机器学习辅助的船闸廊道支孔出流分布预测与多目标参数优化

《Journal of Marine Science and Engineering》：Machine-Learning-Assisted Prediction of Port-Flow Distribution and Multi-Objective Parametric Optimization for Navigation Lock Manifolds

　　

船闸廊道是充泄水系统的关键部件，支孔出流分布影响闸室水流稳定性和充水效率。在非恒定充水条件下，支孔出流分布受流量变化和廊道几何形状控制，使得快速预测和工程约束筛选具有挑战性。本研究针对大型船闸廊道开发了一种代理辅助预测与帕累托筛选框架。采用三维计算流体力学（CFD）模拟研究非恒定支孔出流演变。选取峰值流量工况作为代表性控制工况，以流量不均匀系数α和系统阻力系数ξ作为性能指标。基于243个参数化CFD样本和144个独立外部测试样本，评估了人工神经网络（ANN）、高斯过程回归（GPR）和支持向量回归（SVR）模型。ANN表现最佳，对于α和ξ的独立测试R²值分别为0.9999和0.9928。特征归因分析确定支孔宽度、廊道高度和支孔数量为主导变量。在预定义工程设计空间内进行帕累托筛选，识别出代表性候选方案，CFD验证误差低于1.1%。基于TOPSIS的候选方案将ξ降低了32.2%，同时保持α几乎不变。

船闸廊道是充泄水系统的核心部件，其支孔出流分布直接决定闸室水流稳定性和充水效率。现有研究多基于稳态或准稳态分析、特定工程布局或有限案例的计算流体力学（CFD）评估，对于大型船闸廊道在非恒定充水条件下支孔出流分布的快速预测、几何参数影响机制解释以及工程约束下多目标筛选仍缺乏系统性研究。为此，研究人员开发了一种整合三维CFD、人工神经网络（ANN）代理建模和离散非支配排序遗传算法II（NSGA-II）的框架，旨在实现非恒定支孔出流分布预测与工程约束多目标参数优化。该研究发表在《Journal of Marine Science and Engineering》。

为开展研究，研究人员主要采用了以下关键技术方法：基于三维CFD模拟（雷诺平均Navier-Stokes方程，RNG k-ε湍流模型，使用ANSYS Fluent）进行非恒定充水过程分析，选取峰值流量工况作为代表性控制工况；以流量不均匀系数α和系统阻力系数ξ为性能指标，基于5个几何变量（支孔间距S、廊道高度H、支孔数量n、支孔长度l_p、支孔宽度b）的全因子设计生成243个参数化CFD样本作为训练集，并另取144个不重复组合的CFD样本作为独立外部测试集；对比评估ANN、高斯过程回归（GPR）和支持向量回归（SVR）三种代理模型，采用SHAP（SHapley Additive exPlanations）进行特征归因分析；在预定义工程设计空间内应用离散NSGA-II进行多目标优化，并通过TOPSIS（逼近理想解排序法）等决策方法筛选代表性帕累托候选方案，最后经独立CFD验证确认预测可靠性。

研究结果分为以下几个部分：
**3.1 非恒定充水条件下支孔出流不均匀特性**
3.1.1 支孔出流的时间演化：通过原始设计非恒定CFD模拟，揭示出流分布具有明显的阶段性特征，包括流量建立阶段、发展阶段、衰减阶段和惯性振荡阶段，表明非恒定边界强迫下的时空不均匀性。
3.1.2 流量不均匀系数演化及关键参数影响：通过单因素分析比较不同参数（阀门开启时间、S、H、n、l_p、b）下α的时变规律，发现峰值流量时α与总支孔面积与廊道面积之比（A_R）密切相关。
3.1.3 非恒定与稳态条件下支孔出流分布对比：选取相同总流量（50 m³/s、75 m³/s和峰值79.48 m³/s）进行比较，发现加速阶段出流分布比稳态更均匀，减速阶段不均匀性更强，而峰值流量条件下非恒定与稳态结果基本一致，支持采用等效峰值流量稳态模拟进行后续分析。
3.1.4 进口雷诺数对支孔出流分布的影响：在雷诺数2.0×10⁴至8.0×10⁷范围内，原始设计和减小支孔宽度案例均显示高雷诺数下支孔出流分布对进口雷诺数不敏感，主要由几何参数控制。
**3.2 代理模型构建、比较与参数效应分析**
3.2.1 ANN模型的交叉验证与泛化评估：基于5折分组交叉验证和独立外部测试集，ANN模型对α和ξ均实现高精度预测，外部测试R²分别为0.9999和0.9928，平均绝对百分比误差（MAPE）分别为1.58%和2.26%，无显著过拟合。
3.2.2 代理模型预测精度评估：比较ANN、GPR、SVR在独立测试集上的表现，ANN在α和ξ预测上均优于其他模型，尤其在高ξ区域偏差最小，因此被选为后续分析的最优代理模型。
3.2.3 特征重要性分析：SHAP分析表明，对于α和ξ，变量重要性排序均为b > H > n > S > l_p，即支孔宽度、廊道高度和支孔数量是主导变量，而支孔间距和支孔长度影响相对较弱。
**3.3 工程约束下的几何优化与α-ξ权衡分析**
3.3.1 α-ξ设计空间中的水力性能分布：基于243个样本的α-ξ散点图显示两者呈负相关，改进均匀性通常以增加阻力为代价；不同支孔数量n的样本分布差异显著，n=9集中在低α高ξ区域，n=15集中在高α低ξ区域，原始设计位于中间区域。
3.3.2 帕累托权衡与代表性优化方案：在工程约束设计空间中，离散NSGA-II获得帕累托前沿，n=9方案更易接近前沿；通过膝点法、LINMAP（多维偏好分析线性规划法）和TOPSIS选出三个代表方案，其中TOPSIS方案保持α几乎不变而ξ降低32.86%。
3.3.3 代理辅助优选设计与验证：对三个代表方案进行独立CFD验证，ANN预测与CFD结果相对误差均低于1.1%；TOPSIS方案基于CFD验证结果将ξ降低约32.2%，且α在非恒定充水过程中的时变曲线与原始设计接近，表明其以阻力控制为优先。
**3.4 代理辅助优化框架的工程适用性**：该框架将常规“逐案例CFD模拟”转化为“CFD样本生成-代理快速预测-离散NSGA-II搜索-帕累托决策分析-有限CFD验证”的闭环流程，可高效支持初步方案筛选和性能比较。但应注意到代理模型适用于预定义几何设计空间，且代表候选方案应结合具体工程要求（结构布局、施工公差、空化风险等）进一步评估。

总结讨论部分强调，提出的框架提供了一种可验证的技术路线，但其应用受限于CFD样本覆盖范围，且峰值流量工况作为代表性控制工况存在一定简化。未来研究应扩展至全过程非恒定预测、完整闸室水流和船舶系泊响应评估，并纳入多保真或物理约束代理模型以增强鲁棒性。

研究结论如下：（1）非恒定充水过程中支孔出流分布呈现阶段性演化，加速阶段比稳态更均匀，减速阶段不均匀性更强，峰值流量时非恒定与稳态结果一致；高雷诺数下出流分布主要由几何控制，进口雷诺数影响可忽略。（2）基于243个参数化CFD样本和144个独立测试样本，ANN模型对α和ξ的预测性能最佳（独立测试R²分别为0.9999和0.9928）；SHAP分析表明b、H、n是主导几何参数，S和l_p影响较弱。（3）在样本和约束设计空间中，α和ξ存在稳定的竞争关系；离散NSGA-II结果显示n=9方案更易接近帕累托前沿。（4）膝点、LINMAP和TOPSIS三个代表方案的CFD验证表明ANN预测误差均低于1.1%；三个方案反映不同工程偏好，TOPSIS方案偏好阻力降低。（5）综合代理预测、CFD验证和原始设计保守安全裕度，TOPSIS方案被选为推荐设计，保持α几乎不变而ξ降低约32.2%，体现了水力安全和充水效率之间的实际折中。