CN109871609B - 基于bp-fem对海洋浮式平台系泊系统响应的预测方法 - Google Patents

Abstract

本发明公开一种基于BP‑FEM对海洋浮式平台系泊系统响应的预测方法，基于BP神经网络理论构建系泊系统设计变量与系泊缆预张力预测模型，同时提出了改进神经网络方法，构建了系泊缆在动力环境荷载下的张力时程响应预测模型，克服了深海中系泊缆张力难以测量或长时间监测的缺陷，具体包括静态预测和动态预测两个方面：1)通过构建静态BP神经网络预测模型以确定系泊系统设计参数与系泊缆预张力之间的关系，为系泊系统设计参数的确定提供一种快捷高效的分析手段；2)通过构建动态BP神经网络预测模型，结合对数据的动态化处理以确定半潜浮式平台运动响应与系泊缆张力时程之间的关系；本方案在保证结果精度的同时，可有效提高分析效率，对实际浮式平台系泊缆安全监测具有实际工程意义。

Description

基于BP-FEM对海洋浮式平台系泊系统响应的预测方法

技术领域

本发明属于海洋工程领域，具体涉及一种基于BP-FEM对海洋浮式平台系泊系统响应的预测方法。

背景技术

随着海洋油气开采逐步由浅水大陆架海区向深水领域迈进，各种浮式新型海洋平台相继被开发设计并应用于深海油气开发，其中深水半潜式钻井平台在我国的海域中应用越来越广泛。深海半潜钻井平台结构复杂、体积庞大、造价昂贵，与陆上或者近浅海结构相比，其服役环境更加的复杂和恶劣，不同的服役海域收到复杂的风、浪、流、冰荷载的联合作用，一旦出现事故，会造成严重的经济、环境灾害。

在深海半潜平台设计及安全评估过程中，不可避免的需计算海洋平台在工作海域风浪流等环境荷载作用下的结构响应。其中关键之一是系泊系统的设计及校核。半潜平台的系泊系统是一个复杂、动态和时变的系统，其由海洋浮式结构物和系泊缆通过相互作用构成，在浮式海洋平台的系泊系统设计过程中，系泊系统的优化变量有很多，比如系泊缆与半潜平台立柱之间的水平夹角、系泊半径、系泊缆的组成、系泊缆的数目等。系泊系统设计过程中需要设置适当的预张力，以保证深水浮式平台的安全运行；如果预张力过大，系泊缆会产生较大的动态张力，不利于系泊缆的安全；如果预张力过小，平台的动力响应会过大，不能满足平台正常运行的要求。系泊系统设置不当，很容易因恶劣的海洋环境而导致系泊系统的一系列失效事故。

传统上，浮式平台的系泊设计和选型都依赖于工程经验和很长时间的数值模拟，传统数值方法需设置好系泊系统变量，求解相应的预张力。优化变量中对应大量的设计参数，则需要进行大量的数值模拟，要花费大量的计算时间，计算效率低。而且，对于海上浮式平台来说，由于其数值模拟需要考虑流固耦合，进一步加大了计算难度，常常需要同时调用两个以上有限元程序，其结构响应计算至今也是一个比较困难的问题。

发明内容

本发明针对半潜式海洋平台响应进行预测时，采用传统数值模拟方法存在计算量大、计算效率低的缺陷，提出的一种基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，以解决海洋浮式平台系泊系统的响应预测问题，通过对不同系泊系统设置下的预张力预测以及浮式平台在环境荷载作用下的系泊张力时程预测，为浮式海洋平台系泊系统设计、安全监测及评估提供重要参考。

本发明是采用以下的技术方案实现的：一种基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，包括以下步骤：

步骤A、确定系泊系统布置方式：确定系泊系统的设计变量，并选择合适的变量参数范围；

步骤B、构建静态BP神经网络模型进行静力响应预测，以确定系泊系统设计参数与系泊缆预张力之间的关系；

步骤C、构建动态BP神经网络模型进行动力响应时程预测，以确定半潜浮式平台运动响应与系泊缆张力时程之间的关系；

步骤D、基于步骤B和步骤C所获得的预测结果，实现不同荷载条件下系泊系统的优化选择。

进一步的，所述步骤A中，所述的设计变量包括系泊缆与立柱在水平面内的夹角、系泊缆的长度、系泊半径、系泊缆的数目以及系泊缆的组成部分及各部分的长度，这些变量对系泊系统的静力和动力响应有较大的影响。

进一步的，所述步骤B具体包括：

步骤B1、数据库构建：根据步骤A所确定的系泊缆优化参数，选取变量参数代表进行数值模拟或模型试验得到对应的系泊缆预张力，并将系泊设计参数和系泊缆预张力作为训练数据构建数据库；

步骤B2、数据处理：

(1)数据分组：将所构建的数据库分为训练子集、验证子集和测试子集，分别用于训练、测试和验证，以避免过度拟合现象；

(2)数据归一化：基于x_norm＝(x-x_min)/(x_max-x_min)对数据库训练子集数据进行归一化，以保证训练过程的准确性和稳定性，其中，x表示所构建数据库中训练子集数据的实际值，x_max和x_min分别是训练子集数据的最大值和最小值；

步骤B3、构建静态BP神经网络模型，并选择

作为激励函数，对处理后的数据进行训练和测试；

步骤B4、静力响应预测：

(1)预张力预测：基于所构建的静态BP神经网络对系泊系统布置变量参数进行细致划分，将变量参数作为输入，通过静态BP神经网络模型即可得到对应的输出预张力；

(2)系泊布置初步确定：根据预张力预测结果排除不合适的布置方式。

进一步的，所述步骤B3中，对静态BP神经网络模型的训练过程如下：

(1)首先根据系统的输入输出序列(x,y)定义网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

(2)计算隐含层输出

基于所选择的激励函数，结合第k个神经元的隐含层输出值H，连接权值w_jk和阈值b，计算BP神经网络预测输出O_k：

(3)计算BP神经网络预测误差e并根据预测误差调整网络连接权值w_jk，w_ij：

e_k＝y_k-O_k k＝1,2,···,m

w_jk＝w_jk+ηH_je_k j＝1,2,···,l；k＝1,2,···,m

式中，参数η为学习速率。

(4)更新网络节点阈值a、b：

b_k＝b_k+e_k k＝1,2,···,m

训练过程反复进行，直到误差达到期望值。

进一步的，所述步骤B3中静态BP神经网络模型的训练参数的确定根据训练结果与实际结果误差的大小选择最优参数。

进一步的，所述步骤C包括：

步骤C1、数据库构建：根据步骤B中的预测结果，选取适当的预张力对应的系泊系统布置及参数，构建浮式结构系泊系统耦合模型，并通过数值模拟或模型实验对服役海洋环境下半潜平台进行耦合动力分析，获得平台运动响应及系泊缆动力响应构建训练数据库；

步骤C2、训练数据处理：包括数据动态化处理、数据分组和数据归一化；所述的数据动态化处理是指将数据的动态化嵌入神经网络训练中，将其转化为时程数据进行训练：L(t)＝f(c,W(t))，其中，L(t)为系泊缆张力时程；f(.)表示所使用的神经网络模型；c为神经网络参数；W(t)为动态化网络输入数据；

步骤C3、构建动态BP神经网络模型，根据浮式结构的运动响应得到系泊缆的张力时程：

(1)选择数据处理后的动力响应延迟系数，初步选择神经网络隐藏层节点数、网络学习速率和网络训练允许误差，构建初步的动态BP神经网络预测模型；

(2)误差统计分析：将误差统计分析嵌入动态BP神经网络预测模型，以使该模型更加直观可靠；

(3)确定最优网络模型参数：调试在误差统计分析中的动力响应延迟参数和隐藏层神经元数，根据输出的误差统计值，选择误差统计值最小的网络，确定最优网络模型参数，构建最终动态BP神经网络预测模型。

进一步的，所述步骤C2中，对训练数据进行动态化处理具体包括以下步骤：

(1)系泊系统的张力响应与浮式结构的横荡S_x(t)、纵荡S_y(t)、垂荡H_z(t)3个自由度的运动响应有关，将浮式结构的运动响应作为动态BP神经网络模型的输入，即：

W(t)＝(S_x(t),S_y(t),H_z(t))

(2)将前n个时间段内的结构运动响应作为动态神经网络张力时程预测模型训练的某一时刻的输入值，即：

S_x(t₁)＝w₁·x(t₁)+w₂·x(t₁-1)+···+w_n·x(t₁-n_x)

S_y(t₁)＝w₁·y(t₁)+w₂·y(t₁-1)+···+w_n·y(t₁-n_y)

H_z(t₁)＝w₁·z(t₁)+w₂·z(t₁-1)+···+w_n·z(t₁-n_z)

式中，x(t₁)为t₁时刻平台横荡响应，x(t₁-1)为t₁-1时刻平台横荡响应，x(t₁-n_x)为t₁-n_x时刻平台横荡响应；y(t₁)为t₁时刻平台纵荡响应，y(t₁-1)为t₁-1时刻平台纵荡响应，y(t₁-n_y)为t₁-n_y时刻平台纵荡响应；z(t₁)为t₁时刻平台垂荡响应，z(t₁-1)为t₁-1时刻平台垂荡响应，z(t₁-n_z)为t₁-n_z时刻平台垂荡响应；其影响系数w₁，w₂，…，w_n在神经网络中通过梯度下降算法确定最优值，n_x，n_y，n_z作为动力响应延迟系数；

(3)按照上述(2)同样的方法对其他时刻的系泊张力及对应的结构运动响应进行动态化处理，得到对应的时程神经网络训练值，并将动态化处理的训练数据作为新的数据库。

进一步的，所述步骤C3中，对误差统计分析时，所统计的误差参数包括：

(1)最大绝对相对误差

BP动态神经网络预测值与数值结果之间的相对误差用以下公式表示：

式中，x_actu和x_pred分别表示数值结果和神经网络预测值；n表示验证数据的数量；则最大绝对相对误差表示如下：

E_max＝max(|E_i|)i＝1,2,...,n

(2)平均绝对相对误差

(3)均方根误差

(4)标准差

(5)最大张力绝对相对误差

式中Ten_FEM_max和Ten_BP_max分别表示数值结果中最大张力和动态神经网络预测最大系泊张力。

与现有技术相比，本发明的优点和积极效果在于：

本方案基于BP神经网络理论构建系泊系统设计变量与系泊缆预张力预测模型，同时提出了改进神经网络方法，构建了系泊缆在动力环境荷载下的张力时程响应预测模型，克服了深海中系泊缆张力难以测量或长时间监测的缺陷，可以通过平台位移响应比较准确的模拟系泊缆的张力响应；

从静态预测和动态预测两个方面进行分析：1)通过构建静态BP神经网络预测模型以确定系泊系统设计参数与系泊缆预张力之间的关系，为系泊系统设计参数的确定提供一种快捷高效的分析手段；2)通过构建动态BP神经网络预测模型，结合对数据的动态化处理以确定半潜浮式平台运动响应与系泊缆张力时程之间的关系，为半潜平台耦合动力分析提供了一种更加便捷的方法；本方案在保证结果精度的同时，可有效提高分析效率，对实际浮式平台系泊缆安全监测具有实际工程意义。

附图说明

图1是本发明实施例所述预测方法的流程示意图；

图2为本发明实施例神经网络中训练、测试及验证结果的均方误差示意图；

图3为本发明实施例中采用静态BP神经网络预测系泊缆预张力原理示意图；

图4为本发明实施例所述动态BP神经网络模型构建原理示意图；

图5为本发明实施例所述半潜平台水动力模型示意图；

图6为本发明实施例在静力预测时预张力与系泊半径和中间段长度的关系示意图；

图7为本发明实施例中静态BP神经网络模型预测预张力与数值模拟结果比较示意图；

图8为本发明实施例中静态BP神经网络模型预测值与数值模拟结果的相对误差示意图；

图9为本发明实施例半潜平台前500s动力响应序列，其中(1)为横荡初始时程序列；(2)为纵荡初始时程序列；(3)为垂荡初始时程序列；(4)为系泊缆张力初始时程序列；

图10为本发明实施例中数值模拟和动态神经网络预测系泊缆张力时程示意图；

图11为本发明实施例不同系泊缆与立柱水平夹角下平台最大漂移示意图；

图12为本发明实施例不同系泊缆与立柱水平夹角下最大张力示意图；

图13为本发明实施例水平夹角为θ₁＝37°,θ₂＝40°,θ₃＝45°，0°环境荷载下张力预测序列与模拟序列示意图；

图14为水平夹角为θ₁＝37°,θ₂＝40°,θ₃＝45°，0°环境荷载下预测张力与实际张力相关系数示意图；

图15为中间段长度L₂＝2350m，0°环境荷载下张力预测序列与模拟序列示意图；

图16为中间段长度L₂＝2350m，0°环境荷载下预测张力与实际张力相关系数示意图；

图17为不同系泊半径下平台最大漂移示意图；

图18为不同系泊半径下最大张力示意图；

图19为系泊半径R＝3550m，0°环境荷载下张力预测序列与模拟序列示意图；

图20为系泊半径R＝3550m，0°环境荷载下预测张力与实际张力相关系数示意图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。

实施例，一种基于BP-FEM对海洋浮式平台系泊系统的响应预测方法，为一种基于反向传播(BP)型人工神经网络和有限元(FEM)的新的混合方法(BP-FEM)，其原理图1所示，本实施例具体结合南海某半潜浮式平台为例对各步骤进行详细介绍，所研究的对象为工作水深为1500m，系泊为12根悬链线的半潜平台，该平台包括两个浮筒、四根立柱和四条撑杆，其水动力单元模型如图5所示；

一、确定系泊系统布置方式：

系泊系统对其动力响应有很大影响，然而系泊系统的响应与系泊缆的布置形式、几何或材料参数、锚索强度和锚固位置等一系列条件有关。在本实施例中，系泊系统由四组三根系泊现组成，相互之间有一定的角度，悬链线由三部分组成，系泊线的上、下段为锚链，中间段为聚酯缆，每条悬链线的长度为常数。

(1)设计变量的确定：

首先确定系泊系统的设计变量，所述设计变量包括系泊缆与立柱在水平面内的夹角、系泊缆的长度、系泊半径、系泊缆的数目以及系泊缆的组成部分及各部分的长度等，这些变量对系泊系统的静力和动力响应有较大的影响；

(2)变量参数范围的选择：

其次，选择合适的变量参数范围，考虑每一种情况的计算代价过大，可选择每个变量具有代表性的参数进行计算，获得相应的预张力结果(静力结果)。

本实例中，对于1500m深水半潜平台，系泊缆数目一定(四组三根)，系泊缆与立柱的水平夹角θ₁，θ₂，θ₃，系泊半径R，以及系泊缆(底部和中段L₁，L₂)的每一段的长度等变量需设计；同时根据经验给出各变量参数选择的范围，如表1。

表1系泊系统主要变量参数

在这种情况下，顶部段的长度是预先定义的，中间段的长度是可变的，底段的长度可以从总长度中导出。根据系泊半径和方位角，可以得到锚点的位置：

x_m＝x_f+R·cosθ

y_m＝y_f+R·sinθ

式中x_m、y_m和x_f、y_f分别为锚点位置和导缆孔位置；R表示系泊半径；θ为系泊缆与立柱在水平面内的夹角。

对于不同的半潜平台系泊系统设计来说，需根据工作海域水深、环境条件等确定合适的预张力。系泊系统设计所涉及的优化变量有很多，比如：系泊缆与立柱在水平面内的夹角、系泊缆的长度、系泊半径、系泊缆的数目以及系泊缆的组成部分及各部分的长度等。在浮式结构尺度确定的情况下，先选择需要优化的系泊系统变量，由于每一变量具体设计值选择范围太广，考虑每一种情况的计算代价过大，可选择需优化变量具有代表性的参数进行计算，获得相应的预张力结果。接下来即利用BP神经网络对计算结果进行训练，构建静态BP神经网络预测模型，从而确定结构设计参数和系泊缆预张力的一般规律。

二、构建静态BP神经网络预测模型进行静力响应预测：

(1)数据库构建

根据初步确定的系泊缆优化参数，选取变量代表参数通过数值模拟或者模型实验得到对应的系泊系统预张力(静力响应)，将输入变量(系泊设计参数)和输出结果(系泊缆预张力)作为训练数据构建数据库。为网络预测结果的准确性进行验证，本实施例中的5个主要变量根据参数选择将产生2000种不同系泊系统布置组合，用数值模拟的方式得到对应的预张力结果，将这2000组数据作为训练数据库。

(2)数据处理

i.数据分组(分别用于培训、测试、验证)

为避免过度拟合的现象，将获得的设计参数及预张力全部数据库将分为三个部分：训练子集、验证子集和测试子集。将40％的完整数据库用于训练(800)，60％用于测试(1200)；在这些训练数据中，80％用于培训(640)，20％用于验证(160)。

ii.数据归一化

为了保持训练过程的准确性和稳定性，需要通过以下公式对数据库培训数据进行归一化：

x_norm＝(x-x_min)/(x_max-x_min)

其中，x表示所构建数据库中训练数据的实际值，x_max和x_min分别是训练数据的最大值和最小值。数据的归一化避免了由于输入输出数据的数量级差异而造成的网络预测误差。类似地，规范化数据需要在网络训练之后进行一个去归一化处理才能获得输出数据：

x＝x_norm(x_max-x_min)+x_min

(3)静态BP神经网络构建：

选择神经网络隐藏层节点数为10，网络学习效率为0.01，网络训练允许误差为0.00004，本模型选择的激励函数为

对处理后的数据进行训练和测试。需要注意的是该步骤的神经网络训练参数的确定根据训练结果与实际结果误差的大小选择最优参数。

在预测目标之前，需要对神经网络进行训练，该模型结构如图3所示，有联想记忆和预测能力的神经网络的训练过程包括以下步骤：

首先根据系统的输入输出序列(x,y)定义网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

接下来计算隐含层输出：

本模型选择的激励函数为：

然后通过结合第k个神经元的隐含层输出值H，连接权值w_jk和阈值b，可以计算BP神经网络预测输出O_k：

然后计算BP神经网络预测误差e并根据预测误差调整网络连接权值w_jk，w_ij：

e_k＝y_k-O_k k＝1,2,···,m

w_jk＝w_jk+ηH_je_k j＝1,2,···,l；k＝1,2,···,m

式中，参数η为学习速率。同样，将更新网络节点阈值a、b：

b_k＝b_k+e_k k＝1,2,···,m

训练过程反复进行，直到误差达到期望值。

(4)静力响应预测：

i.预张力预测

基于所构建的静态BP神经网络，对系泊系统布置变量参数进行细致划分，将变量参数作为输入，通过神经网络模型即可得到对应的输出预张力；利用训练好的静态BP神经网络，对于确定的系泊系统优化设计变量，只需将变量参数值输入静态BP神经网络模型，则可立即得到相应的系泊缆的预张力，从中选取适当预张力对应系泊缆设计参数值进行下一步不规则海面中的动力耦合模拟。

ii.系泊布置初步确定

半潜平台系泊系统设计中预张力需在合适的范围，根据预测结果排除不合适的布置方式。如果神经网络对训练数据的适应性过强，测试数据的误差就会增大。为避免过度拟合的现象，将获得的设计参数及预张力全部数据库将分为三个部分：训练子集、验证子集和测试子集。如图2所示，如果验证错误没有持续减少甚至增加，则训练算法过程将停止。

为了验证该神经网络模型，用数值模拟计算了系泊系统在所有情况下的预张力，并将神经网络法得到的结果与数值模拟得到的结果进行了比较，图6表明，系泊绳的预张力随中段长度和系泊半径的增加而增大，但系泊半径的影响较大。另外，当其他参数固定时，三根系泊线的方位角对预紧力没有影响。图7和图8表明，BP神经网络模型预测的预张力与数值模拟得到的结果吻合较好，最大误差小于0.9％。

三、构建动态BP神经网络预测模型进行动力响应时程预测:

本实施例中，不同方向的环境荷载被施加在浮式平台上，其参数如下：风荷载基于API谱，平均风速36.50m/s；浪荷载由Hs＝8.4m和Tp＝12.1s的JONSWAP表示。流荷载采用均匀流，流速为1.07m/s。采用数值模拟和动态神经神经网络分别对半潜式平台的动力响应进行了分析。半潜平台系泊系统需要满足使用要求，如偏移量和张力限制。一旦确定了系泊系统的布置和参数，就需要对浮式结构的动力响应进行分析。构建动态BP神经网络模型估计最大张力下系泊缆的时程响应，图4给出了动态BP神经网络的实现过程。

(1)数据库构建

根据步骤二中的静力预测，已对系泊系统的布置形式进行了初步筛选，选取适当预张力对应的系泊系统布置及参数构建浮式结构系泊系统耦合模型，并对服役海洋环境下半潜平台进行耦合动力分析，确定服役海域中作用于半潜平台上的环境动力荷载参数(包括风、浪、流等荷载)，通过数值模拟或模型试验等手段得到半潜平台的响应，包括浮式结构运动响应W(t)和系泊缆张力时程L(t)，基于平台运动响应及系泊缆动力响应构建训练数据库，取前500s时程作为数据库进行动态神经网络训练和验证，即该数据库包含前500s的时程数据[W(t),L(t)],t＝0～500，如图9所示；

(2)数据处理：包括数据动态化处理、数据分组、数据归一化，其中核心部分在于数据动态化处理，解决系泊缆张力的时程响应预测问题。

i.数据动态化处理：

系泊缆的张力是一个随时间变化过程，具有动态效应影响，某一时刻的张力响应L(t₁)并不仅仅对应t₁时刻的输入W(t₁)，甚至前n个时刻的输入W(t₁-1)，W(t₁-2)，…，W(t₁-n)都会对该时刻的张力响应产生影响。即本实施例中对于动态神经网络模型的构建思路为将数据的动态化嵌入神经网络的训练中，将其转化为时程数据训练：

L(t)＝f(c,W(t))

式中，L(t)为系泊缆张力时程；f(.)表示特定使用的神经网络模型(这里是BP神经网络)；c为神经网络参数，在构建动态BP神经网络模型时进行初步设置；W(t)为动态化网络输入数据，在本步骤中实现。

对于浮式平台，系泊系统的张力响应一般与浮式结构的运动响应有关，如横荡S_x(t)、纵荡S_y(t)、垂荡H_z(t)3个自由度的运动，即神经网络的输入选择浮式结构的运动响应：

W(t)＝(S_x(t),S_y(t),H_z(t))

因此，首先对输入数据进行动态化处理，即将前n个时间段内的结构运动响应作为动态神经网络张力时程预测模型训练的某一时刻的输入值，即：

S_x(t₁)＝w₁·x(t₁)+w₂·x(t₁-1)+···+w_n·x(t₁-n_x)

S_y(t₁)＝w₁·y(t₁)+w₂·y(t₁-1)+···+w_n·y(t₁-n_y)

H_z(t₁)＝w₁·z(t₁)+w₂·z(t₁-1)+···+w_n·z(t₁-n_z)

式中x(t₁)为t₁时刻平台横荡响应，x(t₁-1)为t₁-1时刻平台横荡响应，x(t₁-n_x)为t₁-n_x时刻平台横荡响应；y(t₁)为t₁时刻平台纵荡响应，y(t₁-1)为t₁-1时刻平台纵荡响应，y(t₁-n_y)为t₁-n_y时刻平台纵荡响应；z(t₁)为t₁时刻平台垂荡响应，z(t₁-1)为t₁-1时刻平台垂荡响应，z(t₁-n_z)为t₁-n_z时刻平台垂荡响应；其影响系数w₁，w₂，…，w_n在网络中通过梯度下降算法确定最优值。

n_x，n_y，n_z作为动力响应延迟系数，在构建动态BP神经网络模型时进行初步设置，本发明中结合误差分析确定n_x＝20，n_y＝20，n_z＝20为最优动力响应延迟系数。

由此得到t₁时刻对应的神经网络训练值，即(S_x(t₁),S_y(t₁),H_z(t₁),L(t₁))，按照同样的方法对其他时刻的系泊张力及对应的结构运动响应进行动态化处理，得到对应的时程神经网络训练值，(S_x(t₂),S_y(t₂),H_z(t₂),L(t₂))，(S_x(t₃),S_y(t₃),H_z(t₃),L(t₃))，…(S_x(t₅₀₀),S_y(t₅₀₀),H_z(t₅₀₀),L(t₅₀₀))

将动态化处理的训练数据作为新的数据库，转入下一步骤；

ii.数据分组：

为获得良好的神经网络训练效果，同样将数据库中数据进行分组，随机选择其中75％数据进行网络训练，余下25％数据作为测试组，防止网络过度拟合。

iii.数据归一化处理

该步骤中同样需要对训练数据进行归一化以及结果逆归一化，同静态预测过程中的数据归一化处理方式。

(3)动态BP神经网络模型构建：

包括动态BP神经网络模型初步构建、统计误差分析、确定最优模型参数

i.动态BP神经网络模型初步构建

选取数据处理后的动力响应延迟系数，初步选择神经网络隐藏层节点数、网络学习速率、网络训练允许误差等，构建初步的动态BP神经网络预测模型。

ii.误差统计分析

将误差统计分析程序嵌入动态BP神经网络预测模型，使得该模型结果更加直观可靠。动态响应预测的结果与前面的时间序列有关，因此探讨了不同时滞Nx,Ny,Nz和神经元数目对预测结果的影响。训练后的神经网络的精度和验证需要一些统计参数来表示，该步骤中的统计误差参数主要包括：

(1)最大绝对相对误差(Max.ARE)

动态神经网络预测值与数值结果之间的相对误差可用以下公式表示：

式中x_actu和x_pred分别表示数值结果和神经网络预测值；n表示验证数据的数量。然后，最大绝对相对误差可以表示如下：

E_max＝max(|E_i|) i＝1,2,...,n

(2)平均绝对相对误差(MARE)

(3)均方根误差(RMSE)

(4)标准差(SD)

(5)最大张力绝对相对误差

式中Ten_FEM_max和Ten_BP_max分别表示数值结果中最大张力和动态神经网络预测最大系泊张力。

iii.确定最优网络模型参数

调试在误差统计分析中的动力响应延迟参数、隐藏层神经元数等参数，根据输出的误差统计值，选择误差统计值最小的网络，确定最优网络模型参数，构建最终动态BP神经网络预测模型。表2给出了训练后的网络的统计参数，这些参数表明神经网络预测与预期输出良好吻合。

表2动态BP神经网络模型预测系泊缆张力的统计参数

(4)系泊缆张力时程预测

动态BP神经网络模型构建完成后即可根据浮式结构的运动响应得到系泊缆的张力时程。图10表示用有数值模拟和动态神经网络模型得到的系泊缆张力的实际动态响应和预测动态响应。

四、不同荷载条件下系泊系统的优化选择

在每个动力分析中，以响应的前500s作为训练数据集，在BP神经网络建模过程中随机分为训练样本和验证样本，最后9500s数据作为试验数据，预测系泊绳的张力，并与数值模拟结果进行比较。N_x＝20，N_y＝20，N_z＝20，N_t＝10分别作为延迟时间和神经数目。在训练、验证和测试三个阶段，预测张力与实际张力数据之间的相关系数如图14、图16和图20所示。为了更直观地显示BP神经网络的预测效果，对包括5个主要优化参数在内的75个工况进行了研究，图13、图15和图19显示了系泊绳的张力预测和实际动态响应。

(1)系泊缆与立柱之间水平夹角

不同水平夹角的系泊系统的动态响应是不一致的。在这一部分中，对其他参数相同的情况进行了研究。图11和图12说明了不同环境荷载入射方向下平台的最大偏移量和最大系泊线张力。用前面给出的训练神经网络进行张力序列预测。表3给出了一个方位角为θ₁＝37°，θ₂＝40°，θ₃＝45°的情况下预测结果的统计误差，所有情况下系泊绳最大张力的绝对相对差均在[0，5％]范围内。

表3某一水平夹角不同环境入射方向下系泊张力预测统计误差

在25种情况下，半潜式平台上的环境载荷方向相同。结果表明，水平夹角角对系泊索的最大张力影响很小，但对平台的运动响应有显著影响。在不同方向载荷下，平台与其他方位角的响应变化很大，为满足规范要求，在后续计算中选择了第二种布置方式(θ₁＝37°，θ₂＝40°，θ₃＝45°)。

(2)中间段长度

在(1)中结果的基础上，利用适当的方位角和一定的系泊半径，研究了系泊绳中段长度对半潜式平台动力响应的影响。结果表明，中段长度对系泊索的最大张力影响较大，对平台的运动响应影响不大。在第三种情况下，系泊系统的最大张力最小，因此本研究中使用的中段长度为L₂＝2400m。表4显示了某一种情况下张力预测的统计误差，表明神经网络的计算结果与有限元法得到的结果吻合较好。这一结果对降低深水系泊系统的成本具有一定的参考价值。

表4某一中间段长度不同环境入射方向下系泊张力预测统计误差

(3)系泊半径

本部分研究了不同系泊半径的半潜式平台在不同环境载荷下的动力响应。同样，其他系泊参数也是先前确定的最佳参数。图17和图18表明，半潜式平台的系泊半径越大，漂移越大，由于重量或其他因素，系泊绳的最大张力不一定最低。半潜平台在R＝3500m时的动力响应满足规范要求。表5给出了系泊半径R＝3500m张力预测的统计误差。

表5某一系泊半径不同环境入射方向下系泊张力预测统计误差

本发明方案通过选择具有代表性的参数进行计算，采用相对较少的数值模拟结果利用BP神经网络对计算结果进行训练，从而确定结构设计参数和结构响应(预张力)的一般规律，以最方便的方法预测多个设计变量的系泊系统在不规则海面状态下的预张力和张力序列；通过模型试验与基于非线性动力分析的数值方法相比，该方法能够方便快捷的预测浮式结构的系泊响应，并且提供与数值分析技术相同的结果。

而且本发明所采用的BP神经网络方法在确定组合荷载与系泊响应直接复杂的非线性关系时，可以避开冗余的结构动力学理论，将海洋浮式平台的结构响应计算简明化，其学习规则是采用梯度下降法通过反向传播调整网路的权值和阈值，使网络模型的拓扑结构由输入层、隐层和输出层组成。

对于浮式平台，系泊系统的张力响应一般与结构的运动有关，如横荡、纵荡、升沉时间序列等。本发明首先通过有限元分析得到一个较短的动态响应序列，然后将所得结果用于BP神经网络的训练。需要注意的是，该模型获得的是系泊系统动态张力时程，先前的响应对下一时刻的运动响应有影响。最后，利用训练后的神经网络可以预测浮台的较长时间序列响应(张力响应)。目前已有的数值模型效率较低，并且对于非耦合程序需调用多个程序计算，本发明可以由浮体的漂移得到系泊系统的张力响应，对于结构设计、实际平台的系泊系统安全监测具有十分重要的实际工程意义。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于，包括以下步骤：

步骤A、确定系泊系统布置方式：确定系泊系统的设计变量，并选择合适的变量参数范围；

步骤B、构建静态BP神经网络模型进行静力响应预测，以确定系泊系统设计参数与系泊缆预张力之间的关系；

步骤C、构建动态BP神经网络模型进行动力响应时程预测，以确定半潜浮式平台运动响应与系泊缆张力时程之间的关系，具体包括：

步骤C1、数据库构建：根据步骤B中的预测结果，选取适当的预张力对应的系泊系统布置及参数，构建浮式结构系泊系统耦合模型，并通过数值模拟或模型实验对服役海洋环境下半潜平台进行耦合动力分析，获得平台运动响应及系泊缆动力响应构建训练数据库；

步骤C2、训练数据处理：包括数据动态化处理、数据分组和数据归一化；所述的数据动态化处理是指将数据的动态化嵌入神经网络训练中，将其转化为时程数据进行训练：L(t)＝f(c,W(t))，其中，L(t)为系泊缆张力时程；f(.)表示所使用的神经网络模型；c为神经网络参数；W(t)为动态化网络输入数据；

其中，对训练数据进行动态化处理具体包括以下步骤：

(1)系泊系统的张力响应与浮式结构的横荡S_x(t)、纵荡S_y(t)、垂荡H_z(t)3个自由度的运动响应有关，将浮式结构的运动响应作为动态BP神经网络模型的输入，即：

W(t)＝(S_x(t),S_y(t),H_z(t))

(2)将前n个时间段内的结构运动响应作为动态神经网络张力时程预测模型训练的某一时刻的输入值，即：

S_x(t₁)＝w₁·x(t₁)+w₂·x(t₁-1)+···+w_n·x(t₁-n_x)

S_y(t₁)＝w₁·y(t₁)+w₂·y(t₁-1)+···+w_n·y(t₁-n_y)

H_z(t₁)＝w₁·z(t₁)+w₂·z(t₁-1)+···+w_n·z(t₁-n_z)

式中，x(t₁)为t₁时刻平台横荡响应，x(t₁-1)为t₁-1时刻平台横荡响应，x(t₁-n_x)为t₁-n_x时刻平台横荡响应；y(t₁)为t₁时刻平台纵荡响应，y(t₁-1)为t₁-1时刻平台纵荡响应，y(t₁-n_y)为t₁-n_y时刻平台纵荡响应；z(t₁)为t₁时刻平台垂荡响应，z(t₁-1)为t₁-1时刻平台垂荡响应，z(t₁-n_z)为t₁-n_z时刻平台垂荡响应；其影响系数w₁，w₂，…，w_n在神经网络中通过梯度下降算法确定最优值，n_x，n_y，n_z作为动力响应延迟系数；

(3)按照上述(2)同样的方法对其他时刻的系泊张力及对应的结构运动响应进行动态化处理，得到对应的时程神经网络训练值，并将动态化处理的训练数据作为新的数据库；

步骤C3、构建动态BP神经网络模型，根据浮式结构的运动响应得到系泊缆的张力时程：

(1)选择数据处理后的动力响应延迟系数，初步选择神经网络隐藏层节点数、网络学习速率和网络训练允许误差，构建初步的动态BP神经网络预测模型；

(2)误差统计分析：将误差统计分析嵌入动态BP神经网络预测模型；

(3)确定最优网络模型参数：调试在误差统计分析中的动力响应延迟参数和隐藏层神经元数，根据输出的误差统计值，选择误差统计值最小的网络，确定最优网络模型参数，构建最终动态BP神经网络预测模型；

步骤D、基于步骤B和步骤C所获得的预测结果，实现不同荷载条件下系泊系统的优化选择。

2.根据权利要求1所述的基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于：所述步骤A中，所述的设计变量包括系泊缆与立柱在水平面内的夹角、系泊缆的长度、系泊半径、系泊缆的数目以及系泊缆的组成部分及各部分的长度。

3.根据权利要求1所述的基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于：所述步骤B具体包括：

步骤B1、数据库构建：根据步骤A所确定的系泊缆优化参数，选取变量参数代表进行数值模拟或模型试验得到对应的系泊缆预张力，并将系泊设计参数和系泊缆预张力作为训练数据构建数据库；

步骤B2、数据处理：

(1)数据分组：将所构建的数据库分为训练子集、验证子集和测试子集，分别用于训练、测试和验证，以避免过度拟合现象；

(2)数据归一化：基于x_norm＝(x-x_min)/(x_max-x_min)对数据库训练子集数据进行归一化，其中，x表示所构建数据库中训练子集数据的实际值，x_max和x_min分别是训练子集数据的最大值和最小值；

步骤B3、构建静态BP神经网络模型，并选择

作为激励函数，对处理后的数据进行训练和测试；

步骤B4、静力响应预测：

(1)预张力预测：基于所构建的静态BP神经网络对系泊系统布置变量参数进行细致划分，将变量参数作为输入，通过静态BP神经网络模型即可得到对应的输出预张力；

(2)系泊布置初步确定：根据预张力预测结果排除不合适的布置方式。

4.根据权利要求3所述的基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于：所述步骤B3中，对静态BP神经网络模型的训练过程如下：

(1)首先根据系统的输入输出序列(x,y)定义网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

(2)计算隐含层输出

基于所选择的激励函数，结合第k个神经元的隐含层输出值H，连接权值w_jk和阈值b，计算BP神经网络预测输出O_k：

(3)计算BP神经网络预测误差e并根据预测误差调整网络连接权值w_jk，w_ij：

e_k＝y_k-O_k k＝1,2,···,m

w_jk＝w_jk+ηH_je_k j＝1,2,···,l；k＝1,2,···,m

式中，参数η为学习速率；

(4)更新网络节点阈值a、b：

b_k＝b_k+e_k k＝1,2,···,m

训练过程反复进行，直到误差达到期望值。

5.根据权利要求4所述的基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于：所述步骤B3中静态BP神经网络模型的训练参数的确定根据训练结果与实际结果误差的大小选择最优参数。

6.根据权利要求1所述的基于BP-FEM对海洋浮式平台系泊系统响应的预测方法，其特征在于：所述步骤C3中，对误差统计分析时，所统计的误差参数包括：

(1)最大绝对相对误差

BP动态神经网络预测值与数值结果之间的相对误差用以下公式表示：

式中，x_actu和x_pred分别表示数值结果和神经网络预测值；n表示验证数据的数量；则最大绝对相对误差表示如下：

E_max＝max(|E_i|) i＝1,2,...,n

(2)平均绝对相对误差

(3)均方根误差

(4)标准差

(5)最大张力绝对相对误差

式中Ten_FEM_max和Ten_BP_max分别表示数值结果中最大张力和动态神经网络预测最大系泊张力。

Images