CN110826290A - 一种海上浮式系统安全预警方法 - Google Patents

一种海上浮式系统安全预警方法 Download PDF

Info

Publication number
CN110826290A
CN110826290A CN201911062953.XA CN201911062953A CN110826290A CN 110826290 A CN110826290 A CN 110826290A CN 201911062953 A CN201911062953 A CN 201911062953A CN 110826290 A CN110826290 A CN 110826290A
Authority
CN
China
Prior art keywords
floating system
dynamic response
model
value
marine environment
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
Application number
CN201911062953.XA
Other languages
English (en)
Other versions
CN110826290B (zh
Inventor
杜君峰
张德庆
李华军
赵树杰
王洪超
常安腾
胡若彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN201911062953.XA priority Critical patent/CN110826290B/zh
Publication of CN110826290A publication Critical patent/CN110826290A/zh
Application granted granted Critical
Publication of CN110826290B publication Critical patent/CN110826290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种海上浮式系统安全预警方法，基于人工神经网络分别构建浮式系统动力响应预报模型和海洋环境条件预报模型，通过海洋环境条件预报模型获得未来时刻的海洋环境条件，并将其输入到训练后的运动响应预报模型中，实现浮式系统动力响应特征值的超前预报，然后基于预报的动力响应统计特征值对浮式系统状态进行判断和预警，当动力响应威胁浮式系统安全时发出预警信息。本发明方案通过开发近似方法(称为代理模型或元模型)来取代缓慢的耦合分析数值模拟程序，即通过捕获给定输入和输出集之间的关系来模拟模型，而不必考虑实际问题的确切内部行为，可有效提高预测精度和效率，时效性好，为保证浮式系统的安全性提供重要参考。

Description

一种海上浮式系统安全预警方法
技术领域
本发明属于海洋工程技术领域，具体涉及一种海上浮式系统安全预警方法。
背景技术
随着海洋资源开发向海洋深处发展，深海浮式系统(FPS)，如半潜式平台、单立柱(Spar) 平台，或浮式生产储油装置(FPSO)等将面临更加复杂恶劣的环境载荷，浮式系统也更加容易受到破坏，浮体碰撞、立管破裂泄露以及系泊缆断裂等事故时有发生，因此对浮式系统进行响应预警至关重要，就需要准确、快速地预报浮式系统的动力响应。
传统的预报方法首先进行时域耦合分析和有限元分析，然而这些计算分析方法大都需要经过复杂、庞大的公式计算，会花费几小时甚至更多的时间。为了提高耦合计算分析的计算效率，国内外学者都做出了许多努力，这些方法在计算效率上虽然有所改进，但是仍然不能满足在实际工作中对小延迟的需求。
如何能够高效地对浮式系统危险状况做出预警是目前本领域的重大需求，亟待提出一种精度高、效率高、时效性好的浮式系统安全预警方法，为保证浮式系统的安全性提供参考。
近几年，部分学者通过开发近似方法(通常称为响应面模型，替代模型或元模型)以取代复杂的数值计算过程，通过关注输入集和输出集之间的关系而达到模拟模型行为的目的，而不必考虑实际问题的确切内部行为。这些近似方法一般基于不同的近似算法，例如人工神经网络等，因为计算效率高、结果准确而广泛应用在模式识别、经济管理、优化控制等方面。虽然陆续有学者将人工神经网络算法应用于沿海和海洋工程领域，但是尚未有进行海上浮式系统安全预警的应用。
发明内容
本发明针对传统方式对浮式系统预警存在的缺陷，提出一种基于人工神经网络的海上浮式系统安全预警方法。
本发明是采用以下的技术方案实现的：一种海上浮式系统安全预警方法，包括以下步骤：
步骤1、建立海洋环境条件与浮式系统动力响应特征值的数据库；
步骤2、构建浮式系统动力响应预报模型，结合所建立的数据库对该预报模型进行训练，并通过循环优化算法对浮式系统动力响应预报模型网络结构进行优化；
步骤3、构建海洋环境条件预报模型，获得未来时刻的海洋环境条件，并通过调整输入向量的维度对海洋环境条件预报模型的网络结构进行优化；
步骤4、将预报的未来时刻的海洋环境条件输入到训练完成的运动响应预报模型中，实现浮式系统动力响应特征值的超前预报；
步骤5、依据预报的动力响应统计特征值对浮式系统状态进行判断和预警，当动力响应威胁浮式系统安全时发出报警信息。
进一步的，所述步骤1中，对待预警浮式系统在某海域不同的环境载荷下进行耦合分析，获得动力响应特征值，所述动力响应特征值包括六自由度最大值、六自由度平均值，水平面内的位移最大值、系缆张力响应的最大值、系缆张力响应的平均值，并将环境参数与动力响应特征值进行匹配，建立数据库。
进一步的，所述步骤2中，建立动力响应预报模型时，将环境参数作为输入向量，将计算得到的动力响应特征值作为输出向量，基于人工神经网络模型进行训练，并建立一个循环优化算法对人工神经网络的结构进行优化，具体的动力响应预报模型建立和优化过程如下：
步骤21，对海洋环境参数和动力响应特征值进行归一化处理；
步骤22，建立单隐含层的人工神经网络模型，并对神经网络模型进行训练和验证，相同网络结构下计算多次均方误差
Figure BDA0002255809890000021
取平均值，其中Op为模型输出值，Tp为期望输出值，n为输出值的个数；
步骤23，改变隐含层神经元个数和隐含层的层数，并对神经网络模型进行训练，计算均方误差RMSE的均值，并比较不同网络结构下均方误差的大小，选择均方误差最小的网络结构作为最终浮式系统动力响应预报模型的网络结构。
进一步的，所述在步骤23中，神经元的个数从4开始改变，每次增加的个数从数组{1， 2}中随机抽取一个数字，当均方误差的均值连续两次变大时不再改变神经元个数，而是增加一层隐含层；从最后一层隐含层开始逐渐改变神经元的个数，获得并比较不同层数下的最小的均方误差；重复以上步骤，直至增加一层隐含层后均方误差不再减小。
进一步的，所述步骤3中，通过调整输入向量的维度和隐含层层数提高海洋环境条件预报的精度，其中输入向量维度的调整，即w(t)＝Ψ(w(t-1),w(t-2),...，w(t-i))，其中，Ψ(·)是非线性自回归函数，i为当前时刻之前的第i步时刻，即当前时刻的时历值共由i个邻近的时刻值决定。
进一步的，所述步骤5中，基于步骤4预报的动力响应统计特征值对浮式系统状态进行判断和预警，如果位移最大值超出该浮式系统所能承受的最大位移或系泊缆的张力低于最小安全系数时发出报警信息，指导工作人员采取相应操作措施以保证浮式系统的安全性。
与现有技术相比，本发明的优点和积极效果在于：
(1)预测速度快、鲁棒性高：基于人工神经网络模型及其改进设计，避开了对环境条件与动力响应之间复杂的内部关系的描述，特别是公式的表述；模型在训练时会学习和记忆各输入向量与输出向量之间的关系，在对未知样本预测时，仅需要加法和乘法；使得模型的速度显著快于其他方法，并且即使分信息丢失或者损坏甚至有错误，模型具有仍能恢复出原来正确的完整的信息的能力，保证模型系统仍能正常运行；
(2)提前做出安全警告：浮式系统作用在深水环境中，当发生恶劣的海洋工况时可能会破坏系统，导致出现安全问题，本方案可以提前发出预警，提供一种是否停产以保证系统安全的参考。
附图说明
图1为本发明实施例所述预警方法的流程示意图；
图2为本发明实施例目标平台动力响应预报模型示意图；
图3为本发明实施例目标平台动力响应预报模型输出结果与期望结果对比示意图；
图4为本发明实施例目标平台动力响应预报模型网络结构示意图；
图5为本发明实施例所建立目标平台及其系泊系统数值模型示意图，其中，左侧为目标平台示意图，右侧为目标平台的系泊系统数值模型示意图。
具体实施方式
为了能够更清楚的理解本发明的上述目的和优点，下面结合附图对本发明的具体实施方式做详细地描述：
本实施例提出一种基于人工神经网络的海上浮式系统安全预警方法，所述的浮式系统可以是深海油气开采中的重大装备，如浮式采油、钻井的半潜式平台、Spar平台，FPSO，也可以是海上新能源开发装备，如浮式风机等，如图1所示，具体包括以下步骤：
步骤1，建立海洋环境条件与浮式系统动力响应特征值的数据库，为模型训练提供学习数据；
步骤2，构建浮式系统动力响应预报模型，对预报模型进行训练，并通过循环优化算法对预报模型网络结构进行优化；
步骤3，建立海洋环境条件预报模型，获得未来时刻的海洋环境条件，并通过调整输入向量的维度对海洋环境条件预报模型的网络结构进行优化；
步骤4，将预报的未来时刻的海洋环境条件输入到训练完成的运动响应预报模型中，实现浮式系统动力响应特征值的超前预报；
步骤5，依据预报的动力响应统计特征值对浮式系统状态进行判断和预警，当动力响应威胁浮式系统安全时发出报警信息。
具体的，步骤1中，构建数据库的数据可以由现场实测、软件模拟和试验研究等可靠数据组成，为保证预报结果的准确性，具体实施时，数据库中的数据数量尽可能多。
考虑到浮体碰撞、立管破裂泄露以及系泊缆断裂等海洋工程事故大都因为上部浮体偏移过大或系缆张力过大引起，因此步骤1中主要是计算的数据包括浮式系统的上部浮体和系缆张力的最大值、有义值、前1/10大值平均值等浮式系统服役过程中较为关心的动力响应特征值，比如可对确定的浮式系统在某海域不同的环境载荷下进行耦合分析，获得动力响应特征值，所述动力响应特征值包括六自由度最大值、六自由度平均值，水平面内的最大位移及前 1/10大值平均值，系缆张力响应的最大值、系缆张力响应的平均值等，将环境参数(所述环境参数根据浮式系统的具体工作海域确定，可以是一小时平均风速、流速、有义波高、跨零周期等，这些参数需要通过计算时域内风、流、浪的变化并进行统计处理获得)与动力响应特征值进行匹配，建立数据库。
在步骤2和步骤3中，浮式系统动力响应预报模型和海洋环境条件预报模型均采用人工神经网络算法，以单隐含层神经网络为例，即
Figure BDA0002255809890000041
式中：φ(·)为隐含层的激励函数，ψ(·)为输出层的激励函数，ωij,ωjp称为权重，θij,θjp称为阈值， x为输入参数，M为输入参数个数，N为隐含层神经元个数；
所述步骤2中，建立动力响应预报模型时，将环境参数作为输入向量，将计算得到的动力响应特征值作为输出向量，基于人工神经网络模型进行训练，并建立一个循环优化算法对人工神经网络的结构进行优化，具体的动力响应预报模型建立和优化过程如下：
步骤21，通过公式
Figure BDA0002255809890000042
对海洋环境参数和动力响应特征值进行归一化处理；
步骤22，建立单隐含层的人工神经网络模型，选取数据库中80％的数据对神经网络模型进行训练，剩余20％数据作为验证，相同网络结构下计算20次均方误差
Figure BDA0002255809890000043
取平均值，其中Op为模型输出值，Tp为期望输出值，n为输出值的个数；
步骤23，改变隐含层神经元个数和隐含层的层数，并对神经网络模型进行训练，计算均方误差RMSE的均值，并比较不同网络结构下均方误差的大小，选择均方误差最小的网络结构作为最终浮式系统动力响应预报模型的网络结构。
在步骤23中神经元的个数从4开始改变，并从数组{1，2}中随机抽取一个数字作为每次增加的个数，当均方误差的均值连续两次变大时不再改变神经元个数，而是增加一层隐含层，从最后一层隐含层开始逐渐改变神经元的个数，选择在相同层数下出现的最小的均方误差作为该层数下最优的均方误差，以此来比较不同层数下的优度；重复以上步骤，直至增加一层隐含层后均方误差不再减小。
另外，与步骤2训练过程相似，在步骤3中，以当前和过去时刻的海洋环境载荷时历作为输入向量，以未来时刻的海洋环境载荷时历作为输出向量，比如，将采集到的浮式系统工作海域中半小时的环境载荷时历作为输入变量，获得未来3小时的环境载荷时历曲线，以此获得环境载荷的各项参数；通过调整输入向量的维度和隐含层层数提高海洋环境条件预报的精度，其中输入向量维度的调整即w(t)＝Ψ(w(t-1),w(t-2),...，w(t-i))，其中，Ψ(·)是非线性自回归函数，i为当前时刻之前的第i步时刻，即当前时刻的时历值共由i个邻近的时刻值决定。
在步骤5中，按照规范或浮式系统业主要求(不同的浮式系统要求不一样)，只需改变预警的临界值，即可利用步骤4预报的动力响应统计特征值对浮式系统状态进行判断和预警，如果位移最大值超出该浮式系统所能承受的最大位移或系泊缆的张力低于最小安全系数时发出报警信息，指导工作人员采取相应操作措施以保证浮式系统的安全性。
为了更清楚的说明本发明的技术效果，以某半潜式平台为例，如图5所示，建立目标平台及其系泊系统数值模型，平台采用对应实际水深1180m的12点半张紧式系泊系统，由4 组、每组3根相同的系泊缆索组成，与x轴的夹角分别为40°,45°和50°，每根系缆为锚链—钢缆—锚链三段复合型式，表1为系泊缆的主要物理参数：
表1系泊缆参数
Figure BDA0002255809890000051
目标半潜式平台的工作海域位于北大西洋，波浪载荷是作用于该浮式系统上的主要海洋环境载荷，因此目标半潜式平台动力响应预报模型仅考虑将波浪作为海洋环境条件，输入参数为有效波高、跨零周期和作用方向三个参数，图2为目标半潜式平台动力响应预报基本框架。训练数据由海洋工程领域软件SESAM计算得到，共1148组数据，其中，有效波高的区间为1.5m～14.5m，跨零周期的区间为4.5s～13.5s，因为目标半潜式平台的对称性，波浪作用方向仅考虑0°～90°，以15°为间隔。
从1148组数据中随机抽取80％，即918组作为训练样本，20％数据作为验证样本，从单隐含层的网络结构开始进行循环优化算法，并记录不同隐含层层数下最小的动力响应预报均方误差均值及该网络结构，目标半潜式平台动力响应预报模型通过循环优化算法后记录的不同网络结构下动力响应预报均方误差的平均值及训练所需时间如表2所示，图3为模型训练过程中某次的模型输出值与期望输出值的对比示意图。
表2不同网络结构下动力响应预报均方误差(×10-2)
Figure BDA0002255809890000052
Figure BDA0002255809890000061
由表2可以看出：当网络结构为3隐含层，且每层神经元个数为6-6-6时，具有最高的精度，因此确定目标半潜式平台动力响应预报模型的网络结构为3×6×6×6×4结构，如图4所示。
同理，通过改变输入向量的维度和隐含层的层数确定均方误差平均值最小的网络结构为海洋环境条件预报模型的结构，选取某3小时的波浪时历曲线中的半小时数据作为训练数据，剩余的数据作为验证数据，预报的波浪有效波高为12.59m，跨零周期为10.89s，作用方向假设分别为0°,15°,30°,45°,60°,75°,90°，编号依次为1～7。将预报的海洋环境条件输入至已训练完成的动力响应预报模型中，表3为动力响应预报模型输出结果与期望输出结果对比及误差对比分析。
表3动力响应预报结果与期望结果对比及误差
Figure BDA0002255809890000062
由表3可以看出：计算误差均在4.5％以内，且计算误差在1.5％以内的比例达64.3％，说明具有较高的精度；且通过表2中CPU计算时间可以发现，计算时间仅在20s左右，计算效率能够满足实际工作中安全预警对小延时的需求。
在得到动力响应的预报结果之后，判断上部浮体偏移最大值是否超出该浮式系统所能承受的最大位移或系泊缆的张力是否低于最小安全系数，当会对浮式系统安全造成威胁时发出报警信息，提醒工作人员采取相应措施。
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)

1.一种海上浮式系统安全预警方法，其特征在于，包括以下步骤：
步骤1、建立海洋环境条件与浮式系统动力响应特征值的数据库；
步骤2、构建浮式系统动力响应预报模型，结合所建立的数据库对该预报模型进行训练，并通过循环优化算法对浮式系统动力响应预报模型网络结构进行优化；
步骤3、构建海洋环境条件预报模型，获得未来时刻的海洋环境条件，并通过调整输入向量的维度对海洋环境条件预报模型的网络结构进行优化；
步骤4、将预报的未来时刻的海洋环境条件输入到训练完成的运动响应预报模型中，实现浮式系统动力响应特征值的超前预报；
步骤5、依据预报的动力响应统计特征值对浮式系统状态进行判断和预警，当动力响应威胁浮式系统安全时发出报警信息。
2.根据权利要求1所述的海上浮式系统安全预警方法，其特征在于：所述步骤1中，对待预警浮式系统在某海域不同的环境载荷下进行耦合分析，获得动力响应特征值，所述动力响应特征值包括六自由度最大值、六自由度平均值，水平面内的位移最大值、系缆张力响应的最大值、系缆张力响应的平均值，并将环境参数与动力响应特征值进行匹配，建立数据库。
3.根据权利要求1所述的海上浮式系统安全预警方法，其特征在于：所述步骤2中，建立动力响应预报模型时，将环境参数作为输入向量，将计算得到的动力响应特征值作为输出向量，基于人工神经网络模型进行训练，并建立一个循环优化算法对人工神经网络的结构进行优化，具体的动力响应预报模型建立和优化过程如下：
步骤21，对海洋环境参数和动力响应特征值进行归一化处理；
步骤22，建立单隐含层的人工神经网络模型，并对神经网络模型进行训练和验证，相同网络结构下计算多次均方误差取平均值，其中Op为模型输出值，Tp为期望输出值，n为输出值的个数；
步骤23，改变隐含层神经元个数和隐含层的层数，并对神经网络模型进行训练，计算均方误差RMSE的均值，并比较不同网络结构下均方误差的大小，选择均方误差最小的网络结构作为最终浮式系统动力响应预报模型的网络结构。
4.根据权利要求3所述的海上浮式系统安全预警方法，其特征在于：所述在步骤23中，神经元的个数从4开始改变，每次增加的个数从数组{1，2}中随机抽取一个数字，当均方误差的均值连续两次变大时不再改变神经元个数，而是增加一层隐含层；从最后一层隐含层开始逐渐改变神经元的个数，获得并比较不同层数下的最小的均方误差；重复以上步骤，直至增加一层隐含层后均方误差不再减小。
5.根据权利要求3或4所述的海上浮式系统安全预警方法，其特征在于：所述步骤3中，通过调整输入向量的维度和隐含层层数提高海洋环境条件预报的精度，其中输入向量维度的调整，即w(t)＝Ψ(w(t-1),w(t-2),...，w(t-i))，其中，Ψ(·)是非线性自回归函数，i为当前时刻之前的第i步时刻，即当前时刻的时历值共由i个邻近的时刻值决定。
6.根据权利要求5所述的海上浮式系统安全预警方法，其特征在于：所述步骤5中，基于步骤4预报的动力响应统计特征值对浮式系统状态进行判断和预警，如果位移最大值超出该浮式系统所能承受的最大位移或系泊缆的张力低于最小安全系数时发出报警信息，指导工作人员采取相应操作措施以保证浮式系统的安全性。
CN201911062953.XA 2019-10-31 2019-10-31 一种海上浮式系统安全预警方法 Active CN110826290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911062953.XA CN110826290B (zh) 2019-10-31 2019-10-31 一种海上浮式系统安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911062953.XA CN110826290B (zh) 2019-10-31 2019-10-31 一种海上浮式系统安全预警方法

Publications (2)

Publication Number Publication Date
CN110826290A true CN110826290A (zh) 2020-02-21
CN110826290B CN110826290B (zh) 2021-07-20

Family

ID=69552367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911062953.XA Active CN110826290B (zh) 2019-10-31 2019-10-31 一种海上浮式系统安全预警方法

Country Status (1)

Country Link
CN (1) CN110826290B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451591A (zh) * 2023-06-14 2023-07-18 中海油能源发展股份有限公司采油服务分公司 一种基于深度学习的海洋浮式结构物系泊力评估方法
CN117948237A (zh) * 2024-01-27 2024-04-30 大连理工大学 基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120150679A1 (en) * 2012-02-16 2012-06-14 Lazaris Spyros J Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation
CN103617333A (zh) * 2013-12-13 2014-03-05 中国海洋大学 海洋平台浮托安装碰撞模拟分析方法
CN106446209A (zh) * 2016-09-30 2017-02-22 浙江大学 一种海洋环境监测要素短期预测方法
CN107545250A (zh) * 2017-08-31 2018-01-05 哈尔滨工程大学 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统
CN107609685A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种基于浮体运动时历包络预测的作业安全期预报系统
CN108520089A (zh) * 2018-02-28 2018-09-11 哈尔滨工程大学 一种柔性连接的波浪滑翔器运动预测方法
US20180313321A1 (en) * 2015-10-27 2018-11-01 IFP Energies Nouvelles Method for predicting a characteristic resulting from the swell on a floating system for at least two future time steps
CN109871609A (zh) * 2019-02-18 2019-06-11 中国海洋大学 基于bp-fem对海洋浮式平台系泊系统响应的预测方法
CN110349067A (zh) * 2019-06-26 2019-10-18 中国船舶重工集团公司第七一九研究所 一种海洋核动力平台的智能运维系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120150679A1 (en) * 2012-02-16 2012-06-14 Lazaris Spyros J Energy management system for power transmission to an intelligent electricity grid from a multi-resource renewable energy installation
CN103617333A (zh) * 2013-12-13 2014-03-05 中国海洋大学 海洋平台浮托安装碰撞模拟分析方法
US20180313321A1 (en) * 2015-10-27 2018-11-01 IFP Energies Nouvelles Method for predicting a characteristic resulting from the swell on a floating system for at least two future time steps
CN106446209A (zh) * 2016-09-30 2017-02-22 浙江大学 一种海洋环境监测要素短期预测方法
CN107609685A (zh) * 2017-08-22 2018-01-19 哈尔滨工程大学 一种基于浮体运动时历包络预测的作业安全期预报系统
CN107545250A (zh) * 2017-08-31 2018-01-05 哈尔滨工程大学 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统
CN108520089A (zh) * 2018-02-28 2018-09-11 哈尔滨工程大学 一种柔性连接的波浪滑翔器运动预测方法
CN109871609A (zh) * 2019-02-18 2019-06-11 中国海洋大学 基于bp-fem对海洋浮式平台系泊系统响应的预测方法
CN110349067A (zh) * 2019-06-26 2019-10-18 中国船舶重工集团公司第七一九研究所 一种海洋核动力平台的智能运维系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNFENG DU 等: "Multi-mode reliability analysis of mooring system of deep-water floating structures", 《OCEAN ENGINEERING》 *
范星宇、杜君峰 等: "深海半潜式平台与系泊系统动力耦合的边界约束效应研究", 《中国海洋大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451591A (zh) * 2023-06-14 2023-07-18 中海油能源发展股份有限公司采油服务分公司 一种基于深度学习的海洋浮式结构物系泊力评估方法
CN117948237A (zh) * 2024-01-27 2024-04-30 大连理工大学 基于深度学习的漂浮式风机运动响应与系泊张力短期预测及调节方法

Also Published As

Publication number Publication date
CN110826290B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
Pezeshki et al. State of the art in structural health monitoring of offshore and marine structures
CN109871609B (zh) 基于bp-fem对海洋浮式平台系泊系统响应的预测方法
CN110826290B (zh) 一种海上浮式系统安全预警方法
De Masi et al. Ship motion prediction by radial basis neural networks
Mao et al. A DNN-based approach to predict dynamic mooring tensions for semi-submersible platform under a mooring line failure condition
Sun et al. Dynamic response analysis of floating wind turbine platform in local fatigue of mooring
Yan et al. Time series prediction based on LSTM neural network for top tension response of umbilical cables
CN117437204A (zh) 基于yolo-mid的绝缘子缺陷快速检测方法和系统
Hu et al. Prediction of Chinese-lantern submarine hose tension variation in extreme sea states based on data-driven methods
Yao et al. Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method
CN116127866A (zh) 一种基于cnn模型的海洋管缆变形与载荷预报方法
Kumar et al. Development of data-driven models for prediction of mooring line tensions
Li et al. Damage Identification of Mooring System for Offshore Structure with Automated Machine Learning
CN111428420B (zh) 海表流流速预测方法、装置、计算机设备和存储介质
Hajinezhad Dehkharghani et al. Mooring damage identification of floating wind turbine using a non-probabilistic approach under different environmental conditions
Yung et al. Mooring force estimation for floating offshore wind turbines with augmented Kalman Filter: a step towards digital twin
Christiansen et al. Optimized mooring line simulation using a hybrid method time domain scheme
Min et al. Convolutional neural network-based damage detection of the tethers of submerged floating tunnels using structural response data under various incident waves
Liu et al. Physics-guided data-driven failure identification of underwater mooring systems in offshore infrastructures
Costa et al. FPSO Mooring Line Integrity Supervising System Based on Motion Data and Natural Frequency Estimation
Pezeshki et al. Structural Health Monitoring of Offshore and Marine Structures
CN116842844B (zh) 基于bim的桥梁高墩施工安全监测方法及系统
Yetkin et al. Mooring line top-tension prediction using NARX
Zhou et al. A Surrogate Optimization Modeling Method for Floating Wind Turbine Mooring Line Design
Li et al. Mooring Line Tensions Prediction Based on MLP for Soft Yoke Mooring System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant