CN111241740A - 一种fpso软刚臂受力快速准确的计算方法 - Google Patents
一种fpso软刚臂受力快速准确的计算方法 Download PDFInfo
- Publication number
- CN111241740A CN111241740A CN202010077249.8A CN202010077249A CN111241740A CN 111241740 A CN111241740 A CN 111241740A CN 202010077249 A CN202010077249 A CN 202010077249A CN 111241740 A CN111241740 A CN 111241740A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lstm neural
- data
- fpso
- rigid arm
- 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
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
Abstract
一种FPSO软刚臂受力快速准确的计算方法,属于海洋工程应用领域。首先,建立FPSO有限元数值模型,获得船体和软刚臂运动时程响应,确定影响软刚臂各系泊腿张力的变量。其次,构建LSTM神经网络进行动力响应计算,确定单个LSTM神经网络的有效精度范围和验证LSTM神经网络在不同工况时的计算效果,并根据工作海况构建LSTM神经网络全模型库。最后,基于LSTM神经网络全模型库实现各环境荷载下软刚臂各系泊腿张力的计算。本发明克服了深海中FPSO软刚臂各系泊腿张力难以长期监测的缺陷,能够通过FPSO船体六自由度快速准确的计算出软刚臂各系泊腿的张力。在保证计算准确度的同时,可以有效提高计算速度,对实际FPSO的软刚臂安全监测具有实际工程意义。
Description
技术领域
本发明属于海洋工程应用领域,涉及一种FPSO软刚臂受力快速准确的计算方法,适用于受力与定位快速计算。
背景技术
油气开采逐步由陆地转向海洋、由浅水大陆架海区向深海领域转移,如2016年壳牌公司在墨西哥湾Stones油田已经突破到2900米,各种应用于深海的新型浮式采油平台被开发出来。深海的浮式平台服役环境极为复杂和恶劣,一旦出现事故,会造成严重的经济、环境灾害。系泊系统作为海上浮式平台的固定装置,对其系泊力进行监测极为重要。然而,海上浮式平台的系泊力监测设备安装施工难度较大,需要水下作业,且需长期维护,成本较高。并由于海洋的环境恶劣,倾角仪及相关设备在工作一段时间后往往出现故障失效。无法长期稳定的进行工作。
当前GPS定位技术相对成熟,在FPSO上使用效果相对稳定,可使用数值计算的方式基于定位对系泊力进行监控。但以往计算方法基于静力学公式时,无法考虑流体作用在系泊线上的荷载,系泊线的一些也无法体现出来,而在恶劣海况下系泊系统横荡运动剧烈,为了提高系泊力计算精度,需要考虑系泊力动态效应的影响。而使用动力学分析方法有限元软件进行时域计算求解时,需要花费大量的计算时间,难以达到实时监控的效果。
发明内容
本发明目的在于针对现有的FPSO软刚臂的测力设备安装施工难度大、维护成本高,而采用传统数值模拟计算效率低的不足,结合神经网络计算效率高的优势,提出一种新的基于LSTM神经网络的由FPSO六自由度求得其软刚臂受力快速准确的计算方法。
为了达到上述目的,本发明的技术方案为:
一种FPSO软刚臂受力快速准确的计算方法,包括以下步骤:
步骤A、建立FPSO有限元数值模型,获得船体和软刚臂运动时程响应,确定影响软刚臂各系泊腿张力的变量。步骤B、构建LSTM神经网络进行动力响应计算,确定单个LSTM神经网络的有效精度范围和验证LSTM神经网络在不同工况时的计算效果并根据工作海况构建LSTM神经网络全模型库。
步骤C、基于步骤B构建的LSTM神经网络全模型库,实现各环境荷载下软刚臂各系泊腿张力的计算。
进一步的,步骤A中所述,当软刚臂的各系泊腿结构一定时,影响软刚臂的各系泊腿张力的变量主要是FPSO船体的横荡、纵荡、垂荡、横摇、纵摇和艏摇,上述变量决定软刚臂各系泊腿在各个时刻的张力。
进一步的,步骤B具体包括:
步骤B1、确定LSTM神经网络原始标签值和原始特征值并构建数据库:原始特征值经数据预处理后,作为LSTM神经网络的输入值,原始标签值经数据预处理后,作为LSTM神经网络的输出值。建立FPSO软刚臂单点系泊系统耦合模型,并通过数值模拟对服役海况下FPSO平台进行耦合分析,获得FPSO平台运动响应及软刚臂各系泊腿的运动响应。根据步骤A所确定的软刚臂各系泊腿张力影响变量,取FPSO船体上GPS所在点六自由度(横荡、纵荡、垂荡、横摇、纵摇和艏摇)和在该六自由度下进行数值模拟或船体实测对应的得软刚臂各系泊腿张力和角度,并将FPSO船体六自由度时程和软刚臂各系泊腿张力和角度时程响应数据按时间顺序构建数据库;
步骤B2、数据预处理:
(1)数据集划分:将步骤B1构建的数据库里,每个工况下的数值模拟数据分为训练集和检验集,实测数据作为验证集,训练集用于训练LSTM神经网络,检验集用于检验训练的LSTM神经网络准确度,验证集用于验证应用时LSTM神经网络的计算效果。
(2)数据归一化处理:采用标准正态化对数据库的训练集、检验集与验证集进行归一化处理以保证训练过程中的准确性和稳定性。其中,x表示构建数据库中的原始标签值和特征值,μ和σ分别是训练集中的均值和方差,x′表示标准正态化后标签值和特征值。
(3)数据特征提取:采用一阶矩二阶中心矩来对归一化后的六自由度的进行特征提取以在一定程度上对其所在周期和幅值进行描述,提高LSTM神经网络计算准确度,一阶矩和二阶中心距的计算公式如下:
E(X15)=f1(X1,X2,...,X15)
E(X2 15)=f2(X1,X2,...,X15)
E(Xn)=f1(Xn-15,Xn-14,...,Xn)
E(X2 n)=f2(Xn-15,Xn-14,...,Xn)
其中,E(X15)表示第15个时间节点的数据其对应的一阶矩的值;E(X2 15)表示第15个时间节点的数据其对应的二阶中心距的值;X1,X2,...,X15表示第1~15个时间节点上经归一化处理后的值;E(Xn)表示第n个时间节点的数据其对应的一阶矩的值;E(X2 n)表示第n个时间节点的数据其对应的二阶中心距的值;f1()表示求一阶矩的函数;f2()表示求二阶中心距的函数。数据特征如下:
X′15的数据特征为:[E(X15),E(X2 15)]
X′n的数据特征为:[E(Xn),E(X2 n)]
X′15的数据特征是按上式所求一阶矩和二阶中心距:[E(X15),E(X2 15)],同理,X′n的数据特征是[E(Xn),E(X2 n)]。再将第1到第n个时间节点上的FPSO船体6自由度数据与一阶矩、二阶中心距进行组合:
X′n=[Xn,E(Xn),E(X2 n)]
式中:Xn表示第n个时间节点上,FPSO船体的6自由度;X′n表示第n个时间节点上,FPSO船体的6自由度与一阶矩、二阶中心距。将X′n作为第n个时间节点上,对于FPSO船体的运动状态的描述,作为LSTM神经网络的输入。
(4)LSTM神经网络有效精度范围界定:基于一阶矩和二阶中心距确定LSTM神经网络有效精度范围,具体为:采用步骤(3)计算出一阶矩和二阶中心距后,作散点图,训练集的覆盖范围即为LSTM神经网络的有效精度范围。当检验集全部的数据位于训练集覆盖范围内时,神经网络才能有较好的计算准确度,此时训练LSTM神经网络模型,并检验LSTM神经网络计算准确度。计算准确度是由误差统计参数共同决定的。(绝对均值误差、极值误差、标准差误差在10%以下,拟合度在90%以上时表示满足计算精度要求)当检验集完全或部分位于训练集覆盖范围外时,需调整训练集,返回步骤B2调整并扩大训练集覆盖范围。
步骤B3、构建LSTM神经网络,根据FPSO船体的六自由度求出软刚臂的张力;
(1)初步选择LSTM神经网络隐藏层节点数和层数、激活函数、随机失活概率、正则化、损失函数、优化器,建立初始的LSTM神经网络模型;
(2)误差分析:将归一化后的训练集带入LSTM神经网络进行训练,并用检验集检验LSTM神经网络计算准确度,使用误差统计参数(绝对均值误差、极值误差、标准差误差、拟合度)使计算结果更加直观。
(3)最优网络模型的确认:选择在LSTM神经网络计算结果准确度无较大(3%)提升时,训练速度最快的网络模型结构作为LSTM神经网络模型;
步骤B4、单工况、多工况下LSTM神经网络计算与校验:
(1)单工况下LSTM神经网络计算准确度检验:将单工况下FPSO船体的六自由度和软刚臂各系泊腿的运动状态按时间排列分为训练集和检验集,在该次检验中,训练集的数据由该工况下数值模拟时稳定后1~8000s时程组成,检验集的数据为稳定后8000s~8500s时程组成。训练集训练好LSTM神经网络后,检验集检验LSTM神经网络再次“遇见”同工况时的计算准确度。证明LSTM神经网络能计算训练集中出现过的工况。
(2)两工况下LSTM神经网络计算准确度检验:选择三个只有风向(或波向、流向)不同的工况(在满足计算精度的条件下,根据需要自由选择,[0,15]、[0,30]、[30,90]、[120,180]等均可,本发明中选择[90,120]上下限间隔为30°的区间中的三个工况),选取中间的一个工况为检验集,其余工况为训练集。在本次检验中,训练集中的数据由训练集中各工况数值模拟时稳定后0~8000s时程组成,检验集中的数据由检验集中的工况数值模拟时稳定后0~8000s时程组成。在训练集训练好神经网络后,由检验集检验神经网络的计算准确度。检验当LSTM神经网络由两个工况训练时,对训练集工况间未参与过训练的某工况计算准确度。证明LSTM神经网络能计算位于训练集工况间的未知工况。
(3)多工况下LSTM神经网络模型计算准确度检验:选择多个风向、波向、流向不同但相近的工况(在满足工况相似条件下,根据需要自由选择,风向、流向、波向可在[0,15]、[0,30]、[30,90]、[120,180]等区间内取值,本发明中工况取波向90°、风向90°和105°、流向330°、345°、0°、15°、30°),选取中间的一个工况为检验集,其余工况为训练集。在本次检验中,训练集中的数据由训练集中各工况数值模拟时稳定后0~8000s时程组成,检验集中的数据由检验集中的工况数值模拟时稳定后0~8000s时程组成。在训练集训练好神经网络后,由检验集检验神经网络的计算准确度。验证当LSTM神经网络由多个工况训练时,对位于训练集覆盖面内但与训练集工况不完全相同的某工况的计算准确度。证明由多个工况训练的LSTM神经网络能计算位于训练集工况间的未知工况。
步骤B5、工作海况分类并构建LSTM神经网络全模型库:基于海上波向和流向不易测准,选取风向作为控制荷载,在风速、流速、波高一定时对数据库中的工况进行分组,每组分别训练LSTM神经网络并保存LSTM神经网络结构及参数,所有LSTM神经网络共同组成一个LSTM神经网络全模型库。
更进一步,所述步骤B3中,误差统计参数包括:
(1)绝对均值误差
(2)极值误差
式中xactu_max和xpred_max分别表示LSTM神经网络标签值和LSTM神经网络计算值的绝对值的最大值;
(3)标准差误差
式中SDactu和SDpred分别表示LSTM神经网络标签值和LSTM神经网络计算值的标准差,标准差的计算公式表示如下:
(4)拟合度
式中xactu_i和xpred_i分别表示LSTM神经网络标签值和LSTM神经网络计算值。
进一步的,步骤C具体包括:
步骤C1、环境荷载判断:以实测波高为主,以风向和波高为判断条件从LSTM神经网络模型库中选择对应的LSTM神经网络。
步骤C2、LSTM神经网络调用与计算:将实测的FPSO船体六自由度(横荡、纵荡、垂荡、横摇、纵摇和艏摇)时程采用步骤B2所述标准正态化进行归一化处理,其中μ(均值)和σ(方差)采用训练该LSTM神经网络的训练集的均值和方差以保持一致。按步骤B2(4)中所述方法判断该实测数据是否在LSTM神经网络有效精度范围内,如全部都在有效精度范围内,认为LSTM神经网络计算结果可信,如部分或全部在有效精度范围外,LSTM神经网络计算结果只能作为参考,并返回步骤B2,扩大训练该LSTM神经网络的训练集覆盖范围重新训练该LSTM神经网络。
与现有技术相比,本发明的优点和积极效果在于:
本发明基于LSTM神经网络理论构建FPSO船体六自由度与软刚臂各系泊腿张力计算模型,提出了数据特征提取和有效精度范围确定,以及LSTM神经网络全模型库构建与调用的方法,克服了深海中FPSO软刚臂各系泊腿张力难以长期监测的缺陷,可以通过FPSO船体六自由度快速准确的计算出软刚臂各系泊腿的张力。
以实船应用时软刚臂各系泊腿张力监测为目的进行分析:(1)构建LSTM神经网络计算模型后从多角度进行检验计算准确度,为神经网络在FPSO软刚臂受力计算上提供一种快速准确的计算方法;(2)通过工况的划分构建覆盖主要工作海况的LSTM神经网络模型库,为FPSO软刚臂受力快数计算提供一种便捷且实用性强的方法;本方案在保证计算准确度的同时,可以有效提高计算速度,对实际FPSO的软刚臂安全监测具有实际工程意义。
附图说明
图1为本发明实例所述计算方法的流程示意图;
图2为本发明实例所述FPSO单点系泊系统水动力模型示意图。图中,1为船体,2为右系泊腿,3为左系泊腿,4为软钢臂,5为系泊塔架。
图3为本发明实例所述FPSO软刚臂结构示意图。图中,1为船体,4为软钢臂,5为系泊塔架。
图4为本发明实例中检验集位于LSTM神经网络有效精度覆盖范围内示意图;(a)为横荡上训练集和检验集的分布图;(b)为纵荡上训练集和检验集的分布图;(c)为垂荡上训练集和检验集的分布图;(d)为横摇上训练集和检验集的分布图;(e)为纵摇上训练集和检验集的分布图;(f)为艏摇上训练集和检验集的分布图;
图5为本发明实例中检验集位于LSTM神经网络有效精度覆盖范围外示意图;(a)为横荡上训练集和检验集的分布图;(b)为纵荡上训练集和检验集的分布图;(c)为垂荡上训练集和检验集的分布图;(d)为横摇上训练集和检验集的分布图;(e)为纵摇上训练集和检验集的分布图;(f)为艏摇上训练集和检验集的分布图;
图6为本发明实例中LSTM神经网络模型构建原理示意图;
图7为本发明实例中单工况下LSTM神经网络模型计算效果对比示意图;(a)为右系泊腿和船体x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(b)为右系泊腿和船体y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(c)为右系泊腿和船体z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(d)为YokeHead(结构5)x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(e)为YokeHead(结构5)y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(f)为YokeHead(结构5)z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;
图8为本发明实例中两工况下LSTM神经网络模型计算效果对比示意图;(a)为右系泊腿和船体x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(b)为右系泊腿和船体y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(c)为右系泊腿和船体z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(d)为YokeHead(结构5)x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(e)为YokeHead(结构5)y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(f)为YokeHead(结构5)z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;
图9为本发明实例中多工况下LSTM神经网络模型计算效果对比示意图;(a)为右系泊腿和船体x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(b)为右系泊腿和船体y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(c)为右系泊腿和船体z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(d)为YokeHead(结构5)x方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(e)为YokeHead(结构5)y方向的张力上检验集原始标签值和LSTM神经网络计算值的比较;(f)为YokeHead(结构5)z方向的张力上检验集原始标签值和LSTM神经网络计算值的比较。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图和实例作下一步的详细描述。
一种FPSO软刚臂受力快速准确的计算方法,为一种基于长短时记忆型(LSTM)人工神经网络和有限元(FEM)的计算FPSO软刚臂受力的新方法,其原理实施如图1所示,本实施结合“海洋石油113”FPSO为例对各步骤进行详细介绍,所研究对象才用的是外转塔式软刚臂单点系泊系统,其水动力模型如图2和图3所示,其中“1”代表结构1船体,“2”代表结构2右系泊腿,“3”代表结构3左系泊腿,“4”代表结构4软钢臂,“5“代表结构5系泊塔架。软刚臂分为:系泊腿、YOKE臂以及转塔点三个部分。系泊腿上端与船体相连,下端支撑YOKE臂,YOKE臂连着转塔点,在转塔点上有三个自由度;
一、确定影响软刚臂张力的变量:
软刚臂张力变化的主要直接影响因素是FPSO船体的运动状态的变化,FPSO船体不同的位置及姿态下,软刚臂的张力是不同的,FPSO船体的运动状态可由其六自由度(横荡、纵荡、垂荡、横摇、纵摇和艏摇)进行描述,建立水动力模型后,开展软刚臂FPSO在时域中的耦合分析,可以得到FPSO运动与软刚臂受力实历。其中耦合分析是指船体和软刚臂相互作用影响,体现较强的动态效果。
二、构建LSTM神经网络进行动力响应计算:
本实例中,环境荷载的设置采用的报告《BASIC DESIGN OF BZ25-1/SIL FIELDPRODUCTION LONG-TERM RECOVERY PROJECT》作为计算海况的依据。将海况分为一年一遇、五年一遇、十年一遇、二十五年一遇、五十年一遇以及一百年一遇。采用数值模拟对FPSO单点系泊系统进行动力响应分析,并以此训练对应海况下的LSTM神经网络,计算软刚臂的时程响应。
(1)构建数据库
对“海洋石油113”FPSO的单点系泊系统的数值模型在服役海况下进行耦合动力分析,通过数值模拟得到FPSO船体的六自由度(横荡、纵荡、垂荡、横摇、纵摇和艏摇)和软刚臂的张力时程,基于FPSO船体的运动响应和软刚臂的张力构建数据库,每个海况下取稳定后8500s的时程建立数据库用于LSTM神经网络的训练和计算效果检验;
(2)数据处理:包括数据分组、数据归一化、六自由度的特征提取、LSTM神经网络适用范围界定,其核心部分在于特征提取,确定LSTM神经网络适用范围。
Ⅰ、数据分组:
为了获得良好的训练效果,并能对训练好的LSTM神经网络进行检验,将数据库中的数据进行分组。数据库中的时程响应是前后连续性较强的,因此将每个工况下的时程取前8000s时程作为训练集用来训练LSTM神经网络,取后500s时程作为检验集用来检验LSTM神经网络的计算效果。
Ⅱ、数据归一化:
为保障训练过程中准确性和稳定性,采用标准正态化对训练集和检验集中的数据进行归一化处理。
其中,x表示构建数据库中的原始标签值和特征值,μ和σ分别是训练集中的均值和方差,x′表示标准正态化后标签值和特征值。数据的归一化能避免因不同数据的数量级差异而造成的LSTM神经网络计算效果欠佳。为保障一致性,检验集进行归一化操作时,采用的均值(μ)和方差(σ)分别是训练集进行归一化时的均值和方差。在LSTM神经网络计算出的数据还需要进行反归一化操作。
x=x′*σ+μ
Ⅲ、六自由度的特征提取:
在FPSO船体的六自由度时程曲线中,某一时刻其值可能与之前某一时刻相同,但是其所在曲线的周期和幅值不同,采用一阶中心矩和二阶中心矩的方法可以一定程度上对其所在周期和幅值进行描述,这步的数据特征提取能增加LSTM神经网络计算效果。
E(X15)=f1(X1,X2,...,X15)
E(X2 15)=f2(X1,X2,...,X15)
E(Xn)=f1(Xn-15,Xn-14,...,Xn)
E(X2 n)=f2(Xn-15,Xn-14,...,Xn)
其中,E(X15)表示第15个时间节点的数据其对应的一阶矩的值;E(X2 15)表示第15个时间节点的数据其对应的二阶中心距的值;X1,X2,...,X15表示第1~15个时间节点上经归一化处理后的值;E(Xn)表示第n个时间节点的数据其对应的一阶矩的值;E(X2 n)表示第n个时间节点的数据其对应的二阶中心距的值;f1()表示求一阶矩的函数;f2()表示求二阶中心距的函数。
再将第n个时间节点上的船体6自由度数据与一阶矩二阶中心距进行组合:
X′n=[Xn,E(Xn),E(X2 n)]
式中:Xn表示第n个时间节点上,FPSO船体的6自由度;X′n表示第n个时间节点上,FPSO船体的6自由度与一阶矩二阶中心距。将X′n作为第n个时间节点上,对于FPSO船体的运动状态的描述,作为训练LSTM神经网络的输入。
Ⅳ、LSTM神经网络适用范围界定:
训练好的LSTM神经网络是有适用范围的,只有在这个范围里面才会有较好的计算效果。本案例中提出了基于一阶矩和二阶中心距确定LSTM神经网络适用范围的方法。按Ⅲ计算出一阶矩和二阶中心距后,作散点图如图4所示,分别是横荡、纵荡、垂荡、横摇、纵摇和艏摇这六个自由度的适用范围描述,横坐标为一阶矩,纵坐标为二阶中心距,图中蓝色为训练集的分布,红色为检验集的分布,当检验集位于训练集中时,LSTM神经网络能有较好的计算效果,当检验集位于训练集外时,如图5所示,LSTM神经网络的计算结果准确度无法保证。
(3)、LSTM神经网络构建:包括模型结构搭建、误差统计分析
Ⅰ、模型结构搭建
初步选择LSTM神经网络的隐藏层节点数和层数、激活函数、随机失活概率、正则化、损失函数、优化器等,构建LSTM神经网络,该模型结构如图6所示,选择在误差统计分析中,误差统计值最小的网络结构为最终的网络模型结构。
Ⅱ、误差统计分析
在LSTM神经网络的计算结果对比中,加入误差统计分析函数,使得该结果更加直观可靠。该步骤中的统计误差参数主要有:绝对均值误差、极值误差、标准差误差、拟合度。
(4)多工况下LSTM神经网络计算与校验:
Ⅰ、单工况下神经网络模型计算准确度检验
将单工况下FPSO船体的六自由度和软刚臂各支腿运动状态按时间排列分为训练集和检验集,训练集训练好LSTM神经网络后,检验集检验LSTM神经网络再次“遇见”同工况时的计算准确度。如在环境海况为:波高3.4m,周期8.4s,波向100°,风速18m/s,风向115°,流速1.34m/s,流向115°,模拟时间10800s。选取数值稳定后1s~8000s的运动时程响应数据作为训练集,训练LSTM神经网络;选取8000s~8500s的运动时程响应数据作为检验集。在训练完LSTM神经网络后,用于检验LSTM神经网络的计算效果。将LSTM神经网络计算结果与检验集相比较,其右系泊腿与船体间张力及YokeHead结构上张力结果对比如图7所示,统计误差如表1所示。
表1 LSTM神经网络计算结果统计值
该结果表明,在该工况下,该LSTM神经网络再次“遇见”该工况时能准确的计算出软刚臂各支腿的张力。
Ⅱ、两工况下LSTM神经网络计算准确度检验
在只有风向(流向、浪向)变化时检验对处于训练集工况间未参与训练的未知工况的计算准确度。如检验只有风向变化时LSTM神经网络对处于训练集工况间未参与训练的未知工况的计算准确度。训练集和检验集的工况如表2和表3所示。
表2训练集海况表
表3验证集海况表
在训练集海况中分别选取数值稳定后1s~8000s的运动时程响应数据作为训练集,训练LSTM神经网络;在检验集海况中选取数值稳定后1s~8000s的运动时程响应数据作为检验集检验LSTM神经网络的计算效果。将LSTM神经网络计算结果与检验集相比较,其右系泊腿与船体间张力及YokeHead结构上张力结果对比如图8所示,统计误差如表4所示。
表4 LSTM神经网络计算结果统计值
该结果表明,只有风向变化时LSTM神经网络对处于训练集工况间未参与训练的未知工况能准确的计算出软刚臂各支腿的张力。
Ⅲ、多工况下LSTM神经网络计算准确度检验
检验LSTM神经网络在训练集中的工况较多(风向、流向、波向都变化时)时对某特定工况的计算效果,验证LSTM神经网络在多种工况的干扰下对某一处于训练集工况覆盖范围内但未参与训练的未知工况的软刚臂张力计算准确度。训练集和检验集的工况如表5和表6所示。
表5训练集海况表
表6验证集海况表
在训练集海况中分别选取数值稳定后1s~8000s的运动时程响应数据作为训练集,训练LSTM神经网络;在检验集海况中选取数值稳定后1s~8000s的运动时程响应数据作为检验集检验LSTM神经网络的计算效果。将LSTM神经网络计算结果与检验集相比较,其右系泊腿与船体间张力及YokeHead结构上张力结果对比如图9所示,统计误差如表7所示。
表7 LSTM神经网络计算结果统计值
该结果表明,在风浪流海况变化较多时训练出来的LSTM神经网络,能在多种工况的干扰下对某一处于训练集工况覆盖范围内但未参与训练的未知工况下准确的计算出软刚臂各支腿的张力。
(5)工作海况分类并构建LSTM神经网络全模型库
基于海上波向和流向不易测准,选取风向作为控制荷载在风速、流速、波高一定时对工况进行分组分别训练LSTM神经网络。例如:将每个波高下的所有工况按风向进行分组,按0°~30°、30°~60°、60°~90°等共分为12组,每组分别训练出一个LSTM神经网络,每个LSTM神经网络只适用于其训练集覆盖的工况,所有的网络模型共同组成一个LSTM神经网络全模型库。
(6)调用LSTM神经网络全模型库时的环境荷载判断
以实测波高为主,根据实测波高和风向在LSTM神经网络全模型库里选择最相近、最贴合的LSTM神经网络模型。例如:实测波高为9.7m,风向45°时,选择调用对应波高9.7m,风向为30°~60°的LSTM神经网络。
(7)LSTM神经网络的调用与计算
将输入的FPSO船体六自由度(横荡、纵荡、垂荡、横摇、纵摇和艏摇)时程采用(2)中所述标准正态化进行归一化处理,其中μ(均值)和σ(方差)采用训练该LSTM神经网络的训练集的均值和方差以保持一致性。采用(2)中所述特征提取办法对归一化后的六自由度进行特征提取并判断是否处于LSTM神经网络有效精度范围内。将处理好后的数据输入进LSTM神经网络进行计算并进行反归一化操作,得该FPSO船体六自由度运动状态下软刚臂张力。
本发明方案通过选择典型海况进行数值模拟,对数据模拟结果采用数据特征提取的办法提高LSTM神经网络的计算准确度,并界定了神经网络的有效精度范围,利用数据训练LSTM神经网络,从而确定船体六自由度和软刚臂张力的一般规律,以最方便的方法计算软刚臂在不规则海面状态下的张力时程;通过实际应用与基于非线性动力分析的数值方法相比,该方法能够快速准确的计算软刚臂的张力,并提供与数值分析技术相同的结果。
而且本发明所采用的LSTM神经网络在确定船体六自由度与软刚臂张力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以多个神经元节点的形式进行拟合。本发明首先通过数值模拟得到较长的、在该工况下具有代表性的动态响应时程序列,数据经处理后用于LSTM神经网络的训练和检验,需要注意的是该模型下训练集的覆盖面代表了该神经网络有效精度覆盖范围。最后利用训练好的LSTM神经网络计算软刚臂各系泊腿的张力。
目前已有的数值模型计算速度较慢,而测力设备安装施工难度大、成本高,本发明可以有FPSO船体的运动情况快速准确地计算软刚臂的张力,对于结构设计、海上平台的安全监测具有重要的实际工程意义。
Claims (5)
1.一种FPSO软刚臂受力快速准确的计算方法,其特征在于,包括以下步骤:
步骤A、建立FPSO有限元数值模型,获得船体和软刚臂运动时程响应,确定影响软刚臂各系泊腿张力的变量;
步骤B、构建LSTM神经网络进行动力响应计算,确定单个LSTM神经网络的有效精度范围和验证LSTM神经网络在不同工况时的计算效果并根据工作海况构建LSTM神经网络全模型库;
步骤B1、确定LSTM神经网络原始标签值和原始特征值并构建数据库:原始特征值经数据预处理后,作为LSTM神经网络的输入值,原始标签值经数据预处理后,作为LSTM神经网络的输出值;建立FPSO软刚臂单点系泊系统耦合模型,并通过数值模拟对服役海况下FPSO平台进行耦合分析,获得FPSO平台运动响应及软刚臂各系泊腿的运动响应;根据步骤A所确定的软刚臂各系泊腿张力影响变量,取FPSO船体上GPS所在点六自由度和在该六自由度下进行数值模拟或船体实测对应的得软刚臂各系泊腿张力和角度,并将FPSO船体六自由度时程和软刚臂各系泊腿张力和角度时程响应数据按时间顺序构建数据库;其中六自由度包括横荡、纵荡、垂荡、横摇、纵摇和艏摇;
步骤B2、数据预处理:
(1)数据集划分:将步骤B1构建的数据库里,每个工况下的数值模拟数据分为训练集和检验集,实测数据作为验证集,其中,训练集用于训练LSTM神经网络,检验集用于检验训练的LSTM神经网络准确度,验证集用于验证应用时LSTM神经网络的计算效果;
(2)对数据库的训练集、检验集与验证集进行归一化处理;
(3)数据特征提取:采用一阶矩二阶中心矩对归一化后的六自由度进行特征提取,对其所在周期和幅值进行描述,提高LSTM神经网络计算准确度;
(4)LSTM神经网络有效精度范围界定:基于一阶矩和二阶中心距确定LSTM神经网络有效精度范围,具体为:采用步骤(3)计算出一阶矩和二阶中心距后,作散点图,训练集的覆盖范围即为LSTM神经网络的有效精度范围;当检验集全部的数据位于训练集覆盖范围内时,训练LSTM神经网络模型,并检验LSTM神经网络计算准确度,计算准确度由误差统计参数共同决定,当误差统计参数中的绝对均值误差、极值误差、标准差误差在10%以下、拟合度在90%以上时表示满足计算精度要求;当检验集完全或部分位于训练集覆盖范围外时,需调整训练集,返回步骤B2调整并扩大训练集覆盖范围;
步骤B3、构建LSTM神经网络,根据FPSO船体的六自由度求出软刚臂的张力;
(1)初步选择LSTM神经网络隐藏层节点数和层数、激活函数、随机失活概率、正则化、损失函数、优化器,建立初始的LSTM神经网络模型;
(2)误差分析:将归一化后的训练集带入LSTM神经网络进行训练,并用检验集检验LSTM神经网络计算准确度,采用误差统计参数使计算结果更加直观;
(3)最优网络模型的确认:选择在LSTM神经网络计算结果准确度提升小于3%时,训练速度最快的网络模型结构作为LSTM神经网络模型;
步骤B4、各工况下LSTM神经网络计算与校验:
(1)单工况下LSTM神经网络计算准确度检验:将单工况下FPSO船体的六自由度和软刚臂各系泊腿的运动状态按时间排列分为训练集和检验集,在该次检验中,训练集的数据为单个工况下稳定后1~8000s,检验集的数据为稳定后8000s~8500s;训练集训练好LSTM神经网络后,检验集检验LSTM神经网络再次“遇见”同工况时的计算准确度;
(2)两工况下LSTM神经网络计算准确度检验:选择三个只有风向不同的工况,选取中间的一个工况为检验集,其余工况为训练集;在本次检验中,训练集中的数据由训练集中各工况数值模拟时稳定后0~8000s时程组成,检验集中的数据由检验集中的工况数值模拟时稳定后0~8000s时程组成;在训练集训练好神经网络后,由检验集检验神经网络的计算准确度;检验当LSTM神经网络由两个工况训练时,对训练集工况间未参与过训练的某工况计算准确度;
(3)多工况下LSTM神经网络模型计算准确度检验:选择多个风向、波向、流向不同但相近的工况,选取中间的一个工况为检验集,其余工况为训练集;在本次检验中,训练集中的数据由训练集中各工况数值模拟时稳定后0~8000s时程组成,检验集中的数据由检验集中的工况数值模拟时稳定后0~8000s时程组成;在训练集训练好神经网络后,由检验集检验神经网络的计算准确度;验证当LSTM神经网络由多个工况训练时,对位于训练集覆盖面内但与训练集工况不完全相同的某工况的计算准确度;
骤B5、工作海况分类并构建LSTM神经网络全模型库:基于海上波向和流向不易测准,选取风向作为控制荷载,在风速、流速、波高一定时对数据库中的工况进行分组,每组分别训练LSTM神经网络并保存LSTM神经网络结构及参数,所有LSTM神经网络共同组成一个LSTM神经网络全模型库;
步骤C、基于步骤B构建的LSTM神经网络全模型库,实现各环境荷载下软刚臂各系泊腿张力的计算;
步骤C1、环境荷载判断:以实测波高为主,以风向和波高为判断条件从LSTM神经网络模型库中选择对应的LSTM神经网络;
步骤C2、LSTM神经网络调用与计算:将实测的FPSO船体六自由度时程采用步骤B2所述标准正态化进行归一化处理,其中均值μ和方差σ采用训练该LSTM神经网络的训练集的均值和方差以保持一致;按步骤B2(4)中所述方法判断该实测数据是否在LSTM神经网络有效精度范围内,如全部都在有效精度范围内,认为LSTM神经网络计算结果可信;如部分或全部在有效精度范围外,LSTM神经网络计算结果只作为参考,并返回步骤B2,扩大训练该LSTM神经网络的训练集覆盖范围重新训练该LSTM神经网络。
2.根据权利要求1所述的一种FPSO软刚臂受力快速准确的计算方法,其特征在于,所述的步骤A中,当软刚臂的各系泊腿结构一定时,影响软刚臂的各系泊腿张力的变量主要是FPSO船体的横荡、纵荡、垂荡、横摇、纵摇和艏摇,上述变量决定软刚臂各系泊腿在各个时刻的张力。
4.根据权利要求1所述的一种FPSO软刚臂受力快速准确的计算方法,其特征在于,所述的步骤B2数据特征提取过程中,一阶矩和二阶中心距的计算公式如下:
E(X15)=f1(X1,X2,...,X15)
E(X2 15)=f2(X1,X2,...,X15)
E(Xn)=f1(Xn-15,Xn-14,...,Xn)
E(X2 n)=f2(Xn-15,Xn-14,...,Xn)
其中,E(X15)表示第15个时间节点的数据其对应的一阶矩的值;E(X2 15)表示第15个时间节点的数据其对应的二阶中心距的值;X1,X2,...,X15表示第1~15个时间节点上经归一化处理后的值;E(Xn)表示第n个时间节点的数据其对应的一阶矩的值;E(X2 n)表示第n个时间节点的数据其对应的二阶中心距的值;f1()表示求一阶矩的函数;f2()表示求二阶中心距的函数;数据特征如下:
X′15的数据特征为:[E(X15),E(X2 15)]
X′n的数据特征为:[E(Xn),E(X2 n)]
X′15的数据特征是按上式所求一阶矩和二阶中心距:[E(X15),E(X2 15)],同理,X′n的数据特征是[E(Xn),E(X2 n)];再将第1到第n个时间节点上的FPSO船体6自由度数据与一阶矩、二阶中心距进行组合:
X′n=[Xn,E(Xn),E(X2 n)]
式中:Xn表示第n个时间节点上,FPSO船体的6自由度;X′n表示第n个时间节点上,FPSO船体的6自由度与一阶矩、二阶中心距;将X′n作为第n个时间节点上,对于FPSO船体的运动状态的描述,作为LSTM神经网络的输入。
5.根据权利要求1所述的一种FPSO软刚臂受力快速准确的计算方法,其特征在于,所述步骤B3中,误差统计参数包括:
(1)绝对均值误差
(2)极值误差
式中xactu_max和xpred_max分别表示LSTM神经网络标签值和LSTM神经网络计算值的绝对值的最大值;
(3)标准差误差
式中SDactu和SDpred分别表示LSTM神经网络标签值和LSTM神经网络计算值的标准差,标准差的计算公式表示如下:
(4)拟合度
式中xactu_i和xpred_i分别表示LSTM神经网络标签值和LSTM神经网络计算值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010077249.8A CN111241740B (zh) | 2020-01-25 | 2020-01-25 | 一种fpso软刚臂受力快速准确的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010077249.8A CN111241740B (zh) | 2020-01-25 | 2020-01-25 | 一种fpso软刚臂受力快速准确的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241740A true CN111241740A (zh) | 2020-06-05 |
CN111241740B CN111241740B (zh) | 2022-03-08 |
Family
ID=70865132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010077249.8A Active CN111241740B (zh) | 2020-01-25 | 2020-01-25 | 一种fpso软刚臂受力快速准确的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241740B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859559A (zh) * | 2020-06-30 | 2020-10-30 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种软钢臂单点系泊系统的动力特性分析方法 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105818930A (zh) * | 2016-03-11 | 2016-08-03 | 大连理工大学 | 一种改进的阻尼式软刚臂单点系泊装置 |
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 |
CN108871729A (zh) * | 2018-07-11 | 2018-11-23 | 哈尔滨工程大学 | 一种基于能量谱的系泊动力截断模拟方法 |
CN108982057A (zh) * | 2018-05-29 | 2018-12-11 | 大连理工大学 | 一种水上软刚臂系泊模型试验系统 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
US20190228330A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Handstate reconstruction based on multiple inputs |
CN110095301A (zh) * | 2019-06-11 | 2019-08-06 | 西南石油大学 | 一种模拟极端海况下fpso上部模块模型试验方法 |
-
2020
- 2020-01-25 CN CN202010077249.8A patent/CN111241740B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105818930A (zh) * | 2016-03-11 | 2016-08-03 | 大连理工大学 | 一种改进的阻尼式软刚臂单点系泊装置 |
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 |
US20190228330A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Handstate reconstruction based on multiple inputs |
CN108982057A (zh) * | 2018-05-29 | 2018-12-11 | 大连理工大学 | 一种水上软刚臂系泊模型试验系统 |
CN108871729A (zh) * | 2018-07-11 | 2018-11-23 | 哈尔滨工程大学 | 一种基于能量谱的系泊动力截断模拟方法 |
CN109740742A (zh) * | 2019-01-14 | 2019-05-10 | 哈尔滨工程大学 | 一种基于lstm神经网络的目标跟踪方法 |
CN110095301A (zh) * | 2019-06-11 | 2019-08-06 | 西南石油大学 | 一种模拟极端海况下fpso上部模块模型试验方法 |
Non-Patent Citations (4)
Title |
---|
THOMAS MEALEY等: "Accelerating Inference In Long Short-Term Memory Neural Networks", 《IEEE NATIONAL AEROSPACE AND ELECTRONICS CONFERENCE》 * |
孙晔 等: "基于RBF神经网络的FPSO系泊力预测方法和原型应用", 《第十六届中国海洋(岸)工程学术讨论会论文集》 * |
张帆 等: "深海立柱式平台概念设计研究", 《海洋工程》 * |
肖泥土 等: "FPSO 软刚臂单点系泊系统定量风险分析", 《海洋工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859559A (zh) * | 2020-06-30 | 2020-10-30 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种软钢臂单点系泊系统的动力特性分析方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111241740B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871609B (zh) | 基于bp-fem对海洋浮式平台系泊系统响应的预测方法 | |
CN111241740B (zh) | 一种fpso软刚臂受力快速准确的计算方法 | |
CN112730132B (zh) | 海工结构基础等效冲刷追踪方法 | |
CN111625980A (zh) | 一种fpso结构疲劳寿命计算方法 | |
Kwon et al. | Prediction of dynamic and structural responses of submerged floating tunnel using artificial neural network and minimum sensors | |
CN116677569A (zh) | 一种风机塔架应力监测与预警方法及其系统 | |
Yao et al. | Motion and load prediction of floating platform in South China Sea using deep learning and prototype monitoring information | |
CN106290987A (zh) | 一种多普勒计程仪对水测速精度考核的方法 | |
CN106225916B (zh) | 固定式海洋平台安全可靠性的定量、在线的检测方法 | |
CN116127846A (zh) | 一种减摇技术的智能评估方法及系统 | |
CN111639397A (zh) | 一种基于bp神经网络的大风作用下船舶断缆预警方法 | |
Jurado et al. | Experimental and numerical modelling of an offshore aquaculture cage for open ocean waters | |
KR102121246B1 (ko) | 딥러닝을 이용한 해양 부유식 구조물의 계류선 손상 탐지 방법 | |
Yao et al. | Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method | |
Wang et al. | Model test and coupled dynamic analysis of a deepwater FPSO with internal turret mooring system | |
Min et al. | Convolutional neural network-based damage detection of the tethers of submerged floating tunnels using structural response data under various incident waves | |
Alvarez et al. | Squall response based design of floating units in West Africa | |
Mohtat et al. | Maritime Navigation Simulations to Measure Captain’s Perceived Operational Limits for Wind Turbine Feeder Barges | |
Wang et al. | A Novel Ship Fatigue Damage's Prediction Model Based on the Artificial Neural Network Approach | |
CN111458761B (zh) | 海上重力比对场建设方法 | |
Dotta et al. | Validation of Numerical Models for the Drift-Off Study in Drilling Vessels Using Full Scale Measurements | |
Chen et al. | Application of BP artificial neural network in structure damage identification | |
Moreira et al. | Manoeuvring simulation based on recurrent neural networks | |
Orji | Motion analysis of FPSO in multidirectional seas: the West African offshore region | |
Qin et al. | Numerical Analysis and Model Test of Dry Towing of Deep-Water Semi-Submersible Platform |
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 |