台风条件下漂浮式海上风力机系泊系统的多目标生成式逆向设计

《Ocean Engineering》：Multi-objective generative inverse design of floating offshore wind turbine mooring systems under typhoon conditions

　　

• 开发了一种面向台风韧性系泊系统的生成式逆向设计框架。• 采用Transformer代理模型预测平台运动与系泊张力。• 变分自编码器（CVAE）将目标性能响应直接映射为可行的系泊构型。• 权重空间聚类揭示了运动性能、张力与成本之间的权衡关系。• 在55 m/s台风工况下，平均水平漂移响应降低了22.87%。引言浮动式海上风电技术在全球能源转型中发挥着日益重要的作用（Jin等，2024）。系泊系统是浮动式海上风电机组最关键的分系统之一。近年来，随着浮动式海上风电向深水区域和更大规模应用拓展，系泊系统的设计成本不断攀升，占项目总投资的10%以上。在远海深水区域的极端海况下，安全设计要求日益严格（Zhou等，2023；Yang等，2022）。因此，系泊系统的设计目标已从单纯满足定位要求演变为一个综合性设计优化问题，需要在安全性、经济性、可安装性和可维护性之间取得平衡（da Fonseca Monteiro等，2021）。尽管浮动式风电机组系泊系统存在多种设计规范，但大多数规范均借鉴自传统海上油气工程实践（Otter等，2022）。然而，浮动式风电机组在设计要求和控制考虑方面与大型海上油气平台存在显著差异。此外，规定的设计载荷工况主要沿袭IEC标准，仍不足以表征浮动式风电机组在极端海况下的实际载荷特征（Wang等，2023）。适当的建模对系泊系统设计至关重要，建模方法通常分为静力学、准静力学和动力学方法（Udoh，2009）。常用的数值建模工具包括MIMOSA、OrcaFlex、ANSYS AQWA，以及专为OpenFAST开发的MoorDyn和MAP++（Ruehl等，2023）。系泊系统的设计优化过程尤为复杂。在商业项目中，通常至少涉及四个阶段。第一阶段需收集设计输入参数。第二阶段制定初步设计，并基于工程经验选取一组系泊方案。第三阶段进行初步时域数值分析，并利用试验数据对数值模型进行标定。最后获得设计解决方案并进行验证。在每一个阶段，都需对系泊设计参数进行迭代优化（Jiang，2025）。尽管基于规则驱动流程和高分辨率仿真的设计工作流具有坚实的物理基础，但通常涉及高昂的计算成本和漫长的优化周期。此外，最终设计性能仍高度依赖设计师的经验和初始参数（Li等，2019；Yan等，2025；Borg等，2014）。在学术设计研究中，研究人员往往侧重于浮动平台的总体设计和数值建模，强调可接受的平台运动范围和偏移极限，而系泊系统的设计则过于简化，缺乏完整的设计验证流程（Ma等，2019）。近期研究通过替代设计构型、新材料的应用以及风场层面设计策略等方面对系泊系统优化进行了探索，旨在同时提升系统安全性并降低造价（Jiang，2025）。Campanile等（2018）为荷兰Tri-Floater风电机组提出了多种悬链式系泊设计方案，涵盖50–80 m和200–350 m水深；他们还对关键参数提供了建议，并进行了涵盖安装和维护的初步成本分析。鉴于合成纤维绳索具有轻量和低成本的优势，其在海上可再生能源领域正越来越多地被采用，作为锚链和钢丝绳的替代品。在此背景下，Xu等（2021）基于线缆特性、运动响应算子、极限状态利用率和成本，对比了浅水浮动式风电机组的七种系泊构型，推荐了六种构型用于进一步评估。Weller等（2015）从分类、模型试验、安装、老化和维护等多个角度，概述了合成绳索在海洋可再生能源项目中的应用。在风场层面，共享式系泊系统的概念已被提出，在材料成本节约和安装节省方面可能具有更为显著的优势；然而，其技术成熟度仍处于相对较低的水平（Lozon和Hall，2023）。为降低计算成本并提高搜索效率，AI辅助设计优化逐渐成为该领域的重要发展方向（Klippel等，2025）。Pillai等（2019）提出了一种基于随机森林代理模型的系泊系统多目标优化框架，其中代理模型用于替代部分计算量昂贵的分析。他们证明了该方法在成本与性能优化方面的有效性。该工作被视为后续浮动式风电机组系泊系统AI优化研究的重要先驱。Wen等（2025）提出了一种基于Kriging代理模型和遗传算法的系泊设计优化框架。利用SIMA计算平台，他们在极端工况和额定工况下评估了动态响应，包括最大横摇、最大纵摇、轮毂加速度、最小张力系数和海床接触长度。随后利用这些响应构建了Kriging代理模型。通过采用多步优化策略逐步缩减设计变量范围，他们最终实现了对系泊构型和系统质量的有效优化。这些研究表明，AI辅助优化已超越了简单的数值仿真替代，开始与工程设计工作流深度融合。Wang等（2025a）提出了一种基于深度神经网络（DNN）和NSGA-Ⅲ的10 MW浮动式风电机组系泊优化方法。在该研究中，成本、系泊线张力和平台位移被作为优化目标。结果表明，所提方法可在保持高预测精度的同时显著缩短计算时间。类似地，Jung等（2025）采用DNN结合NSGA-II对不同载荷方向下的系泊张力和平台运动进行优化，证明了深度学习模型在多工况和多载荷方向近似响应方面具有可观潜力。Festa等（2025）提出了一种柔性神经网络代理模型，用于配备载荷削减装置的浮动式风电机组系泊优化。该神经网络利用时域有限元分析生成的数据进行训练，能够即时预测系泊张力和平台运动的时程序列。该模型还被用于不同水深、载荷工况和设计变量组合下的全局优化。Li等（2025）提出了一种结合LightGBM与遗传算法的方法，用于评估系泊线失效情况下浮动式风电机组的稳定性。该方法能够预测断线后剩余缆线中的平台运动和张力，并在成本约束下实现参数优化，从而将基于AI的方法扩展至故障场景。An等（2025）提出了一种代理辅助进化框架，用于优化浅水浮动式风电机组，应对众多设计变量和高计算成本的挑战。他们将该框架扩展至多目标研究，同时考虑短期和长期性能，指出仅优化短期性能可能损害长期抗疲劳性能。其研究结论强调了将累积疲劳损伤等长期指标纳入AI辅助优化框架的必要性。Striani等（2025）在对共享式系泊系统的综述中指出，共享式系泊的核心目标是通过共享锚和系泊线来降低成本，但该方案也引入了新的挑战，包括机组间耦合、故障传播和布局优化。Bertozzi等（2026）进一步讨论了共享式系泊和共享锚固系统在降低资本支出和运维成本方面的潜力。高分辨率时域分析、代理建模和优化算法的结合正在成为复杂浮动式风电系统设计的重要范式，而系泊系统优化则是其核心应用场景之一。尽管取得了上述进展，现有的AI辅助系泊优化方法在应用于台风韧性浮动式风电机组设计时仍存在若干局限性。首先，大多数代理辅助方法仍基于正向搜索策略，即由启发式算法反复生成候选设计变量，再通过数值仿真或训练好的代理模型进行评估（Pillai等，2019；Wen等，2025；Wang等，2025a；Jung等，2025；An等，2025）。正如代理辅助进化算法的综述所指出的（Zhou等，2024），此类进化搜索通常需要大量的候选方案评估，导致在昂贵优化问题中产生高昂的计算成本。随着设计空间维度升高且约束条件强耦合，这一问题将进一步加剧。例如，Wen等（2025）不得不采用多步优化策略逐步缩小设计变量范围。其次，即使获得了帕累托解集，最终最优方案的选定仍依赖于设计师预设的偏好或工程权衡，例如在最具经济性、最安全或位移最小的方案之间进行选择（Wang等，2025a；Jung等，2025）。此类偏好很少被量化或系统化解读，使得安全性、运动抑制和经济性之间的权衡结构难以揭示。第三，尽管已有研究探索了台风工况下的AI辅助响应预测（Ma等，2026），但上述优化研究均在标准极端或运营海况下进行。在台风特有的极端条件下，平台运动、系泊张力、安全余量和成本必须在显著缩小的可行设计空间内进行平衡，这一课题的AI辅助系泊优化和设计工作鲜有涉及。本研究提出了一种面向台风条件下浮动式风电机组系泊系统的智能逆向优化方法，整合了时域仿真、代理建模、生成式逆向设计和智能决策。优化涉及24个设计变量。锚固半径和锚点坐标定义系泊布局；缆长塑造悬链线形态和张力分布；中间节点位置和节点力在有限成本下提供局部刚度补偿。该方法主要包含三个部分：（1）基于台风风场模型和OpenFAST时域耦合仿真，构建不同台风条件下多种系泊布局的动态响应样本。随后采用Transformer建立载荷与动态响应之间的代理模型，以替代计算量昂贵的时域仿真。（2）利用CVAE建立从性能目标到设计参数的逆向映射，从而生成候选系泊方案，绕过启发式算法在高维参数空间中所需的计算密集型随机搜索。（3）对多目标权重空间进行K-means聚类分析，揭示安全性、运动性能和经济性之间的权衡关系。据此确定最优设计方案，并与基准设计进行对比，其中基准设计指本研究中的IEA 15 MW VolturnUS-S平台标准对称系泊构型。本研究的主要创新体现在三个方面：直接从性能目标生成系泊方案的逆向生成范式，取代了迭代正向搜索；量化此前由设计师主观指定的偏好的K-means权重分析；以及在台风生存工况下，以不对称缆长和节点连接作为设计自由度的应用。章节摘要IEA 15 MW VolturnUS-S平台本研究采用VolturnUS-S参考式半潜式浮动海上风电平台作为系泊系统设计的原型（Bai等，2025）。该平台配备IEA 15-240-RWT 15 MW参考式风电机组。浮动基础为四立柱钢制半潜式平台。平台运动的概念模型如图1所示。该平台设计水深为200 m，吃水为20 m。安装后的排水量为Transformer代理模型本研究提出的代理模型采用编码器—解码器Transformer架构，将输入参数映射为平台运动和系泊线张力（Ma等，2026）。输入参数被组织为四个长度为8的token序列Xraw∈R???。Token 1表示全局环境参数，包括风速Vw和锚固半径Ranc。Token 2、3和4分别对应三条系泊线的构型，每条包含缆长Li、节点沿……的位置等参数。代理模型精度评估数据集按三种风速类别进行分层随机划分，训练集、验证集和测试集的比例分别为80%、10%和10%，并使用固定随机种子42。

验证集用于模型选择，测试集仅在模型选择完成后使用一次，标准化缩放器仅在训练集上进行拟合。图9展示了训练集和验证集的损失曲线随训练次数的变化情况。帕累托分析将CVAE生成模型与Transformer代理模型相结合，对系泊系统进行逆向设计优化。首先，在表7所列的给定台风条件和目标响应范围内，使用CVAE生成30,000个候选设计方案。然后，利用Transformer快速预测每个设计方案的运动响应和系泊张力，并使用成本模型（Xu et al., 2021）计算总成本。最后，筛选出非支配解。结论本研究提出了一种基于人工智能的系泊系统多目标逆向设计与优化框架。主要结论如下：1. Transformer代理模型准确地捕捉了设计参数与动态响应之间的非线性关系，所有输出的R2值均超过0.99。其使用显著降低了计算成本。CVAE将高维设计参数映射到低维潜在流形中，从中生成了30,000个候选方案。CRediT作者贡献声明Hong Bai：撰写—原稿、方法论、调研、形式分析、数据整理、概念化。Jianhua Zhang：撰写—审阅与编辑、验证、监督、资源、概念化。Ke Sun：形式分析、概念化。Hongwei Wang：资源、概念化。Gang Ma：验证、监督。Lei Zhong：形式分析。数据可用性支持本研究结果的数据可从通讯作者处合理请求获取。利益冲突声明作者声明不存在可能影响本文所报告工作的已知竞争财务利益或个人关系。致谢作者衷心感谢国家自然科学基金（批准号：U24B2090和52271268）的资助。Hong Bai | Jianhua Zhang | Ke Sun | Hongwei Wang | Gang Ma | Lei Zhong