《Process Safety and Environmental Protection》：Intelligent fatigue life assessment of spanning subsea pipelines using simulations and machine learning algorithms
编辑推荐：
``摘要振动诱导疲劳（VIV）是海底跨海管道的主要失效模式，可能导致累积疲劳损伤和断裂失效。本文提出了一种基于应力历史（STH）数据和机器学习（ML）算法的智能模型，用于预测海底跨海管道的疲劳寿命。使用三维有限元（FE）模型获得了关键疲劳位置的STH信号。开发了一种基于混合CNN
``
摘要
振动诱导疲劳（VIV）是海底跨海管道的主要失效模式，可能导致累积疲劳损伤和断裂失效。本文提出了一种基于应力历史（STH）数据和机器学习（ML）算法的智能模型，用于预测海底跨海管道的疲劳寿命。使用三维有限元（FE）模型获得了关键疲劳位置的STH信号。开发了一种基于混合CNN-BiLSTM-MHA算法的数据驱动模型，用于预测动态载荷条件下跨海管道的疲劳寿命。CNN模块可以从输入信号中提取局部特征模式；BiLSTM可以捕捉时间序列中的动态变化和长期依赖性；MHA机制增强了模型对关键特征信息的关注。与其他方法的比较表明，该模型的性能更优越（准确率=97.21 ± 1.12%，宏精度=96.55 ± 1.36%，宏召回率=97.63 ± 1.01%，宏F1分数=97.05 ± 1.19%）。这项研究可以支持海底管道的智能完整性管理。
引言
VIV是指涡流脱离时对圆柱体施加的振动力，该力垂直于流体流动方向和圆柱体表面（Williamson和Govardhan，2004年；Gabbai和Benaroya，2005年）。VIV可能导致管道的疲劳损伤或断裂失效（Morse，2008年）。在安装和运行过程中，由于海底不规则性、冲刷、沙波、海底移动或人类活动，可能会发生海底跨海管道（Cheng等人，2014年；Yang等人，2017年；Hou等人，2026年）。当海水流经这些局部无支撑的自由跨度段时，管道容易受到周期性VIV的影响（Karrech等人，2024年；Li等人，2018年）。预测海底管道在VIV作用下的疲劳寿命对于管道的完整性管理和维护决策至关重要。
VIV是一种高度复杂的现象，在过去几十年中吸引了大量研究（Larsen等人，2002年）提出了结合经验线性频域模型和非线性时域结构模型的方法。（Yu和Fu，2011年）应用光谱分析和疲劳理论开发了海底跨海管道的疲劳寿命预测方法。Xu等人（2022年）提出了一种考虑流体-结构-沉积物相互作用的多跨振动预测方法，以分析管道在VIV作用下的动态特性。Lu等人（2025年）通过模型实验研究了多跨海底管道的VIV疲劳损伤特性。Zang等人（2021年）研究了稳定流态下沙质海底上管道的局部冲刷现象，并建立了影响VIV发生的减速度阈值的经验公式。Seghier等人（2022年）建立了同时受到跨海作用和腐蚀退化的海底管道可靠性分析框架。Peek等人（2024年）基于无量纲参数开发了一种VIV疲劳损伤缩放方法，用于预测海底管道和立管的疲劳损伤。传统的FE方法受到高计算需求的限制，影响了它们进行实时或迭代分析的可行性。此外，这些方法往往无法捕捉复杂流体-结构相互作用机制，导致预测精度有限，无法满足复杂操作条件下海底管道工程的实际需求。
最近，ML方法在疲劳分析中的应用成为新趋势。一系列算法，如BPNN、RF（Breiman，2001年）和SVR（Cortes和Vapnik，1995年；Luo等人，2022年）被广泛用于疲劳损伤预测。Xu等人（2023年）使用三种不同的ML算法预测倾斜柔性圆柱体的VIV响应。Wang等人（2024年）结合基于高斯的数据增强技术和PINN方法研究缺陷特性对疲劳寿命的影响。Sivaprasad等人（2023年）使用ANN构建了数据驱动框架，用于预测TTR中的VIV诱导疲劳损伤。Gao等人（2025年）提出了一种新的多尺度物理神经网络模型，用于预测多轴疲劳寿命。Wang等人（2026年）基于单调约束和物理约束开发了PINN模型，用于预测增材制造的Ni基超级合金的疲劳寿命。Karrech等人（2026年）提出了用于自由跨度海底管道的GFLFM随机疲劳分析方法。然而，大多数现有方法仍然依赖于静态参数建模，无法捕捉疲劳失效中的时间演变，限制了它们在动态监控和高精度疲劳寿命预测中的应用。
CNN最初是为图像数据开发的，其卷积层能有效捕获输入中的局部模式。对于时间序列数据，CNN也可以通过卷积操作提取局部特征。（Mantawy和Ravuri，2024年）开发了一种基于CNN的方法，用于从应变时间序列数据中预测低周疲劳引起的钢筋断裂。为了提高对序列数据的建模能力，许多研究将CNN与LSTM网络相结合。Zhang等人（2025年）提出了一种基于LSTM-CNN的时域方法，用于分析非稳态载荷下汽车部件的多轴疲劳。与仅使用前向信息的LSTM不同，BiLSTM通过向后递归结合了未来序列信息，实现了前向和后向依赖性的同时学习（Graves和Schmidhuber，2005年）。Feng等人（2023年）开发了一种混合模型，即PCA-CNN-BiLSTM，用于预测电池的剩余使用寿命（RUL）。尽管基于CNN-LSTM的模型及其变体在捕获时间序列数据中的局部特征和长期依赖性方面取得了显著进展，但在处理复杂模式和长时间跨度方面仍存在挑战。注意力机制作为一种强大的特征提取技术，越来越受到关注。注意力通过在深度学习模型中赋予相关特征更高权重来增强其重要性（Tian等人，2022年）。Huang等人（2025年）提出了一种结合TPA机制和CNN-LSTM模型的方法，以提高锂离子电池剩余容量的估计精度。Shin等人（2025年）将LSTM和CNN与注意力机制结合，以捕获循环应变控制测试期间收集的应力-应变数据中的时间和局部特征。Zhao等人（2025年）提出了一种多信号融合深度注意力残差CNN模型，用于疲劳寿命预测。尽管现有研究取得了进展，但仍有一些挑战需要解决：
?传统方法主要基于静态参数假设和经验公式。然而，海底跨海管道的服务环境具有显著的多样性和不确定性，难以有效表示复杂海洋条件下的动态退化。
?尽管一些数据驱动方法尝试结合线性和非线性回归技术进行疲劳寿命估计，但模型结构的局限性限制了它们捕捉退化的复杂非线性和时变特性的能力，从而限制了预测精度的提高。
?海底跨海管道的运行条件复杂且多变。疲劳损伤的演变表现出明显的时间依存性和不确定性。传统模型在捕捉输入变量的空间相关性和时间动态方面表现不佳，限制了它们在工程实践中的应用。
本文提出了一种用于预测海底跨海管道在VIV作用下的疲劳寿命的智能模型。使用FE模型在管道的关键疲劳点生成STH。RFC方法、S-N曲线和Miner-Palmgren规则用于预测管道的疲劳寿命。这些数据用于训练基于CNN-BiLSTM-MHA算法的智能模型，然后将其与其他模型进行比较，以证明其优越性能。根据该模型，可以使用STH作为输入来预测跨海管道的疲劳寿命。
本文的其余部分组织如下。第2节简要概述了所使用的技术。第3节介绍了海底跨海管道疲劳寿命预测的方法。第4节通过案例研究说明该模型。最后，第5节总结了本文。
章节片段
CNN
CNN是一种深度前馈神经网络，它结合了卷积操作，旨在处理具有网格状结构的数据，例如时间序列、图像或其他多维数组。典型的CNN由卷积层、池化层、全连接层和输出层组成。在CNN中，卷积核对来自前一层的特征向量进行卷积操作，以提取局部敏感特征，之后进行非线性
方法论
图3展示了海底跨海管道的疲劳寿命预测框架，包括三个主要步骤：
?数据采集和数据集构建；
?模型训练和评估；
?在线预测。
FE模型开发
虽然在海底管道的设计阶段考虑了VIV损伤的潜在风险，但由于环境不确定性，这些现象无法完全避免（Li等人，2017年）。为了生成数据集构建所需的应力历史，开发了如图5所示的海底管道在VIV作用下的动态响应的三维FE模型。
在各种参数中，管道几何形状和某些环境因素被归类为静态变量，因此不能
结论
本文提出了一种ML框架，用于预测海底跨海管道在VIV作用下的疲劳寿命。使用FE生成的类似传感器的应力历史作为输入数据，并使用RFC、S-N曲线和Miner规则获得相应的标签。然后训练CNN-BiLSTM-MHA模型来识别海底跨海管道的疲劳状态。该方法有望集成到SCADA系统中，用于海底管道的实时疲劳状态预测。
在本研究中，
未引用的参考文献
（Hongchul等人，2025年）
CRediT作者贡献声明
陈国明：资源提供。李新红：写作——原始草案，方法论。曹金彤：研究。张仁仁：软件。刘秀全：资源提供。
利益冲突声明
本手稿的提交不存在利益冲突，所有作者均已批准发表。我代表我的合作者声明，所描述的工作是原创研究，之前未曾发表，也没有在其他地方考虑过全部或部分发表。
致谢
利益冲突
本手稿的提交不存在利益冲突，所有作者均已批准发表。
Xinhong Li|Jintong Cao|Renren Zhang|Xiuquan Liu|Guoming Chen
```
