基于岩石嵌套结构的海上风力涡轮机单桩基础：一种结合迁移学习的模块化“数字-机械”孪生方法，用于全场应变预测

《Ocean Engineering》：Rock-socketed offshore wind turbine monopile foundations: A transfer-learning-enhanced modular “Digital-mechanical” twin method for full-field strain prediction

　　

• •
  数字-机械孪生体能够预测岩石嵌套式桩基的应变场。
• •
  有限元法（FEM）数据支持基于力学的全场应变预测。
• •
  模块能够编码并融合空间信息、加载信息和桩基-岩石信息。
• •
  迁移学习能够利用稀疏的模型测试数据来调整FEM映射。

引言

随着海上风电技术的快速发展以及远海风电场的大规模建设，风电涡轮机基础系统在复杂海洋环境中的安全性、耐久性和智能运维面临着前所未有的挑战。海上风电涡轮机基础在服役过程中长期承受风、波浪、水流和涡轮机运行等多源耦合载荷，其结构响应表现出显著的非线性和时间变化特性。在众多响应指标中，基础结构的变形和结构响应能够直接反映载荷传递机制和损伤演化过程，是结构健康监测、使用寿命评估和预测维护中的关键物理量。因此，高效准确地预测海上风电涡轮机基础在复杂工况下的变形响应已成为确保涡轮机长期安全运行的核心问题（Basack等人，2022；Zhang和Wang，2022）。

传统上，高保真数值模拟方法（如有限元法（FEM）和有限离散元法（FDEM）被广泛用于研究桩基-岩石-结构相互作用机制，并评估不同载荷情况下基础系统的应力-应变分布（Kim等人，2025；Li等人，2025）。这些方法可以从物理机制层面提供高精度预测，在基础设计和极端条件评估中发挥重要作用。然而，由于其计算成本高和建模过程复杂，單次分析往往需要大量计算资源和时间，难以满足运营阶段实时响应预测或长期在线监测的需求。特别是在风电场的全生命周期中，环境载荷和结构状态的不断演变对快速响应评估和模型动态更新提出了严格要求。在这种背景下，传统的高保真模拟在工程应用中存在显著局限性。

近年来，数字孪生（DT）技术因能够实现实物资产与其虚拟对应物之间的动态双向映射而受到越来越多的关注，从而支持复杂工程系统的智能监测和决策（Liu等人，2023，2024；Jayasinghe等人，2024；Aheleroff等人，2021）。通过整合基于物理的模型、历史模拟数据和实时传感数据，DT可以在虚拟空间中同步结构运行状态，并提供关键响应量的连续估计和可视化。最近的DT研究展示了其在海上风电涡轮机（OWTs）健康监测方面的巨大潜力。例如，基于物理的数值模型（如有限/离散元分析）已与现场监测数据相结合，以评估在耦合环境载荷下OWTs支撑结构（包括浮动基础、单桩基础和导管架基础）的应力、变形和疲劳损伤（Yu等人，2022；Rezadoost和Asgarian，2025）。这些研究表明，DT为克服传统静态分析的局限性并提升海上风电结构的生命周期管理提供了可行途径。

为了满足在复杂和时变工况下快速响应预测的需求，近期研究开始将数值模拟输出与深度学习相结合，构建实时替代预测器作为数字孪生的核心（Dang等人，2021）。然而，该领域的传统DT实现往往以监测为导向，依赖于有限的特征表示，这削弱了它们预测具有耦合时空物理特性的丰富全场机械响应的能力。为了区别于这类传统DT，并支持使用与力学相关的输入特征进行全场响应预测，本研究提出了一种结合人工智能和模拟的方法，该方法利用稀疏监测点和高保真模拟来推断具有多物理特征（如空间分布和时间演化）的全场机械信息。我们将这一概念称为“数字-机械”孪生体，强调其使用与力学相关的输入特征和基于FEM的应变响应数据来进行全场响应预测。

然而，工程实践中现有的基于AI的模型通常依赖于固定的初始条件和静态建模假设，其预测性能对场地特性（如地质条件差异、嵌入深度变化、冲刷效应以及循环载荷引起的基岩退化）高度敏感。当运行条件或环境因素发生显著变化时，通常需要重新建模或重复参数校准，导致维护成本高且泛化能力有限。此外，为特定场地构建的数字孪生模型通常难以直接应用于其他风电场或运行场景，这严重限制了其在海上风电项目中的大规模应用（Long等人，2024；Kandemir等人，2024；Song等人，2023；Barber等人，2022）。

为了提升基于AI的数字孪生在复杂多变工程环境中的适应性和可扩展性，近年来迁移学习越来越受到关注。通过将源域学到的知识转移到目标域，迁移学习使模型在目标数据有限或数据分布发生变化时仍能保持高预测性能。它被广泛认为是解决工程领域数据稀缺和运行条件变化问题的有效方法（Pan和Yang，2009）。先前的研究表明，迁移学习在残余寿命预测、故障诊断和结构响应建模等任务中取得了良好效果，反映了其在跨条件建模和高效数据利用方面的潜力（Liu等人，2026；Li等人，2024；Han等人，2026；Wu等人，2025；Chen等人，2022）。然而，大多数现有研究关注的是低维标量输出（如寿命指数或健康状态），而对具有显著空间分布特征的结构的全场响应（尤其是岩石嵌套式海上风电涡轮机单桩基础复杂变形场的高精度重建）的研究仍相对有限。

针对上述挑战，本研究提出了一种基于迁移学习的“数字-机械”孪生方法（TDMTM），用于预测复杂工况下岩石嵌套式海上风电涡轮机单桩基础的全场应变，如图1所示。TDMTM根据空间信息、加载历史和桩基-岩石物理参数的不同结构和作用组织了现有的深度学习操作。与直接连接和均匀处理多源数据的迁移学习替代模型相比，该框架配置为保留每种数据类型的特征，并预测海上风电涡轮机桩基的全场应变响应。

章节片段

研究方法

图2概述了TDMTM网络架构。TDMTM接收三组互补的输入：空间描述符、加载历史序列和桩基-岩石系统的工程条件描述符。MACDGM首先对加载历史进行编码；然后HFEM提取空间、时间和条件相关的表示；最后GWFFM将空间和条件相关的表示与时间特征结合形成预测特征。最终，TPFM进行迁移和适应

数据集准备

为了解决现有研究中全场应变分布预测的不足，我们以中国福建省平潭海域的一个海上风电场的岩石嵌套式单桩基础作为研究对象，该区域的海床主要由风化花岗岩层构成。现有研究表明，风化花岗岩海床中岩石嵌套式单桩基础的承载特性和失效机制非常复杂，且

数据集描述和训练策略

为了系统评估TDMTM在桩基应变预测任务中的有效性和鲁棒性，我们基于第二节构建的“数字-机械”孪生替代模型，设计并实施了一套完整的对比实验验证流程。实验模型采用端到端训练方法，包括MACDGM、HFEM、GWFFM和TPFM，用于预测不同条件下的桩基全场应变响应

结论

我们专注于预测受到风浪-水流耦合载荷和涡轮机运行载荷影响的岩石嵌套式海上风电涡轮机单桩基础的全场应变。这项任务具有高度非线性和时间变化性，提出了显著的跨条件泛化挑战。一方面，高保真有限元模拟能够提供准确的机械响应，但计算成本高，不适合运营过程中的实时需求。

CRediT作者贡献声明

Bo Han：撰写 – 审稿与编辑，概念构思。Chun-lei Zhang：撰写 – 初稿。Hao-nan Zheng：撰写 – 审稿与编辑。Li-zhen Cui：方法论。Yan-yu Xu：方法论。Yun-long Tie：监督。Bo-nan Zhang：监督。Zhi-shuai Zhang：软件。Gen-qiang Peng：数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金联合基金（编号：U23A20663）和山东省博士后创新项目（编号：SDCX-ZG-202502012）的财政支持。

Bo Han|Chun-lei Zhang|Hao-nan Zheng|Li-zhen Cui|Yan-yu Xu|Yun-long Tie|Bo-nan Zhang|Zhi-shuai Zhang|Gen-qiang Peng