CN114624002B - 一种基于机器学习的智能造波方法 - Google Patents
一种基于机器学习的智能造波方法 Download PDFInfo
- Publication number
- CN114624002B CN114624002B CN202210254344.XA CN202210254344A CN114624002B CN 114624002 B CN114624002 B CN 114624002B CN 202210254344 A CN202210254344 A CN 202210254344A CN 114624002 B CN114624002 B CN 114624002B
- Authority
- CN
- China
- Prior art keywords
- wave
- input
- eta
- height
- making
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种基于机器学习的智能造波方法,包括构建训练样本、基于机器学习进行造波控制模型的训练、利用造波控制模型进行智能造波。用户只需输入目标波浪的参数以及波形数据给造波系统,训练好的造波控制模型即可实时修正造波机运动速度,最终能够实现稳定造波的同时主动吸收反射波浪。智能造波阶段新产生的波浪数据可再放入训练数据库,进行样本丰富,因此整个系统具有自学习能力。本发明的造波方法不受造波机类型限制,不需要推导造波理论,并可实现复杂非线性波浪的造波,具有极大潜能。
Description
技术领域
本发明涉及海洋工程造波技术,特别涉及一种基于机器学习的智能造波方法。
背景技术
在海洋工程物理模型试验中,需在水池或水槽等设施中进行造波模拟。现有的造波方法往往需要根据波浪理论推导,这一过程非常复杂,特别是对于楔形体造波机来说,由于外形复杂,甚至无法得到理论解。但不同类型的造波机都有各自的优势,因此有必要提出一种通用的造波系统能够适用于任意类型的造波机。
在造波过程中,往往会产生二次反射,这对于试验是非常不利的,因此需在产生波浪的同时吸收反射波浪,提高实验精度。为使造波板处的波浪与目标波相同,目前主动吸收式造波成为造波技术中的主流,即造波机运动生成目标波,由在造波板前安装的波高仪测量一次反射波部分,并给造波机一种与原来运动反向的修正信号,从而对反射波进行吸收,避免产生二次反射波。
现有大多数主动消波系统都利用了线性理论框架,通常只包含规则波及随机波的造波功能。但是对于一些非线性强的波浪如孤立波,五阶斯托克斯波,畸形波等,线性造波理论已经无法满足要求。对于色散波来说,即使使用最精确的系统,在计算一阶波高时也会出现误差,因此,需要寻求一种非线性拟合能力强的方法来改进实验造波性能。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于机器学习的智能造波系统。
本发明能够为实验室造波机设计提出一种通用简单的方法,方法所适用的造波机不受造波机类型限制,不需要推导造波理论,并可实现复杂非线性波浪的造波,具有极大潜能。
本发明的技术方案是:
一种基于机器学习的智能造波方法,其包括以下步骤:
步骤1:预设造波机多次进行不同周期、不同冲程的正弦或随机运动产生波浪,记录造波机运动位置及速度时历,并用前置浪高仪记录对应的波面时历,形成训练样本库,其中周期和冲程范围根据用户实际需求设置;
步骤2:采用基于机器学习的方法根据训练样本库数据对造波控制模型进行训练;训练后的造波控制模型的输入变量为任一时刻的波面特征高度ηinput、波面特征速度Vηinput、造波机位置及水深,输出变量为对应时刻的造波机运动速度;
步骤3:造波初始阶段,将所需目标波浪的参数以及波形数据输入造波控制模型,造波控制模型输出造波机运动速度使造波机开始工作;
而后进入智能造波阶段,此时浪高仪实时采集数据,根据浪高仪采集的实测参数和目标波浪的参数计算波面特征高度ηinput、波面特征速度Vηinput,将波面特征高度ηinput、波面特征速度Vηinput、水深及当前造波机位置作为造波控制模型的实时输入参数,造波控制模型实时输出修正后的造波机运动速度,最终能够实现稳定造波的同时主动吸收反射波浪。
作为本发明的优选方案,步骤1构建的训练样本库中,每一组样本数据均包括某一时刻的实测波面高度、实测波面速度、造波机位置、水深和该时刻的造波机运动速度。
作为本发明的优选方案,步骤1中,记录造波机运动位置及速度时历采用的记录设备为激光测距仪。
作为本发明的优选方案,步骤1中,所述的波面时历包括波面高度时历及波面速度时历。
作为本发明的优选方案,步骤2中,所述机器学习的方法为具有非线性拟合能力的支持向量机、随机森林或神经网络。
作为本发明的优选方案,步骤2训练过程中,输入造波控制模型的每组训练样本均包括某一时刻的波面特征高度ηinput、波面特征速度Vηinput、造波机位置及水深,且以该时刻对应的造波机运动速度作为样本标签;
其中,ηinput=ηd+(ηd-ηm) (1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中,ηm为根据浪高仪测量反馈的实侧波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实侧波面速度,Vηd为目标波浪的波面速度;
其中,在训练样本中,由于不存在目标波浪的波面高度和目标波浪的波面速度,在计算波面特征高度ηinput、波面特征速度Vηinput时,令ηd=ηm,Vηd=Vηm。
作为本发明的优选方案,步骤3中,无论是造波初始阶段还是智能造波阶段,均通过公式(1)和(2)得到输入到造波控制模型的波面特征高度ηinput以及波面特征速度Vηinput:
ηinput=ηd+(ηd-ηm) (1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中ηm为根据浪高仪测量反馈的实侧波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实侧波面速度,Vηd为目标波浪的波面速度;
其中,在造波初始阶段,由于水面是平静的,此时ηm和Vηm取各自设定的初始值。
作为本发明的优选方案,步骤3中,输入的目标波浪可为复杂非线性波浪如孤立波,五阶斯托克斯波,畸形波。
作为本发明的优选方案,步骤3中,新测量的波浪数据可再放入训练数据库增加训练样本量。
本发明的有效成果:
本发明的智能造波方法不需要推导造波理论,并可实现复杂非线性波浪如孤立波,五阶斯托克斯波,畸形波等的造波,简单、高效、智能、可行。
由于本发明采用实时反馈控制,其能够实现稳定造波的同时主动吸收反射波浪,从而避免波浪的二次反射影响实验效果。
各次造波的波浪数据可再放入数据库增加样本量,因此整个系统具有自学习能力,可不断提升自身的预测精度,提升实验效率,降低实验误差。
本发明不受造波机类型限制,造波机可为任意形状如圆形、三角形等及任意类型如推板、楔形体等,具有普适性。
采用的机器学习方法具有较强的非线性拟合能力,能够映射造波机速度与造波机位置、波面高度、波面高度变化速度等波浪参数之间的复杂关系。
附图说明
图1为本发明一种基于机器学习的智能造波方法示意图;
图2为推板造波机布置示意图;
图3为楔形体造波机布置示意图;
图4为圆弧形造波机布置示意图;
图5为神经网络结构示意图;
图6为本发明所造的孤立波;
图7为本发明所造的不规则波。
具体实施方式
为进一步了解本发明的发明内容、特点及功效,以下结合实施例进一步说明。
本发明为实验室造波机设计提出一种基于机器学习的智能造波方法,该造波方法不受造波机类型限制,不需要推导造波理论,并可实现复杂非线性波浪的造波,具有极大潜能。利用机器学习方法的非线性拟合能力,能够映射造波机速度与造波机位置、波面高度、波面高度变化速度等波浪参数之间的复杂关系。
如附图1所示,一种基于机器学习的智能造波方法,包括以下步骤:
步骤1:预设造波机多次进行不同周期、不同冲程的正弦或正弦叠加运动产生波浪数据,其中周期和冲程范围可根据用户实际需求设置,覆盖造波机伺服机或电机允许工作范围即可。
该造波系统不受造波机类型限制,因此图2-图4举例出三种造波机的布置,图2是推板造波机,图3是楔形体造波机,图4是圆弧形造波机,图中水深为d。
步骤1中,记录造波机运动位置及速度时历,记录设备需具有实时性,可采用激光测距仪或内置测量装置。同时,用前置浪高仪记录造波机前端实测波面信息,包括波面高度时历及波面速度时历。
步骤1中,根据上述记录的数据以及波浪参数如水深、波高等形成训练样本库。构建的训练样本库中,每一组样本数据均包括某一时刻的实测波面高度、实测波面速度、造波机位置、水深和该时刻的造波机运动速度。
步骤2:采用基于机器学习的方法根据样本库数据进行造波控制模型训练,所述机器学习的方法可为具有非线性拟合能力的支持向量机,随机森林,神经网络等。本实施例采用神经网络结构,图5为神经网络结构示意图。训练后的造波控制模型的输入变量为任一时刻的波面特征高度ηi,波面特征速度Vηi、造波机位置S及水深d,输出变量为对应时刻的造波机运动速度Vpi。
步骤2训练过程中,输入造波控制模型的每组训练样本均包括某一时刻的波面特征高度ηinput、波面特征速度Vηinput、造波机位置及水深,且以该时刻对应的造波机运动速度作为样本标签;
其中,ηinput=ηd+(ηd-ηm) (1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中,ηm为根据浪高仪测量反馈的实侧波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实侧波面速度,Vηd为目标波浪的波面速度;
其中,在训练样本中,由于不存在目标波浪的波面高度和目标波浪的波面速度,在计算波面特征高度ηinput、波面特征速度Vηinput时,令ηd=ηm,Vηd=Vηm。
步骤3:造波初始阶段,将所需目标波浪的参数或波形数据输入造波控制模型,造波控制模型输出造波机运动速度使造波机开始工作;
而后进入智能造波阶段,此时浪高仪实时采集数据,根据浪高仪采集的实测参数和目标波浪的参数计算波面特征高度ηinput、波面特征速度Vηinput,将波面特征高度ηinput、波面特征速度Vηinput、水深及当前造波机位置作为造波控制模型的实时输入参数,造波控制模型实时输出修正后的造波机运动速度,最终能够实现稳定造波的同时主动吸收反射波浪。
进一步地,步骤3中,输入目标波浪的参数或波形数据给造波系统,其中目标波浪可为复杂非线性波浪如孤立波,五阶斯托克斯波,畸形波等。
步骤3中,无论是造波初始阶段还是智能造波阶段,均通过公式和得到输入到造波控制模型的波面特征高度ηinput以及波面特征速度Vηinput:
ηinput=ηd+(ηd-ηm) (1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中ηm为根据浪高仪测量反馈的实侧波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实侧波面速度,Vηd为目标波浪的波面速度;
其中,在造波初始阶段,由于水面是平静的,此时ηm和Vηm取各自设定的初始值。
步骤3中,造波系统通过训练好的造波控制算法输出并实时修正造波机运动速度,进而控制造波机运动产生波浪。图6-图7分别给出通过数值水槽仿真验证本发明所造的孤立波,不规则波的波面历程曲线,其中目标波曲线为理论波形数据用于输入给造波系统,本发明实造波曲线是通过本发明控制造波机运动产生的波浪,由图可见本发明实造波曲线与目标波曲线吻合较好,达到造波目的,证明了本发明的简单、高效、智能、可行。
步骤3中,新测量的波浪数据再放入数据库增加样本量,因此整个系统具有自学习能力。
尽管上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护范围之内。
Claims (9)
1.一种基于机器学习的智能造波方法,其特征在于,包括以下步骤:
步骤1:预设造波机多次进行不同周期、不同冲程的正弦或随机运动产生波浪,记录造波机运动位置及速度时历,并用前置浪高仪记录对应的波面时历,形成训练样本库,其中周期和冲程范围根据用户实际需求设置;
步骤2:采用基于机器学习的方法根据训练样本库数据对造波控制模型进行训练;训练后的造波控制模型的输入变量为任一时刻的波面特征高度ηinput、波面特征速度Vηinput、造波机位置及水深,输出变量为对应时刻的造波机运动速度;
步骤3:造波初始阶段,将所需目标波浪的参数或波形数据输入造波控制模型,造波控制模型输出造波机运动速度使造波机开始工作;
而后进入智能造波阶段,此时浪高仪实时采集数据,根据浪高仪采集的实测参数和目标波浪的参数计算波面特征高度ηinput、波面特征速度Vηinput,将波面特征高度ηinput、波面特征速度Vηinput、水深及当前造波机位置作为造波控制模型的实时输入参数,造波控制模型实时输出修正后的造波机运动速度,最终能够实现稳定造波的同时主动吸收反射波浪。
2.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤1构建的训练样本库中,每一组样本数据均包括某一时刻的实测波面高度、实测波面速度、造波机位置、水深和该时刻的造波机运动速度。
3.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤1中,记录造波机运动位置及速度时历采用的记录设备为激光测距仪。
4.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤1中,所述的波面时历包括波面高度时历及波面速度时历。
5.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤2中,所述机器学习的方法为具有非线性拟合能力的支持向量机、随机森林或神经网络。
6.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤2训练过程中,输入造波控制模型的每组训练样本均包括某一时刻的波面特征高度ηinput、波面特征速度Vηinput、造波机位置及水深,且以该时刻对应的造波机运动速度作为样本标签;
其中,ηinput=ηd+(ηd-ηm)(1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中,ηm为根据浪高仪测量反馈的实测波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实测波面速度,Vηd为目标波浪的波面速度;
其中,在训练样本中,由于不存在目标波浪的波面高度和目标波浪的波面速度,在计算波面特征高度ηinput、波面特征速度Vηinput时,令ηd=ηm,Vηd=Vηm。
7.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤3中,无论是造波初始阶段还是智能造波阶段,均通过公式(1)和(2)得到输入到造波控制模型的波面特征高度ηinput以及波面特征速度Vηinput:
ηinput=ηd+(ηd-ηm) (1)
Vηinput=Vηd+(Vηd-Vηm) (2)
式中ηm为根据浪高仪测量反馈的实测波面高度,ηd为目标波浪的波面高度,Vηm为根据浪高仪测量反馈的实测波面速度,Vηd为目标波浪的波面速度;
其中,在造波初始阶段,由于水面是平静的,此时ηm和Vηm取各自设定的初始值。
8.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤3中,输入的目标波浪为孤立波、五阶斯托克斯波、畸形波。
9.根据权利要求1所述的基于机器学习的智能造波方法,其特征在于,步骤3中,新测量的波浪数据可再放入训练数据库增加训练样本量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254344.XA CN114624002B (zh) | 2022-03-15 | 2022-03-15 | 一种基于机器学习的智能造波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210254344.XA CN114624002B (zh) | 2022-03-15 | 2022-03-15 | 一种基于机器学习的智能造波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114624002A CN114624002A (zh) | 2022-06-14 |
CN114624002B true CN114624002B (zh) | 2023-02-14 |
Family
ID=81902950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210254344.XA Active CN114624002B (zh) | 2022-03-15 | 2022-03-15 | 一种基于机器学习的智能造波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624002B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04191631A (ja) * | 1990-11-27 | 1992-07-09 | Nippon Tetorapotsuto Kk | 反射波吸収型造波機制御装置 |
CN107092231A (zh) * | 2017-05-05 | 2017-08-25 | 大连理工大学 | 一种无反射波浪水槽造波机 |
CN111141483A (zh) * | 2020-01-08 | 2020-05-12 | 天津大学 | 一种基于神经网络自学习的水池内造畸形波的智能方法 |
CN113092061A (zh) * | 2021-04-07 | 2021-07-09 | 大连理工大学 | 一种水槽主动吸收式造波机系统及控制方法 |
CN113609782A (zh) * | 2021-08-17 | 2021-11-05 | 山东大学 | 运动负载受波浪力的实时预测方法及仿真系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696292B (zh) * | 2017-10-20 | 2020-11-17 | 交通运输部天津水运工程科学研究所 | 水池造波机的波浪模拟方法、装置和造波设备 |
-
2022
- 2022-03-15 CN CN202210254344.XA patent/CN114624002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04191631A (ja) * | 1990-11-27 | 1992-07-09 | Nippon Tetorapotsuto Kk | 反射波吸収型造波機制御装置 |
CN107092231A (zh) * | 2017-05-05 | 2017-08-25 | 大连理工大学 | 一种无反射波浪水槽造波机 |
CN111141483A (zh) * | 2020-01-08 | 2020-05-12 | 天津大学 | 一种基于神经网络自学习的水池内造畸形波的智能方法 |
CN113092061A (zh) * | 2021-04-07 | 2021-07-09 | 大连理工大学 | 一种水槽主动吸收式造波机系统及控制方法 |
CN113609782A (zh) * | 2021-08-17 | 2021-11-05 | 山东大学 | 运动负载受波浪力的实时预测方法及仿真系统 |
Non-Patent Citations (2)
Title |
---|
基于小波神经网络的波浪参数预报;王红萍等;《舰船电子工程》;20161231;第36卷(第12期);第80-84页 * |
基于广义预测控制的主动吸收造波;李宏伟等;《上海交通大学学报》;20140131;第48卷(第01期);第111-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114624002A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling | |
CN105444988A (zh) | 一种基于力矩反馈的主动吸收式推板造波装置及造波方法 | |
CN101738949A (zh) | 一种膜基反射镜面形控制系统及控制方法 | |
CN116842474A (zh) | 一种基于tft模型的舰船运动极短期预报方法及系统 | |
CN1275024C (zh) | 大型结构损伤状况实时识别的变时基监测方法 | |
CN114624002B (zh) | 一种基于机器学习的智能造波方法 | |
CN114781709A (zh) | 测风数据插补方法及其装置及计算机可读存储介质 | |
CN108932390A (zh) | 一种荷载计算方法、装置、计算机装置及可读存储介质 | |
CN111680823A (zh) | 一种风向信息预测方法及系统 | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN104038128B (zh) | 基于nurbs的直线电机推力波动控制方法 | |
CN111141483B (zh) | 一种基于神经网络自学习的水池内造畸形波的智能方法 | |
Joo et al. | Enhancement of coherency identification techniques for power system dynamic equivalents | |
CN103488825A (zh) | 一种用于齿轮齿廓曲线重构的数据拟合方法 | |
CN116245039A (zh) | 海上风力发电场群的尾流评估方法及系统 | |
Ling | Development of a model predictive controller for the wave energy converter control competition | |
CN102542173B (zh) | 一种分馏系统过程数据的智能校正方法 | |
Collins et al. | Quantitative metrics for evaluation of wave fields in basins | |
CN110889218B (zh) | 基于神经网络的水轮机非线性建模方法 | |
CN201773112U (zh) | 一种afm的重定位系统 | |
Han et al. | A Prediction Method of Ship Motion Based on LSTM Neural Network with Variable Step-Variable Sampling Frequency Characteristics | |
CN102809966B (zh) | 基于半闭环的软测量仪表及其软测量方法 | |
JP2005078545A (ja) | プロセスモデルの調整方法及び調整装置 | |
Mu et al. | Time-varying encounter angle trajectory tracking control of unmanned surface vehicle based on wave modeling | |
CN112329987A (zh) | 基于Adaboost-EMD-SVM的短期风电场功率预测方法 |
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 |