CN115759203A - 一种多要素耦合条件下海上桩基冲刷预测方法 - Google Patents

Abstract

本发明公开一种多要素耦合条件下海上桩基冲刷预测方法，包括：获取环境数据并构建深度学习模型，其中所述深度学习模型采用DNN网络模型；获取训练样本；基于训练样本通过迁移学习方式对所述深度学习模型进行训练，得到预测模型，通过预测模型对所述环境数据进行预测，得到海上桩基冲刷深度预测结果。通过上述技术方案，本发明能够根据先验知识及相关模拟及实测数据作为迁移学习的数据基础训练生成预测模型，进而通过预测模型对冲刷深度进行有效预测。

Description

一种多要素耦合条件下海上桩基冲刷预测方法

技术领域

本发明涉及桩基冲刷预测技术领域，特别涉及一种多要素耦合条件下海上桩基冲刷预测方法。

背景技术

由于海上的丰富风能资源及技术的可行性等相关因素，发展出了海上风电场技术，海上风电场技术主要以海上风机为基础，通过不同结构及设备进行支撑，以底部固定式支撑为主要固定方式，其中底部固定式支撑中的单桩固定方式通过单桩基础进行固定，单桩基础由一个钢桩构成，安装在海床以下的位置，其安装深度由海床地面的类型决定。单桩基础有力地将风塔伸到水下及海床内。这种基础的一大优点是不需整理海床。但是，桩基需要防止海流对海床的冲刷。在冲刷过程中，基桩周围会出现冲坑，进而出现削弱桩基承载力，降低基础自振频率，影响结构疲劳寿命等问题。所以对于海上基桩冲刷的预测对于前期的基桩安装设计及后期的养护具有重要意义。现有技术中通过不同经验公式对其冲刷深度进行计算及预测，由于其冲刷问题的复杂性及不确定性，多数的经验公式通过问题简化后进行得到，不同的经验公式与实际冲刷问题的求解存在一定差异，且未对其参数之间的耦合性进行考虑，同时其经验公式的大部分实验为室内模拟实验及水槽实验，其与实际现场观测存在一定偏差，综上，现有技术中冲刷计算对于实际现场计算存在一定的误差，无法有效对冲刷进行有效预测。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种多要素耦合条件下海上桩基冲刷预测方法，能够根据先验知识及相关模拟及实测数据作为迁移学习的数据基础训练生成预测模型，进而通过预测模型对冲刷进行有效预测，大幅降低预测误差。

为了实现上述技术目的，本发明提供了如下技术方案：

一种多要素耦合条件下海上桩基冲刷预测方法，包括：

获取环境数据并构建深度学习模型，其中所述深度学习模型采用DNN网络模型；

获取训练样本；基于训练样本通过迁移学习方式对所述深度学习模型进行训练，得到预测模型，通过预测模型对所述环境数据进行预测，得到海上桩基冲刷深度预测结果。

可选的，所述环境数据包括桩基海床形状数据及波流数据，所述桩基海床数据包括桩基形状数据、海床形状数据、沉积物尺寸数据、砂土粒径数据、水深数据及Froude数；所述波流数据包括波浪速度、水流速度、冲击角数据、波高、波数、波周期及波浪KC系数。

可选的，所述训练样本包括通过先验知识获取的仿真数据，室内模拟数据及实测历史数据，其中所述先验知识包括针对海上冲刷预测的不同算法。

可选的，对所述深度学习模型进行训练的过程包括：

基于所述仿真数据对所述深度学习模型进行训练，生成理论模型；

基于室内模拟数据通过特征迁移学习方式对所述理论模型进行训练，得到模拟模型；

基于实测历史数据通过特征迁移学习及结构迁移学习方式对所述模拟模型进行训练，得到预测模型。

可选的，得到预测模型之后还包括：

对预测模型进行测试，其中获取预测模型的性能指标，对所述性能指标进行判断，若所述性能指标合格，则使用合格的预测模型对所述环境数据进行预测；所述性能指标不合格，则增加实测历史数据的样本数量对所述预测模型进行训练，直到所述预测模型的性能指标合格。

可选的，获取训练样本之后，对所述训练样本进行预处理，得到预处理后的训练样本，基于预处理后的训练样本对深度学习模型进行训练；其中所述预处理包括缺失值填补及标准化处理。

可选的，对所述深度学习模型进行训练的过程中，采用梯度下降法更新深度学习模型的网络参数。

可选的，生成理论模型的过程包括：

对仿真数据中的不同算法对应的训练样本进行整合；根据所述不同算法中的变量个数对所述训练样本进行排序，通过排序后的训练样本依次对所述深度学习模型进行训练，得到理论模型。

本发明具有如下技术效果：

本发明使用上述技术方案，能够通过先验知识所仿真的数据学习不同算法之间参数之间的相互作用关系，并之后迁移到室内模拟方面，通过室内模拟方面调整理论模型的不足，并通过实际训练数据再次迁移到现场方面下，实现对现场实际海上冲刷深度的预测，在训练过程中，能够在现场方面训练数据较少的情况下，提升模型的预测精度。本发明所述模型采用全连接神经网络(DNN)，该模型中的隐藏层节点采用全连接方式，能够对网络中输入参数之间的耦合关系进行有效体现，针对多输入要素耦合关系对冲刷深度进行有效预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程示意图；

图2为本发明实施例提供的任务流程框图。

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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-2所示，本发明提供了一种多要素耦合条件下海上桩基冲刷预测方法，该方法中，通过预先收集相关先验知识，本申请所述先验知识中包括针对基桩冲刷的算法，使用上述算法相关数据训练一种理论模型，并通过相关室内实验来采集具有相似特征的训练样本即室内模拟数据，通过室内模拟数据训练样本通过样本特征迁移的学习方式将模型从理论模型方面到模拟方面中，由此训练出一种接近实际现场预测的模型，并通过实际采集的历史样本数据对上述模型进行再次训练将模型从模拟方面迁移到现场方面中，生成一种能够实际应用于海岸预测的模型。

通过该模型对实际采集的相关数据进行预测，生成最终的冲刷深度。本发明使用上述技术方案，能够通过先验知识所仿真的数据学习不同算法之间参数之间的相互作用关系，并之后迁移到室内模拟方面，通过室内模拟方面调整理论模型的不足，并通过实际训练数据再次迁移到现场方面下，实现对现场实际海上冲刷深度的预测，在训练过程中，能够在现场方面训练数据较少的情况下，提升模型的预测精度。本发明所述模型采用全连接神经网络(DNN)，该模型中的隐藏层节点采用全连接方式，能够对网络中输入参数之间的耦合关系进行有效体现，针对多输入要素耦合关系对冲刷深度进行有效预测。

通过具体步骤对上述内容进行说明：

本发明用于训练所采集的相关数据即训练样本包括基于先验知识相关采集数据即仿真数据、室内模拟数据及实测历史数据，其中，先验知识包括针对海上基桩冲刷预测计算的相关算法，如CSU方程、韩海骞公式、Sumer方法等，在收集完成相关算法后，构建海上桩基冲刷环境仿真模型，其中该模型中通过设定与深度学习模型的输入数据相同的数据作为环境参数，环境参数包括：桩基海床数据及波流数据，上述数据通过直接设置采集或者相关计算获取，通过上述先验知识的算法对上述环境仿真模型进行解算，进而生成针对同一环境数据的不同算法下的冲刷深度，对同一算法下的环境仿真数据及冲刷深度进行整合，形成某一算法的训练样本，通过对不同算法进行仿真，进而得出多个算法下的训练样本，在进行训练之前，基于算法中的变量参数个数对多个算法下的训练样本进行由少到多的排序，将变量参数少的算法对应的训练样本进行优先训练，一个算法下的训练样本训练完成后使用下一个算法下的训练样本进行训练，直到所有样本训练完成，进而生成理论模型。室内模拟数据通过相关室内模拟试验及水箱试验等相关比尺实验进行获取，实测历史数据通过对海上桩基现场进行传感监测进而获得，室内模拟数据及历史数据均包括环境参数内的数据类别及对应的冲刷深度，将获取不同训练样本后，对训练样本进行缺失值填补及标准化预处理，通过预处理后的训练样本对模型进行训练。

本发明所使用的深度学习模型采用全连接神经网络(DNN)，DNN能够学习输入-输出及输入-输入参数之间的强相关性，无需任何专门的适应，只需对网络内部参数进行调整就可以实现高精度收敛，将问题从非线性函数上的拟合变为让DNN搜索非线性多函数。虽然还不清楚这在严格的数学意义上是否有利，但这正是DNN在各种实际应用中所擅长的任务。本发明希望将深度学习神经网络引入冲刷预测领域，利用深度学习方面取得的显著进展为参数求解提供可能。

本发明针对全连接神经网络的结构设计中，包括输入层、隐藏层及输出层，输入层的输入数据为海上基桩环境数据，包括桩基海床数据及波流数据，基桩海床数据包括桩基形状数据、海上形状数据、沉积物尺寸数据、砂土粒径数据、水深数据及Froude数；波流数据包括：波浪速度、水流速度、冲击角数据、波高、波数、波周期及波浪KC系数等数据，隐藏层中将隐藏层数设置为7，隐藏层节点数设置为500，输出层设置为冲刷深度数据。在构建完成后，对节点中的权重进行随机初始化，并在训练过程中使用梯度下降法更新网络参数。

首先使用先验知识中不同算法下的训练样本通过上述顺序依次进行训练，训练完成后，生成包含不同算法特征的理论模型即理论方面(源域)下的优化模型，接着替换训练集并保留理论模型的网络参数，通过迁移学习的方式使用室内模拟数据的训练样本对源域下的优化模型进行继续优化，生成模拟模型即模拟方面(中间域)下的优化模型，然后并保留模拟模型的网络参数，再次通过迁移学习的方式使用历史数据对中间域下的优化模型进行训练，生成能够对海上桩基现场数据进行预测的预测模型即实际方面(目标域)下的模型。上述迁移学习均采用特征迁移学习方法，不同冲刷算法能够体现出实际冲刷的部分规律即算法仿真的数据与实际预测数据之间存在一定拟合关系的相似性，但是上述不同冲刷算法为针对实际冲刷环境的理想化算法，与实际多重要素耦合的冲刷现象存在一定的差异，而室内模拟作为算法拟合结果主要的试验手段，其算法与室内模拟数据存在一定相似性，同时试验与实际数据中存在较小的偏差，所以设置中间域作为迁移学习缓冲，减少目标域训练样本的使用，并通过源域、中间域、目标域的逐步迁移使得模型对于实际冲刷方法能够使用较少的实际冲刷数据能够对模型进行有效训练，得到较高的精度，同时DNN模型能够拟合不同参数之间的相关性，如：桩基海床与波流之间的耦合、波流之间的耦合，保证拟合参数之间的耦合性，在训练过程中，对算法中的较少耦合关系、室内数据间的耦合关系及实际数据间的耦合关系进行一步一步的优化拟合，最终保证能够有效体现实际数据中的拟合关系，实现多要素耦合的冲刷预测。

在上述内容中，为了更好的体现实际数据的耦合关系，防止实际数据之间耦合关系的缺失，在将中间域迁移到目标域的过程中需要对模型进行一定调整，本发明在输出层及最后一隐藏层之间插入一层隐藏层，且隐藏层节点数为500，并对插入后的隐藏层进行随机初始化，同时前序网络结构及参数不进行修改，并在训练时，对插入隐藏层之前的模型参数进行冻结，通过小部分的实际训练集对冻结的模型进行训练，然后采用剩余实际训练集对解冻模型进行训练。通过历史数据即实际数据的训练样本对调整后的模型进行训练实现特征及结构迁移，生成最终的预测模型。在生成预测模型后通过采集实际数据对该模型进行测试，通过使用准确性能指标进行测试，如准确率、召回率、特异性或马太相关系数，当性能指标大于一定预先设定的阈值时，则认为该模型合格，能够进行预测使用，若不合格，则获取实际采集数据对预测模型进行训练，直到合格为止。

生成该模型后，直接获取海上桩基的相关环境数据，通过将相关环境数据进行预处理后输入预测模型中，通过预测模型输出得到冲刷深度，以实现兼顾环境参数与冲刷深度之间、环境参数之间的相关耦合作用情况下的冲刷预测。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种多要素耦合条件下海上桩基冲刷预测方法，其特征在于，包括：

获取环境数据并构建深度学习模型，其中所述深度学习模型采用DNN网络模型；

获取训练样本；基于训练样本通过迁移学习方式对所述深度学习模型进行训练，得到预测模型，通过预测模型对所述环境数据进行预测，得到海上桩基冲刷深度预测结果。

2.根据权利要求1所述的方法，其特征在于：

所述环境数据包括桩基海床形状数据及波流数据，所述桩基海床数据包括桩基形状数据、海床形状数据、沉积物尺寸数据、砂土粒径数据、水深数据及Froude数；所述波流数据包括波浪速度、水流速度、冲击角数据、波高、波数、波周期及波浪KC系数。

3.根据权利要求1所述的方法，其特征在于：

所述训练样本包括通过先验知识获取的仿真数据，室内模拟数据及实测历史数据，其中所述先验知识包括针对海上冲刷预测的不同算法。

4.根据权利要求3所述的方法，其特征在于：

对所述深度学习模型进行训练的过程包括：

基于所述仿真数据对所述深度学习模型进行训练，生成理论模型；

基于室内模拟数据通过特征迁移学习方式对所述理论模型进行训练，得到模拟模型；

基于实测历史数据通过特征迁移学习及结构迁移学习方式对所述模拟模型进行训练，得到预测模型。

5.根据权利要求1所述的方法，其特征在于：

得到预测模型之后还包括：

对预测模型进行测试，其中获取预测模型的性能指标，对所述性能指标进行判断，若所述性能指标合格，则使用合格的预测模型对所述环境数据进行预测；所述性能指标不合格，则增加实测历史数据的样本数量对所述预测模型进行训练，直到所述预测模型的性能指标合格。

6.根据权利要求1所述的方法，其特征在于：

获取训练样本之后，对所述训练样本进行预处理，得到预处理后的训练样本，基于预处理后的训练样本对深度学习模型进行训练；其中所述预处理包括缺失值填补及标准化处理。

7.根据权利要求1所述的方法，其特征在于：

对所述深度学习模型进行训练的过程中，采用梯度下降法更新深度学习模型的网络参数。

8.根据权利要求4所述的方法，其特征在于：

生成理论模型的过程包括：

对仿真数据中的不同算法对应的训练样本进行整合；根据所述不同算法中的变量个数对所述训练样本进行排序，通过排序后的训练样本依次对所述深度学习模型进行训练，得到理论模型。

Images