CN105676313A - 用于跨海大桥施工海域波浪场、风速场的区域预测方法 - Google Patents
用于跨海大桥施工海域波浪场、风速场的区域预测方法 Download PDFInfo
- Publication number
- CN105676313A CN105676313A CN201610086866.8A CN201610086866A CN105676313A CN 105676313 A CN105676313 A CN 105676313A CN 201610086866 A CN201610086866 A CN 201610086866A CN 105676313 A CN105676313 A CN 105676313A
- Authority
- CN
- China
- Prior art keywords
- marine site
- wind speed
- day
- interval
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种用于跨海大桥施工海域波浪场、风速场的区域预测方法,获取施工海域施工前海洋气象机构预报的样本海域风浪数据,并构建样本海域数据库;将施工海域划分呈若干预测监控区间,获取各预测监控区间的实测风浪数据,并构建各预测监控区数据库;以样本海域数据库为输入学习样本,以各预测监控区数据库为输出样本,分别建立各预测监控区数据库中每天的实测数据与样本海域数据库中该天的预报数据之间的对应关系;提取海洋气象机构对样本海域未来一段时间波高和风速的预报数据,并作为输入数据,根据已建立的过去该时间段的对应关系,计算各预测监控区间未来一段时间对应的波高和风速的预测数据。本发明为桥梁施工作业计划提供环境指导。
Description
技术领域
本发明涉及海洋天气预测技术领域,具体涉及一种用于跨海大桥施工海域波浪场、风速场的区域预测方法。
背景技术
跨海大桥的建设一般需要面临多变的气象环境、复杂的海底地质和恶劣的水文条件等多种不利的自然条件,其施工难度要远大于相同跨径和规模的内河桥梁建设。由于跨海大桥的施工对于现场的自然环境有一定的依赖性,例如大风天气会影响模板、护筒等受风面积较大构建的吊装;海上波高超出安全界限时,船舶无法进行施工材料和机具的运输调运,使得施工周期较长。
现有的海洋气象预报机构预报数据所针对的海域是距离大陆较远的海域,与跨海大桥施工海域相距较远的距离,其风浪特点与施工海域的风浪分布具有一定的差异性。因此,海洋气象预报机构的预报数据与跨海大桥的施工海域的实际风浪数据也有一定的差距,精确度不足以指导施工计划的制定。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种用于跨海大桥施工海域波浪场、风速场的区域预测方法,能够精准计算出施工海域范围内未来几天的风速场和波浪场的分布状态,为跨海桥梁施工海域未来几天的材料运输、机械调配和生产作业计划提供施工环境方面的指导。
为达到以上目的,本发明采取的技术方案是:一种用于跨海大桥施工海域波浪场、风速场的区域预测方法,
获取施工海域施工前海洋气象机构预报的样本海域风浪数据,并构建样本海域数据库;
将施工海域划分呈若干预测监控区间,获取施工海域施工前的各预测监控区间的实测风浪数据,并分别构建各预测监控区间的预测监控区数据库;
以样本海域数据库为输入学习样本,以各预测监控区数据库为输出样本,分别建立各预测监控区数据库中每天的实测数据与样本海域数据库中该天的预报数据之间的对应关系;
提取海洋气象机构对样本海域未来一段时间波高和风速的预报数据,并将其作为输入数据,根据已建立的过去该时间段的对应关系,计算施工海域区间的各预测监控区间未来一段时间对应的波高和风速的预测数据。
在上述技术方案的基础上,其中,预测监控区数据库的构建包括:
S1.1:施工海域沿桥轴线等距离划分呈5个预测监控区间;
S1.2:在施工海域施工前5年,在其中一预测监控区间内设置一套移动式风浪监测仪器,移动风浪监测仪器在一预测监控区间内每天进行数据采集,连续采集1年,转移至下一预测监控区间,如此循环,完成5个预测监控区间的数据采集工作;
S1.3:以1年为周期建立各预测监控区间的预测监控区数据库。
在上述技术方案的基础上,建立施工海域的预测监控数据库与各预测监控区数据库之间的对应关系,步骤包括,
S3.1:根据样本海域数据库,提取每天样本海域的波高和风速的最大值;
S3.2:根据各预测监控区间的预测监控区数据库,提取每天各预测监控区间的波高和风速的最大值;
S3.3:对预测的样本海域的每天的波高和风速的最大值与实测的各预测监控区间每天的波高和风速的最大值进行训练学习,生成每一天的样本海域数据库与各预测监控区间的预测监控区数据库之间的神经网络匹配关系。
在上述技术方案的基础上,其中,施工海域区间的各预测监控区间未来几天波高和风速的预测数据的具体步骤如下,
S4.1,提取海洋气象机构对样本海域未来七天每天的波高和风速的最大值;
S4.2,根据已生成的神经网络匹配关系,输入样本海域未来七天每天的波高和风速的最大值进行计算,得到各预测监控区间未来七天对应的预测波高和风速的最大值。
与现有技术相比,本发明的优点在于:
(1)本发明的用于跨海大桥施工海域波浪场、风速场的区域预测方法,以样本海域数据库为基础,建立各预测监控区间的预测监控数据库与样本海域数据库之间的波高和风速之间的对应匹配关系,即一天中样本海域的预报数据与预测监控区间的实测数据之间的匹配关系,在此匹配关系的基础上,通过海洋气象预报机构对样本海域的预报数据,可以预报出各预测监控区间的预报数据,通过此方法计算得到的各预测监控区间的预报数据更加准确,具有更高的参考价值,能够有效的为制定桥梁施工计划、材料运输计划和机械调配计划提供指导。
(2)本发明使用单套移动风浪测试设备,对施工海域的风浪监测进行全面覆盖,在花费较低成本的同时完成了风浪数据采集工作,对施工海域进行预测监控区间划分,在施工准备期间完成海上施工海域的风浪数据采集工作,建立各预测监控区间的预测监控数据库,得到较为详细的预测监控区域的预报数据,为各个区间的施工组织机构指定相关范围内的资源调配和计划安排提供更加明确的依据。
附图说明
图1为本发明的实施例的流程图。
图2为本发明的实施例的流程图。
图3为本发明的实施例进行施工海域波浪场和风速场预测过程的流程图。
图4为本发明的实施例中对施工海域进行风浪数据采集,和建立样本海域风浪特性的神经网络匹配过程示意图;
图5为本发明实施例的风浪预测的示意图;
图6为本发明实施例的预测监控区间的历史实测波高数据、未来7天预测波高和对应样本海域预报波高的相互关系对比的示意图;
图7为本发明实施例的各预测监控区间的波高预测变化趋势示意图图;
图8为本发明实施例的预测监控区间的历史实测风速数据、未来7天预测风速与对应样本海域预报风速的相互关系对比的示意图;
图9为本发明实施例的各预测监控区间的风速预测变化趋势示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1至图4所示,本实施例中样本海域选择闽中渔场记为选择A渔场,本实施例的施工海域为距离闽中渔场100公里的施工大桥的施工海区域,本发明实施例提供一种用于跨海大桥施工海域波浪场、风速场的区域预测方法,具体步骤包括:
步骤1,将施工海域划分呈若干预测监控区间,并通过风浪监测仪器获取各预测监控区间内的波高和风速的实测数据,并把每个监控区间的实测数据分别整合形成单独的监控区间数据库,具体步骤如下:
S1.1:将施工海域沿桥轴线等距离划分呈若5个预测监控区间,每各预测监控区间沿桥轴线长度为2Km;
S1.2:在施工海域施工前5年,在最端部的预测监控区间1内设置一套移动式风浪仪和风速仪,移动式风浪仪和风速仪对5个预测监控区间分别进行数据采集,连续采集1年,然后向另一端部的方向转移至相邻预测监控区间,如此循环,直至预测监控区间5,完成5个预测监控区间的数据采集工作;
S1.3:以1年为周期建立各预测监控区间的预测监控区数据库;
步骤2,获取近5年海洋气象机构预报的A渔场风浪数据,并构建A渔场数据库,A渔场数据库包括第1年的样本海域预报风浪数据、第2年的样本海域预报风浪数据、第3年的样本海域预报风浪数据、第4年的样本海域预报风浪数据和第5年的样本海域风浪数据;
步骤3,以A渔场数据库为输入学习样本,以各预测监控区间的预测监控区数据库为对应的输出样本,即第1年的样本海域预报风浪数据与预测监控区间1的预测监控区数据库的对应关系、第2年的样本海域预报风浪数据与预测监控区2的预测监控区数据库的对应关系、第3年的样本海域预报风浪数据与预测监控区3的预测监控区数据库的对应关系、第4年的样本海域预报风浪数据与预测监控区4的预测监控区数据库的对应关系、第5年的样本海域预报风浪数据与预测监控区5的预测监控区数据库的对应关系,其步骤包括,
S3.1:根据A渔场数据库,提取每天A渔场5年中每天的波高和风速的最大值;
参见图6所示,为提取过去一年中某7天的日最大波高和日最大风速值,其中最大波高值分别为第一天3.5m、第二天3.3m、第三天3.0m、第四天2.3m、第五天2.3m、第六天2.3m和第七天2.5m,日最大风速分别为第一天17.1m/s、第二天13.5m/s、第三天20.7m/s、第四天20.7m/s、第五天20.7m/s、第六天20.7m/s和第七天17.1m/s;
S3.2:根据5各预测监控区间的预测监控区数据库,提取每天各预测监控区间的波高和风速的最大值;
参见图6所示,为提取过去一年中某七天预测监控区间1与S3.1相同时间段的某七天的日最大波高分别为第一天2.2m、第二天1.87m、第三天1.92m、第四天1.72m、第五天1.31m、第六天1.42m和第七天1.93m;同时最大风速分别为第一天11.7m/s、第二天11.0m/s、第三天13.3m/s、第四天14.9m/s、第五天16.2m/s、第六天12.9m/s和第七天13m/s;
S3.3:对预测的A渔场每天的波高和风速的最大值与实测的各预测监控区间每天的波高和风速的最大值进行训练学习,生成每一天的样本海域数据库与各预测监控区间的的预测监控区数据库之间的神经网络匹配关系;
例如,本实施例中利用MATLAB神经网络工具箱,对S3.1的A渔场的波高和风速的最大值与S3.2中预测监控区间1的预测监控数据库中的波高和风速的最大值进行训练学习,生成A渔场数据库与预测监控区间1的预测监控数据库之间的神经网络匹配关系,依此方法类推完成,5个预测监控区的预测监控数据库与A渔场数据库之间的神经网络匹配关系;
步骤4,提取海洋气象机构对A渔场未来七天波高和风速的预报数据,并将其作为输入数据,按照步骤3的对应关系,计算未来七天各预测监控区间对应的波高和风速预测数据,本实施例中,如下步骤,
S4.1:提取海洋气象机构对A渔场未来7天每天的波高的最大值,依次为第一天3.5m,第二天3.8m,第三天3.8m,第四天3.5m,第五天2.5m,第六天2.3m,第七天2.3m;提取海洋气象机构对A渔场未来7天每天的风速的最大值,依次为第一天:17.1m/s,第二天:17.1m/s,第三天:20.7m/s,第四天:20.7m/s,第五天:17.1m/s,第六天:13.8m/s,第七天:20.7m/s;
S4.2:根据已生成的神经网络匹配关系,输入A渔场未来7天每天的波高和风速的最大值即S4.1的波高和风速的最大值进行匹配计算,得到各预测监控区间未来7天对应的预测波高和风速的最大值。参加图6和图8所示,预测监控区间1的预测数据为:预测最大波高为第一日2.15m、第二日2.42m、第三日2.42m、第四日2.15m、第五日1.47m、第六日1.75m和第七日1.45m,预测最大风速第一日12.7m/s、第二日12.5m/s、第三日13.5m/s、第四日13.5m/s、第五日11.0m/s、第六日9.8m/s和第七日13.3m/s;
参见图7和图9所示,按照以上的匹配关系,得到第一日5个预测监控区间的预测数据,5个预测监控区间的最大波高分别为2.15m、2.25m、2.55m、2.32m和1.96m;5个预测监控区间的最大风速分别为12.70m/s、11.94m/s、12.83m/s、14.22m/s和13.84m/s。
相对于海域气象预报机构提供的风速预报数值,经过本发明计算得出的施工海域风速的预测值更加具有参考价值。规范规定六级以上大风天气应停止吊装,六级风速区间上限为10.8m/s~13.8m/s,如果依据海域预报数据,则只有第6天可以进行吊装作业,而根据本发明的预测风速,未来7天均可以进行吊装作业,依据本发明的风速预测结果来指导施工可以缩短施工周期,有利于施工组织计划的合理安排和施工资源的合理配置,降低跨海桥梁建设的成本。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种用于跨海大桥施工海域波浪场、风速场的区域预测方法,其特征在于:
获取施工海域施工前海洋气象机构预报的样本海域风浪数据,并构建样本海域数据库;
将施工海域划分呈若干预测监控区间,获取施工海域施工前的各预测监控区间的实测风浪数据,并分别构建各预测监控区间的预测监控区数据库;
以样本海域数据库为输入学习样本,以各预测监控区数据库为输出样本,分别建立各预测监控区数据库中每天的实测数据与样本海域数据库中该天的预报数据之间的对应关系;
提取海洋气象机构对样本海域未来一段时间波高和风速的预报数据,并将其作为输入数据,根据已建立的过去该时间段的对应关系,计算施工海域区间的各预测监控区间未来一段时间对应的波高和风速的预测数据。
2.如权利要求1所述的用于跨海大桥施工海域波浪场、风速场的区域预测方法,其特征在于:其中,预测监控区数据库的构建包括:
S1.1:施工海域沿桥轴线等距离划分呈5个预测监控区间;
S1.2:在施工海域施工前5年,在其中一预测监控区间内设置一套移动式风浪监测仪器,移动风浪监测仪器在一预测监控区间内每天进行数据采集,连续采集1年,转移至下一预测监控区间,如此循环,完成5个预测监控区间的数据采集工作;
S1.3:以1年为周期建立各预测监控区间的预测监控区数据库。
3.如权利要求1所述的用于跨海大桥施工海域波浪场、风速场的区域预测方法,其特征在于:建立施工海域的预测监控数据库与各预测监控区数据库之间的对应关系,步骤包括,
S3.1:根据样本海域数据库,提取每天样本海域的波高和风速的最大值;
S3.2:根据各预测监控区间的预测监控区数据库,提取每天各预测监控区间的波高和风速的最大值;
S3.3:对预测的样本海域的每天的波高和风速的最大值与实测的各预测监控区间每天的波高和风速的最大值进行训练学习,生成每一天的样本海域数据库与各预测监控区间的预测监控区数据库之间的神经网络匹配关系。
4.如权利要求3所述的用于跨海大桥施工海域波浪场、风速场的区域预测方法,其特征在于:其中,施工海域区间的各预测监控区间未来几天波高和风速的预测数据的具体步骤如下,
S4.1,提取海洋气象机构对样本海域未来七天每天的波高和风速的最大值;
S4.2,根据已生成的神经网络匹配关系,输入样本海域未来七天每天的波高和风速的最大值进行计算,得到各预测监控区间未来七天对应的预测波高和风速的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086866.8A CN105676313B (zh) | 2016-02-16 | 2016-02-16 | 用于跨海大桥施工海域波浪场、风速场的区域预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086866.8A CN105676313B (zh) | 2016-02-16 | 2016-02-16 | 用于跨海大桥施工海域波浪场、风速场的区域预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105676313A true CN105676313A (zh) | 2016-06-15 |
CN105676313B CN105676313B (zh) | 2017-12-22 |
Family
ID=56304512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610086866.8A Active CN105676313B (zh) | 2016-02-16 | 2016-02-16 | 用于跨海大桥施工海域波浪场、风速场的区域预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105676313B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728835A (zh) * | 2019-09-16 | 2020-01-24 | 舟山市海大科学技术研究院有限责任公司 | 基于大数据挖掘的海洋监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN105069520A (zh) * | 2015-07-20 | 2015-11-18 | 河南行知专利服务有限公司 | 一种风力发电功率预测系统 |
CN105279576A (zh) * | 2015-10-23 | 2016-01-27 | 中能电力科技开发有限公司 | 一种风速预报的方法 |
-
2016
- 2016-02-16 CN CN201610086866.8A patent/CN105676313B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN105069520A (zh) * | 2015-07-20 | 2015-11-18 | 河南行知专利服务有限公司 | 一种风力发电功率预测系统 |
CN105279576A (zh) * | 2015-10-23 | 2016-01-27 | 中能电力科技开发有限公司 | 一种风速预报的方法 |
Non-Patent Citations (1)
Title |
---|
朱宗申: "用有限区域风速场准确求解流函数和速度势场的方法", 《大气科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728835A (zh) * | 2019-09-16 | 2020-01-24 | 舟山市海大科学技术研究院有限责任公司 | 基于大数据挖掘的海洋监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105676313B (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Forecasting wind speed with recurrent neural networks | |
Jakaria et al. | Smart weather forecasting using machine learning: a case study in tennessee | |
CN107391951B (zh) | 一种基于环形邻域梯度排序的空气污染溯源方法 | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
CN104678954A (zh) | 基于全生命周期的大坝安全智能监测与预警系统及其方法 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN105760970A (zh) | 空气质量指数的预测方法 | |
CN101718775A (zh) | 围垦地土壤中重金属含量的空间变异分布图生成方法 | |
CN112949178A (zh) | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
CN112685965A (zh) | 一种台风中输电杆塔风险监测方法及系统 | |
CN117128448A (zh) | 一种lng储罐结构智能监测系统 | |
Song et al. | A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN108287974A (zh) | 面向土地利用变化元胞自动机模拟精度的耦合评价方法 | |
CN106777949B (zh) | 一种基于再分析数据的海浪波向的长期趋势预测方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN104424373B (zh) | 一种空间变量相关性的精细表达方法 | |
CN103018793B (zh) | 一种极端气象条件下的架线的云预警系统和方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
CN107609685A (zh) | 一种基于浮体运动时历包络预测的作业安全期预报系统 | |
CN107066748A (zh) | 一种用于桥梁风致振动监测的无线传感器布设方法 | |
CN104133972B (zh) | 一种基于微地形的电网冰区分布图局部订正方法 | |
CN105676313A (zh) | 用于跨海大桥施工海域波浪场、风速场的区域预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |