CN113919208A

CN113919208A - 一种阻力伞水动力荷载预测方法及系统

Info

Publication number: CN113919208A
Application number: CN202111006717.3A
Authority: CN
Inventors: 朱向前; 孙明祺; 何天浩; 于凯本; 宗乐
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-08-30
Filing date: 2021-08-30
Publication date: 2022-01-11
Anticipated expiration: 2041-08-30
Also published as: CN113919208B

Abstract

本公开涉及一种阻力伞水动力荷载预测方法及系统，预测方法包括以下步骤：筛选影响阻力伞所受荷载的影响因素，以得到设计变量；根据阻力伞的几何参数在虚拟仿真软件中建立阻力伞仿真模型；借助物理试验标定仿真模型的仿真参数；调节设计变量，进行虚拟仿真，获得不同的荷载变量，将多组设计变量以及对应的荷载变量组成数据库；利用数据库中的数据，通过机器学习，获得设计变量与对应荷载变量的代理模型；向代理模型输入设定范围内的任意设计变量，获得对应的荷载变量预测数值。

Description

一种阻力伞水动力荷载预测方法及系统

技术领域

本公开属于计算流体力学技术领域，具体涉及一种阻力伞水动力荷载预测方法及系统。

背景技术

这里的陈述仅提供与本公开相关的背景技术，而不必然地构成现有技术。

深海拖曳式多道地震探测系统(以下简称深拖系统)是近海底精准勘查“可燃冰”等深海战略资源的装备,如附图1所示，主要由母船1、拖缆2、拖体3、拖曳线列阵4和阻力伞6五部分组成。在拖曳线列阵尾部安装阻力伞可以提供向后的拖曳阻力，拖曳阻力与拖体提供的拖拽力形成一对平衡力，可以有效减少线列阵的摆动，提高其测量精度。但是向后的拖曳阻力会使得深拖系统整体上浮，影响拖曳深度。为深拖系统选配合适的阻力伞，需要研究不同拖曳工况下阻力伞的水动力荷载，以辅助阻力伞设计。

一些技术方案中，借助计算流体动力学仿真的方法分析阻力伞，获得某一给定工况条件下的水动力荷载，但是阻力伞的设计无法脱离深拖系统整体，需要和拖曳线列阵、拖体、拖缆等一起进行软件仿真分析，会造成数据分析量大，分析时间长，且每次更改工况条件后，需要重新进行仿真计算分析。

发明内容

本公开的目的是提供一种阻力伞水动力荷载预测方法及系统，能够至少解决上述技术问题之一。

为实现上述目的，本公开的一个或多个实施例提供一种阻力伞水动力荷载预测方法，包括以下步骤：

步骤1，筛选影响阻力伞所受荷载的影响因素，以得到设计变量；

步骤2，根据阻力伞的几何参数在虚拟仿真软件中建立阻力伞仿真模型；

步骤3，借助物理试验标定仿真模型的仿真参数，确保仿真数据准确性；

步骤4，调节设计变量，进行虚拟仿真，获得不同的荷载变量，将多组设计变量以及对应的荷载变量组成数据库；

步骤5，对数据库中的数据进行预处理，然后通过机器学习，获得设计变量与对应荷载变量的代理模型；

步骤6，向代理模型输入设定范围内的任意设计变量，获得对应的荷载变量预测数值。

进一步的，所述设计变量包括横摆角、角速度、角加速度、拖曳速度和拖曳加速度，荷载变量包括拖曳力、横摆力和旋转力矩。

进一步的，步骤3中，在进行虚拟仿真以获得数据库之前，搭建阻力伞的物理试验平台进行实验，获得物理试验时的设计变量及对应的荷载变量数据；

在虚拟仿真软件中依次输入与物理试验平台实验时相同的设计变量，仿真参数取不同数值，获得不同的荷载变量；比对物理试验平台与虚拟仿真软件获得的荷载变量，提取二者荷载变量最接近时的仿真参数为标定仿真参数；利用标定仿真参数，进行后续的虚拟仿真。

进一步的，在利用数据库进行机器学习时，随机选取设定组数的数据进行训练，其余的数据进行测试，将代理模型输出的荷载变量与数据库中通过虚拟仿真得到的荷载变量做均方差运算，以判断代理模型的误差范围。

本公开的一个或多个实施例还提供一种阻力伞水动力荷载预测系统，包括：

选定设计变量模块，用于确定影响荷载变量的因素；

仿真模型创建模块，用于建立阻力伞仿真模型；

物理试验模块，用于标定仿真模型的仿真参数；

数据库建立模块，用于根据虚拟仿真，获得不同的设计变量及对应的荷载变量数据，创建数据库；

机器学习模块，用于根据数据库中的数据进行学习，建立代理模型；

代理模型预测模块，用于接收外部输入的设定范围内任意设计变量，并输出预测的荷载变量。

以上一个或多个技术方案的有益效果为：

本公开中首先使用虚拟仿真的方式，建立阻力伞的仿真模型，通过施加不同的设计变量来获得具有映射关系的荷载变量，当虚拟仿真次数达到建立数据库的要求时，可以进行机器学习，建立代理模型；利用代理模型来预测阻力伞在不同工况条件下的水动力荷载；即通过前期的代理模型建立，提高后续的优化设计效率，为阻力伞及深拖系统的优化设计提供依据。

采用物理试验与虚拟仿真模拟相结合的方式，利用物理试验获得的设计变量与荷载变量来标定得到虚拟仿真模拟时的仿真参数，使得仿真模拟获得的荷载变量更接近实际数值，提高后续建立的数据库的准确性。

利用虚拟仿真获得数据库，通过虚拟仿真获得不同设计变量下荷载变量数据，提高创建数据库效率，降低成本。

在利用数据库进行机器学习时，随机选取设定组数的数据进行训练，其余的数据进行测试，便于修改机器学习算法，以提高代理模型的准确性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。

图1是本公开实施例中所针对的深拖系统的结构示意图；

图2是本公开实施例中虚拟仿真软件中模拟阻力伞在水中运动示意图；

图3是本公开实施例中阻力伞坐标系中x轴与y轴的示意图；

图4是本公开实施例中物理试验平台中水箱与阻力伞的示意图；

图5是本公开实施例中物理试验平台中阻力伞、拉压传感器等结构示意图；

图6是本公开实施例中物理试验与虚拟仿真软件获得的拖拽力的对比图；

图7是本公开实施例中虚拟仿真软件输出的一次Fx、Fy、Mz随时间变化的值；

图8本公开实施例中虚拟仿真软件输出数据的后处理流程图；

图9是本公开实施例中多项式回归算法预测拖曳力时真实值与预测值的拟合曲线；

图10是本公开实施例中神经网络算法预测拖曳力时真实值与预测值的拟合曲线；

图11是本公开实施例中多项式回归算法预测横摆力时真实值与预测值的拟合曲线；

图12是本公开实施例中神经网络算法预测横摆力时真实值与预测值的拟合曲线；

图13是本公开实施例中多项式回归算法预测旋转力矩时真实值与预测值的拟合曲线；

图14是本公开实施例中神经网络算法预测旋转力矩时真实值与预测值的拟合曲线；

图中，1、拖船；2、拖曳缆；3、拖体；4、水听器线列阵；5、细绳；6、阻力伞；7、水箱；61、尼龙绳；62、吊环；63、拉压式传感器；64、螺柱；65、翼型板。

具体实施方式

实施例1

如图1所示，提供了一种深海拖曳式多道地震探测系统的结构示意图，其中阻力伞的水动力荷载影响整个深拖系统的位置姿态与探测精度，对于具有确切几何参数的阻力伞来说，研究其在不同工况条件下的水动力学荷载，便于优化深拖系统中阻力伞自身的参数，提高其性能。

莫里森认为在海洋结构物受力分析中，作用于结构物的力分为两部分，一是由结构物与流体的相对运动速度引起粘滞拖曳阻力f_D，另一是由结构物与流体的相对运动加速度引起的附件质量惯性力f_I。于是有莫里森方程：

其中，u_x和

分别为相对速度和相对加速度；A为物体运动方向的投影面积；V为结构体的排水体积；ρ为水密度；C_D为拖曳阻力系数(阻力系数、速度力系数)；C_M为惯性力系数(质量系数)。

通过莫里森方程可知，阻力伞所受力和阻力伞相对于水之间的速度和加速度、锥形阻力伞运动方向的投影面积、排水体积、水的密度、拖曳阻力系数、惯性力系数有关。由于水的密度、阻力伞尺寸为常数，阻力伞的排水体积很小，拖曳阻力系数、惯性力系数与阻力伞运动姿态相关，因此只考虑速度、加速度、阻力伞运动方向的投影面积这三个变量，投影面积和阻力伞在运动过程中转动角度有关，引入阻力伞运动过程中的角度变量。阻力伞在运动过程中，角度随时间变化不均匀，因此需要引入角速度、角加速度变量。

以图3为例，阻力伞围绕中心轴对称，以阻力伞的中心为坐标原点，以阻力伞的中心轴线为X轴，朝向阻力伞运动方向为X轴正方向，在X轴水平状态下，选取一个垂直X轴的且过坐标原点的水平直线建立Y轴；选取垂直于X轴与Y轴，且过原点的直线建立Z轴。对于阻力伞来说，其工况条件为绕Z轴方向的角度(即横摆角)、角速度和角加速度，沿X方向的拖曳速度和拖曳加速度。研究目标为X、Y 方向的阻力和绕Z方向的转矩。因此，有5个工况条件和3个研究目标。

本实施例中，筛选出5个工况条件作为设计变量，3个研究目标作为荷载变量，此处的设计变量为自变量，荷载变量为因变量。

为了解决每次优化阻力伞及深拖系统时，需要从头建立阻力伞仿真模型并且进行虚拟仿真的弊端，并且减少因为阻力伞与深拖系统同时模拟仿真造成的分析时间较慢的问题。在上述筛选研究的设计变量及研究目标的情况下，本实施例提供一种阻力伞水动力荷载预测方法，包括以下步骤：

步骤1，根据阻力伞的几何参数在虚拟仿真软件中建立阻力伞仿真模型；

步骤2，借助物理试验标定仿真模型的仿真参数，确保仿真数据准确性；

步骤3，调节设计变量，进行虚拟仿真，获得不同的荷载变量，将多组设计变量以及对应的荷载变量组成数据库；设计变量包括横摆角、角速度、角加速度、拖曳速度和拖曳加速度，荷载变量包括拖曳力、横摆力和旋转力矩。

步骤4，利用数据库中的数据，通过机器学习，获得设计变量与对应荷载变量的代理模型；

步骤5，向代理模型输入设定范围内的任意设计变量，获得对应的荷载变量预测数值。

为提高虚拟仿真软件仿真数据的可信度，本实施例中借助物理试验平台进行阻力伞的真实物理试验。如图4，物理试验平台包括水槽7，水槽7的两端分别设置进水端与出水端，以使得水槽中形成流动的水流，模拟海洋环境，在水槽的外部设置循环供水组件，循环供水组件的进水口与水槽的出水端连通，循环供水组件的出水口与水槽的进水口连通，在循环供水组件中设置水泵，通过变频器调节水泵转速，实现对水槽中阻力伞区域的水流流速控制。如图5所示，物理试验使用了与虚拟仿真尺寸相同的锥形的阻力伞，并通过四根等长的尼龙绳连接，尼龙绳的另一端系在拉压式传感器一端的吊环处。拉压式传感器所测拉力为尼龙绳节点处的来流方向受力。

实验器材还包括3D打印制的NACA0021翼型板、翼型板安装架以及蚌埠大洋传感器系统工程有限公司出产的DY-054A控制仪表、DYMH-106D螺杆拉压式传感器、 DAY-SENSOR数据采集软件。具体物理试验步骤如下：

1、将某型号的阻力伞通过尼龙绳系在DYMH-106D螺杆拉压式传感器一端；下潜至水槽居中位置，避免实验过程中阻力伞浮出水面或接触壁面。

2、阻力伞在水中平稳悬浮后，对DY-054A仪表进行清零，同时DAY-SENSOR软件开始对实验数据进行采集。随后水泵运转，调节变频器频率，在水槽的相应观察位置范围产生特定流速的稳定流场。

3、为测得稳定流场中的受力情况，维持该流速一分钟左右，持续采集受力数据；待数据采集时长满足上述要求后，调节变频器频率，改变流速，继续测量该型号阻力伞在其他流速中的受力情况。

4、该型号阻力伞采集足完所有流速样本后，变频器频率归零，待流场稳定静止后，停止数据采集并保存为csv格式文件。

5、更换其他型号阻力伞，重复上述过程。

上述步骤1与步骤3中，虚拟仿真软件采用RecurDyn与Particleworks联合进行。在虚拟仿真进行前，先进行仿真标定，目的是选择合适的粒子直径和计算步长，在分析结果具有一定可信度的前提下，尽可能降低时间成本，提高数据获取效率。

为了完成仿真标定，对相同的试验场景进行虚拟仿真，也就是说仿真标定过程中，设计变量与物理试验中设计变量相同，仿真参数中的粒子直径依次选取 6mm、5mm、4mm、3mm、2.6mm，计算步长选用1.0e-4s、1.5e-4s、2.0e-4s、3.0e-4s。仿真标定的结果与物理试验结果对比见图6。所述物理试验平台的试验数据数量小于虚拟仿真的数据量。

在本实施例中，根据标定结果，粒子直径选用5mm，积分步长选用1.0e-4s的仿真时，仿真结果与实验结果的差异小于10％，二者最接近。另外一些实施例中，仿真参数(粒子直径、计算步长)由实际试验结果来确定。利用标定仿真参数，进行后续的虚拟仿真。

具体的，在步骤1和步骤2中，采用虚拟仿真软件模拟仿真获取数据。采用RecurDyn仿真软件建立阻力伞、箱体和轻质哑体模型，哑体与地面通过一个移动副相连，与锥形阻力伞通过一个转动副连接，使阻力伞随哑体移动时可以自由转动。通过移动副运动约束得到阻力伞在X方向上的速度、加速度，通过转动副运动约束得到锥形阻力伞在Z方向上的转角、角速度、角加速度。RecurDyn软件不可以建立流体模型，因此采用Particleworks建立流体填充水箱。利用RecurDyn 和Particleworks进行联合仿真模拟阻力伞在海水中的运动情况，得到沿X轴、Y 轴方向的阻力和沿Z轴方向的转矩。

通过调整运动约束方程，改变设计变量来采集10次仿真数据(如下表1)，采样数据规模达6000多组，包含阻力伞运动过程中的横摆角、角速度、角加速度、拖曳速度、拖曳加速度、拖曳力、横摆力、旋转力矩。

虚拟仿真开始时阻力伞从静止状态到运动稳定状态，使得流场变化剧烈，力、力矩会有较大波动；另外，阻力伞靠近箱体壁时(仿真结束时刻)也会引起流场剧烈变化，因此需要剔除仿真开始和结束时的部分数据。由于数据交互的原因， F和M在仿真过程中会有少量异常数据，此时用其临近两点数据的平均值替换。剔除异常点后，整个数据存在轻微波动，采用低通滤波进行滤波。即对数据进行清洗、坐标转换、低通滤波操作，建立数据库。

表1 10次虚拟仿真的设计变量数据

通过输入五个设计变量，实现预测拖曳力、横摆力和旋转力矩的研究目标。因此初步选定回归算法来实现预测。回归算法主要用于预测数值型数据，在本分析中用于预测阻力伞的水动力。常用回归算法有线性回归中的正规方程、岭回归、梯度下降、多项式回归算法以及神经网络回归算法，通过莫里森方程初步可知，自变量与因变量之间不是简单的线性关系，因此本研究中选定多项式回归算法以及神经网络回归算法。借助Python工具从Scikit-Learn库中的调用多项式回归、神经网络回归算法来训练、预测自变量和因变量的关系。

选取横摆角、角速度、角加速度、拖曳速度、拖曳加速度为输入自变量，分别将拖曳力、横摆力、转矩作为输出因变量，通过机器学习算法建立代理模型。建立代理模型后，给出必要的输入变量，就能输出一组目标量，从而实现力和力矩的预测，根据受力情况可为深拖系统匹配合适的阻力伞。

本实施例中，从所获取数据中随机选取75％数据进行训练，25％数据来进行测试。将预测的拖曳力、横摆力、旋转力矩和真实的拖曳力、横摆力、旋转力矩做均方差运算。均方误差

其中，f_i为预测值，y_i为真实值。如下表2为实际模拟过程中的均方误差。

表2机器学习的均方误差

图9-图14分别是两种多项式回归算法与神经网络回归算法预测F_x、F_y、M_z时，同时输出预测值和真实值的拟合比较曲线。

最终经过测试，多项式回归法次数为2时，可以较好地预测两种阻力F_x、F_y，次数为3时可以较好的预测转矩M_z，F_r均方误差大是由于F_r数值本身大。

神经网络回归算法是获得所有阻力和力矩的最佳算法，且最大均方误差小于0.2，借助神经网络回归算法可以获得阻力伞水动力特性的代理模型。

实施例2

本实施例提供一种阻力伞水动力荷载预测系统，包括：

选定设计变量模块，用于确定影响荷载变量的因素；

仿真模型创建模块，用于建立阻力伞仿真模型；

物理试验模块，用于标定仿真模型的仿真参数；

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种阻力伞水动力荷载预测方法，其特征在于，包括以下步骤：

筛选影响阻力伞所受荷载的影响因素，以得到设计变量；

根据阻力伞的几何参数在虚拟仿真软件中建立阻力伞仿真模型；

借助物理试验标定仿真模型的仿真参数，确保仿真数据准确性；

调节设计变量，进行虚拟仿真，获得不同的荷载变量，将多组设计变量以及对应的荷载变量组成数据库；

对数据库中的数据进行预处理，然后通过机器学习，获得设计变量与对应荷载变量的代理模型；

向代理模型输入设定范围内的任意设计变量，获得对应的荷载变量预测数值。

2.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，所述设计变量包括横摆角、角速度、角加速度、拖曳速度和拖曳加速度，荷载变量包括拖曳力、横摆力和旋转力矩。

3.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，在进行虚拟仿真以获得数据库之前，搭建阻力伞的物理试验平台进行实验，获得物理试验时的设计变量及对应的荷载变量数据。

4.根据权利要求3所述的阻力伞水动力荷载预测方法，其特征在于，在虚拟仿真软件中依次输入与物理试验平台实验时相同的设计变量，仿真参数取不同数值，获得不同的荷载变量；比对物理试验平台与虚拟仿真软件获得的荷载变量，提取二者荷载变量最接近时的仿真参数为标定仿真参数，仿真参数包括计算步长和粒子直径。

5.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，利用标定的仿真模型获取大量设计变量与荷载变量关系的数据，物理试验平台的试验数据数量小于虚拟仿真的数据量。

6.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，所述机器学习采用神经网络回归算法。

7.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，所述机器学习采用多项式回归算法。

8.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，在利用虚拟仿真得到设定组数的设计变量与荷载变量后，剔除数据中的异常点，并进行坐标变换和低通滤波操作，建立数据库。

9.根据权利要求1所述的阻力伞水动力荷载预测方法，其特征在于，在利用数据库进行机器学习时，随机选取设定组数的数据进行训练，其余的数据进行测试，将代理模型输出的荷载变量与数据库中通过虚拟仿真得到的荷载变量做均方差运算，以判断代理模型的误差范围。

10.一种阻力伞水动力荷载预测系统，用于执行权利要求1-9中任意一项所述的阻力伞水动力荷载预测方法，其特征在于，包括：

选定设计变量模块，用于确定影响荷载变量的因素；

仿真模型创建模块，用于建立阻力伞仿真模型；

物理试验模块，用于标定仿真模型的仿真参数；