CN108596507A - 一种海上养殖网箱的受灾破坏预警方法 - Google Patents

Abstract

本发明公开了一种海上养殖网箱的受灾破坏预警方法，包括确定海上养殖网箱破坏等级；利用灰色关联度识别海上养殖网箱结构致灾破坏的主控因子；利用BP神经网络建立致灾破坏的主控因子与海上养殖网箱结构破坏的定量关系；绘制海上养殖网箱养殖灾害风险等级空间分布图。通过分析浮架受损、网衣变形导致养殖容积损失、锚碇脱锚等，针对目标海区的具体的海上养殖网箱设施结构，利用灰色关联度分析方法识别出海上养殖网箱结构破坏的主控致灾因子，利用BP神经网络方法构建致灾因子与重力深水网箱结构受损程度的定量关系。实现快速且准确的判断海上养殖网箱的破坏等级，实现为养殖个体提供相应的预警信息。

Description

一种海上养殖网箱的受灾破坏预警方法

技术领域

本发明涉及水产养殖和海洋工程技术领域，尤其涉及一种用于海上养殖网箱受灾预警的方法。

背景技术

我国近海及深远海养殖网箱遭受风暴潮等恶劣海洋灾害的严重威胁，严重阻碍了我国设施养殖产业的发展。据统计，每年我国因沿海风暴潮等海洋灾害造成的海水养殖经济损失高达数十亿元。迫切需要一种海上养殖网箱的受灾破坏预警系统和方法，能够在海洋灾害到来之前，对养殖网箱破坏等级进行预报；在海洋灾害到来之时，对养殖网箱提供救助建议；在海洋灾害过后，可对网箱破坏程度进行评估。常用的海上养殖网箱主要是由浮架系统、网衣系统、锚碇系统及配重系统组成。目前针对养殖网箱在海洋环境要素作用下的动力特性的研究主要有物理模型试验和数值模拟两种方法。物理模型试验方法数据较为真实可靠，但试验一般周期较长，不能实现对网箱动力特性的快速判断。随着计算机技术的发展，数值模拟逐渐成为海洋工程结构动力特性研究的主要方法。

海上养殖网箱动力特性数值模拟包括对浮架和底圈这类刚体运动的模拟，网衣和锚绳这类柔性结构运动的模拟，以及浮架应力的模拟。

浮架运动的模拟是将浮架简化为单根浮架，将其离散成有限段微元，计算每段微元的载荷，然后将其叠加，从而得到浮架的载荷和运动方程。底圈运动的模拟方法与浮架的模拟方法一样，底圈的运动微分方程与浮架的运动微分方程相同。

浮架应力由成熟的有限元方法进行模拟，该方法将浮架划分成若干单元，每个单元都是可承受拉、压、弯作用的单轴单元，可以用来计算位于水中的圆管形构件的浮力、水流力和波浪力的静载荷与动载荷，还可以对浮架的材质特性进行模拟，进而得到浮架的应力。

网衣和锚绳是一种柔性结构物，在海洋荷载作用下，会产生大的变形。网衣和锚绳运动的模拟都是将其简化为一系列位于目标两端和中间的质量点和无质量的弹簧构成，通过求解各个质量点的受力和运动方程从而得到整个网衣和锚绳的受力和运动方程，最终得到网衣和缆绳的运动和受力。

采用Morison方程分析海上养殖网箱水动力特性时，目前的研究多采用Stokes一阶波浪理论或者五阶波浪理论，只是采用的水动力系数有所不同，但总体的结果基本相同。因此，通常采用Stokes一阶波浪理论对波浪场进行模拟。

目前针对海上养殖网箱的相关研究主要集中在海洋环境荷载作用下的动力特性方面，尚未对海洋灾害下养殖网箱的致灾破坏机理进行系统分析。此外，不管是物理模型试验还是数值模拟方法，都存在耗时较长的缺点，并且一次实验仅能对某单一致灾因子进行研究，无法实现对海洋灾害的快速预警，不利于开展实际应用。

发明内容

本发明要解决的技术问题是提供一种海上养殖网箱的受灾破坏预警方法，通过利用灰色关联度识别出深水网箱结构受灾破坏的主控受灾因子，及基于海上养殖网箱的水动力数值分析的结果，利用BP神经网络算法构建其致灾因子(风、浪、流、水深及网箱周长)与网箱结构破坏的定量关系，进而明确海上养殖网箱受灾破坏的破坏等级，最终根据试点海区的水文资料以及海上养殖网箱结构参数，确定海上养殖网箱养殖灾害等级空间分布图，从而实现海上养殖网箱结构破坏的风险预警。

本发明的技术方案是这样实现的：

一种海上养殖网箱的受灾破坏预警方法，包括：确定海上养殖网箱破坏等级；利用灰色关联度识别海上养殖网箱结构致灾破坏的主控因子；利用BP神经网络建立致灾破坏的主控因子与海上养殖网箱结构破坏的定量关系；绘制海上养殖网箱养殖灾害风险等级空间分布图。

进一步的，所述网箱破坏等级分为五级，分别是I级灾害、II级灾害、III级灾害、IV级灾害和V级灾害。

进一步的，所述灰色关联度识别包括：

确定分级指标，设n个数据序列形成矩阵:

其中，m为指标的个数，

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))i＝1,2,…,n；

确定参考数列，参考数列是一个理想的比较标准，可以以各种指标的最优值(或最劣值)构成参考数列，记作：

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))；

对指标数据进行无量纲化，无量纲化后的数据列形成矩阵：

逐个计算每个被评价对象指标序列与参考序列对应元素的绝对值，即|x₀(k)-x_i(k)|(i＝0,1,L,n；k＝1,2,L,m)，确定与

计算关联系数，式中ρ为分辨系数，在(0,1)内取值，通常ρ取0.5；

计算关联度，对各评价对象分别计算其指标与参考序列对应元素的关联系数的均值，以反映各个评价对象与参考序列的关联度，所述关联度：关联度最高的网箱致灾因子为主控致灾因子。

更进一步的，所述无量纲化方法可采用均值法或初值法，所述均值法：所述初值法：其中，i＝0,1,L,n；k＝1,2,L,m。

进一步的，所述BP神经网络建立的定量关系中的非线性函数有4个输入层参数、5个隐含层节点、3个输出层参数，其网络结构为4-5-3。

更进一步的，基于所述BP神经网络的非线性函数拟合算法流程可分为BP神经网络构建，BP神经网络训练和BP神经网络预测三个步骤。

进一步的，所述灾害风险等级空间分布图用不同深度的颜色表示破坏等级的大小，其中浅蓝色代表Ⅰ级破坏，蓝色代表Ⅱ级破坏，黄色代表Ⅲ级破坏，橙色代表Ⅳ级破坏，红色代表Ⅴ级破坏。

本发明的有益效果在于：

1.可通过分析浮架受损、网衣变形导致养殖容积损失、锚碇脱锚等，针对目标海区的具体的海上养殖网箱设施结构，利用灰色关联度分析方法识别出海上养殖网箱结构破坏的主控致灾因子，利用BP神经网络方法构建致灾因子(浪高、周期、流速、潮位、增水等)与重力深水网箱结构(浮架、网衣、锚碇)受损程度的定量关系。

2.结合网箱养殖破坏机理分析以及重力深水网箱水动力数值分析，针对灾前海上养殖网箱的选址，综合考虑该海区影响海上养殖网箱养殖灾害风暴潮致灾因子的不同重现期危险性的评估结果，制作出海上养殖网箱养殖灾害风险等级空间分布图，也可以重新评估该地区现有海上养殖网箱养殖设施风险等级，也为该区域海上养殖网箱设备升级改造提供依据，同时也可以为海上养殖网箱养殖保险产品设计提供所需的相关参数。

3.能够快速得到重力深水网箱在波浪、水流下的运动和受力的响应分析，几秒钟内即可快速而且准确的计算出海上养殖网箱结构受损程度，进而判断海上养殖网箱受灾破坏等级，相比之前的海上养殖网箱水动力数值计算方法，不需要每个海况单独计算，预警效率大大提高，从而可以实现快速且准确的判断海上养殖网箱的破坏等级，实现为养殖个体提供相应的预警信息、防灾减灾措施意见，为保险业提供技术支撑，为管理部门进行灾前预判、灾中救助及灾后损失评估提供科学依据。

附图说明

附图1为本发明所述预警方法流程图；

附图2为本发明所述BP神经网络结构图

附图3本发明所述BP神经网络算法流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详述：

如附图1所示，一种海上养殖网箱的受灾破坏预警方法，包括：确定海上养殖网箱破坏等级；利用灰色关联度识别海上养殖网箱结构致灾破坏的主控因子；利用BP神经网络建立致灾破坏的主控因子与海上养殖网箱结构破坏的定量关系；绘制海上养殖网箱养殖灾害风险等级空间分布图。实施例中，进一步的，所述网箱破坏等级分为五级，分别是I级灾害、II级灾害、III级灾害、IV级灾害和V级灾害。进一步的，所述灾害风险等级空间分布图用不同深度的颜色表示所述五个破坏等级的大小，其中，浅蓝色代表Ⅰ级破坏，蓝色代表Ⅱ级破坏，黄色代表Ⅲ级破坏，橙色代表Ⅳ级破坏，红色代表Ⅴ级破坏。

如附图1所示，进一步的，所述灰色关联度识别包括：

确定分级指标，设n个数据序列形成矩阵:

其中，m为指标的个数，

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))i＝1,2,…,n；

确定参考数列，参考数列是一个理想的比较标准，可以以各种指标的最优值(或最劣值)构成参考数列，记作：

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))；

对指标数据进行无量纲化，无量纲化后的数据列形成矩阵：

逐个计算每个被评价对象指标序列与参考序列对应元素的绝对值，即|x₀(k)-x_i(k)|(i＝0,1,L,n；k＝1,2,L,m)，确定与

计算关联系数，式中ρ为分辨系数，在(0,1)内取值，通常ρ取0.5；

计算关联度，对各评价对象分别计算其指标与参考序列对应元素的关联系数的均值，以反映各个评价对象与参考序列的关联度，所述关联度：关联度最高的网箱致灾因子为主控致灾因子。更进一步的，所述无量纲化方法可采用均值法或初值化法，所述均值法：所述初值法：其中，i＝0,1,L,n；k＝1,2,L,m。

更具体的，上述实施方式中确定海上养殖网箱破坏的等级以海上养殖网箱水动力数值分析的输入输出值作为划分依据，对海上养殖网箱结构破坏等级进行划分。海上养殖网箱的破坏主要是指离岸设施网箱结构的浮架受损、网衣变形和锚碇脱锚而造成网箱部分功能的受损。海上养殖网箱的破坏形式主要包括浮架受损，网衣变形导致的容积保持率降低，以及锚碇脱锚。根据其破坏级别分为I、II、III、IV、V五级，分别为较轻、一般、较重、严重、特别严重。

其中，海上养殖网箱破坏I级灾害是指，海上养殖网箱较轻破坏，其表现在：浮架系统内部的最大应力未超过极限应力的30％，网衣系统的容积保持率超过70％，锚绳系统的最大锚绳力未超过锚绳破断强度的30％。对网箱整体造成轻微破损，网箱整体正常使用，不加修理可继续使用。海上养殖网箱破坏II级灾害是指，海上养殖网箱一般破坏，其表现在：浮架系统内部的最大应力超过极限应力的30％，未超过极限应力的40％，网衣系统的容积保持率超过60％，未超过70％，锚绳系统的最大锚绳力超过锚绳破断强度的30％，未超过锚绳破断强度的40％。对网箱整体造成一定的破损，网箱整体使用不受限，稍加修理或不加修理后可继续使用。海上养殖网箱破坏III级灾害是指，海上养殖网箱较重破坏，其表现在：浮架系统内部的最大应力超过极限应力的40％，未超过极限应力的50％，网衣系统的容积保持率超过50％，未超过60％，锚绳系统的最大锚绳力超过锚绳破断强度的40％，未超过锚绳破断强度的50％。网箱的整体造成严重破损，网箱整体使用受到一定影响，需要更换部分附属构件才能继续使用。海上养殖网箱破坏IV级灾害是指，海上养殖网箱严重破坏，其表现在：浮架系统内部的最大应力超过极限应力的50％，未超过极限应力的60％，网衣系统的容积保持率超过40％，未超过50％，锚绳系统的最大锚绳力超过锚绳破断强度的40％，未超过锚绳破断的50％。对网箱整体造成特别严重的影响，网箱整体基本功能受到严重影响，需要更换主要构件才能继续使用。海上养殖网箱破坏V级灾害是指，海上养殖网箱特别严重破坏，其表现在：网浮架系统内部的最大应力超过极限应力的60％，网衣系统的容积保持率未达到40％，锚绳系统的最大锚绳力超过锚绳破断的60％。网箱无法正常工作。网箱基本破坏，基本功能丧失，已无修复可能。

所述利用灰色关联度识别海上养殖网箱结构破坏的受灾破坏主控因子，具体实施方式为，首先对海上养殖网箱进行受灾破坏机理分析，明确受灾破坏主控因子是关键，这里采用灰色关联度识别海上养殖网箱结构破坏的受灾破坏主控因子。灰色关联度的原理表现在：灰色关联度主要是对指标关系模糊的系统进行关联分析评价。通过计算第i个对象的第k个指标的关联系数θ_i(k)，利用简单的加权求和思想计算指标的灰色关联度。关联系数越大，说明与最优指标越接近，则待评价对象的评价值越高。而风暴潮对海上养殖网箱的致灾破坏是一个发展变化的过程，层次复杂，结构关系模糊，指标数据不完全和不确定。目前，由于技术方法、统计手段等限制，网箱的受灾破坏数据不仅数样少，还存在着一定的误差、缺失、模糊等问题。因此运用灰色关联度分析海上养殖网箱受灾破坏进行综合评价是比较合适的。

如附图2、3所示，所述利用BP神经网络建立致灾因子与海上养殖网箱结构破坏的定量关系，具体实施方式为，利用BP神经网络实现大规模的并行计算，所述BP神经网络具有很强的自适应学习能力，是一种集合了推理学习、知识表达及联想记忆的模型。BP神经网络的层与层之间靠神经元实现权连接，层内神经元之间并没有联系。典型的BP神经网络包括输入层、隐含层和输出层。神经网络算法就其独有的优势，可以较好地解决风暴潮对海上养殖网箱致灾破坏这类多因素、不确定和非线性问题。风暴潮对深重力式水网箱的致灾破坏是一个复杂的非线性的问题，若每种海况都按水动力数值模型计算，会花费大量的时间，速度慢，无法起到快速预警的效果，无法提供预警信息。在这种情况下，可以基于有限组水动力数值输入输出结果，利用BP神经网络表达非线性关系，建立起致灾因子与海上养殖网箱结构破坏的非线性关系。从而利用这种非线性关系，可以对未知的海况下海上养殖网箱的水动力进行预警。该方法能够实现风暴潮对海上养殖网箱致灾破坏预警的快速响应。基于BP神经网络的非线性函数拟合算法流程可以分为BP神经网络构建、BP神经网络训练和BP神经网络预测三步，其算法流程附图3所示。这里由于该非线性函数有4个输入参数，中间层3个输出参数，隐含层包括5个节点，所以BP神经网络的结构为4-5-3，其结构图如附图2所示。

所述绘制海上养殖网箱养殖灾害风险等级空间分布图，具体实施方式为，结合上述海上养殖网箱受灾破坏的结果，针对网箱的选址，综合考虑试点海区风暴潮灾害对海上养殖网箱的主控致灾因子不同重现期危险性的评估结果，即利用海区的实际水文参数(波高、周期、水深)和网箱结构参数(周长)，将其输入到通过BP神经网络建立的非线性定量关系的输入层，经过中间层处理后输出层能够输出海上养殖网箱的锚绳张力最大值，容积保持率最小值及浮架应力最大值等网箱结构破坏结果，再结合海上养殖网箱破坏等级表，确定网箱的破坏等级，绘制海上养殖网箱养殖灾害风险等级空间分布图，在图上用不同深度的颜色表示破坏等级的大小，其中浅蓝色代表Ⅰ级破坏，蓝色代表Ⅱ级破坏，黄色代表Ⅲ级破坏，橙色代表Ⅳ级破坏，红色代表Ⅴ级破坏，通过绘制网箱养殖灾害风险等级空间分布图，可以重新评估该地区现有网箱养殖设施风险等级，也为该区域网箱设备升级改造提供依据，同时也为以后增建网箱选址及设备选址提供依据，同时也可以为网箱养殖保险产品设计提供所需的相关参数。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何利用灰色关联度识别海上养殖网箱结构致灾破坏主控因子，以及利用BP神经网络建立致灾破坏的主控因子与海上养殖网箱结构破坏的定量关系的方法思路均属于本发明技术构思的保护范围，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种海上养殖网箱的受灾破坏预警方法，其特征在于，包括：

确定海上养殖网箱破坏等级；

利用灰色关联度识别海上养殖网箱结构致灾破坏的主控因子；

利用BP神经网络建立致灾破坏的主控因子与海上养殖网箱结构破坏的定量关系；

绘制海上养殖网箱养殖灾害风险等级空间分布图。

2.根据权利要求1所述的方法，其特征在于：所述网箱破坏等级分为五级，分别是I级灾害、II级灾害、III级灾害、IV级灾害和V级灾害。

3.根据权利要求1所述的预警方法，其特征在于，所述灰色关联度识别包括：

确定分级指标，设n个数据序列形成矩阵:

其中，m为指标的个数，

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))i＝1,2,…,n；

确定参考数列，参考数列是一个理想的比较标准，可以以各种指标的最优值(或最劣值)构成参考数列，记作：

X'₀＝(x'₀(1),x'₀(2),L,x'₀(m))；

对指标数据进行无量纲化，无量纲化后的数据列形成矩阵：

逐个计算每个被评价对象指标序列与参考序列对应元素的绝对值，即|x₀(k)-x_i(k)|(i＝0,1,L,n；k＝1,2,L,m)，确定与

计算关联系数，式中ρ为分辨系数，在(0,1)内取值，通常ρ取0.5；

计算关联度，对各评价对象分别计算其指标与参考序列对应元素的关联系数的均值，以反映各个评价对象与参考序列的关联度，所述关联度：关联度最高的网箱致灾因子为主控致灾因子。

4.根据权利要求3所述的预警方法，其特征在于，所述无量纲化方法可采用均值法或初值化法，所述均值法：所述初值法：其中，i＝0,1,L,n；k＝1,2,L,m。

5.根据权利要求1所述的预警方法，其特征在于，所述BP神经网络建立的定量关系中的非线性函数有4个输入层参数、5个隐含层节点、3个输出层参数，其网络结构为4-5-3。

6.根据权利要求5所述的预警方法，其特征在于，基于所述BP神经网络的非线性函数拟合算法流程可分为BP神经网络构建，BP神经网络训练和BP神经网络预测三个步骤。

7.根据权利要求1所述的预警方法，其特征在于，所述灾害风险等级空间分布图用不同深度的颜色表示破坏等级的大小，其中，浅蓝色代表Ⅰ级破坏，蓝色代表Ⅱ级破坏，黄色代表Ⅲ级破坏，橙色代表Ⅳ级破坏，红色代表Ⅴ级破坏。