《Ocean Engineering》:A transfer learning-based framework for scour detection around monopile-supported offshore wind turbines with limited data
编辑推荐:
从风能中提取能量正日益成为一种具有成本效益且政治上可接受的解决方案,以减少社会对化石燃料的依赖。作为一种相对清洁的能源,它具有很高的潜力来减少与能源生产相关的碳足迹。海上风力发电机(OWTs)比陆上发电机产生更多的电力,使其成为实现可再生能源目标的一个极具吸引
从风能中提取能量正日益成为一种具有成本效益且政治上可接受的解决方案,以减少社会对化石燃料的依赖。作为一种相对清洁的能源,它具有很高的潜力来减少与能源生产相关的碳足迹。海上风力发电机(OWTs)比陆上发电机产生更多的电力,使其成为实现可再生能源目标的一个极具吸引力的选择。单桩是浅水至中等水深中海上风力发电机最常见的基础类型。然而,它们可能遭受冲刷问题,即由波浪和海流的不利作用引起的土壤侵蚀。冲刷通过增加单桩承受的最大弯矩,降低结构强度和刚度,以及降低周围土壤的上覆应力,来影响海上风力发电机的结构和动态特性。此外,冲刷减少了嵌入桩的长度,导致横向偏转增加和基础承载能力下降,以及海上风力发电机固有频率的改变。传统的冲刷检测方法无法提供海上风力发电机所需的连续监测。为了解决现有检测方法的局限性,研究人员提出了一种基于长短期记忆(LSTM)深度学习模型的数据驱动框架。该框架结合了迁移学习(TL),以实现在目标风力发电机数据有限的情况下的冲刷检测。该研究系统地调查了源模型选择和目标域数据量对冲刷检测性能的影响。此外,该研究还评估了该框架在多种源-目标配置和测量噪声水平下的鲁棒性和泛化能力,证明了其在多个海上风电场进行可扩展冲刷监测的能力。所提出的方法在保持改进的鲁棒性的同时,减少了人为干预和操作风险,从而降低了维护成本并提高了海上安全性。
近年来,海上风能领域获得了大量投资,海上风力发电机(Offshore Wind Turbines, OWTs)因其能产生更高的电力输出而成为实现可再生能源目标的重要选项。单桩基础是目前浅至中等水深OWTs最常见的支撑结构,但极易遭受由波浪和海流引起的冲刷问题。冲刷不仅会增加桩身最大弯矩、降低结构强度与刚度,还会减少桩的嵌入长度,导致横向偏转增加、承载能力下降,并显著改变OWTs的固有频率,尤其是第二阶面内弯曲频率。在现有研究中,传统的冲刷检测方法(如目视检查、声纳等)无法提供连续监测,且受海洋环境限制很大;而基于模态识别的方法因忽略土-结构相互作用(Soil-Structure Interaction, SSI)在OWTs中表现不佳。虽然机器学习(Machine Learning, ML)技术被引入以通过系统动态变化检测冲刷,但它高度依赖大量标注数据,十分不切实际。无监督学习虽减少了对标签的依赖,但需从特定涡轮机收集大量健康数据,导致模型空间泛化能力受限。基于此,研究人员开展了一项创新研究,提出结合迁移学习(Transfer Learning, TL)与基于振动模态跟踪的数据驱动框架,以解决不同海上风电场在数据稀缺且无损伤标签条件下的冲刷检测难题。研究表明该方法有效提升了跨站点冲刷检测的准确性与泛化能力。该研究成果发表在《Ocean Engineering》上,对降低海上风电场长期维护成本并增强运行安全具有重要的工程意义。
在关键技术方法方面,研究人员构建了基于长短期记忆网络的数据驱动检测框架。首先,整合了OpenFAST气-水-伺服-弹性仿真代码与在MATLAB中开发的土-结构相互作用(SSI)模型,以生成NREL 5 MW海上风力发电机在真实运行条件下的加速度响应数据。环境载荷数据源自凯尔特海的M5浮标记录。接着,通过 Welch 方法估计互功率谱密度(Cross Power Spectral Density, CPSD)并运用奇异值分解(Singular Value Decomposition, SVD)提取塔架的前四阶弯曲模态频率作为输入特征。最后,利用源域OWTs的健康数据无监督预训练基准异常检测模型,在迁移学习阶段冻结内部LSTM层,仅利用少量目标涡轮机健康数据微调全连接层,实现跨域高效部署。
结合研究结果与讨论部分,各研究方面结论如下。首先,传统异常检测模型在无迁移学习条件下的表现:在训练数据来源的源涡轮机上检测大于3 m冲刷时具备较高准确率。但在面临其他不同土壤特性的目标场地时,受数据分布偏移影响,其性能显著下降,甚至会错误判定所有健康样本为冲刷状态。第二,迁移学习在不同土壤类型中的冲刷检测:通过引入迁移学习并对目标场址进行微调,模型准确率得到大幅提升,对3 m及以上冲刷深度的检测精度提高可达48.4%。与未采用迁移学习相比,该策略能够有效识别目标涡轮机的健康与冲刷状态,解决了跨站点泛化问题。第三,模型对微调数据规模的敏感性:框架在微调数据占比仅为5%的极端条件下,仍能保持对中重度冲刷的可靠检测。当数据占比达到20%-25%时达到性能收敛,该结果证明框架在目标域数据受限场景下的高效性。第四,模型对源OWT选择的敏感性:通过测试将不同站点作为源涡轮机进行知识迁移,结果表明框架对源数据的选择具有极小的敏感性,能够有效适应不同安装位置并保持大于3 m冲刷深度超过80%的检测准确率。第五,测量噪声对模型的影响:引入1%至5% RMS幅度的高斯白噪声进行评估,模型在20%微调比例下对不同噪声水平的响应稳定,仅在浅层冲刷上呈现轻微波动,证明了其对实际测量不确定性的鲁棒性。
综合讨论部分,研究中采用的简化模型虽能在受控数值环境中验证可行性,但在真实海洋环境中仍面临未建模的不确定因素。由于浅层冲刷在6 m直径单桩的埋置深度内引起的刚度变化较小,常被环境与运行变异性掩盖,这是基于振动的全局监测方法面临的固有挑战。最后,研究得出明确结论:OWTs动态响应对土壤特性高度敏感,冲刷显著影响模态频率且高阶频率对冲刷更为敏感;传统无监督方法在跨域检测中表现受限,而迁移学习模型能显著提升多站点冲刷检测精度并可靠识别3 m以上冲刷;模型仅需少量健康数据即可实现性能收敛并保持稳定;该迁移学习框架对不同源数据选择和测量噪声均表现出优越的泛化能力与鲁棒性。虽然当前结论基于数值模拟数据,但该研究为多站点海上风电场在数据缺失条件下的连续冲刷监测提供了极具前景的解决方案。