CN114595718B - 一种自适应波浪谱形参数化方法 - Google Patents
一种自适应波浪谱形参数化方法 Download PDFInfo
- Publication number
- CN114595718B CN114595718B CN202210213189.7A CN202210213189A CN114595718B CN 114595718 B CN114595718 B CN 114595718B CN 202210213189 A CN202210213189 A CN 202210213189A CN 114595718 B CN114595718 B CN 114595718B
- Authority
- CN
- China
- Prior art keywords
- wave
- spectrum
- spectral
- region
- moment
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002902 bimodal effect Effects 0.000 claims abstract description 44
- 230000003595 spectral effect Effects 0.000 claims description 103
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 4
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种自适应波浪谱形参数化方法,涉及海洋工程技术领域,该方法包括:采集观测点的波浪数据,以原始波浪能周期对应的频率作为分割点,从波浪数据的原始频谱中寻找分割点将整个频谱划分成第一谱区和第二谱区;分别计算每个谱区的波浪谱矩;根据波浪谱矩计算归一化后的双峰因子和风涌系数;双峰因子用于表达波浪谱形的峰形,风涌系数用于表达波浪谱形介于风浪和涌浪之间的平衡关系;以双峰因子和风涌系数为轴建立二维谱形空间,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形。该方法利用双峰因子和风涌系数来量化波浪谱形的变化,适合于工程中实测波浪数据的处理和波浪结构响应计算中波浪谱形的确定。
Description
技术领域
本发明涉及海洋工程技术领域,尤其是一种自适应波浪谱形参数化方法。
背景技术
海浪谱的描述对于许多研究至关重要,如非线性波浪研究、海气相互作用的研究、波浪场的概率分布问题、船舶与海洋结构物的设计等。在给定固定位置,如何准确的描述该位置的波浪谱形及其变化范围,对于预测或解释受波浪影响的结构物的运动非常关键。
目前,各国学者提出了一些模型用于描述波浪谱,其中对波浪谱的形状描述都是关于海况平均波参数的函数。例如,Ochi和Hubble提出了由两个单峰3参数模型叠加之和形成的六参数谱,两个峰分别表示风浪和涌浪。Torsethaugen和Haver提出了一个谱模型,该模型由两个3参数JONSWAP谱之和构成,其风浪和涌浪分量的参数分别指定为有义波高(Hs)和谱峰周期(Tp)的函数。Ochi-Hubble(OH)和Torsethaugen(TH)模型本质上是同一种形式,且可以用于表示各种谱的形状。但是,对于给定的Hs和Tp参数,可能存在各种各样的谱的形状,如单峰谱、风浪为主峰的双峰谱、涌浪为主峰的双峰谱,这就意味着OH和TH模型最多只能表示在给定的Hs和Tp下的平均谱形,而忽视了波浪谱内部存在的能量分布的变化。
另外一些学者则采用了更为通用的方法,即先对海况进行风浪和涌浪分量的离散,然后再使用两个或多个单峰模型对分离出的涌浪和风浪成分进行拟合。这种先分解再拟合的方法可以对平均谱形进行参数化的描述。但是,这些方法有几个缺点。首先,风浪与涌浪的分离需要对构成“独立”系统的峰值进行主观区分,无论使用什么标准来确定,都会有一些谱既不能确定义为明显的双峰,也不能用标准的单峰形状描述。直接拟合的方法省去了对涌浪风浪进行分离的过程,但是直接拟合的方法对计算资源的要求相对较高,且在处理大量数据时并不适用,甚至会产生过拟合的现象。
发明内容
本发明人针对上述问题及技术需求,提出了一种自适应波浪谱形参数化方法,适合于近岸工程和海洋工程中实测波浪数据的处理和波浪结构响应计算中波浪谱形的确定。
本发明的技术方案如下:
一种自适应波浪谱形参数化方法,包括如下步骤:
采集观测点的波浪数据,以原始波浪能周期对应的频率作为分割点,从波浪数据的原始频谱中寻找分割点将整个频谱划分成第一谱区和第二谱区;
分别计算第一谱区和第二谱区的波浪谱矩;
根据波浪谱矩计算归一化后的双峰因子和风涌系数;其中,双峰因子用于表达波浪谱形的峰形,风涌系数用于表达波浪谱形介于风浪和涌浪之间的平衡关系;
以双峰因子和风涌系数为轴建立二维谱形空间,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形。
其进一步的技术方案为,计算第一谱区和第二谱区的波浪谱矩,包括:
根据波浪数据计算无量纲波浪谱密度,表达式为:
其中,E(f)为原始波浪谱密度,f为原始波浪谱频率;E′(f′)为无量纲化后的波浪谱密度,f′为无量纲化后的波浪谱频率,且f′=f/fe,fe为原始波浪能周期对应的频率,fe=1/Te;HS为原始有义波高,Te为原始波浪能周期;
根据无量纲波浪谱密度分别计算第一谱区和第二谱区的波浪谱矩,表达式为:
其中,mnA为第一谱区的波浪谱矩,mnB为第二谱区的波浪谱矩,n代表波浪谱矩的阶矩,包括0阶矩和-1阶矩。
其进一步的技术方案为,根据波浪谱矩计算归一化后的双峰因子和风涌系数,包括:
根据波浪谱矩分别计算第一谱区和第二谱区的无量纲波浪能周期和无量纲有义波高;
第一谱区和第二谱区的无量纲波浪能周期之差作为归一化后的双峰因子,表达式为:dTn=TAn-TBn;
其中,dTn为双峰因子,TAn为第一谱区的无量纲波浪能周期,TBn为第二谱区的无量纲波浪能周期;
其中,HAn为第一谱区的无量纲有义波高,HBn为第二谱区的无量纲有义波高。
其进一步的技术方案为,根据波浪谱矩分别计算第一谱区和第二谱区的无量纲波浪能周期和无量纲有义波高,包括:
确定每个谱区的频谱形状的描述子,描述子包括谱区对应的有义波高和波浪能周期,表达式为:
其中,HsA为第一谱区的有义波高,m0A为第一谱区的0阶波浪谱矩;HsB为第二谱区的有义波高,m0B为第二谱区的0阶波浪谱矩;
其中,TeA为第一谱区的波浪能周期,m-1A为第一谱区的-1阶波浪谱矩;TeB为第二谱区的波浪能周期,m-1B为第二谱区的-1阶波浪谱矩;
根据每个谱区的描述子结合原始有义波高和原始波浪能周期,计算每个谱区的无量纲波浪能周期和无量纲有义波高,表达式为:
其进一步的技术方案为,方法还包括:获取原始波浪能周期和原始有义波高,包括:
根据原始波浪谱密度计算波浪数据的原始波浪谱矩,表达式为:
其中,mn为波浪数据的原始波浪谱矩,E(f)为原始波浪谱密度,f为原始波浪谱频率;n代表波浪谱矩的阶矩,包括0阶矩和-1阶矩;
-1阶原始波浪谱矩与0阶原始波浪谱矩之比为原始波浪能周期,表达式为:Te=m-1/m0;
根据0阶原始波浪谱矩计算原始有义波高,表达式为:
其进一步的技术方案为,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形,包括:
归一化后的风涌系数的范围为[0,1],当计算得到的双峰因子和风涌系数在二维谱形空间同时趋近于0时,波浪数据的原始频谱的波浪谱形接近于以风浪为主的单峰谱;当双峰因子逐渐变大,且风涌系数趋近于1时,波浪数据的原始频谱的波浪谱形接近于以涌浪为主的双峰谱。
其进一步的技术方案为,方法还包括:
对每个观测点的波浪数据计算得到的双峰因子和风涌系数进行概率密度统计,形成概率密度分布图;
对双峰因子和风涌系数按区间划分,从概率密度分布图中提取各个区间对应的谱形,并按下式进行谱平均,得到各个区间下的波浪谱形;其中,归一化后的风涌系数的范围为[0,1];
本发明的有益技术效果是:
本方法利用双峰因子和风涌系数这两个参数来量化波浪谱形的变化,这两个参数直接从观测的波浪数据中计算得到,无需先分解再拟合。与传统方法相比,本发明可以快速、轻松地处理站点数据以汇总参数,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形,能够代表性的总结出波形条件,譬如峰形以及风浪还是涌浪。
附图说明
图1是本申请提供的自适应波浪谱形参数化方法的流程图。
图2是本申请提供的以双峰因子和风涌系数为轴建立的二维谱形空间示意图。
图3是本申请提供的以南海某近岛礁测点波浪数据为例,计算得到的概率密度分布图。
图4是本申请提供的以双峰因子和风涌系数作为划分依据,得到的不同区间下的波浪谱形。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示,一种自适应波浪谱形参数化方法,具体包括如下步骤:
步骤1:采集观测点的波浪数据。
本实施例以南海某近岛礁测点的波浪数据为例进行说明。
步骤2:获取原始波浪能周期和原始有义波高。
步骤21:根据原始波浪谱密度计算波浪数据的原始波浪谱矩,表达式为:
其中,mn为波浪数据的原始波浪谱矩,E(f)为原始波浪谱密度,f为原始波浪谱频率。
其中,n代表波浪谱矩的阶矩,包括-1阶矩、0阶矩、1阶矩和2阶矩。0阶矩的数学意义代表曲线下包含的面积,1阶矩的数学意义代表重心,2阶矩的数学意义代表惯性矩。
步骤22:-1阶原始波浪谱矩与0阶原始波浪谱矩之比为原始波浪能周期,表达式为:Te=m-1/m0 (2)
步骤23:根据0阶原始波浪谱矩计算原始有义波高,表达式为:
步骤3:以原始波浪能周期对应的频率作为分割点,从波浪数据的原始频谱中寻找分割点将整个频谱划分成第一谱区和第二谱区。
其中,原始波浪能周期对应的频率为:fe=1/Te。
步骤4:分别计算第一谱区和第二谱区的波浪谱矩。
为了单独讨论波浪谱的形态,而不考虑波浪谱的总能量以及其平均周期,我们首先引入一种谱形的无量纲形式。一般情况下,为了研究波浪谱的形态,通常以无量纲频率作为参考,然而,在考虑双峰谱时,谱峰频率就变得没有太大作用了。因此,这里我们考虑使用原始波浪能周期Te作为无量纲参数。
步骤41:根据波浪数据计算无量纲波浪谱密度,表达式为:
其中,E′(f′)为无量纲化后的波浪谱密度。可选的,在归一化之后,最大波浪谱密度值应该为1。f′为无量纲化后的波浪谱频率,且f′=f/fe。
在给定的位置上,具有相同的Hs和Te(或其他周期参数)的谱形可能不尽相同。
步骤42:根据无量纲波浪谱密度分别计算第一谱区和第二谱区的波浪谱矩,表达式为:
其中,mnA为第一谱区的波浪谱矩,mnB为第二谱区的波浪谱矩。
注意到,整个频谱的谱矩等于每个部分谱矩之和:mn=mnA+mnB。
步骤5:根据波浪谱矩计算归一化后的双峰因子和风涌系数。
步骤51:根据波浪谱矩分别计算第一谱区和第二谱区的无量纲波浪能周期和无量纲有义波高。
步骤511:确定每个谱区的频谱形状的描述子,描述子包括谱区对应的有义波高和波浪能周期,表达式为:
其中,HsA为第一谱区的有义波高,m0A为第一谱区的0阶波浪谱矩;HsB为第二谱区的有义波高,m0B为第二谱区的0阶波浪谱矩。
其中,TeA为第一谱区的波浪能周期,m-1A为第一谱区的-1阶波浪谱矩;TeB为第二谱区的波浪能周期,m-1B为第二谱区的-1阶波浪谱矩。
步骤512:根据每个谱区的描述子结合原始有义波高和原始波浪能周期,计算每个谱区的无量纲波浪能周期和无量纲有义波高,表达式为:
其中,HAn为第一谱区的无量纲有义波高,HBn为第二谱区的无量纲有义波高;TAn为第一谱区的无量纲波浪能周期,TBn为第二谱区的无量纲波浪能周期。
步骤52:第一谱区和第二谱区的无量纲波浪能周期之差作为归一化后的双峰因子,表达式为:
其中,dTn为双峰因子,用于表达波浪谱形的峰形。
步骤53:将第一谱区的无量纲有义波高的平方和作为归一化后的风涌系数,表达式为:
其中,风涌系数用于表达波浪谱形介于风浪和涌浪之间的平衡关系。
由于第一谱区和第二谱区的无量纲有义波高的平方和为1,因此可以根据一个谱区的给定参数来确定另一个谱区的无量纲有义波高。
步骤6:以双峰因子和风涌系数为轴建立二维谱形空间,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形。
如图2所示,双峰因子dTn和风涌系数决定了波浪谱的整体特征。设归一化后的风涌系数的范围为[0,1],当计算得到的双峰因子dTn和风涌系数在二维谱形空间同时趋近于0时,波浪数据的原始频谱的波浪谱形接近于以风浪为主的单峰谱。当双峰因子dTn逐渐变大,且风涌系数趋近于1时,波浪数据的原始频谱的波浪谱形接近于以涌浪为主的双峰谱。
步骤7:对每个观测点的波浪数据计算得到的双峰因子和风涌系数进行概率密度统计,形成概率密度分布图。
如图3所示,将观测数据中谱形参数密度最大的部分作为特征谱,也即图中阴影区域。
步骤8:对双峰因子和风涌系数按区间划分,从概率密度分布图中提取各个区间对应的谱形,并按下式进行谱平均,得到各个区间下的波浪谱形。
本方法利用双峰因子和风涌系数这两个参数来量化波浪谱形的变化,这两个参数直接从观测的波浪数据中计算得到,无需先分解再拟合。与传统方法相比,本发明可以快速、轻松地处理站点数据以汇总参数,根据计算得到的双峰因子和风涌系数在二维谱形空间的位置确定波浪数据的波浪谱形,能够代表性的总结出波形条件,譬如峰形以及风浪还是涌浪。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (6)
1.一种自适应波浪谱形参数化方法,其特征在于,所述方法包括:
采集观测点的波浪数据,以原始波浪能周期对应的频率作为分割点,从所述波浪数据的原始频谱中寻找所述分割点将整个频谱划分成第一谱区和第二谱区;
分别计算所述第一谱区和第二谱区的波浪谱矩;
根据所述波浪谱矩计算归一化后的双峰因子和风涌系数;其中,所述双峰因子用于表达波浪谱形的峰形,所述风涌系数用于表达波浪谱形介于风浪和涌浪之间的平衡关系;
以所述双峰因子和风涌系数为轴建立二维谱形空间,根据计算得到的双峰因子和风涌系数在所述二维谱形空间的位置确定所述波浪数据的波浪谱形;
其中,所述根据所述波浪谱矩计算归一化后的双峰因子和风涌系数,包括:
根据所述波浪谱矩分别计算所述第一谱区和第二谱区的无量纲波浪能周期和无量纲有义波高;
所述第一谱区和第二谱区的无量纲波浪能周期之差作为归一化后的双峰因子,表达式为:dTn=TAn-TBn;
其中,dTn为双峰因子,TAn为所述第一谱区的无量纲波浪能周期,TBn为所述第二谱区的无量纲波浪能周期;
其中,HAn为所述第一谱区的无量纲有义波高,HBn为所述第二谱区的无量纲有义波高。
3.根据权利要求2所述的自适应波浪谱形参数化方法,其特征在于,所述根据所述波浪谱矩分别计算所述第一谱区和第二谱区的无量纲波浪能周期和无量纲有义波高,包括:
确定每个谱区的频谱形状的描述子,所述描述子包括谱区对应的有义波高和波浪能周期,表达式为:
其中,HsA为所述第一谱区的有义波高,m0A为所述第一谱区的0阶波浪谱矩;HsB为所述第二谱区的有义波高,m0B为所述第二谱区的0阶波浪谱矩;
其中,TeA为所述第一谱区的波浪能周期,m-1A为所述第一谱区的-1阶波浪谱矩;TeB为所述第二谱区的波浪能周期,m-1B为所述第二谱区的-1阶波浪谱矩;
根据每个谱区的描述子结合所述原始有义波高和原始波浪能周期,计算每个谱区的无量纲波浪能周期和无量纲有义波高,表达式为:
5.根据权利要求1所述的自适应波浪谱形参数化方法,其特征在于,所述根据计算得到的双峰因子和风涌系数在所述二维谱形空间的位置确定所述波浪数据的波浪谱形,包括:
所述归一化后的风涌系数的范围为[0,1],当计算得到的双峰因子和风涌系数在所述二维谱形空间同时趋近于0时,所述波浪数据的原始频谱的波浪谱形接近于以风浪为主的单峰谱;当所述双峰因子逐渐变大,且风涌系数趋近于1时,所述波浪数据的原始频谱的波浪谱形接近于以涌浪为主的双峰谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213189.7A CN114595718B (zh) | 2022-03-04 | 2022-03-04 | 一种自适应波浪谱形参数化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213189.7A CN114595718B (zh) | 2022-03-04 | 2022-03-04 | 一种自适应波浪谱形参数化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114595718A CN114595718A (zh) | 2022-06-07 |
CN114595718B true CN114595718B (zh) | 2023-05-30 |
Family
ID=81808318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213189.7A Active CN114595718B (zh) | 2022-03-04 | 2022-03-04 | 一种自适应波浪谱形参数化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595718B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118536406B (zh) * | 2024-07-22 | 2024-09-20 | 大连理工大学 | 一种多参数海浪谱拟合方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583030A (zh) * | 2018-11-01 | 2019-04-05 | 中国海洋大学 | 一种基于混合模型的混合浪波高和周期联合分布构建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052334A (en) * | 1998-08-04 | 2000-04-18 | Rowe-Deines Instruments | System and method for measuring wave directional spectrum and wave height |
WO2002008786A1 (de) * | 2000-07-21 | 2002-01-31 | Gkss-Forschungszentrum Geesthacht Gmbh | Verfahren zur ermittlung von ein in situ seegangsfeld beschreibenden hydrographischen parametern mittels einer radareinrichtung |
EP2435851B1 (en) * | 2009-05-27 | 2016-07-06 | Teledyne Instruments, Inc. | System and method for determining wave characteristics from a moving platform |
US8305257B2 (en) * | 2009-09-02 | 2012-11-06 | Trizna Dennis B | Method and apparatus for coherent marine radar measurements of properties of ocean waves and currents |
CN107101619B (zh) * | 2017-05-08 | 2019-08-09 | 中国海洋大学 | 基于空间相邻波高数据相关性的海浪波长测量方法 |
CN112766553A (zh) * | 2021-01-08 | 2021-05-07 | 中海石油深海开发有限公司 | 波浪谱构建方法、装置、电子设备和存储介质 |
-
2022
- 2022-03-04 CN CN202210213189.7A patent/CN114595718B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583030A (zh) * | 2018-11-01 | 2019-04-05 | 中国海洋大学 | 一种基于混合模型的混合浪波高和周期联合分布构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114595718A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hwang et al. | Ocean surface wave spectra inside tropical cyclones | |
Kirchner-Bossi et al. | A long-term perspective of wind power output variability | |
CN114595718B (zh) | 一种自适应波浪谱形参数化方法 | |
CN114782745B (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
US10634495B2 (en) | Method for selecting wave height threshold | |
CN112949220B (zh) | 一种波浪能资源评估方法、系统、存储介质、计算机设备 | |
CN112287784A (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN102737542B (zh) | 一种顾及多重约束条件的水深注记自动选取方法 | |
CN113780585A (zh) | 一种基于卫星云图的对流云机器学习识别方法 | |
CN112016615A (zh) | 一种基于卷积神经网络学习的强对流天气识别算法 | |
CN115114873B (zh) | 海洋环境重现期设计标准推算方法与系统 | |
CN116882310A (zh) | 一种基于流体力学的台风风场计算方法及装置 | |
Rao et al. | Multi-Physics ensemble prediction of tropical cyclone movement over Bay of Bengal | |
Wang et al. | Effect of the drag coefficient on a typhoon wave model | |
Mahmoodi et al. | Outlier detection in ocean wave measurements by using unsupervised data mining methods | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
Tang et al. | An EMD-PSO-LSSVM hybrid model for significant wave height prediction | |
CN111831966A (zh) | 一种基于高维概率分布函数的组合河道水位预报方法 | |
Steinkohl et al. | Extreme value analysis of multivariate high-frequency wind speed data | |
CN115859840B (zh) | 一种海洋环境动力要素区域极值分析方法 | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
CN111178601A (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
WO2024098499A1 (zh) | 热带气旋对称性结构分析方法、装置、设备及存储介质 | |
Kulikov et al. | Extreme statistics of storm surges in the Baltic Sea | |
CN104021434A (zh) | 基于ERA-Interim预测海浪有效波高的方法 |
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 |