下可能会导致不准确性。我们将在第5.5节进一步讨论这一点。本文中的所有预测都是使用这个可预测间隔来定义预测范围的。
我们使用的两种理论模型是lrwt和二阶随机波理论(sorwt,akrish等人,2024a),两者都经过了修改,以确保每个谐波的能量通量在空间上是恒定的。sorwt通过考虑不同谐波之间的二阶波浪相互作用来修改lrwt。我们将表面 elevation 时间序列的傅里叶分解表示为(6)η(x,t) = re∑n an e^(-iωnt)。这里x表示沿槽道长度的距离(图1),求和是在所有捕获的谐波上进行的,n索引第n个谐波(ωn=nω0)。an项表示复幅度,它是实幅度和在空间中振荡的复相位项的乘积。采用这种表示法简化了sorwt方程,因为非线性相互作用取决于相位差。
根据lrwt,复幅度an按照以下方式演化:
dandanx = ik^n(-1/2cg,n)dcg,n+dxan,
其中kn和cg,n分别表示k(ωn)和cg(ωn)。ikn项表示复幅度的空间振荡,涉及群速度cg,n的项表示浅滩效应,确保能量通量|an|2cg,n是恒定的。sorwt的相应方程为:
d?ndx = ik^n(-1/2cg,n)dcg,n+dxan - i∑(r=1n-1vr,n-1) aran-r - i∑(r=n+1nvr,r-n-ar aran-r*),
其中*表示复共轭,n表示谐波的总数。涉及v的项表示非线性相互作用,因此线性理论对应于v+和v?分别为零。v+和v?分别代表超调和次谐波相互作用,v+和v?的元素称为相互作用核,这些核随水深的变化而变化。akrish等人(2024a)总结了推导这些核的多种方法。akrish等人(2024a)回顾了bredmose等人(2005年)、freilich和guza(1984年)、kaihatu和kirby(1995年)以及madsen和s?rensen(1993年)推导的核,以及nwogu(1993年)和whitham(1967年)的工作。我们使用的核是quadwave1d核,由akrish等人(2024b)通过改进bredmose等人(2005年)推导的核来获得,以更好地拟合实验室数据。为了方便起见,这些核包含在附录a中。
对于lrwt理论,方程(8)可以重写为(9):
an(x) = exp(∫_0^x [ik_n(x?)^-1/2cg,n(x?) dcg,n(x?) dx?]) an(0),
因此可以通过简单的x积分来解决;但sorwt中的非线性项显著增加了计算复杂性。我们采用rk4方法,遵循akrish等人(2024a)的示例,步长为2米,以确保数值解的稳定性。为了加快计算速度,我们预先保存了所有不同水深的相互作用核,并根据需要加载它们。对于这两种方法,频率f线性分布,lrwt的最大大约为0.3 hz,sorwt为1480个谐波。
虽然运行时间对lrwt来说不是问题,但sorwt的运行时间限制了可以使用的谐波数量。图3给出了一个示例,显示了不同谐波数量下每100米的运行时间。这些与表1中海况jbm的测试案例的相应可预测性范围(图2)进行了比较,水深为50米。对于所有的sorwt模拟,我们使用了1480个模式,如图3所示,这导致运行时间等于可预测性范围。尽管这种运行时间的选择不切实际,但这种方法取得了最高的准确性,我们注意到不同的硬件和数值求解器可以进一步减少计算时间。本研究中使用的计算机是intel xeon gold 6226r cpu(16核,32线程),配备64 gb ram。
图3. 在100米距离上运行sorwt的cpu时间与模型中使用的谐波数量相对应。虚线红线显示了在50米水深下jbm谱形的2倍、1倍和12倍可预测性范围。请注意,可预测性范围并不随距离线性增加——因此在较浅的测量仪处,cpu时间将占可预测性范围的较小比例。
4. 神经网络
神经网络作为一种非线性回归函数,通过大量可训练参数以系统和结构化的方式定义(shalev-shwartz和ben-david,2014年)。 图2(a)显示了如何根据最快的和最慢的群速度来考虑可预测间隔与初始测量之间的关系。这里的群速度等于两条对角线梯度的倒数,这些梯度随着水深的减小而变化。可预测间隔的最大未来范围由红色段的长度给出,即可预测性范围。图(a)中使用的群速度是根据图(b)中白色部分波谱的最大和最小频率计算得出的。红色部分被忽略,因为它们各自只包含谱总能量的0.5%。 根据线性理论,给定谐波的群速度通过以下公式定义: cg(ω)=ω2k1 + 2khsin(2kh),其中h是水深,ω=2πf是角频率,k=k(ω)是波数。在ω→0(长波)的极限情况下,cg(ω)→gh;而在ω→∞(短波)的极限情况下,cg(ω)→0。这会有问题,因为cgmin的小值会严重限制可预测区域。为了解决这个问题,我们通过从谱的每个尾部减去总能量的0.5%来排除最高和最低频率的谐波,从而忽略了总能量的1%。图2(b)显示了一个示例谱,其中未阴影区域对应于总能量的99%,因此cg,min和cg,max在这个区域的边界处定义。 请注意,我们用来定义可预测间隔的计算基于线性随机波理论(lrwt,mei等人,2005年),因此在非线性行为未被捕捉的情况下可能会导致不准确性。我们将在第5.5节进一步讨论这一点。本文中的所有预测都是使用这个可预测间隔来定义预测范围的。 我们使用的两种理论模型是lrwt和二阶随机波理论(sorwt,akrish等人,2024a),两者都经过了修改,以确保每个谐波的能量通量在空间上是恒定的。sorwt通过考虑不同谐波之间的二阶波浪相互作用来修改lrwt。我们将表面 elevation 时间序列的傅里叶分解表示为(6)η(x,t)=Re∑n an e^(-iωnt)。这里x表示沿槽道长度的距离(图1),求和是在所有捕获的谐波上进行的,n索引第n个谐波(ωn=nω0)。an项表示复幅度,它是实幅度和在空间中振荡的复相位项的乘积。采用这种表示法简化了SORWT方程,因为非线性相互作用取决于相位差。 根据lrwt,复幅度an按照以下方式演化: dandanx=ik^n(-1/2cg,n)dcg,n+dxan, 其中kn和cg,n分别表示k(ωn)和cg(ωn)。ikn项表示复幅度的空间振荡,涉及群速度cg,n的项表示浅滩效应,确保能量通量|an|2cg,n是恒定的。sorwt的相应方程为: d?ndx=ik^n(-1/2cg,n)dcg,n+dxan - i∑(r=1n-1Vr,n-1) aran-r - i∑(r=n+1NVr,r-n-ar aran-r*), 其中*表示复共轭,n表示谐波的总数。涉及v的项表示非线性相互作用,因此线性理论对应于v+和v?分别为零。v+和v?分别代表超调和次谐波相互作用,v+和v?的元素称为相互作用核,这些核随水深的变化而变化。akrish等人(2024a)总结了推导这些核的多种方法。akrish等人(2024a)回顾了bredmose等人(2005年)、freilich和guza(1984年)、kaihatu和kirby(1995年)以及madsen和s?rensen(1993年)推导的核,以及nwogu(1993年)和whitham(1967年)的工作。我们使用的核是quadwave1d核,由akrish等人(2024b)通过改进bredmose等人(2005年)推导的核来获得,以更好地拟合实验室数据。为了方便起见,这些核包含在附录a中。 对于lrwt理论,方程(8)可以重写为(9): an(x)=exp(∫_0^x [ik_n(x?)^-1 2cg,n(x?) dcg,n(x?) dx?]) an(0), 因此可以通过简单的x积分来解决;但sorwt中的非线性项显著增加了计算复杂性。我们采用rk4方法,遵循akrish等人(2024a)的示例,步长为2米,以确保数值解的稳定性。为了加快计算速度,我们预先保存了所有不同水深的相互作用核,并根据需要加载它们。对于这两种方法,频率f线性分布,lrwt的最大大约为0.3 hz,sorwt为1480个谐波。 虽然运行时间对lrwt来说不是问题,但sorwt的运行时间限制了可以使用的谐波数量。图3给出了一个示例,显示了不同谐波数量下每100米的运行时间。这些与表1中海况jbm的测试案例的相应可预测性范围(图2)进行了比较,水深为50米。对于所有的sorwt模拟,我们使用了1480个模式,如图3所示,这导致运行时间等于可预测性范围。尽管这种运行时间的选择不切实际,但这种方法取得了最高的准确性,我们注意到不同的硬件和数值求解器可以进一步减少计算时间。本研究中使用的计算机是intel xeon gold 6226r cpu(16核,32线程),配备64 gb ram。 图3. 在100米距离上运行sorwt的cpu时间与模型中使用的谐波数量相对应。虚线红线显示了在50米水深下jbm谱形的2倍、1倍和12倍可预测性范围。请注意,可预测性范围并不随距离线性增加——因此在较浅的测量仪处,cpu时间将占可预测性范围的较小比例。 4. 神经网络>
图2(a)显示了如何根据最快的和最慢的群速度来考虑可预测间隔与初始测量之间的关系。这里的群速度等于两条对角线梯度的倒数,这些梯度随着水深的减小而变化。可预测间隔的最大未来范围由红色段的长度给出,即可预测性范围。图(a)中使用的群速度是根据图(b)中白色部分波谱的最大和最小频率计算得出的。红色部分被忽略,因为它们各自只包含谱总能量的0.5%。
根据线性理论,给定谐波的群速度通过以下公式定义:
cg(ω) = ω2k1 + 2khsin(2kh),其中h是水深,ω=2πf是角频率,k=k(ω)是波数。在ω→0(长波)的极限情况下,cg(ω)→gh;而在ω→∞(短波)的极限情况下,cg(ω)→0。这会有问题,因为cgmin的小值会严重限制可预测区域。为了解决这个问题,我们通过从谱的每个尾部减去总能量的0.5%来排除最高和最低频率的谐波,从而忽略了总能量的1%。图2(b)显示了一个示例谱,其中未阴影区域对应于总能量的99%,因此cg,min和cg,max在这个区域的边界处定义。
请注意,我们用来定义可预测间隔的计算基于线性随机波理论(lrwt,mei等人,2005年),因此在非线性行为未被捕捉的情况下可能会导致不准确性。我们将在第5.5节进一步讨论这一点。本文中的所有预测都是使用这个可预测间隔来定义预测范围的。
我们使用的两种理论模型是lrwt和二阶随机波理论(sorwt,akrish等人,2024a),两者都经过了修改,以确保每个谐波的能量通量在空间上是恒定的。sorwt通过考虑不同谐波之间的二阶波浪相互作用来修改lrwt。我们将表面 elevation 时间序列的傅里叶分解表示为(6)η(x,t) = re∑n an e^(-iωnt)。这里x表示沿槽道长度的距离(图1),求和是在所有捕获的谐波上进行的,n索引第n个谐波(ωn=nω0)。an项表示复幅度,它是实幅度和在空间中振荡的复相位项的乘积。采用这种表示法简化了sorwt方程,因为非线性相互作用取决于相位差。
根据lrwt,复幅度an按照以下方式演化:
dandanx = ik^n(-1/2cg,n)dcg,n+dxan,
其中kn和cg,n分别表示k(ωn)和cg(ωn)。ikn项表示复幅度的空间振荡,涉及群速度cg,n的项表示浅滩效应,确保能量通量|an|2cg,n是恒定的。sorwt的相应方程为:
d?ndx = ik^n(-1/2cg,n)dcg,n+dxan - i∑(r=1n-1vr,n-1) aran-r - i∑(r=n+1nvr,r-n-ar aran-r*),
其中*表示复共轭,n表示谐波的总数。涉及v的项表示非线性相互作用,因此线性理论对应于v+和v?分别为零。v+和v?分别代表超调和次谐波相互作用,v+和v?的元素称为相互作用核,这些核随水深的变化而变化。akrish等人(2024a)总结了推导这些核的多种方法。akrish等人(2024a)回顾了bredmose等人(2005年)、freilich和guza(1984年)、kaihatu和kirby(1995年)以及madsen和s?rensen(1993年)推导的核,以及nwogu(1993年)和whitham(1967年)的工作。我们使用的核是quadwave1d核,由akrish等人(2024b)通过改进bredmose等人(2005年)推导的核来获得,以更好地拟合实验室数据。为了方便起见,这些核包含在附录a中。
对于lrwt理论,方程(8)可以重写为(9):
an(x) = exp(∫_0^x [ik_n(x?)^-1/2cg,n(x?) dcg,n(x?) dx?]) an(0),
因此可以通过简单的x积分来解决;但sorwt中的非线性项显著增加了计算复杂性。我们采用rk4方法,遵循akrish等人(2024a)的示例,步长为2米,以确保数值解的稳定性。为了加快计算速度,我们预先保存了所有不同水深的相互作用核,并根据需要加载它们。对于这两种方法,频率f线性分布,lrwt的最大大约为0.3 hz,sorwt为1480个谐波。
虽然运行时间对lrwt来说不是问题,但sorwt的运行时间限制了可以使用的谐波数量。图3给出了一个示例,显示了不同谐波数量下每100米的运行时间。这些与表1中海况jbm的测试案例的相应可预测性范围(图2)进行了比较,水深为50米。对于所有的sorwt模拟,我们使用了1480个模式,如图3所示,这导致运行时间等于可预测性范围。尽管这种运行时间的选择不切实际,但这种方法取得了最高的准确性,我们注意到不同的硬件和数值求解器可以进一步减少计算时间。本研究中使用的计算机是intel xeon gold 6226r cpu(16核,32线程),配备64 gb ram。
图3. 在100米距离上运行sorwt的cpu时间与模型中使用的谐波数量相对应。虚线红线显示了在50米水深下jbm谱形的2倍、1倍和12倍可预测性范围。请注意,可预测性范围并不随距离线性增加——因此在较浅的测量仪处,cpu时间将占可预测性范围的较小比例。
4. 神经网络
神经网络作为一种非线性回归函数,通过大量可训练参数以系统和结构化的方式定义(shalev-shwartz和ben-david,2014年)。>参数是在一个包含解释变量和响应变量的大型训练数据集上优化的,网络输出的准确性可以根据具体任务以多种方式进行量化(LeCun等人,2015年)。网络的结构由一系列独立的“层”组成,每一层代表了数据的某种转换。基于梯度的优化算法所需的梯度则是通过使用自动微分技术沿着每一层追溯导数来计算的(Baydin等人,2018年)。优化算法在训练数据上迭代运行,直到预测准确性足够低,或者不再改善为止,每次完整遍历训练数据集称为一个周期。预测准确性是在一个单独的验证数据集上计算的,该数据集不用于更新网络参数。这表明网络是在学习一般性关系,还是仅学习训练数据集的特定特征。后一种情况称为“过拟合”,其特征是训练数据集和验证数据集之间的预测准确性差异很大(Shalev-Shwartz和Ben-David,2014年)。我们使用的是卷积神经网络(CNN)——这是一种设计用于关注数据中局部特征的神经网络类型(O’Shea和Nash,2015年)。它通过卷积层实现这一点,这些卷积层使用可训练的滤波器来扫描时间序列的长度,如图4所示。本研究中使用的网络架构是用Python和TensorFlow包实现的(Abadi等人,2015年),实现该网络的代码作为本文的一部分提供(数据可用性)。下载:下载高分辨率图像(113KB)下载:下载全尺寸图像图4. 卷积层的示意图。滤波器(绿色)沿着输入时间序列逐个单元格滑动,生成输出序列——图中用红色和蓝色展示了两个示例。用圆点表示的操作符是标准向量点积。该图忽略了x和y边界附近的特殊情况,这些情况下会使用零填充等技术。卷积层的一般公式(忽略时间序列边界附近的情况)为(10)yi+K=σ∑k=12K+1xi+kVk,其中时间序列x和y分别是该层的输入和输出,V是一个大小为2K+1的滤波器,σ是一个激活函数,其唯一目的是向网络引入非线性(O’Shea和Nash,2015年)。这种公式确保信息仅传播到每层的2K+1个时间步长,并且这种传播在时间序列x上是一致的。公式(10)对于y和x边界附近的节点不适用,因为滤波器V会超出x的范围。为了解决这个问题,使用了零填充,即通过在两个边界处添加零来扩展x。在本研究中,这是通过在调用TensorFlow层时设置‘padding=same’来实现的。每个时间步可以使用多个滤波器,将x的维度扩展为多个时间序列(称为通道),从而让网络编码更多数据。我们使用的激活函数是高斯误差线性单元(GELU),(11)σ(x)=x21+erfx2,由Hendrycks和Gimpel(2016年)提出,他们证明这种函数在多种任务中都能获得良好的结果。我们使用的是一种称为U-Net架构的特定形式的CNN。U-Net是由Ronneberger等人(2015年)为图像分割开发的,最近在时间序列预测领域受到了广泛关注。U-Net通过将卷积层与压缩和解压缩层结合使用,扩展了卷积层的概念,使网络能够在不同的尺度上学习关系。U-Net网络的前半部分称为“编码层”,其中压缩层和卷积层都缩短了时间序列的长度并增加了通道数量。然后后半部分或“解码层”使用卷积层和解压缩层来将时间序列缩放到正确的输出长度。压缩层和解压缩层有不同的选择,根据Ronneberger等人(2015年)的描述,我们分别使用了最大池化层和转置卷积层。使用与公式(10)相同的符号,这些层在减半和加倍序列长度时的公式分别为(12)yi=maxx2i?1,x2i对于最大池化,以及(13)y2i=σ∑k=1Kxi?kV2k,y2i?1=σ∑k=1K+1xi?kV2k?1对于转置卷积。与公式(10)一样,公式(13)仅适用于内部点,必须特别考虑边界情况。这与公式(10)的处理方式相同,通过在TensorFlow中设置‘padding=same’来对输入进行零填充。有许多超参数定义了U-Net架构的形状。为了确保所使用的网络适合问题,我们首先进行超参数优化。通过改变层数或滤波器大小等属性定义了大量网络,并在某些代表性谱线上分别训练每个网络。然后选择平均验证误差最低的网络作为最佳模型,将其称为“U-Net”。关于这一过程的详细描述以及所有损失值在附录B中给出。超参数优化允许在欠拟合和过拟合之间找到平衡。我们通过一组预测指标演示了这种优化,并注意到不同距离的预测会导致不同的最佳网络形状。图中显示了我们使用的U-Net架构。虽然图中各层的数组大小未按比例绘制,但这些信息作为补充材料提供。由于卷积层可能受到滤波器与时间序列末端相互作用的不利影响,它们的预测准确性会降低。为了防止这影响最终输出,我们确保网络输出的时间序列长度超过所需的间隔,然后从两端裁剪至少2.5秒的数据。我们测试了从时间序列两端裁剪不同长度的数据,发现2.5秒在消除边界效应和保留尽可能多的数据之间提供了良好的平衡。下载:下载高分辨率图像(176KB)下载:下载全尺寸图像图5. 使用的U-Net架构图。蓝色框代表每个步骤的序列,高度表示序列长度,宽度表示通道数量。这里的框未按比例绘制,但每层的实际大小可以在附录B中找到。网络权重使用He-Normal初始化(He等人,2015年)进行初始化,并使用带自适应学习率的梯度下降进行优化。具体来说,我们使用ADAM算法(Kingma和Ba,2014年),采用TensorFlow的默认参数,批量大小为256。对于分析和训练,我们使用归一化均方根误差(RMSE)指标,定义为(14)RMSE(ηtr,ηpr)=∫(ηtr?ηpr)2dt∫ηtr2dt,其中ηtr和ηpr分别是真实时间和预测时间序列,积分是在整个预测时间序列上进行的。RMSE指标对较大的偏差惩罚较大,因此对可能导致大差异的小相位误差特别敏感。由于每个谱线和水深的组合都使用了20个不同的随机种子进行了实验,我们选择了70/15/15的划分来分配训练、验证和测试——使用前14个种子进行训练,种子15-17进行验证,种子18-20进行测试。这意味着对于每个组合,有将近40小时的测量数据用于训练,或者略超过10,000个波浪。需要注意的是,尽管图示和信息是以现场规模呈现的,但数据是在实验室规模处理的。我们在单个训练谱线上训练每个网络;如果使用了不同的谱线进行测试,我们会明确说明。每个网络训练15个周期,或者直到损失大致恒定。为了保持数据集的大小在合理范围内,我们只使用大约0.8秒间隔的输入时间序列。时间序列被配置为保持原始采样频率,只是起始点间隔更大。这减少了时间相邻输入的冗余,同时不会显著影响最终的网络准确性。图6显示了在两个不同谱线上训练的U-Net的训练曲线示例,在A和B两个测量点(水深分别为26.5米和12.5米)。网络每个训练周期大约需要120秒,平均需要大约10个周期进行训练,因此总训练时间平均约为20分钟(推理时间大约为60毫秒)。图6表明,在更陡峭的海况下,网络更容易过拟合,因为随着周期数的增加,训练损失和验证损失之间的差异迅速增大。这是因为更陡峭的海况产生了更复杂的输入-输出关系,网络更难以捕捉到这些关系。过拟合的程度也受到训练数据集大小的影响,因为更复杂的网络需要更大的数据集来避免过拟合。可以通过定义前14个种子的不同长度子集,然后分别在每个子集上训练网络来研究训练数据集大小对U-Net的影响。图中显示了不同谱线和测量点下验证损失与训练数据集大小之间的关系。下载:下载高分辨率图像(208KB)下载:下载全尺寸图像图6. 在JBm2和JBm4谱线上A和B测量点的示例损失曲线。训练损失和验证损失分别用虚线和实线表示。图7表明,验证损失和用于训练的时间序列长度遵循幂律关系,指数约为?0.17,这与Hestness等人的发现一致。重要的是,这些结果表明,10小时的记录数据足以训练这种规模的网络,使用更大的训练数据集仅能带来微小的验证损失减少。对于记录数据少于10小时的情况,预测准确性会显著下降,因为可训练参数的数量对于该数据集来说太多了。在这种情况下,需要重新应用超参数优化方法。除了可用的数据量外,数据的质量在神经网络训练中也很重要。这里的“质量”指的是测量中的噪声或其他噪声效应的存在。虽然像本文使用的实验数据集通常质量很高,但其他数据集(如现场测量数据)可能不是。因此,为了使神经网络成为实用的工具,它们必须能够抵抗低质量数据中观察到的不完美。为了评估网络对噪声的鲁棒性,每个时间序列被划分为5个子区间——总共14个训练种子中有70个子区间。每个子区间被分配了一个小的随机时间偏移(来自均值为零的正态分布,标准差由所需的噪声水平决定),然后每个子区间内的标签沿时间序列按照给定的时间偏移进行移动。这个过程产生的标签在时间上并不与输入完全对齐,模拟了仪器之间的同步可能不完美的现场条件。下载:下载高分辨率图像(193KB)下载:下载全尺寸图像图7. 在不同大小的总数据集子集上训练的U-Net的最小验证损失,其中最大的子集使用了所有14个训练种子。x轴值对应于用于训练的总时间序列长度,每条线代表不同的谱线和测量点。图(a)以线性比例显示结果,而图(b)以对数-对数比例显示相同的结果。如上所述,分别针对不同噪声水平训练了不同的U-Net。图8显示了这些噪声水平下的验证损失。不同的海况和水深组合都显示出类似的行为,其中验证损失随噪声标准差的增加而线性增加。尽管在高噪声条件下准确性会下降,但结果显示,当噪声较小时,U-Net仍能保持较高的准确性,因此这些网络对于包含小幅时间差异的数据集具有鲁棒性。下载:下载高分辨率图像(137KB)下载:下载全尺寸图像
图8. U-Net处理含噪声数据的能力。训练数据集中的标签在时间上发生了小幅偏移,这些偏移来自均值为零的正态分布,标准差显示在x轴上。对应于在这些含噪声数据上训练U-Net时的验证损失显示在y轴上,涵盖四种不同的海况和水深组合。
5. 结果
5.1. 可预测区间
根据上述方法训练模型后,我们首先确认用于预测的区间(基于线性理论推导得出)是合适的。U-Net分别在不同的A站光谱上进行训练,然后对于每个网络,我们计算输出序列中每个时间点的预测RMSE。这评估了网络在所选可预测区间内的每个单独时间步长的预测能力,不同于训练中使用的RMSE损失,后者是对整个时间序列进行平均。
图9显示了每个节点的平均误差随时间的变化情况,其中t=0表示输入时间序列的结束,每条线代表不同的训练光谱。第3节中基于线性理论得出的可预测区间明确适合用来定义每个预测的范围,因为预测准确性在可预测界线(图9中每条线的最右侧边界)处迅速下降。随着峰值周期的增加(JA4的Tp=12秒和JD2的Tp=18秒),未来边界的陡度逐渐增加。这是可以预期的,因为更高的峰值周期意味着更多的能量集中在更长、更快的波浪上。
下载:下载高分辨率图像(138KB)下载:下载全尺寸图像
图9. 不同模型在预测序列中每个时间点的平均误差,每个序列的范围由第3节中基于线性理论得出的可预测区间确定。每条线代表在同一光谱上训练(并测试)的不同网络。过去和未来分别用阴影灰色和白色区域表示。
下载:下载高分辨率图像(464KB)下载:下载全尺寸图像
图10. 轻度波浪的预测比较。黑线显示了A站的JBm2光谱的时间序列,彩色线条表示不同模型的预测结果。顶部图表显示了LRWT和SORWT模型的输出,以及U-Net的输出。底部图表显示了在不同的光谱上训练的U-Net的输出。t=0表示输入时间序列的结束,因此未来对应于t>0,由白色区域表示,而过去的时间用阴影灰色表示。
5.2. 示例预测
我们现在提供不同波浪情况的示例预测,以突出每种模型的优势和劣势。图10(a)将A站(水深26.5米)测量的水面高度η(t)的时间历史与LRWT、SORWT和U-Net的预测进行了比较,所使用的光谱JBm2的陡度为0.019,波速为0.82。使用一个以t=0结束的短水面高度时间序列作为输入,绘制的线条是A站的输出,阴影灰色区域突出显示了过去的t值。由于这些数据对应于非常轻微的海况,波浪破碎和非线性相互作用等效应很小,因此LRWT和SORWT都提供了与测量数据仅有轻微偏差的准确预测,尽管U-Net的预测明显更准确。
图10(b)显示了使用不同训练光谱的U-Net的相应预测,展示了网络对应于之前未见过的光谱条件下的时间序列进行准确预测的能力。这一属性对于现场应用至关重要,因为海况在不断变化,并且不可能为所有可能的条件都准备之前测量的数据。图10(b)中的预测显示出非常好的一致性,表明即使网络是在极端海况(如JBm5,Hs=13.7米)下训练的,它们也能很好地泛化到轻微海况。
我们现在关注一个非常陡峭的海况示例,代表一场极端风暴。图11与图10相同,但使用了JBm5光谱(Hs=13.7米,与之前的Hs=5.7米相比)。LRWT和SORWT模型捕捉到了测量时间序列的许多特征,尽管与图10相比准确性有所下降。例如,它们在40秒时大大高估了波峰高度,这可能是波浪破碎的结果。总体而言,由于非线性相互作用导致的波峰高度增加,SORWT比LRWT更准确地预测了波峰高度。U-Net再次非常准确,正确捕捉到了波峰高度和相位,包括40秒时的破碎波。
与图10(b)不同,我们在其中展示了网络可以从高陡度训练光谱泛化到低陡度测试光谱;而在图11(b)中,网络是在比JBm5更陡的光谱上训练的。这测试了U-Net预测比之前记录的更陡海况的能力。这里的预测仍然非常吻合,最大的不准确之处在于27秒和40秒时的破碎波。后者的过度预测可以归因于训练数据的Sp低于测试数据,因此不会包含许多达到这种程度的破碎波,导致对破碎强度的低估。还值得注意的是,由在JBm3(Hs=8.6米)上训练的网络产生的高频振荡。当测试数据的幅度远大于训练数据时会出现这种情况,并在第5.5节中进一步讨论。
下载:下载高分辨率图像(488KB)下载:下载全尺寸图像
图11. 极端波浪的预测比较。黑线显示了A站的JBm5光谱的时间序列,彩色线条表示不同模型的预测结果。顶部图表显示了LRWT和SORWT模型的输出,以及U-Net的输出。底部图表显示了在不同光谱上训练的U-Net的输出。t=0表示输入时间序列的结束,因此未来对应于t>0,由白色区域表示,而过去的时间用阴影灰色表示。
图12. 高度非线性波浪的预测比较。黑线显示了B站的JBm4光谱的时间序列,彩色线条表示不同模型的预测结果。顶部图表显示了LRWT和SORWT模型的输出,以及U-Net的输出。底部图表显示了在不同光谱上训练的U-Net的输出。t=0表示输入时间序列的结束,因此未来对应于t>0,由白色区域表示,而过去的时间用阴影灰色表示。
图12显示了B站JBm4光谱的相应结果,Hs=11.5米,Tp=14秒。这里的物理情况与在A站进行预测时非常不同——对于B站的Tp=14秒,有效深度kph约为0.55(与A站的0.82相比),意味着fp附近的频率分散性小得多。波浪现在更加不对称,每个波峰之间有长而浅的槽。
如图12(a)所示,LRWT准确捕捉到了一些波浪,但由于陡度的增加,其准确性较差。虽然SORWT能够捕捉到某些二阶效应,如浅槽和更高的波峰,但其预测也不准确。除了某些波峰的明显过度预测外,其相位预测特别不稳定,图12(a)中的最后两个波峰的预测相位几乎与实际波峰相反。Akrish等人(2024a)提到了SORWT模型在较浅水域应用时的这一限制。
在较浅的深度,U-Net的预测仍然非常准确,准确性仅从A站的预测略微下降。这种轻微的准确性下降可能是由于复杂的深度相关效应的影响更大,以及预测所覆盖的空间域更长。
图12(b)显示,U-Net在不同训练海况下的预测也仍然准确,证明了网络在更浅的水域中泛化到未见过的波浪光谱的能力。
下载:下载高分辨率图像(534KB)下载:下载全尺寸图像
图13. A站JBm5光谱的波峰预测。在选定的时间点运行了大量预测,预测波浪峰在35秒后的情况,并记录了这些峰的预测结果。x轴显示了考虑的波浪的真实波峰高度,与滑动窗口平均值(a)和相应预测波峰高度的标准差(b)进行了比较。同样,(c)和(d)显示了真实波峰与预测波峰发生之间的时间差的平均值和标准差,正值表示预测波峰发生在真实波峰之后。结果是为不同训练光谱的LRWT、SORWT和U-Net绘制的。
5.3. 波峰高度预测
为了补充上述的定性分析,我们现在研究一些模型准确性的定量度量。虽然RMSE是评估相位分辨波预测总体准确性的良好指标,但还有其他方法可以评估预测器。具体来说,我们评估了模型预测零交叉波峰高度的能力。这是大多数海洋和沿海水域工程应用中的关键变量(Tayfun和Fedele, 2007; Karmpadakis和Swan, 2022)。
从A站的JBm5时间序列中选取了大约1500个零交叉波峰(该位置Hs=12.4米),并在特定时间运行模型,使这些波峰在35秒(2.5个峰周期)后发生。选择35秒是基于图9的结果,该图显示在这个提前时间内,JBm5的预测误差会增加。这确保我们避免了可预测边界附近的误差增加,而是专注于模型本身的误差。尽管使用35秒的提前时间限制了响应时间,但对于第1节中提到的许多应用(如预警系统)来说仍然是足够的。
对于每个预测,都记录了预测的波峰高度以及预测波峰与实际波峰发生之间的时间差。这些结果显示在图13中,其中真实波峰高度沿x轴绘制,与预测高度和时间差的滑动窗口平均值和标准差进行了比较。
图13(a)、(b)显示了波峰高度的预测结果,不同模型的结果一致,有三个例外。LRWT的表现特别差,因为最大波峰的高度被非线性相互作用显著放大,而LRWT没有捕捉到这一点。因此,LRWT大幅低估了波峰高度,并且标准差也很大,如图13(b)所示。虽然SORWT的标准差也相当高,但其预测的平均值更接近真实值,因为捕捉到了波峰高度的非线性放大。
除了在JBm3(A站Hs=8.1米,远小于测试光谱)上训练的网络外,U-Net模型的结果都非常相似。在这个例子中,对于11米的波峰,U-Nets平均预测高度为9.5米,标准差为1米。这是一个合理的估计,尽管并不完美,但它可以清楚地指示何时会出现非常大的波浪。为了进一步提高,可以考虑后处理偏差校正技术,包括专门针对极端事件的方法(例如Trentini等人,2022)。
图13(c)、(d)展示了模型捕捉波峰相位的准确性。与关于波峰高度的观察结果一致,U-Net模型的结果都非常相似,平均值接近零,标准差也很低。LRWT和SORWT的标准差较大,但仍然保持一致,只有LRWT在平均时间差上显示出较大的误差。这可以归因于波动幅度的分散,导致较大的波峰传播得更快,因此在A.5.4号测量点被记录得比LRWT预期的更早。了解在不同深度下表面高度的预测能力非常重要。虽然本研究主要关注A和B号测量点,但验证网络架构在针对A号测量点优化后(见附录B),是否能够准确预测不同深度的情况也是必要的。为此,在斜坡上的一系列固定位置训练了U-Net架构的实例,这些位置对应不同的深度。然后可以将每个训练实例的验证损失与LRWT和SORWT在这些位置的误差进行比较,绘制出误差随有效深度的变化情况。图14展示了多种情况的结果。LRWT和SORWT的损失在大约0.6公里/小时的速度后急剧增加,表明在这些位置附近非线性和底部效应显著增强。需要注意的是,这种增加在波浪破碎和其他与陡度相关的效应中更为明显。U-Net的验证损失与LRWT和SORWT有相似的趋势,尽管图14中U-Net的纵坐标刻度比LRWT和SORWT小,因为U-Net能更有效地处理非线性。U-Net图表的一个有趣特点是,在水槽非常浅的部分RMSE值有所下降。在这个区域内,由于波浪破碎,波浪失去了大量能量,形成了锯齿状的波形,前端陡峭,后部坡度较长。由于浅水的非弥散特性,这些波形在沿x方向传播时大致保持不变。RMSE在浅水区域的下降可能是由于波浪形状的均匀性,而在中间和深水区域观察到了多种波浪形状。
**下载:**下载高分辨率图片(318KB)
**下载:**下载全尺寸图片
**图14. 不同深度下的验证损失。**每条线代表不同的光谱/底部坡度,预测RMSE与有效深度(公里/小时)相对应。图(a)、(b)和(c)分别显示了U-Net、LRWT和SORWT的结果。请注意,SORWT在最后三个测量点的结果不稳定,因此从图(c)中省略了这些数据。
图14中的结果在不同底部坡度上相似——对于JBm4光谱(Hs=11.5米,Tp=14秒),绘制了1/50和1/15坡度的结果,以及1/30坡度的结果。不同底部坡度导致RMSE值不同的原因有两个:首先是不同坡度上的传播差异。例如,Al Khalili等人(2025b)使用SWASH研究表明,对于相同的深度和离岸光谱,更陡的底部坡度会导致更大的Hs值。其次是固定深度下测量点之间的距离不同。这些影响非常小,更陡的底部坡度仅使RMSE值略有下降,表明U-Net能够对不同水深进行准确预测。
**5.5. 对未见光谱的泛化能力**
我们现在分析U-Net适应未见光谱的能力。在A和B号测量点,分别用几个选定的光谱训练U-Net,并对每个训练好的U-Net在一系列测试光谱上进行评估。这些结果在图15中以条形图的形式展示。为了完整性,图16中也分别展示了LRWT和SORWT的相应结果。这些RMSE值显著高于U-Net的值,尽管SORWT在A号测量点的表现优于LRWT。在B号测量点,情况相反,但LRWT和SORWT都无法准确捕获如此浅深度的变化。
在图15中,x轴上的光谱是不同的测试光谱,具有不同的陡度、带宽和峰值周期;每个单独模型使用的训练光谱在图例中显示。我们还包括了一个同时在所有其他五个训练光谱上训练的网络。这个网络的训练数据仍然包含14个不同的样本,但这些样本在五个光谱之间尽可能均匀分配。很明显,网络能够很好地泛化到未见的光谱,尽管在某些情况下误差特别高。例如,在JBm5和JC4光谱上测试时,用JBm3和JA4训练的网络表现较差。这可以归因于JBm3和JA4的Hs值(分别为8.6米和9.1米)远低于JBm5和JC4(分别为13.9米和13.7米),因此网络在训练过程中没有观察到与高Hs海况相关的高非线性演变。
**下载:**下载高分辨率图片(526KB)
**下载:**下载全尺寸图片
**图15.**不同颜色代表在不同光谱上训练的网络,虚线条代表同时在所有其他五个训练光谱上训练的网络。x轴上是不同的测试光谱,条形图表示不同网络在测试光谱上的RMSE值。
**下载:**下载高分辨率图片(214KB)
**下载:**下载全尺寸图片
**图16.**LRWT和SORWT对A和B号测量点一系列光谱的预测RMSE值。
同样,这些模型在JD3和Gm4光谱上的表现明显较差。JD3的峰值周期较长(Tp=18秒),而Gm4与JONSWAP光谱相比带宽很宽,因此这两种光谱与大多数训练光谱显著不同。尽管如此,网络在JD3上的表现仍然相当好,在这种情况下,用Tp=16秒的JC4进行训练获得了最佳结果,因为它们的峰值周期相似。虽然网络在Gm4光谱上的表现通常较差,但用JC4训练的网络再次提供了最佳结果。这里一个重要的细节是,尽管Tp为14秒,但高斯分布的对称性——不同于右偏的JONSWAP——意味着在较低频率上有大量能量分布。这可能解释了为什么在JC4光谱上训练的网络表现良好。总体而言,只要训练和测试光谱不太相似,结果就非常准确。
尽管B号测量点的RMSE值较高,但两个测量点之间的模式是一致的,表明泛化能力对深度的依赖性很小。该测量点的结果仍然非常准确。
图15还表明,同时在多个海况下训练网络在泛化方面具有很大优势。这个网络产生的误差在所有使用的光谱中都是最低的,提供了稳定的值。这一结果并不意外,因为网络在训练过程中接触到了更广泛的行为。
我们现在在图15中强调波浪陡度的影响。图17展示了对于JBm光谱(Tp=14秒),预测结果如何随Hs变化。每条线代表在一个不同陡度光谱上训练的U-Net,x轴上显示了不同的测试Hs值。
**下载:**下载高分辨率图片(232KB)
**下载:**下载全尺寸图片
**图17.**在1/30坡度上测试不同陡度光谱时的RMSE值。每条线代表在一个不同陡度案例上训练的U-Net,x轴代表测试光谱的Hs值。空心圆圈代表由于网络在处理高于训练数据的Hs值时产生高频率振荡的情况。需要注意的是,一些条目显示为空心圆圈,表示预测中存在非常高的频率振荡——这是由于网络输入的数据规模远大于训练数据造成的。重要的是,在图17中,振荡行为只发生在测试数据的Hs至少比训练数据大5.3米的情况下。实际上,通过在一系列海况下训练,网络不太可能遇到超出训练数据范围的测试条件。因此,这些振荡不太可能造成实际问题。
网络都能很好地泛化到低陡度海况,尽管在Hs=2.9米的情况下,不同网络之间的准确性有明显差异。相反,只有当能量差异不大时,网络才能泛化到更高陡度的海况。例如,在Hs=8.6米上训练的网络无法准确预测Hs=15.6米的海况。对于在更高陡度上训练的网络,在最陡的海况下预测的准确性差异不大——超过Hs=11.5米后,训练在更陡海况上并没有明显的优势。这种现象的一个可能解释是,网络超参数是基于较低的陡度海况选择的,因此网络可能不足以完全学习这些海况中的高非线性特征。
**6. 结论**
本研究探讨了使用卷积神经网络从离岸测量数据预测倾斜海底地形上的近岸波浪表面高度的方法。通过使用广泛的实验室数据集(包含在均匀斜坡上传播的长波峰波浪),评估了U-Net架构的性能,并将其与线性随机波理论(LRWT)和二阶随机波理论(SORWT)进行了比较,两者都采用了浅水修正。目的是评估数据驱动模型是否能够在简化的沿海环境中提供准确且计算效率高的预测,其中非线性效应和波浪破碎限制了传统实时模型的可靠性。
在各种海况、峰值周期、光谱带宽和水深范围内,神经网络在相位准确性和总体误差方面始终优于理论模型。在非线性相互作用和波浪破碎占主导的中间和浅水区域,改进最为明显,LRWT和SORWT的性能迅速下降。U-Net准确再现了波浪形状、波峰不对称性和到达时间,即使在理论模型显示出较大相位误差或波峰高度显著偏差的情况下也是如此。
对零交叉波峰统计的定量分析表明,与LRWT和SORWT相比,神经网络在波峰幅度和时间的预测上有显著改进。当测试条件超出训练数据中的陡度范围时,观察到对最大破碎波峰的预测不足;然而,模型仍然保持了有用的预测能力,并可靠地识别了极端波浪的发生。这些结果表明,当在足够具有代表性的数据集上训练时,数据驱动模型能够捕捉沿海波浪转变的关键非线性特征。
通过测试未见光谱、变化的底部坡度和轻微噪声输入信号,证明了所提出方法的鲁棒性。同时在多个海况下训练的网络产生了最一致的性能,突显了在训练过程中暴露网络于各种波浪行为的好处。这些发现证明了在使用单个离岸测量点、平面斜坡上的长波峰波浪时的概念验证。
一旦训练完成,神经网络的推理计算成本可以忽略不计,预测时间在毫秒级别,表明通过进一步的工作,这种方法可能具有基于持续更新的离岸测量的实际应用潜力。
从应用角度来看,这样的模型有潜力整合到实时沿海预警和决策支持系统中,一旦扩展到包括方向性和波浪- currents相互作用等效应。相位分辨率的近岸预测可以用于提供异常大波浪的短期预警,支持沿海和海上操作的安全。
未来研究的一个关键方向是将该框架扩展到具有显著波浪破碎的陡峭短波峰海域。在这些环境中,波浪演化受到强烈的非线性相互作用、方向性扩散和破碎诱导的耗散的支配,这对波浪场分解和后续传播都构成了挑战。这些挑战同时影响理论方法和数据驱动的方法。最近的一些进展,例如 Al Khalili 和 Karmpadakis(2025)提出的框架,为解决其中一些问题提供了有希望的工具。基于这些发展,未来的工作应该结合方向信息,将现有的方法扩展到两个空间维度,并在能够明确捕捉短脊波破碎动态的数据集上训练模型。这种方法需要多个海上波浪测量站来全面描述入射波场,因此需要扩展当前的 U-Net 模型以包含额外的输入。结合数据驱动预测和基于物理规律的约束的混合方法可能在保持模型稳健性和可解释性方面特别有效。总体而言,研究结果表明,神经网络可以在传统实时模型难以处理的领域中显著提升相位解析波浪预测的能力,为实际应用提供了基础,这些模型在扩展后可以纳入方向性和水流等因素,从而成为现有海岸工程方法的实用、准确且计算效率高的补充。
作者贡献声明:
William Wright:撰写初稿、可视化设计、软件开发、方法论制定、形式化分析。
John Craske:审稿与编辑、指导工作、概念构思。
Ioannis Karmpadakis:审稿与编辑、指导工作、概念构思。