CN113501114B - 一种基于深潜器无动力下潜实时信息的深海海流计算方法 - Google Patents
一种基于深潜器无动力下潜实时信息的深海海流计算方法 Download PDFInfo
- Publication number
- CN113501114B CN113501114B CN202111021653.4A CN202111021653A CN113501114B CN 113501114 B CN113501114 B CN 113501114B CN 202111021653 A CN202111021653 A CN 202111021653A CN 113501114 B CN113501114 B CN 113501114B
- Authority
- CN
- China
- Prior art keywords
- deep
- submergence
- adcp
- ocean current
- data
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/001—Underwater vessels adapted for special purposes, e.g. unmanned underwater vessels; Equipment specially adapted therefor, e.g. docking stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/39—Arrangements of sonic watch equipment, e.g. low-frequency, sonar
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深潜器无动力下潜实时信息的深海海流计算方法,涉及海洋工程技术领域,通过船载ADCP测量信息、深潜器无动力下潜实时信息以及深潜器搭载的ADCP测量信息,结合机器学习方法最终获得全海深范围的海流信息。本申请可以解决目前船载ADCP测流工作水深不能满足深海水深的问题。本发明通过深潜器常规下潜航次数据获得全海深范围内的海流信息,同时也可用于以往深潜器下潜数据的二次挖掘利用,无需额外的海上作业,是获得深海全海深范围海流数据的一种便利方法。
Description
技术领域
本发明涉及海洋工程技术领域,尤其涉及一种基于深潜器无动力下潜实时信息的深海海流计算方法。
背景技术
深海矿产资源开发必须考虑数千米水深范围内海流对采矿系统工程结构安全的影响,如目前提出的流体采矿法,必须考虑深水海流作用下输送软管的力学特性,以保证采矿过程中输送软管系统的安全。此外,海底采矿搅起的泥沙和海面船舶的加工矿液产生的废液,都会对海洋环境产生以影响,而海流则是控制其空间影响范围的主要因素。因此,预先获取深海海流的流速数据对于将来的深海采矿安全设计和环境影响评价的重要环境参数。
常规定点海洋锚系观测需要专门的布放和回收,会产生较高的海上作业成本,且面临一定的丢失风险。船载ADCP流速剖面测量系统的最大工作深度不能满足深海全海深海流测量需要。目前国内外深潜器技术发展迅速,下潜深度几乎涵盖所有海域,深潜器的下潜过程为深海海域的全海深海流测量提供了便利。以“蛟龙号”载人深潜器为例,由于其采用无动力下潜,因此从力学角度来看,深潜器在下潜过程中的姿态及航速变化,除了自身重量与结构外型之外主要受海流作用的影响。因此,深潜器无动力下潜过程中的姿态以及航速等实时信息,实际上隐含了海流的信息。基于深潜器无动力下潜过程实时信息,结合一定的辅助测量可以通过数学模型反演计算出下潜过程中的海流信息,可为将来深海采矿系统设计和环境影响评价提供初步的深海流速信息,有着显著的工程实际意义。
发明内容
本发明提出了一种基于深潜器无动力下潜实时信息的深海海流计算方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于深潜器无动力下潜实时信息的深海海流计算方法,包括以下步骤:
步骤一:深潜器母船到达下潜位置后,开启船载ADCP声学多普勒海流剖面仪,此时水深超过ADCP的最大测量深度,底跟踪功能无效,根据同步母船导航定位记录通过矢量分离,获得最大工作水深范围内的实际海流信息;
步骤二:深潜器无动力下潜,下潜过程中依托深潜器导航与定位系统获取深潜器姿态、航向、航速以及下潜深度信息,深潜器下潜至近底面时开启搭载的ADCP系统,获取近底范围内的海流信息;
步骤三:将步骤一与步骤二获得的不同深度海流数据与深潜器姿态、航向、航速,根据深度建立海流与深潜器姿态、航向、航速对应的数据集;
步骤四:将步骤三获得的各数据集进行标准化处理,将船载ADCP有效工作深度范围内对应的数据集按分为训练集和测试集两部分;
步骤五:基于步骤四中的训练集数据,设计建立基于循环神经网络的机器学习预测模型,进行预测模型训练,并通过测试集对预测模型进行检验,如若误差大,则改进预测模型直至满足精度要求;
步骤六:针对超出船载ADCP工作水深的深度范围,采用检验合格的网络预测模型,由深潜器姿态、航向、航速实时下潜信息,计算不同深度的海流信息;
步骤七:将船载ADCP获得的上部水深范围内海流测量信息、深潜器搭载ADCP获得近海底海流信息以及步骤六获得的中间段海流信息进行整合,可以获得全海深范围的海流信息。
本发明具有以下有益之处:本发明采用了循环神经网络模型通过深潜器无动力下潜过程中的航行与姿态数据,对超出目前船载ADCP流速测量系统工作水深范围的海流进行预测计算,并通过与船载ADCP和深潜器搭载ADCP测量数据的整合,获得全海深范围得海流数据。本申请可以解决目前船载ADCP测流工作水深不能满足深海水深的问题。本发明通过深潜器常规下潜航次数据获得全海深范围内的海流信息,同时也可用于以往深潜器下潜数据的二次挖掘利用,无需额外的海上作业,是获得深海全海深范围海流数据的一种便利方法。
附图说明
图1为本发明的深海海流测量计算方法流程图
图2为本发明海上实施示意图;
图3为本发明深潜器水下航行与姿态数据集;
图4为本发明海流预测网络模型结构示意图。
图中:1母船,2深潜器,3船载ADCP,4输入层,5隐藏层,6输出层。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明基于深潜器2无动力下潜实时信息的深海海流信息计算方法,主要工作流程如图1所示,具体按照以下步骤实施。
步骤1,海上作业与数据采集;
如本发明海上实施示意图图2所示,深潜器2母船1到达深海下潜位置后(水深大于船载ADCP3最大工作深度),开启船载ADCP3声学多普勒海流剖面仪,由于此时水深超出ADCP的最大测量深度,底跟踪功能无效,获取的海流信息需要母船1导航地位数据进行校正。
根据同步母船1导航定位获取母船1真实速度数据,并进行矢量分离,将船载ADCP3的流速大小和方向进行校正,获得最大工作水深范围内的实际海流信息。
步骤二:深潜器2首先采用无动力方式下潜,下潜至近海底时恢复动力,并开启深潜器2搭载的ADCP系统,获取深海近底范围内的海流流速与方向信息。下潜过程中依托深潜器2导航与定位系统获取深潜器2下潜深度以及航向、航速、艏向、横倾、纵倾等航行与姿态数据。
步骤三:对步骤一与步骤二获得的船载ADCP3工作水深范围内的数据进行预处理,剔除采集数据中的无效数据并进行平滑处理。以水深增加为序列标识,如图3所示,将不同深度海流流速、流向与深潜器2航向、航速、艏向、横倾以及纵倾等数据元素经预处理后形成数据集;
步骤四:将步骤三获得的各数据集进行归一化处理,将船载ADCP3有效工作深度范围内对应的数据集按分为训练集和测试集两部分。将船载ADCP3工作深度范围内的数据集,按照深度序列分为训练集和测试集两部分,其中训练集数据占总样本的80%,测试集数据占总样本的20%。
步骤五:建立基于循环神经网络(CNN)的机器学习预测模型,模型共三层,如图4所示,第一层为输入层4,第二层为隐藏层5,第三层为输出层6。I表示输入层4节点元素,H表示隐藏层5节点元素,S表示前一个深度序列的隐藏层5节点元素,O表示输出节点元素。
输入层4的输入元素共五个,分别为深潜器2无动力下潜过程对应的航速、航向、艏向、横倾以及纵倾;第二层为隐藏层5,实现对输入数据的特征抽取,其中第n个神经节点元素的隐含状态ht可由式(1)表示:
ht=σ(Wxt+Uht-1+b) (1)
式(1)中,xt为水深t处的输入数据,ht表示水深t处的隐藏层5节点,ht-1代表前一水深处隐藏层5节点。W和U分别为输入权重和隐藏层5节点的权重矩阵,b为隐藏层5的偏置向量,σ为神经元的激活函数;h在水深t处的表现不仅由此深度的输入决定,还受前一个水深t-1的影响。
输出层6深度t处的预测值ot可以由公式(2)计算:
ot=Vht+c (2)
式(2)中V为隐藏层5到输出层6的权重矩阵,c为偏置参数向量。
根据占总样本数量80%的训练集数据,通过优化器模型和损失函数模型对所述已构建好的网络模型进行训练。经典梯度下降法在每次对模型参数进行更新时,需要遍历所有的训练数据,当数据量较大时,需要耗费巨大的计算资源和计算时间。优化器模型采用小批量随机梯度下降法,即在每一次迭代计算时,先从样本中随机抽出一组固定数量的样本共m个,训练后按梯度更新一次,然后再随机抽取m个样品,并更新一次梯度,以此类推,获得最优值。其中,损失函数,J(θ)采用平方损失函数进行计算构建,其公式如下:
基于占总样本数量20%的测试集数据,检验模型训练效果。根据测试集输入数据,计算输出元素变量海流流速o1、流向o2对应的预测变量、流向,并与测试集中实测数据进行对比。预测准确性采用最大误差法和平均误差进行误差评价,误差阈值根据实际工程需求进行设定。其中,最大误差主要针对单个元素的输出误差,可表示为,平均误差表示所有测试集数据误差的平均值,由下式计算
如若训练的网络模型,在现有数据下不能满足设定的误差要求,设定一下方案优化方法。首选考虑增加隐藏层5节点元素H的个数,并重新进行训练,直到达到精度要求。当单纯增加隐藏层5节点数的效果不明显时,增加1层隐藏层5,并对增加隐藏层5的模型重新进行训练,直到达到精度要求。增加隐藏层5后的网络模型也可同时考虑增加隐藏层5节点数,以提高模型精度。
步骤六:对于超出船载ADCP3工作水深至深潜器2动力恢复的水深范围,采用步骤五检验合格的循环网络预测模型进行计算。输入层4数据仍采用步骤二获得的深潜器2无动力下潜过程中不同水深深度标识序列的航向、航速、艏向、横倾、纵倾,并进行归一化处理。将预测输出数据进行反归一化,得到该水深范围内的海流流速和流向。
步骤七:将船载ADCP3获得的上部水深范围内海流测量信息、深潜器2搭载ADCP获得近海底海流信息以及步骤六获得的中间段海流信息进行整合链接,可以获得全海深范围的海流流速和流向剖面。
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发明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 (1)
1.一种基于深潜器无动力下潜实时信息的深海海流计算方法,其特征在于:包括以下步骤:
步骤一:深潜器母船到达下潜位置后,开启船载ADCP声学多普勒海流剖面仪,此时水深超过ADCP的最大测量深度,底跟踪功能无效,根据同步母船导航定位记录通过矢量分离,获得最大工作水深范围内的实际海流信息;
步骤二:深潜器无动力下潜,下潜过程中依托深潜器导航与定位系统获取深潜器姿态、航向、航速以及下潜深度信息,深潜器下潜至近底面时开启搭载的ADCP系统,获取近底范围内的海流信息;
步骤三:将步骤一与步骤二获得的不同深度海流数据与深潜器姿态、航向、航速,根据深度建立海流与深潜器姿态、航向、航速对应的数据集;
步骤四:将步骤三获得的各数据集进行标准化处理,将船载ADCP有效工作深度范围内对应的数据集按分为训练集和测试集两部分;
步骤五:基于步骤四中的训练集数据,设计建立基于循环神经网络的机器学习预测模型,进行预测模型训练,并通过测试集对预测模型进行检验,如若误差大,则改进预测模型直至满足精度要求;
步骤六:针对超出船载ADCP工作水深的深度范围,采用检验合格的网络预测模型,由深潜器姿态、航向、航速实时下潜信息,计算不同深度的海流信息;
步骤七:将船载ADCP获得的上部水深范围内海流测量信息、深潜器搭载ADCP获得近海底海流信息以及步骤六获得的中间段海流信息进行整合,可以获得全海深范围的海流信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020113242803 | 2020-11-23 | ||
CN202011324280 | 2020-11-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113501114A CN113501114A (zh) | 2021-10-15 |
CN113501114B true CN113501114B (zh) | 2022-05-06 |
Family
ID=78016402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021653.4A Active CN113501114B (zh) | 2020-11-23 | 2021-09-01 | 一种基于深潜器无动力下潜实时信息的深海海流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113501114B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400101B (zh) * | 2023-06-08 | 2023-08-29 | 自然资源部第一海洋研究所 | 一种近表层海流数据可信性判断的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6820008B1 (en) * | 2001-07-24 | 2004-11-16 | Fugro Global Environmental & Ocean Sciences, Inc. | System and method for measuring deep sea currents |
CN1632592A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院声学研究所 | 声多普勒海流剖面仪测量海流剖面流速的方法和系统 |
CN102213594A (zh) * | 2011-03-16 | 2011-10-12 | 哈尔滨工程大学 | 一种无人潜航器海流观测数据融合方法 |
CN102323586A (zh) * | 2011-07-14 | 2012-01-18 | 哈尔滨工程大学 | 一种基于海流剖面的uuv辅助导航方法 |
CN108089588A (zh) * | 2016-11-22 | 2018-05-29 | 中国科学院沈阳自动化研究所 | 一种水下机器人的观测深度分段自适应规划方法 |
CN110955860A (zh) * | 2019-12-13 | 2020-04-03 | 中国人民解放军91550部队 | 一种垂直发射航行体水下流切变特征参数估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10982984B2 (en) * | 2016-10-27 | 2021-04-20 | Ysi, Inc. | Technique to measure the distance between stations using DGPS/RTK GPS in the velocity area method (stationary) with an acoustic doppler current profiler |
-
2021
- 2021-09-01 CN CN202111021653.4A patent/CN113501114B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6820008B1 (en) * | 2001-07-24 | 2004-11-16 | Fugro Global Environmental & Ocean Sciences, Inc. | System and method for measuring deep sea currents |
CN1632592A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院声学研究所 | 声多普勒海流剖面仪测量海流剖面流速的方法和系统 |
CN102213594A (zh) * | 2011-03-16 | 2011-10-12 | 哈尔滨工程大学 | 一种无人潜航器海流观测数据融合方法 |
CN102323586A (zh) * | 2011-07-14 | 2012-01-18 | 哈尔滨工程大学 | 一种基于海流剖面的uuv辅助导航方法 |
CN108089588A (zh) * | 2016-11-22 | 2018-05-29 | 中国科学院沈阳自动化研究所 | 一种水下机器人的观测深度分段自适应规划方法 |
CN110955860A (zh) * | 2019-12-13 | 2020-04-03 | 中国人民解放军91550部队 | 一种垂直发射航行体水下流切变特征参数估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113501114A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753068B (zh) | 一种考虑通信情况的多usv群体协同避碰规划方法 | |
Zhang et al. | Subsea pipeline leak inspection by autonomous underwater vehicle | |
CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
CN108698677A (zh) | 水下航行体的路径设定方法、使用该方法的水下航行体的最佳控制方法及水下航行体 | |
Caccia et al. | A practical approach to modeling and identification of small autonomous surface craft | |
CN102323586B (zh) | 一种基于海流剖面的uuv辅助导航方法 | |
CN104316025B (zh) | 一种基于船体姿态信息估计海浪浪高的系统 | |
CN106054607A (zh) | 水下检测与作业机器人动力定位方法 | |
CN107990891A (zh) | 基于长基线和信标在线标定的水下机器人组合导航方法 | |
CN111076728A (zh) | 基于dr/usbl的深潜载人潜水器组合导航方法 | |
Millard et al. | Versatile autonomous submersibles—the realising and testing of a practical vehicle | |
CN107942095A (zh) | 波浪滑翔器实际航向预测方法 | |
RU2467914C1 (ru) | Способ контроля мореходности судна и устройство для его осуществления | |
CN110333369B (zh) | 基于水面gps校正的uuv的dvl测速系统及自适应去噪方法 | |
CN113501114B (zh) | 一种基于深潜器无动力下潜实时信息的深海海流计算方法 | |
Herrero et al. | Improving parameter estimation efficiency of a non linear manoeuvring model of an underwater vehicle based on model basin data | |
CN105758405A (zh) | 一种适用于高海况的uuv跟踪母船航迹规划方法 | |
CN110806760B (zh) | 一种无人水下航行器的目标跟踪控制方法 | |
CN104155043A (zh) | 一种动力定位系统外界环境力测量方法 | |
CN112925332B (zh) | 无人艇与水下无人潜器联合系统的协同交会对接控制方法 | |
CN112836448B (zh) | 一种船舶水动力系数的实船试验方法 | |
Wang et al. | Dynamic model-aided localization of underwater autonomous gliders | |
Pereira et al. | System identification of underwater vehicles | |
CN110837254B (zh) | 一种水翼艇纵向运动控制方法 | |
Rodiana et al. | Software and hardware in the loop simulation of navigation system design based on state observer using Kalman filter for autonomous underwater glider |
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 |