一种基于LSTM模型的海洋结构物波浪载荷预报方法

一种基于lstm模型的海洋结构物波浪载荷预报方法
技术领域
1.本发明涉及一种基于lstm模型的海洋结构物波浪载荷预报方法，尤其是预报风、浪、流条件下海洋结构物所受荷载、波浪爬升高度、压强分布以及结构响应。


背景技术：

2.波浪爬升高度和波浪荷载是海洋结构物的重要设计参数，特别是破碎波所产生的砰击荷载，其荷载可达未破碎波荷载的9倍甚至更高。由于实际工程中波浪荷载不便于测量，传统的研究方法包括理论研究、物理模型试验研究和数值模拟研究。由于实际波浪与结构物相互作用过程复杂，伴随着波浪破碎的现象，相应的理论研究较少，且较难应用到实际工程；同样在数值模拟研究中，为了捕捉复杂的相互作用过程需要耗费大量的计算资源，对于破碎波的砰击作用，计算的准确性和精度仍需进一步提高；物理模型试验研究需要基于一定相似准则，将实际结构物缩尺到实验室尺度后进行，是最为常用的研究方式，且具有更高的可靠性，但精细化的试验需要有精细化的设备和数据采集仪器，同时需要耗费大量的人力与物力。近年来，机器学习的快速发展，为研究海洋结构物所受荷载提供了新的研究手段。相较于传统的研究方式，基于已有的数据结果，机器学习可以更高效的预测结构物上的作用荷载，且预测模型可以推广至海洋结构物原型。
3.为了得到海洋结构物载荷预测模型，需要对模型先进行一系列的训练，使得对于给定的输入参数如风、浪、流条件，模型能够精准的预测所需结果。然而，对于传统的波浪爬升及波浪荷载的预测，仍存在较大的局限性：为了得到可应用于实际工程的预报模型，需要考虑多种环境条件如风、浪、流的耦合作用过程，而传统的预报模型仅考虑其中一种的影响；由于波浪与结构物的作用机理复杂，特别是对于破碎波的作用以及复杂的多柱体结构物，为了得到更准确的预测结果，需要有更多的特征条件来进行预报；传统的预报模型通常仅基于数值模拟或物理模型试验结果进行预报，忽视了实际工程的相关性和应用性。基于以上的考虑，需要有一种预报方法可以将物理模型试验研究与实际工程相结合，考虑多种输入条件的综合作用，用于预报实际工程海洋结构物所受载荷的方法。


技术实现要素：

4.针对传统的预报波浪爬升高度与波浪荷载的模型存在的未考虑风、浪、流等环境条件耦合作用工程、忽视与实际工程的相关性和应用性等相关问题，本发明涉及了一种基于lstm模型的海洋结构物波浪载荷预报方法。本方法不仅通过大型港池物理模型试验得到可靠的波浪爬升与波浪载荷的初始数据，还通过模型比尺将初始数据转换为结构物原型的数据结果，建立结构物原型的预报模型，同时可以通过实际工程中较易测量的结果如波浪爬升高度和结构响应进行修正，有利于建立可应用于实际工程的波浪载荷的预报模型。
5.为实现以上目的，本发明所采用的技术方案是：
6.一种基于lstm模型的海洋结构物波浪载荷预报方法，为获取初始训练数据，基于海洋结构物原型及环境要素，通过相似比例缩尺，开展港池物理模型试验，根据风、浪、流输
入条件测得结构物所受荷载、波浪爬升高度以及压强分布特性以及结构响应数据作为初始训练数据。
7.建立海洋结构物波浪载荷预报模型：根据相似比例将初始训练数据转化为原型训练数据，利用原型训练数据训练海洋结构物波浪载荷预报模型，最终得到最优预报模型。
8.基于训练完毕的载荷预报模型：根据实际工程中较易测得的波浪爬升高度以及结构响应对训练完毕的载荷预报模型进行修正，得到适用于实际工程的载荷预报模型，最后可根据原型风、浪、流环境条件，对海洋结构物所受荷载、波浪爬升高度、压强分布特性及结构响应进行预报。
9.上述技术方案中，进一步地，所述的海洋结构物通过弗洛德数相似准则进行缩尺，根据给定的长度比尺λr计算得到相应的速度、时间、荷载的比尺，其中，λr＝l
p
/lm，下标p代表原型，m代表模型，l
p
为原型长度，lm为模型长度：
[0010][0011][0012][0013]
其中v
p
,vm分别表示原型与模型的速度，g
p
,gm分别表示原型与模型的重力加速度，t
p
,tm分别表示原型与模型的时间，f
p
,fm分别表示原型与模型的受力荷载，ρ
p
,ρm分别表示原型与模型流体的密度。
[0014]
进一步地，所述的结构物所受荷载通过三分力传感器测量得到，波浪爬升高度通过波高仪测量得到，压强分布特性通过点压强传感器测量得到，结构响应通过加速度计或位移计测量得到。
[0015]
进一步地，所述的载荷预报模型可根据数据的复杂程度设置不同隐藏单元层数、每层神经元个数、单次训练数据量、全连接层数及其神经元个数，并寻找最优模型。
[0016]
进一步地，所述的原型训练数据是通过将试验测得的数据根据模型比尺转化得到，包含输入参数和预测数据，所述输入参数包括风、浪、流参数，所述预测数据包括结构物所受荷载、波浪爬升高度、压强分布与结构响应参数，将原型训练数据按比例划分为训练集与测试集。
[0017]
进一步地，所述的载荷预报模型，根据误差分析函数平均绝对误差(mae)、平均百分比误差(mape)、均方根误差(rmse)、相关系数(r2)进行训练，得到最优模型，误差分析函数的计算公式如下：
[0018][0019]
[0020][0021][0022]
其中n是测试集数据的数量，为预测值，yi为实际值，为预测值的平均值，为实际值的平均值。
[0023]
进一步地，所述的载荷预报模型训练完毕后，根据实际工程中较易测得的波浪爬升高度以及结构响应，对预报模型进行修正，得到适用于实际工程的载荷预报模型。
[0024]
进一步地，所述的载荷预报模型训练完毕后，可根据海洋结构物原型的环境要素条件(风、浪、流等参数)，对结构物所受荷载、波浪爬升高度、压强分布特性以及结构响应进行预测。
[0025]
本发明的有益之处在于：
[0026]
本发明可以通过弗洛德数相似准则，在精细化的物理模型试验中，考虑多种环境条件如风、浪、流等的相互耦合作用，测量得到结构物上波浪爬升以及波浪荷载。本发明通过相似比例，将试验中测量得到的结果转化为实际工程尺度的结果，作为初始训练数据；进一步建立lstm预报模型，通过改变隐藏单元层数、每层神经元个数、单次训练数据量、全连接层数及其神经元个数，找到适用于预报的最优模型；进一步通过实际海洋结构物上较易测量得到的参数如波浪爬升高度以及结构响应进行校准，对预报模型进行修正，得到能够预报实际工程海洋结构物波浪爬升及波浪荷载的神经网络模型。
附图说明
[0027]
图1是本发明的预报方法流程图；
[0028]
图2是本发明的初始数据转化关系示意图；
[0029]
图3是本发明的lstm神经网络预测原理图；
[0030]
图4是本发明的平均绝对误差收敛示意图；
[0031]
图5是本发明的结构物所受荷载预测结果示意图；
[0032]
图6是本发明的荷载预测结果对比示意图；
[0033]
图7是本发明的荷载峰值预测结果对比示意图。
具体实施方式
[0034]
下面结合附图和具体实施方式对本发明的技术方案进行进一步说明，但是本发明的保护范围不局限于所述实施实例。
[0035]
图1为本发明的预报方法流程示意图。首先基于给定的工程海洋结构物原型及环境要素，确实港池试验条件，通过弗洛德数相似准则进行缩尺，得到港池试验的结构物模型及相应的环境要素条件。进一步通过风、浪、流等环境要素耦合作用，测得结构物所受荷载、波浪爬升高度、压强分布特性以及结构响应。通过相似比例将试验得到的结果转化为原型
尺度下的结果作为原型训练数据，建立海洋结构物波浪载荷预报模型，利用原型训练数据对载荷预报模型进行训练，通过改变隐藏单元层数、每层神经元个数、单次训练数据量、全连接层数及其神经元个数，寻找最优模型。通过实际工程中较易测量的参数如波浪爬升高度以及结构响应等对训练完毕的载荷预报模型进行修正，最后根据原型风、浪、流等环境条件，对海洋结构物所受荷载、波浪爬升高度、压强分布特性以及结构响应进行预报。
[0036]
图2为本发明的初始数据转化关系示意图，通过相似比例，将实验室中测量得到的结果转换为原型尺度中的数据，其中包含输入参数如风、浪、流等参数，以及预测数据如结构所受荷载、波浪爬升高度、压强分布与结构响应等参数，数据集按照约7:3的比例划分为训练集与测试集。
[0037]
图3为本发明的lstm神经网络预测原理图。相较于传统的循环神经网络，lstm神经网络引入了状态参量c
t
与三个门控单元即遗忘门、输入门、输出门。三个门控单元的计算公式为：
[0038]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0039]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0040][0041][0042]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0043]
其中，f
t
代表遗忘门，σ表示非线性sigmoid函数，wf,bf分别表示遗忘门的权重矩阵与偏置函数，h
t-1
,x
t
分别表示上一时刻的输出结果与当前时刻的输入；i
t
代表输入门，wi,bi分别表示输入门的权重矩阵与偏置函数；代表输入门的当前状态，wc,bc分别表示当前状态的权重矩阵与偏置函数；c
t
代表当前时刻的状态参量，c
t-1
表示上一时刻的状态参量；o
t
代表输出门，wo,bo分别表示输出门的权重矩阵与偏置函数。
[0044]
最后根据当前状态参量与输出门结果计算得到当前时刻的预测结果
[0045]ht
＝o
t
·
tanh(c
t
)
[0046]
其中，h
t
表示当前时刻的输出结果。
[0047]
图4为本发明的平均绝对误差收敛示意图，随着训练次数的增加，训练集和测试集的平均绝对误差呈下降趋势，最后趋于稳定。
[0048]
图5为本发明的结构物所受荷载预测结果示意图，经过训练，预测结果与实际结果吻合较好。
[0049]
图6为本发明的荷载预测结果对比示意图，由图可知，预测结果与实际结果拟合较好，数据点均集中在最佳拟合线附近
[0050]
图7为本发明的荷载峰值预测结果对比示意图，由图可知，本发明提出的模型能较好的预测作用于结构物上的荷载峰值。
[0051]
当然，以上只是本发明的具体应用范例，本发明还有其他的实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要求的保护范围之内。