《Results in Engineering》：Integration of CFD and One-Dimensional Convolutional Neural Networks for Time-Series Prediction of Hydrodynamic Forces on Double-Layer Perforated Breakwaters
编辑推荐：
防波堤对于缓解严重波浪的影响和确保海岸环境平静至关重要；然而，传统的非透水结构常常导致港内水体停滞和环境退化。双层穿孔防波堤已成为一种有效的替代方案，提供了改善的水力性能和减少的波浪反射。尽管如此，其结构稳定性对入射波浪施加的水动压力高度敏感，这可能导致倾覆或
防波堤对于缓解严重波浪的影响和确保海岸环境平静至关重要；然而，传统的非透水结构常常导致港内水体停滞和环境退化。双层穿孔防波堤已成为一种有效的替代方案，提供了改善的水力性能和减少的波浪反射。尽管如此，其结构稳定性对入射波浪施加的水动压力高度敏感，这可能导致倾覆或滑动破坏。在本研究中，使用FLOW-3D中的计算流体力学（CFD）模拟了204种双层穿孔防波堤的配置，以研究在不同波浪和几何条件下作用在其前后穿孔壁上的时变水动压力。模拟结果表明，两个壁上的最大压力并非同时发生，这突显了进行精确时间序列预测以支持稳定性评估的必要性。为了解决这一问题，研究人员基于数值模拟数据集开发并训练了两个一维卷积神经网络（1D-CNN）模型，用于预测每个壁的压力时间序列。选择1D-CNN架构而非循环模型（RNN、LSTM和GRU），是因为它更适合静态输入序列预测，并展示了优越的经验性能，收敛更快且验证精度更高（前壁R2=0.912，后壁R2=0.889）。结果表明，所提出的1D-CNN模型可靠地捕捉了水动力的时域特征，准确估计了峰值力，并有效识别了与倾覆和滑动相关的临界极限。此外，训练好的模型被集成到一个用户友好的网络应用程序中，为实际工程环境中双层穿孔防波堤的设计和优化提供了快速且可访问的力预测（毫秒级对比数小时的CFD模拟）。
**研究背景与问题**
沿海区域因其集中的居住、娱乐、工业和交通活动而在国民经济中扮演着关键角色。因此，保护海岸线免受波浪和水流的破坏性影响至关重要。防波堤是最广泛使用的海岸防护结构之一。传统的防波堤，如抛石堤和重力式结构，通常随着水深增加需要大幅增加宽度和质量，导致高昂的建设成本和严格的基底承载力要求。此外，这些非透水结构会阻碍沿岸沉积物输运，导致相邻海岸线的显著侵蚀或淤积，并可能限制水体循环，从而降低近岸水质。为克服这些限制，透水防波堤被提出并作为替代性海岸防护方案进行了广泛研究。双层穿孔防波堤在结构上与垂直沉箱和穿孔防波堤系统相似，倾覆和滑动被认为是其主要破坏模式。因此，准确估算作用在前后穿孔壁上的水动力是结构设计和稳定性评估的关键方面。尽管已有许多研究利用理论公式、实验室实验和数值模拟探讨了波浪-防波堤相互作用及穿孔结构的压力分布，但许多研究主要关注峰值力或平均压力，而非水动力荷载的完整时间演化。近年来，数据驱动和软计算方法在解决复杂工程问题，特别是在海洋和海岸应用中日益受到关注。然而，应用机器学习和深度学习技术预测穿孔防波堤上随时间变化的波浪诱导压力力的研究在现有文献中仍然有限。现有研究的一个关键缺口是，对于双层穿孔防波堤，作用在前后穿孔壁上的最大水动力并不同时发生。这种非同步行为对稳定性分析有重要影响，因为准确的倾覆和滑动阻力评估不仅需要峰值力的大小，还需要它们的时间关系。然而，先前的研究大多关注水力性能指标（如波浪透射和反射系数），并未量化作用在单个穿孔壁上的压力力，也未解决前后壁峰值力之间的时间非同步性问题。这构成了现有文献中一个尚未系统研究的空白。
**研究内容与意义**
本研究是Vahidi等人前期工作的直接延续，旨在解决上述空白。研究重点明确放在结构荷载方面，特别是作用在单个穿孔壁上的时间分辨水动压力，这是前期调查未涉及的内容。研究动机在于，准确预测特定于壁的力时程是倾覆和滑动稳定性评估的先决条件，并且代表了现有文献中无论水力性能数据可用性如何仍未解决的缺口。为此，本研究采用高分辨率数值模拟（使用FLOW-3D软件）来评估作用在双层穿孔防波堤前后壁上的时变压力。鉴于机器学习和深度学习方法在逼近高度非线性工程系统方面的已证实能力，本研究进一步探索了应用深度学习模型基于CFD生成的数据集来预测水动压力。研究模拟了204种实验室规模的防波堤配置，涵盖不同的波浪条件和几何参数，以生成两个穿孔壁上的压力时间序列数据集。随后，利用这些数据集开发了能够预测力时程、峰值力大小以及关键加载事件之间时间滞后的深度学习模型。本研究同时解决了三个相互关联的空白：首先，通过204种配置的高保真CFD模拟，生成了双层穿孔防波堤前后壁的特定于壁、时间分辨的压力力时程；其次，开发了四种深度学习模型——循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）和一维卷积神经网络（1D-CNN）——来预测穿孔防波堤前后壁的压力时间序列，这在穿孔防波堤系统中是首次报道的应用；第三，明确量化了前后壁峰值力之间的时间延迟，为超越传统峰值力或特定相位设计方法的动态稳定性评估提供了物理意义明确且可操作的依据。本研究的主要贡献包括：建立了一个高保真CFD框架，用于生成在广泛波浪和几何条件下作用在双层穿孔防波堤上的特定于壁的水动压力时间序列；系统量化了前后穿孔壁上峰值压力力的非同时发生，并明确检查了其对倾覆和滑动稳定性的影响；开发了一维卷积神经网络（1D-CNN）模型，直接从CFD生成的数据集预测压力力时程、峰值力大小和时间延迟；最后，将训练好的模型集成到一个用户友好的网络应用程序中，为实际工程应用中双层穿孔防波堤的设计和优化提供了一个快速实用的决策支持工具。该论文发表在《Results in Engineering》期刊上。
**关键技术方法**
为开展研究，研究人员主要采用了以下关键技术方法：
1. **高保真计算流体力学（CFD）模拟**：使用FLOW-3D软件对204种双层穿孔防波堤配置进行了数值模拟。建立了系统的网格无关性研究，确认了1,050,000个网格单元、y?值维持在5以下（具体为2.3-4.1）的网格足以解析粘性子层，从而允许应用k-ω湍流模型而无需壁函数。流体运动使用不可压缩和可压缩形式的纳维-斯托克斯方程建模，并采用流体体积（VOF）方法追踪自由表面，使用分数面积/体积障碍物表示（FAVOR）方法精确表示防波堤几何形状。边界条件包括上游的线性波浪生成和下游的吸波边界条件。
2. **实验验证**：利用伊朗德黑兰土壤保持与流域管理研究所波流水槽中生成的实验数据集对CFD模型进行了验证。选择了四个代表性实验案例（覆盖波浪周期0.8-2.4秒，波高4.8-12厘米，腔室宽度40-112.1厘米，反射系数0.12-0.82）进行对比，使用两点波浪分解法分离入射波和反射波分量并计算反射系数。结果表明，k-ω湍流模型在所有四个验证案例中 consistently 产生最低的均方根误差和均方误差，因此被选为后续所有204种配置模拟的湍流模型。
3. **一维卷积神经网络（1D-CNN）模型开发**：针对时间序列预测，选择了1D-CNN架构而非RNN、LSTM和GRU等循环模型。理由包括：压力时间序列是从固定长度的静态输入向量预测，而非自回归序列，使得循环架构的顺序隐藏状态处理变得不必要；波浪诱导压力信号表现出局部平稳的时间模式（波峰冲击、相位转换、腔室共振），而卷积滤波器专门设计用于检测此类模式；在相同训练条件下的经验比较证实，1D-CNN实现了更高的预测精度，且收敛速度比LSTM快约四倍。所有输入变量均进行了无量纲化处理以增强泛化能力和实际适用性。模型架构包括卷积层、池化层和全连接层，使用Adam优化器和均方误差损失函数进行训练。
4. **网络应用程序开发**：将训练好的最佳模型集成到一个使用Streamlit和Python开发的用户友好网络应用程序中，使用户能够通过定义物理参数（腔室宽度B、不透水高度IH、波高H、波浪周期T、水深h）快速获得压力时间序列、峰值力大小及峰值力时间延迟的预测，实现毫秒级的快速预测，极大提升了工程设计的效率。
**研究结果**
* **水动力特性分析**：对提取的力时间序列分析揭示了前后穿孔壁之间不同的动态行为。前壁通常经历更高的峰值压力，并对入射波浪冲击响应更快；而后壁由于穿孔腔室内的能量耗散，表现出延迟和衰减的力响应。前后壁压力力的统计分布证实，前壁压力力表现出更高的方差和更强的间歇性，而后壁力更平滑，对波浪透射特性和腔室几何形状更敏感。
* **模型选择与性能比较**：对四种深度学习架构（RNN、LSTM、GRU、1D-CNN）在相同条件下进行了严格的比较评估。结果表明，1D-CNN模型在所有评估指标上均表现最优。对于前壁（F1），1D-CNN的验证R2为0.912，均方误差（MSE）为263，相比GRU（R2=0.784，MSE=781）、LSTM（R2=0.762，MSE=892）和RNN（R2=0.703，MSE=1082）有显著提升。对于后壁（F2），1D-CNN同样优于所有循环模型，验证R2为0.889，MSE为230。此外，1D-CNN的训练时间约为12小时，远低于LSTM的47小时，显示出更高的计算效率。
* **峰值力与时间延迟预测**：训练好的模型成功捕捉了峰值力大小及其发生时间。一个关键成果是能够预测作用在前后穿孔壁上的最大力之间的时间延迟（Δt）。该时间延迟源于穿孔腔室引起的波能耗散和相位滞后，在结构响应中起着关键作用。模型预测表明，两个壁上的峰值力并不同时发生，Δt随波浪周期、腔室宽度和防波堤几何形状而变化。
* **参数敏感性分析**：通过使用训练好的1D-CNN模型对1,500种配置进行参数敏感性分析，深入探讨了腔室相互作用机制和峰值力的非同时发生。分析发现：相对波高（H/h）与前后壁最大力呈强正相关，是控制力大小的主导参数之一，但对Δt的影响可忽略不计；相对腔室宽度（B/h）对后壁最大力影响最强，表明腔室几何在控制向后壁的波能传递中起主导作用，但对Δt影响甚微；相对不透水高度（IH/h）与前后壁最大力呈中度正相关，但对Δt影响极小；波浪周期（T）对力大小影响较弱，但与Δt的关系最强，呈现明显的反比趋势，即较长周期的波浪与较小的时间滞后相关，而短周期波浪产生更大的Δt变异性。这表明异步加载行为主要由波浪周期而非腔室几何控制。
* **工程意义**：峰值力的非同时性对穿孔防波堤的结构设计、动态稳定性评估和荷载组合策略具有直接意义。传统设计方法通常假设同步峰值加载，可能导致过于保守或不安全的设计。所提出的框架使工程师能够评估真实的力序列，为波浪荷载下的结构需求提供了更深入的见解。与主要估计全局波浪反射或透射系数的传统经验公式相比，本数据驱动方法提供了完整的力时程、前后壁的单独预测以及相位分辨的力特征，突出了所提出的基于CNN的框架相对于传统经验方法的附加价值。
* **计算优势**：与高保真CFD模拟相比，所提出的1D-CNN模型大幅降低了计算成本。204种配置的CFD模拟活动大约需要45天的高性能计算，而训练后的1D-CNN模型几乎可以即时预测完整的压力时间序列，实现了从数小时（每次CFD模拟）到毫秒级（每次1D-CNN预测）的预测时间缩减。一次性训练成本（每壁约12小时，共24小时）与45天的CFD活动相比可以忽略不计。在精度方面，1D-CNN达到了可接受的工程公差范围内的峰值力误差。因此，该权衡表现为：近乎瞬时的预测（毫秒级）对比数小时的CFD模拟，精度足以满足初步设计和参数筛选。CFD仍然是最终验证的金标准，而1D-CNN则能够快速探索双层穿孔防波堤的设计替代方案。
* **网络应用**：开发了一个用户友好的网络应用程序，集成了训练好的1D-CNN模型。用户通过交互控件定义物理参数，应用程序自动将其转换为无量纲输入，并由训练好的CNN模型处理，生成前后壁的无量纲力时间序列、最大力大小以及峰值力之间的时间延迟。该工具实现了快速可靠的预测，适用于工程实践。
**讨论与结论**
**讨论部分总结**：研究讨论了所提出方法的局限性。数据集来源于数值模拟，依赖于CFD建模假设；仅考虑了规则波条件；未包含结构柔性和材料非线性。未来的工作将集中于：将框架扩展到不规则波和多向波；纳入流固耦合效应；利用实验和现场测量数据扩展数据集；将该方法应用于其他海岸和离岸结构。特别指出，当前数据集基于规则波条件，这虽然实现了系统的参数控制，但并未完全代表真实海况的频谱变异性。因此，将框架扩展到不规则波和多向波条件（包括波高和周期的联合概率分布）被确定为首要的未来研究方向。
**研究结论翻译**：本研究开发了一个集成的数值和数据驱动框架，用于研究和预测在各种波浪和几何条件下作用在双层穿孔防波堤上的水动压力。使用FLOW-3D中的高保真CFD模拟，从204种防波堤配置生成了一个全面的数据集，捕捉了前后穿孔壁上压力力的时间演化。CFD框架针对覆盖全参数范围（从反射主导到透射主导状态）的四个实验案例进行了验证，反射系数误差在3.1-9.5%以内——处于可接受的工程公差（<10%）范围内。本研究的一个主要发现是，作用在前后壁上的最大压力力并不同时发生。这种非同步行为对防波堤稳定性有重要影响，因为它直接影响倾覆和滑动机制。量化峰值力之间的时间延迟为动态稳定性评估提供了一个比传统设计假设更现实、物理意义更明确的基础。这种异步性的物理起源被解释为波浪在腔室内的传播延迟（Δt ≈ B/c）、当入射波周期与腔室固有周期对齐时的腔室共振，以及通过穿孔的能量耗散。为了有效预测这些力时间序列，开发了两个优化的一维卷积神经网络（1D-CNN）模型。这些模型展示了强大的预测能力，在训练和验证数据集中准确再现了时间力模式和峰值大小。具体而言，1D-CNN对前壁的验证R2为0.912，对后壁为0.889，与性能最佳的循环基线（GRU）相比，均方误差分别降低了66%和63%。1D-CNN的收敛速度比LSTM快约四倍（12小时对比47小时），展示了精度和效率的双重优势。无量纲输入特征的使用增强了模型的泛化能力，并确保了其在广泛波浪条件和结构配置中的适用性。除了数值预测，训练好的模型还被嵌入到一个用户友好的网络应用程序中，该程序能够快速估计压力时间序列、峰值力以及穿孔壁上临界荷载之间的时间间隔。每次配置的推理仅需毫秒级，而每次CFD模拟则需要数小时——速度提升了几个数量级。该工具有效地桥接了先进的CFD分析和实际工程应用，使设计者能够以最小的计算成本评估稳定性性能和探索设计替代方案。一次性24小时（每壁12小时）的训练成本与45天的CFD活动相比可以忽略不计，使得所提出的框架在工程实践中具有经济吸引力。总体而言，本研究证实，将基于物理的CFD模拟与深度学习时间序列建模相结合，为分析穿孔海岸结构上的复杂水动力荷载提供了一种可靠且高效的方法。所提出的框架支持改进双层穿孔防波堤的设计、优化和韧性评估，并为未来海岸工程中的智能决策支持工具奠定了基础。本研究的一个局限性是使用了规则波条件；未来的工作应将框架扩展到不规则波。
