CN113283138B - 一种基于深度学习的深海养殖平台动力响应分析方法 - Google Patents
一种基于深度学习的深海养殖平台动力响应分析方法 Download PDFInfo
- Publication number
- CN113283138B CN113283138B CN202110570295.6A CN202110570295A CN113283138B CN 113283138 B CN113283138 B CN 113283138B CN 202110570295 A CN202110570295 A CN 202110570295A CN 113283138 B CN113283138 B CN 113283138B
- Authority
- CN
- China
- Prior art keywords
- layer
- deep
- neural network
- output
- hidden layer
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000012800 visualization Methods 0.000 abstract 1
- 238000007667 floating Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000004698 Polyethylene Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的深海养殖平台动力响应分析方法,采用有限元的方法模拟深海养殖平台在海洋环境下的受力、运动和变形,同时利用BP神经网络,将波浪、海流等环境荷载作为输入,缆绳张力、结构危险点坐标以及平台运动作为输出;采用本方法可以获得任意工况下深海养殖平台的各项指标特征值以及判定;根据数值模拟与BP神经网络预报结果相对比后发现预报结果与数模结果较贴合,数值模拟的计算时间在2个小时以内;本发明可做到预报结果较为精确,同时也提高了预报监测的速度,且做成软件可随时下载监测;很好的解决了目前深海养殖平台预报监测不连续、不够准确、时间花费过长等问题,同时软件设置交互以及可视化功能,便于直观的进行分析监测。
Description
技术领域
本发明属于水产养殖工程、水利工程和海洋工程技术领域,特别涉及到一种深度学习的方法用来进行深海养殖平台动力响应预报。
背景技术
我国是海洋大国,深海养殖平台作为海洋经济的重要组成部分近年来发展迅速。由于我国近海位于台风等恶劣海洋灾害高频发生区域,导致我国近海及深远海的渔业设施面临台风、强流等性质恶劣的海洋环境的严重威胁。深海养殖平台通常由浮架、网衣、系泊等系统组装而成,对于在恶劣海洋环境下这种组合式结构的受力、运动、变形等结构安全问题是需要快速有效的进行监测和预报的。
目前,国内外已经着手于海洋工程结构物的动力响应监测与预报。系泊系统的监测现阶段使用的倾角仪须同深海养殖平台一起安装在环境恶劣的深海并持续工作,会出现故障而导致数据监测不连续,还需要长期维护和较高成本。对于监测平台运动情况的GPS技术比较成熟,但其设计基于静力学公式,仍需提高系泊力计算精确度。鉴于人们对于监测与预报的要求是希望运算快捷、结果精确、处理直观方便,我们使用了近年来被广泛应用的人工智能与深度学习技术。深度学习技术依托于已有大数据,让机器自主学习获得规律,从而对于新的工况进行较为快速且精准的预报分析。
发明内容
为解决现有技术存在的上述问题,本发明的目的是,提供深海养殖平台的运动响应与深度学习结合技术,其主要方法如下:
A、模型设计及假设
对于深海养殖平台的浮架、网衣和系泊系统等主要组成部分,均采用非线性结构计算的方法,满足以下假定内容:
1.结构材料均匀且各向同性;
2.不考虑小变形假设;
3.结构变形满足几何非线性。
为满足材料的刚度近似及质量近似,假设浮架、网衣结构和缆绳都是由薄壁圆管组成,其中浮架结构由实际尺寸确定,网衣由柔性网材料的编织工艺造成的材料填充度确定,缆绳断面面积根据GB/T 549-2017《电焊锚链》相关内容选取。
B、数据库建立——数值模拟
对于深度学习的训练和预报,首先要建立足够庞大的数据库以供模型学习。这里采用数值模拟的方式来计算多种波浪、海流等因素下深海养殖平台的运动响应情况,建立数据库以供深度学习模型学习。
在本文的数值模拟中,对于深海养殖平台这种组合结构其主要受重力、浮力及水动力影响。对于浮架、网衣和系泊系统等部分结构均利用牛顿第二定律建立结构的运动微分方程。运用ANSYS中的圆管单元建立起浮架、网衣和系泊系统的有限元模型,运用四阶的Runge-Kutta方法求解整个系统的运动微分方程。通过求解上述方程组,可以得到波浪作用下重力式深水养殖网箱的运动响应,即可得到网衣的变形和锚绳张力等。
在对结构各组分进行受力分析时,沿着浮架系统、网目和缆绳等部分被划分成有限段微小的单元,应用大变形动态有限元分析方程分别计算每一单元的受力,最后得到整个结构所受的总载荷,进而建立起结构的运动微分方程。
所述的深海养殖平台模型的控制方程为大变形动态有限元分析方程:
式中,δ为节点位移增量向量;t+ΔtQ是节点荷载向量;为等效单元的节点力向量;/>为小位移情况下的单元刚度矩阵,/>是单元初位移刚度矩阵,/>是单元初应力刚度矩阵;/> 以及/>由下式表示:
其中,0D是材料本构矩阵,G为剪切模量,v为泊松比,和/>为第二类Piola-Kirchhoff应力矩阵和向量,ε为等效单元应变矩阵;
和/>分别表示线型应变和非线性应变和位移的转换矩阵:
Nk表示为等效单元的形函数,且
Q为结构受到的外载荷,包括重力载荷、浮力和水动力;其中,水动力荷载包含波浪荷载以及水流荷载。对于波浪荷载,鉴于深海养殖平台各组分的圆管单元的直径均远小于波长,因此可以忽略结构单元对波浪的影响。采用修正的Morison方程,单元受到的波浪力沿u,w,v三个方向的分量可以表述为:
其中,和/>是水质点速度分量;/>和/>是微元的速度分量;/>和/>是水质点的加速度分量;/>和/>是微元的加速度分量;ρ是水的密度;V0是结构单元的排水体积;Au,Aw和Av是结构微段水下部分沿三个方向的投影面积;CD和Cm分别是拖更力系数和附加质量力系数。
本文所采用的圆管单元是PIPE59单元。PIPE59单元是一种可承受拉、压、弯作用,并且能够模拟海洋波浪和水流的单轴单元。确定该单元的外径和壁厚,便可以确定其几何尺寸。该单元上的每个节点均有六个自由度,即沿x,y,z方向的线位移及绕X,Y,Z轴的角位移。
该单元进行受力分析时会考虑水动力和浮力效应,以及管外壁上的附着层,其中动力计算时,附加质量计算可以计入附加水质量与管内外附着质量。
该单元对线性与非线性材料均支持,同时也支持大位移与大变形,还支持动力分析。对于结构线性、非线性静力与动力分析,该单元相较于其他单元可以求解海洋环境载荷作用下的相关问题。
C、深度学习模型
本发明采用的深度学习模型为误差反向传播算法神经网络模型(Error BackPropagtion,BP,后面简称为BP网络)。BP网络由输入层、隐藏层和输出层构成,层与层之间全连接,同一层之间的神经元无连接。在BP网络中,数据的传递方向从输入层开始,经隐藏层之后逐层向后传播;训练连接权值时,会从输出层开始,经过隐藏层向前修正网络的连接权值。
BP网络中,训练数据中x作为输入,z作为输出,输入神经元个数为I,隐藏神经元个数为J,输出神经元个数为K的一个三层前馈神经网络。其中y为隐藏层,隐藏层第j个神经元的阈值用bj表示,输出层第k个神经元的阈值用bk表示,输入层第i个神经元与隐藏层第j个神经元之间的连接权值用wij表示,隐藏层第j个神经元与隐藏层第k个神经元之间的连接权值用wjk表示,隐藏层的输入用Xj表示,输出层的输入用Yk表示。则隐藏层的计算结果yj与由BP网络输出层的输出结果Zk由式(2)~(5)确定:
yj=f(Xj+bj) (2)
Zk=f(Yk+bj) (3)
这里f采用Sigmoid函数作为激活函数,函数表达式见(6)。Sigmoid函数的值域为(0,1),该函数光滑且非线性,广泛应用于BP网络当中。
在BP神经网络中,如果神经网络输出结果Zk与训练数据的输出zk差别过大,会进行误差的反向传递,采用梯度下降法将误差按权重逐层分配并重新计算连接权值。
输出层到隐藏层的连接权值调整计算式(7)~(11)。在用公式(7)求出隐藏层到输出层的连接权值调整值Δwjk时,应按照公式计算输出结果的均方误差Ek,求出Ek对wjk的偏微分。其中,η为神经网络的学习率。
wjk←wjk+Δwjk (7)
同理,隐藏层到输入层的连接权值调整计算按式(12)~(14)计算:
wij←wij+Δwij (12)
Δwij=ηθixi (13)
本发明考虑波浪的有效波高和平均周期、流速以及波浪与海流的夹角作为输入指标,缆绳受力最大值、深海养殖平台六自由度运动特征值等作为输出指标。
本发明具有以下有益效果:
1、本发明在最初的大数据采集阶段采用有限元方法对各种工况下的深海养殖平台的运动响应进行计算。其中,PIPE59单元相较于其他类型单元能够较好的模拟海洋波浪和水流等环境下的受力与运动状态,可适应各类问题,获得较为有效的分析结果。
2、本发明训练的神经网络经测试集测试后与数值模拟结果进行数据对比,发现预报结果基本吻合数值模拟结果(最大相对误差在5%以内)。同时,大幅度缩短结果分析的时间,不必进行历时较长的数值模拟计算。该发明对于未来深海养殖平台的工程分析起到高效、快捷、准确的作用。
附图说明
图1是深海养殖平台几何模型图。
图2是模型网格划分示意图。
图3是测试工况1#缆绳张力时间过程线。
图4是测试工况结构触底位置时间过程线。
图5是测试工况结构横荡、纵荡和垂荡时间过程线。
图6是测试工况结构横摇、纵摇和艏摇时间过程线。
图7是BP神经网络示意图。
具体实施方式
下面结合附图对本发明进行进一步地描述。如图1~7还有表1~2所示,采用本发明的方法进行的预报监测过程如下:
(1)通过数值模拟的方法,计算已设定工况下模型的动力响应结果,并将各工况以及对应结果组成数据库。
(2)使用数据库中的80%数据构成训练集进行BP神经网络的学习和训练,并采用20%的数据构成测试集进行BP神经网络的检验;其中,将波浪的有效波高和平均周期、流速以及波浪与海流的夹角作为数据的输入指标,缆绳受力最大值、深海养殖平台六自由度运动特征值作为数据的输出指标。
(3)选取任一工况用BP神经网络进行预报分析,并与数值模拟结果进行对比,用于检验预报的准确性。
如图1所示,以图中坐标系为基准建立半潜式深海养殖平台几何模型。图1中模型整体结构总长120m,宽56m,高26.35m,正常养殖吃水为11.5m,极端情况吃水为17.5m,框架整体材料为钢材。网箱部分高度12.5m,其网目形状为菱形,网目长度40mm,网线直径为4mm,网线密实度为0.138,网线材料为PE(聚乙烯)。系泊系统采用4×2的系泊布置,锚绳长度300m,锚绳直径114mm,本次模拟主要关注图中1号缆绳的受力。
图2为图1模型的网格划分示意图,其中在水面以下11.5m部分的结构需要适当的对网格进行加密,确保程序运算的可靠性。
表1为深海养殖平台个结构组成部分系数选用表。
表1 深海养殖平台个结构组成部分系数选用表
图3~图6为测试工况的数值模拟运算结果分析图。本次发明展示中,测试工况选取正常养殖情况,波浪的有效波高为3.43m,有效周期为7.18s,水流流速为0.9m/s,波浪方向选取45°,波浪与海流方向一致。读取图中各指标的特征值(本发明选取最大值),会与BP网络的预报结果相比较。
图7为该模型的神经网络模型示意图。其中,波浪、海流、浪流方向等作为输入指标,缆绳受力、最危险点坐标以及平台运动等作为输出指标。
表2为各指标预报结果与数值模拟结果对比,可以发现相对误差不超过5%,结果较为拟合,可以使用BP网络进行预报与检测功能。
表2 测试工况BP网络预报最大值结果与数值模拟计算最大值对比表
Claims (1)
1.一种基于深度学习的深海养殖平台动力响应分析方法,其特征在于具有以下步骤:
(1)通过数值模拟的方法,计算已设定工况下深海养殖平台模型的动力响应结果,并将各工况以及对应结果组成数据库;数值模拟过程中,所述的深海养殖平台模型的控制方程为大变形动态有限元分析方程:
式中,δ为节点位移增量向量;t+ΔtQ是节点荷载向量;为等效单元的节点力向量; 为小位移情况下的单元刚度矩阵,/>是单元初位移刚度矩阵,/>是单元初应力刚度矩阵;/> 以及/>由下式表示:
其中,0D是材料本构矩阵,G为剪切模量,v为泊松比,和/>为第二类Piola-Kirchhoff应力矩阵和向量,ε为等效单元应变矩阵;
和/>分别表示线型应变和非线性应变和位移的转换矩阵:
Nk表示为等效单元的形函数,且
Q为结构受到的外载荷,包括重力载荷、浮力和水动力;其中,水动力荷载包含波浪荷载以及水流荷载,针对波浪荷载采用修正的Morison方程,单元受到的波浪力沿u,w,v三个方向的分量表述为:
其中,和/>是水质点速度分量;/>和/>是微元的速度分量;/>和/>是水质点的加速度分量;/>和/>是微元的加速度分量;ρ是水的密度;V0是结构单元的排水体积;Au,Aw和Av是结构微段水下部分沿三个方向的投影面积;CD和Cm分别是拖更力系数和附加质量力系数;
(2)使用数据库的80%数据构成训练集进行BP神经网络的学习和训练,并采用20%的数据构成测试集进行BP神经网络的检验;
采用的深度学习模型为误差反向传播算法神经网络模型;BP神经网络由输入层、隐藏层和输出层构成,层与层之间全连接,同一层之间的神经元无连接;在BP神经网络中,数据的传递方向从输入层开始,经隐藏层之后逐层向后传播;训练连接权值时,会从输出层开始,经过隐藏层向前修正网络的连接权值;
BP神经网络中,训练数据中x作为输入,z作为输出,输入神经元个数为I,隐藏神经元个数为J,输出神经元个数为K的一个三层前馈神经网络;其中y为隐藏层,隐藏层第j个神经元的阈值用bj表示,输出层第k个神经元的阈值用bk表示,输入层第i个神经元与隐藏层第j个神经元之间的连接权值用wij表示,隐藏层第j个神经元与隐藏层第k个神经元之间的连接权值用wjk表示,隐藏层的输入用Xj表示,输出层的输入用Yk表示;则隐藏层的计算结果yj与由BP网络输出层的输出结果Zk由公式(8)~(11)确定:
yj=f(Xj+bj) (8)
Zk=f(Yk+bj) (9)
这里f采用Sigmoid函数作为激活函数,函数表达式见(12);Sigmoid函数的值域为(0,1),该函数光滑且非线性,广泛应用于BP神经网络当中;
在BP神经网络中,如果BP神经网络输出结果Zk与训练数据的输出zk差别过大,会进行误差的反向传递,采用梯度下降法将误差按权重逐层分配并重新计算连接权值;
输出层到隐藏层的连接权值调整计算见式(13)~(17);在用(13)求出隐藏层到输出层的连接权值调整值Δwjk时,应按照公式计算输出结果的均方误差Ek,求出Ek对wjk的偏微分;其中,η为神经网络的学习率;
wjk←wjk+Δwjk (13)
同理,隐藏层到输入层的连接权值调整计算按式(18)~(20)计算:
wij←wij+Δwij (18)
Δwij=ηθixi (19)
将波浪的有效波高和平均周期、流速以及波浪与海流的夹角作为输入指标,缆绳受力最大值、深海养殖平台六自由度运动特征值作为输出指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570295.6A CN113283138B (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的深海养殖平台动力响应分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570295.6A CN113283138B (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的深海养殖平台动力响应分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283138A CN113283138A (zh) | 2021-08-20 |
CN113283138B true CN113283138B (zh) | 2024-03-26 |
Family
ID=77281404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570295.6A Active CN113283138B (zh) | 2021-05-25 | 2021-05-25 | 一种基于深度学习的深海养殖平台动力响应分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283138B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114715331B (zh) * | 2022-06-02 | 2022-09-09 | 中国海洋大学 | 一种浮式海洋平台动力定位控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021880A (zh) * | 2016-05-12 | 2016-10-12 | 中石化石油工程设计有限公司 | 基于bp神经网络的导管架平台结构响应计算方法 |
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 |
CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
CN111737897A (zh) * | 2020-06-17 | 2020-10-02 | 大连理工大学 | 一种深海网箱高密度养殖鱼群的数值模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180024508A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
-
2021
- 2021-05-25 CN CN202110570295.6A patent/CN113283138B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021880A (zh) * | 2016-05-12 | 2016-10-12 | 中石化石油工程设计有限公司 | 基于bp神经网络的导管架平台结构响应计算方法 |
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 |
CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
CN111737897A (zh) * | 2020-06-17 | 2020-10-02 | 大连理工大学 | 一种深海网箱高密度养殖鱼群的数值模拟方法 |
Non-Patent Citations (1)
Title |
---|
Static and Dynamic Analysis of Mooring Lines by Nonlinear Finite Element Method;杨敏冬;滕斌;;China Ocean Engineering(第03期);417-430 * |
Also Published As
Publication number | Publication date |
---|---|
CN113283138A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104508422B (zh) | 监视海洋结构物的物理变化的系统及方法 | |
Zhao et al. | A numerical study on dynamic properties of the gravity cage in combined wave-current flow | |
CN107423486B (zh) | 一种在进船阶段浮托安装作业模型建模仿真方法 | |
CN113283138B (zh) | 一种基于深度学习的深海养殖平台动力响应分析方法 | |
CN114626188A (zh) | 深远海网箱耦合动力响应数值分析方法及系统 | |
CN108007499B (zh) | 一种结合计算力学和现场监测的拦网工作状态监测预警方法 | |
Zhao et al. | Digital twin for rapid damage detection of a fixed net panel in the sea | |
Yan et al. | Assessing the dynamic behavior of multiconnected offshore floating photovoltaic systems under combined wave-wind loads: A comprehensive numerical analysis | |
Baek et al. | Impact load identification method based on artificial neural network for submerged floating tunnel under collision | |
Yao et al. | Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method | |
Syalsabila et al. | Structural analysis of floating net cage bracket in current and wave | |
CN110889245A (zh) | 水力式升船机塔柱结构耦联体系流固耦合地震动响应分析方法 | |
Wu et al. | Motion characteristic analysis of a floating structure in the South China Sea based on prototype monitoring | |
Høiland | Dynamic analysis of a vessel-shaped fish farm for open sea | |
Chen | Hydrodynamic analysis and optimization of a hinged-type wave energy converter-SeaWEED | |
Spraul et al. | Parameter calibration in dynamic simulations of power cables in shallow water to improve fatigue damage estimation | |
Heo et al. | Dynamic response and reliability of six-leg jack-up type wind turbine installation vessel | |
Celikkol et al. | Engineering overview of the University of New Hampshire's open ocean aquaculture project | |
Isnaini et al. | Real-time prediction of incoming wave profile surrounding floating offshore wind turbine using kalman filter | |
Wu et al. | Long-Short Term Memory Based TALOS Wave Energy Converter Power Output Prediction with Numerical Modelling | |
CN117494243B (zh) | 一种基于连续梁单元的单桩基础结构响应计算方法 | |
Gomes et al. | Detection of damage in offshore jacket structure using artificial neural network | |
Yim et al. | A Combined Nonlinear Mooring-Line and Umbilical Cable Dynamics Model and Application | |
Bai et al. | Prediction of long-term extreme response of fish cage using environmental contour method | |
CN117236229A (zh) | 多尺度大型浮式渔场平台动力响应数值计算方法 |
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 |