基于bp神经网络的导管架平台结构响应计算方法
【专利摘要】本发明涉及海洋平台的结构设计技术领域，具体公开了一种基于BP神经网络的导管架平台结构响应计算方法，其包括如下步骤：步骤一，建立BP神经网络系统，该BP神经网络系统包括：输入层、隐层和输出层，输入层与隐层之间互连为导管架平台受力的第一阶段，隐层与输出层之间互连为导管架平台受力的第二阶段；步骤二，训练BP神经网络系统；步骤三，应用BP神经网络系统，将任意的风、浪和流环境荷载组合数值作为输入向量输入BP神经网络系统，则得到相应的平台结构响应。利用本发明所搭建的人工神经网络系统应用于计算导管架平台的结构响应，对于任意环境荷载组合，将其输入神经网络系统则可立即得到与数值模拟十分接近的结构响应，准确、快速。
【专利说明】
基于BP神经网络的导管架平台结构响应计算方法
技术领域
[0001] 本发明设及海洋平台的结构设计技术领域，尤其设及导管架平台运类海洋平台的 结构响应计算方法。
【背景技术】
[0002] 海洋平台是用于海上油气生产和作业的海上大型工程结构物。海洋平台结构复 杂、体积庞大、造价昂贵，其服役环境条件十分复杂和恶劣，不但受风、浪、流和冰的联合作 用，同时还受地震等极端荷载的威胁，一旦出现事故，所产生的经济、环境危害十分巨大。
[0003] 海洋平台的结构设计及相关的可靠性分析中，需要进行大量的风浪流等环境荷载 模拟计算，W得到平台的结构响应。尽管有现代化的计算机及有限元软件进行计算分析，但 软件分析模拟过程仍旧非常繁琐，计算过程也比较长。
[0004] 具体来说，对于海洋平台的结构响应分析，目前最常用的技术手段为采用ANSYS， SEASAM等大型专业有限元软件进行数值模拟，其分析过程需要首先对海洋平台采用 AutoCAD等3D制图软件进行简化建模，而后导入有限元软件进行计算，该技术手段的主要缺 点有：
[0005] (1)对像海洋平台运类的大型复杂海洋结构物进行3D建模十分复杂，具有建模困 难的缺点；
[0006] (2)大型有限元软件运行对计算机硬件要求高，同时购买专业有限元软件所需费 用高昂且需要经过系统培训才能掌握如何操作。对于同一结构，采用不同的单元类型，网格 划分方法，所得到的计算结果可能存在很大不同，不恰当的操作很可能导致计算出现不收 敛导致运行失败，程序的前期调试十分繁琐，相关人员需要相当系统全面的有限元及软件 操作知识才能完成相关计算，具有技术口槛高的缺点；
[0007] (3)有限元算法属于迭代算法，对于大型结构，即使采用高级的有限单元划分方 法，单次迭代过程中所需计算量也十分庞大，采用该技术手段虽然可W得到较准确的结构 响应，但是有计算运行速度缓慢，效率低下的缺点；
[000引（4)对于导管架运类的海洋平台，数值模拟计算如波浪等环境变量作用在结构物 上，理论上简化的计算方法是首先计算波浪力的大小，而后在将波浪力作用于结构物，分析 对某一关键部位产生的荷载效应。需要分析流体和结构的相关软件协调工作才能完成数值 分析，进一步加大了计算难度，常常需要同时调用两个W上有限元程序，其结构响应计算至 今也是一个比较困难的问题。
[0009] 总之，由于海洋平台环境荷载组合情况复杂，需要考虑大量不同的工况组合，工况 组合动辄上万，如采用数值模拟技术手段应用于计算海洋平台结构响应分析，相关设计部 口往往需要一两个月甚至更长时间才能完成计算。
[0010] 而采用物理模型试验测量海洋平台的结构响应，实际操作费时费力，目前仅应用 其与数值模拟结果进行比较。
[0011] 针对数值模拟计算效率低的缺点，很多国内外专家学者提出很多的经验公式用于 计算平台的结构响应。其技术手段为对于具体的海洋平台，将其结构响应(如基底剪力、倾 覆力矩、甲板位移等)可W看作波高、风速及流速等环境要素的函数。但由于海洋平台自身 结构的复杂非线性，采用该技术手段得到的结构响应与真实情况误差较大，一般相对误差 能控制在30%即为比较理想的结果，实际中无法广泛应用。
【发明内容】
[0012] 本发明要解决的技术问题就是找到一种计算精度接近数值模拟，但同时便于操 作，低技术口槛，计算迅速、高效的技术手段来实现导管架平台的结构响应计算。
[0013] 为了解决上述技术问题，本发明所采用的技术方案是:一种基于BP神经网络的导 管架平台结构响应计算方法，其包括如下步骤：
[0014] 步骤一，建立BP神经网络系统，该BP神经网络系统包括:输入层、隐层和输出层，输 入层与隐层之间互连为导管架平台受力的第一阶段，隐层与输出层之间互连为导管架平台 受力的第二阶段，每层包含若干节点，每层节点之间不相连，设输入层的输入向量为风、浪 和流的组合，输出层的输出向量为平台结构响应FX、FY、FZ W及MX、MY和MZ，输入层节点的个 数为输入向量的维数，输出层节点的个数为输出向量的维数；
[0015] 步骤二，训练BP神经网络系统，利用收集得到的海区的长期实测风、浪和流数据， 根据风、浪和流数据的分布情况，各取若干个特征值进行组合，获得特征工况组合X作为输 入向量，采用物理模型试验或采用数值模拟方法得到各特征工况组合X情况下的期望平台 结构响应数据W，将X和对应的W输入待训练的BP神经网络系统，WBP神经网络系统输出向量 实际平台结构响应数据Y与W的均方根误差作为网络性能函数，训练过程中BP神经网络系统 中的权值和偏差根据网络的误差性能进行调整，反复修正BP神经网络系统得到的实际平台 结构响应数据Y，使其最终与W的均方根误差达到最小；
[0016] 步骤S，应用BP神经网络系统，将任意的风、浪和流环境荷载组合数值作为输入向 量输入BP神经网络系统，则得到相应的输出向量平台结构响应FX、FY、FZ W及MX、MY和MZ。 [0017]优选的，该BP神经网络系统只有1个隐层，该隐层包含6个节点。
[0018] 优选的，输入层激励函数为化nsig:
[0019] 隐层激励函数为Iogsig
[0020] 输出层激励函数为pure 1 in，pure 1 in (X )= X。
[0021] 本发明技术方案带来的有益效果是：
[0022] (1)本发明所应用的BP神经网络拓扑结构根据两阶段受力分解划分，受结构力学 基本原理启发，考虑了各种环境荷载共同作用于导管架平台时，组合荷载与结构响应之间 复杂的非线性关系;避开了冗杂的结构力学理论，将导管架平台的结构响应计算简明化，大 大降低了相关设计人员的专业口槛。同时该拓扑结构的确定，既避免了神经网络过于复杂 导致的训练缓慢，也有效保证了对于结构响应模拟的准确性；
[0023] (2)由于人工神经网络的相关基本程序目前已广泛W程序包的形式内置于如 Matlab等常用的数值计算软件中，相关设计人员在明确了神经网络拓扑结构后，可直接利 用其搭建BP神经网络系统，为本发明的推广提供了便利条件；
[0024] (3)利用本发明所搭建的人工神经网络系统应用于计算导管架平台的结构响应， 对于任意环境荷载组合，将其输入神经网络系统则可立即得到与数值模拟十分接近的结构 响应，准确、快速。
【附图说明】
[0025] 图1单隐层的BP神经网络拓扑结构图。
[0026] 图2本发明一实施例BP神经网络拓扑结构图。
[0027] 图3-1本发明一实施例N方位FX--B巧巾经网络拟合结果示意图。
[00%]图3-2本发明一实施例N方位FY--B巧巾经网络拟合结果示意图。
[0029] 图3-3本发明一实施例N方位FZ--B巧巾经网络拟合结果示意图。
[0030] 图3-4本发明一实施例N方位MX--B巧巾经网络拟合结果示意图。
[0031] 图3-5本发明一实施例N方位MY--B巧巾经网络拟合结果示意图。
[0032] 图3-6本发明一实施例N方位MZ--B巧巾经网络拟合结果示意图。
【具体实施方式】
[0033] 下面结合附图和具体实施例对本发明作进一步说明，W使本领域的技术人员可W 更好的理解本发明并能予W实施，但所举实施例不作为对本发明的限定。
[0034] 本发明基于人工神经网络技术。人工神经网络是一种目前较成熟的机器学习手 段，在其他很多领域的应用中均获得了良好的效果，故本发明在模型计算方面有坚实的理 论为支撑。
[0035] 人工神经网络是在现代生物科学研究成果的基础上，借助神经生理科学、信息科 学、数理科学及计算科学等相关科学的研究成果建立的，人工神经网络系统由大量处理单 元（即神经元)互联组成，能够模仿人脑信息处理机制。其主要类型包括:BP、径向基、自组织 和反馈型神经网络，目前应用最广泛的为采用误差反向传播算法的多层前馈人工神经网 络，即B巧巾经网络。
[0036] BP神经网络具有良好的非线性逼近能力、泛化能力W及易适性，其显著特点包括：
[0037] (1)分布式的信息存储方式
[0038] BP神经网络是W各个处理器本身的状态和它们之间的连接形式存储信息的，一个 信息不是存储在一个地方，而是按内容分布在整个网络上。网络上某一处不是只存储一个 外部信息，而是存储了多个信息的部分内容。整个网络对多个信息加工后才存储到网络各 处，因此，它是一种分布式存储方式。
[0039] (2)大规模并行处理
[0040] 由于BP神经网络是由大量人工神经元W独有方式构成的，其能够同时接收多个输 入信息，并且还能够同时传输，人工神经元能W表决的形式做出响应，因此人工神经网络的 输出结果是由多数人工神经元同时表决的，能自动达到"少数服从多数"的效果。运一功能 实质上最大限度地利用了空间复杂性，并且非常有效地降低了时间复杂性。
[0041 ] (3)自学习和自适应性
[0042]人工神经网络通过后天的学习和训练，可W开发出各种各样的功能，类似于生物 神经网络。B巧巾经网络各层直接的连接权值具有一定的可调性，网络可W通过训练和学习 来确定网络的权值，呈现出很强的对环境的自适应和对外界事物的自学习能力。
[0043] (4)较强的鲁棒性和容错性
[0044] BP神经网络分布式的信息存储方式，使其具有较强的容错性和联想记忆功能，运 样如果某一部分的信息丢失或损坏，网络仍能恢复出原来完整的信息，系统仍能运行。
[0045] BP神经网络原理
[0046] BP神经网络通常由输入层、隐层和输出层组成，层与层之间全互连，每层节点之间 不相连。它的输入层节点的个数通常取输入向量的维数，输出层节点的个数通常取输出向 量的维数，隐层节点个数目前尚无确定的标准，需通过反复试凑的方法，然后得到最终结 果。根据Kolmogor定理，具有一个隐层（隐层节点足够多）的S层BP神经网络能在闭集上W 任意精度逼近任意非线性连续函数。W单隐层的BP神经网络为例，其拓扑结构如图1所示。
[0047] BP神经网络可W看成是一个从输入到输出的映射，目阳:Rn 一 r，f (X) =Y。对于样本 集合:输入值为Xi( G Rn)和输出值为yi( G r)，可W认为存在某一映射g使得g(Xi) = yi(i = 1，2,…，n)。神经网络通过对简单的函数进行数次拟合，得出近似的函数f是g的最佳逼近。
[0048] BP算法的学习过程由正向传播和反向传播组成。正向传播过程中，输入模式从输 入层经隐层逐层处理，并传向输出层，每一层神经元的状态仅影响下一层神经元的状态。如 果输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过 修改各神经元的连接权值，使得误差信号最小。反复迭代使神经网络计算得到的预期值化 与实际响应值T均方根误差最小。
[0049] -般的L层BP神经网络，记输入层为第0层，输出层为第L层，中间层（即隐层)依次 为第1层到第L一 1层。第k层的神经元数为nk，第k一 1层到第k层的权值矩阵为
其中表示第k-1层第i个神经元与第k层第j个神经元的连接权值。
[0050] 假设人工神经网络的输入向量为X=化，X2,…，XnO)T，则其第1层的接收向量为Zl = W^X，输出向量为Yi = (Yii ,Ysi，…，Ynii)T;同样可得其第k层（k> 2)的接收向量为
，其中：
[0051]
(1)
[0052] 式中，fik(.)为第k层第i个神经元的激励函数。激励函数有多种形式，如常用的S 型函数或称sigmoid函数为：
[0化；3]
U)
[0054] 网络的学习就是要确定权值矩阵Wk化=1，2,…，L)，使得网络理想输出化=(YiL, YsV- ,YnL^T,达到与实际输出T的误差最小的效果。
[0055] 本发明是将BP人工神经网络应用于导管架平台结构响应计算。
[0056] 本发明基于BP神经网络的导管架平台结构响应计算方法的一实施例如下。
[0057] 考虑导管架平台的荷载效应主要由风、浪、流作用产生，实际设计时需要计算给定 一组风、浪、流组合作用于导管架平台时，设平台泥面处的响应为FX、FY、FZ W及MX、MY和MZ。 [0化引 Stepl:建立BP神经网络系统
[0059] 该导管架平台的BP神经网络系统具有3个输入，6个输出，结合经典的结构力学知 识，将导管架平台的真实受力物理过程分解为两个阶段：
[0060] (1)风、浪、流等环境荷载单独作用于结构物时，由于其作用位置，作用力的大小不 同，会产生不同平台响应FX、FY、FZW及MX、MY和MZ，而当环境荷载同时作用于导管架平台 时，各环境荷载产生的同一类型结构响应会相互影响，最终转变为导管架平台实际的结构 响应；
[0061] (2)导管架平台的各响应之间也存在一种相互制约的关系，即FX会对巧、FZW及 MX、MY和MZ有影响，同理与其他类型的结构响应。
[0062] 基于W上两阶段受力分解，将BP神经网络系统设计成如图2的拓扑结构，输入层和 隐层之间即为导管架平台受力的第一阶段，隐层至输出层之间考虑了第二阶段的受力关 系。
[0063] 对于激励函数，tansig与Iogsig函数均为S型函数，在对其求导数时，可W用自身 的某种形式来表示。运一点在做数值试验时很重要，在训练神经网络时，权值的反向传播需 要使用激励函数的导数，多层则需要使用多个导数，此时使用S型函数作为激励函数则可W 减少计算机的储存空间、提高运算及收敛速度。此外，激励函数无论对于识别率或收敛速度 都有显著的影响。在逼近高次曲线时，S形函数精度比线性函数要高得多，但计算量也要大 得多。综上所述，本发明将输入层激励函数定为tansig，起到扩大值域的作用，使隐层中各 分支之间的非线性联合更加广泛，隐层采用logsig，输出层采用purelin。
[0064] net = newff (in，ou，[6 6]，{' tansig' ' logsig' 'purelin'}，' trainlm'）；
[0065] 各激励函数的表达式如下所示；
[006d 饼
[0067 (4)
[0068] Piirelin(X)=X (5)
[0069] Step2:训练BP神经网络系统
[0070] BP神经网络属于有监督的学习过程，需要利用收集得到的海区的长期实测风、浪 和流数据，根据风、浪和流数据的分布情况，各取若干个特征值进行组合，获得特征工况组 合X，可采用物理模型试验或采用数值模拟方法测得到各工况组合情况下的平台结构响应 数据W，训练过程是将输入向量X和对应的期望输出响应W输入待训练的BP神经网络系统，W BP神经网络输出响应Y与W的均方根误差作为网络性能函数，训练过程中BP神经网络中的权 值和偏差根据网络的误差性能进行调整，反复修正BP神经网络系统得到的平台结构响应Y， 使其最终于期望响应W的均方根误差达到最小；
[0071 ] net = train(net，i吨Ut，ou1:put2); % i吨Ut为输入数据X，ou1:put2为目标输出W
[0072] 本实施例中，利用收集得到的某海区的长期实测IOmin平均风速、有效波高、表层 流速数据，根据风速、波高、流速的分布情况，各取8、6、8个特征值，见下表1，考虑风浪流均 来自同一方位，有384种组合工况，可采用物理模型试验测得每组工况对应的6个结构响应， 在条件允许的情况下也可采用数值模拟的技术手段模拟其结果。
[0073] 表1风浪流特征值
[0074]
[0075] 注:风速、流速单位取m/s，有效波高单位为m。
[0076] Step3:应用BP神经网络
[0077] 利用训练好的BP神经网络，对于任意的环境荷载组合，只需将风、浪、流数值输入 BP神经网络系统，则可立即得到相应的结构响应。
[007引 simout = sim(net，i吨Ut); % i吨Ut为输入数据X，simout为神经网络计算响应
[0079] 为了验证本发明的准确性，图3-1至3-6为N向结构响应BP神经网络拟合图。给出当 风浪流均来自N方位时采用BP神经网络拟合得到的该导管架平台结构响应。结果显示采用 BP神经网络拟合平台响应效果十分理想，网路输出值几乎与真实值完全相同。
[0080] 表2 N向拟合检验表 「00811
[0082] ~注:RMSE为平均离差平方和开根号，MaxRSE为相对误差极大值，MinRSE为相对误差 极小值，MRSE为相对误差均值，DR沈为相对误差中位数，PSE为相对误差大于10%的百分比。
[0083] W上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范 围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明 的保护范围之内。本发明的保护范围W权利要求书为准。
【主权项】
1. 一种基于BP神经网络的导管架平台结构响应计算方法，其特征在于，其包括如下步 骤： 步骤一，建立BP神经网络系统，该BP神经网络系统包括:输入层、隐层和输出层，输入层 与隐层之间互连为导管架平台受力的第一阶段，隐层与输出层之间互连为导管架平台受力 的第二阶段，每层包含若干节点，每层节点之间不相连，设输入层的输入向量为风、浪和流 的组合，输出层的输出向量为平台结构响应FX、FY、FZ以及MX、MY和MZ，输入层节点的个数为 输入向量的维数，输出层节点的个数为输出向量的维数； 步骤二，训练BP神经网络系统，利用收集得到的海区的长期实测风、浪和流数据，根据 风、浪和流数据的分布情况，各取若干个特征值进行组合，获得特征工况组合X作为输入向 量，采用物理模型试验或采用数值模拟方法得到各特征工况组合X情况下的期望平台结构 响应数据W，将X和对应的W输入待训练的BP神经网络系统，以BP神经网络系统输出向量实际 平台结构响应数据Y与W的均方根误差作为网络性能函数，训练过程中BP神经网络系统中的 权值和偏差根据网络的误差性能进行调整，反复修正BP神经网络系统得到的实际平台结构 响应数据Y，使其最终与W的均方根误差达到最小； 步骤三，应用BP神经网络系统，将任意的风、浪和流环境荷载组合数值作为输入向量输 入BP神经网络系统，则得到相应的输出向量平台结构响应FX、FY、FZ以及MX、MY和MZ。2. 如权利要求1所述的基于BP神经网络的导管架平台结构响应计算方法，其特征在于， 该BP神经网络系统只有1个隐层，该隐层包含6个节点。3. 如权利要求1所述的基于BP神经网络的导管架平台结构响应计算方法，其特征在于，输出层激励函数为purel in，Purelin(X)=X。 输入层激励函数） 隐层激励函数为1
【文档编号】G06N3/08GK106021880SQ201610312508
【公开日】2016年10月12日
【申请日】2016年5月12日
【发明人】蒋习民, 董胜, 徐志刚, 林逸凡, 鲁之如, 翟金金, 陈同彦
【申请人】中石化石油工程设计有限公司, 中国海洋大学