CN115775442A - 一种基于神经网络的台风浪对防波堤破坏预警方法及系统 - Google Patents

一种基于神经网络的台风浪对防波堤破坏预警方法及系统 Download PDF

Info

Publication number
CN115775442A
CN115775442A CN202310106898.XA CN202310106898A CN115775442A CN 115775442 A CN115775442 A CN 115775442A CN 202310106898 A CN202310106898 A CN 202310106898A CN 115775442 A CN115775442 A CN 115775442A
Authority
CN
China
Prior art keywords
breakwater
wave
granular
weight
early warning
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.)
Pending
Application number
CN202310106898.XA
Other languages
English (en)
Inventor
戈龙仔
刘针
陈汉宝
徐亚男
谭忠华
马隽
陈松贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Research Institute for Water Transport Engineering MOT
Original Assignee
Tianjin Research Institute for Water Transport Engineering MOT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Research Institute for Water Transport Engineering MOT filed Critical Tianjin Research Institute for Water Transport Engineering MOT
Priority to CN202310106898.XA priority Critical patent/CN115775442A/zh
Publication of CN115775442A publication Critical patent/CN115775442A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Revetment (AREA)

Abstract

本申请公开一种基于神经网络的台风浪对防波堤破坏预警方法及系统，包括以下步骤：获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；基于防波堤位置波浪要素、水位组合条件和防波堤横断面参数，开展水动力环境‑防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；基于散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；构建并训练改进后的BP神经学习网络，得到台风浪极端海况对防波堤破坏预警模型，在台风浪极端海况时对防波堤破坏做出预警。本申请开展系列组合模型试验，获得水动力环境—散粒体失稳破坏重量数据库，运用改进后的BP网络模型，经网络训练和检验，可对台风浪极端海况的防波堤破坏进行预警。

Description

一种基于神经网络的台风浪对防波堤破坏预警方法及系统
技术领域
本申请属于港口与海岸工程领域，具体涉及一种基于神经网络的台风浪对防波堤破坏预警方法及系统。
背景技术
防波堤是港口、海岸工程建设中的重要水工建筑物之一，其作用是保护港口的水域不受波浪的侵袭或减小波浪的作用。由于台风引起的极端海况形成冲击能量，往往使得防波堤遭受严重的破坏，破坏的主因为强风引起的波浪和水位叠加，在破坏中的防波堤，91%以上是护面块体或者坡脚块石等散粒体滚落失稳造成的。另外破坏中的防波堤大部分都建设在水深大浪处，因此给破坏后的防波堤修复难度加大，以及散粒体修复费用成倍增加。因此面临台风浪极端海况破坏力强，破坏造成经济损失巨大难题，提供一种精确、实用的防波堤破坏智能预警技术具有极大的需求，也是工程界面临的一项重要而迫切的任务。
目前揭示在波浪作用下防波堤散粒体失稳破坏的技术手段，常用的有经验公式计算、物理模型试验和数值模拟3种，由于经验公式只能用来近似的估计，通用性不强；物理模型的研究，受测量仪器和试验场地、缩尺效应和模型制作时间等限制，存在模拟范围小、时间滞后；数值模拟较物理模型试验具有方便、快捷和经济等优点，但散粒体失稳受各种复杂因素的影响表现为非线性动力学过程，且因素之间的变化及相互影响关系也很难确定，目前仍无法建立起在各种情况下普遍采用的数学模型，同时上述3种研究技术手段，均无法快速反映未来时间段台风登陆时，实现快速预报和预警的功能，难以为后方港口管理者开展应急保障提供足够的时长。
基于上述急需问题和目标实现，鉴于人工神经网络具有很强大的处理复杂非线性问题，以及快速准确预报预警的能力，因此发明了一种基于神经网络的台风浪对防波堤破坏预警方法及系统。利用人工神经网络自学习功能，采用编制新程序的算法，以模型试验成果作为神经网络的训练和测试样本，将测模型试验结果、经验公式计算和现场实测数据进行检验，经多次迭代方式，最终达到期望目标差；解决了实际问题，实现了快速预警的目标。
发明内容
本申请提出了一种基于神经网络的台风浪对防波堤破坏预警方法及系统。采用由一个输入层、一个隐含层和一个输出层构成的三层改进的BP（Back-Propagation）神经网络，网络训练方法采用L-M（非线性最小二乘法）算法，神经网络输出值与目标值之间的吻合程度用均方根误差进行衡量，隐含层和输出层的激活函数为分别为Sigmoid型函数和线性函数。网络运行流程为：首先确定台风浪极端海况下防波堤散粒体破坏的主要影响因素，选取足够多的训练样本数据；其次设置参数：包括输入层及输出层神经元、隐含层的数目、神经元数、初始权值和激活函数、初始学习速率、误差速率和期望目标误差等；最后开始训练网络，获得计算结果后，将网络模拟结果与模型试验结果、经验公式计算进行对比检验，若两者相关系数较差，则进一步对预报模型设置参数优化后再次迭代计算，直到满足期望目标误差允许范围。
为实现上述目的，本申请提供了如下方案：
一种基于神经网络的台风浪对防波堤破坏预警方法，包括如下步骤：
S1.获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；
S2.基于所述防波堤位置波浪要素、所述水位组合条件和所述防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；
其中，所述散粒体受力分析方法包括：
对防波堤横断面斜坡上散粒体受力分析，得到散粒体受波浪作用下的水流浮托力
Figure SMS_1
，以及水下重量
Figure SMS_2
，也即散粒体重量
Figure SMS_3
与水对散粒体产生浮力之差；
所述水流浮托力包括速度力F d 和惯性力F m ，
Figure SMS_4
其中，
Figure SMS_5
分别为速度力和惯性力系数；
Figure SMS_6
分别为面积和体积系数；l为散粒体长度，g为重力加速度，u为波浪产生的水流速度，
Figure SMS_7
为水的重度；
将惯性力F m 的影响合并入速度力F d 中，简化后水流浮托力公式为：
Figure SMS_8
其中，
Figure SMS_9
为联合影响系数，是与
Figure SMS_10
和
Figure SMS_11
有关的函数；
波浪破碎时
Figure SMS_12
计算式为：
Figure SMS_13
其中，
Figure SMS_14
为波浪破碎系数，与防波堤断面坡度M、水深d、波高H有关，则
Figure SMS_15
所述防波堤斜坡上散粒体水下重量
Figure SMS_16
计算式为：
Figure SMS_17
其中，
Figure SMS_18
为材料重度，
Figure SMS_19
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure SMS_20
其中，
Figure SMS_21
为防波堤坡度夹角；
散粒体重量
Figure SMS_22
，即：
Figure SMS_23
将式（9）代入式（8）中，因此力的平衡方程式可变换为：
Figure SMS_24
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质参数有关的散粒体重量
Figure SMS_25
计算公式为：
Figure SMS_26
其中，
Figure SMS_27
为散粒体重量，
Figure SMS_28
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure SMS_29
为相对水深，表示水深/波长，
Figure SMS_30
为水深，
Figure SMS_31
为防波堤断面坡度，
Figure SMS_32
为散粒体的稳定系数，
Figure SMS_33
为波浪传播过程中的波浪方向；
由上述波浪作用下散粒体稳定重量关系式得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素；
S3.基于所述散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；
S4.基于改进后的BP网络，并采用LM算法，结合水动力环境—散粒体失稳重量数据库，提取训练样本，并设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数；基于所述散粒体稳定性影响的关键因素，确定输入层、输出层的神经元类型和数量，开展网络样本训练、样本测试和样本检验，获得台风浪极端海况对防波堤破坏预警模型。
优选的，所述预警方法还包括：
S5.对所述预警模型进行优化，包括精度优化和计算速度优化；
所述优化的方法包括：
通过对比所述预警模型的计算结果与试验结果的相关性，建立波浪与散粒体重量响应机制，若所述波浪与所述散粒体重量之间相关系数低于预设值的
Figure SMS_34
，则进行误差收敛，进一步对所述预警模型设置参数进行优化，直到满足预定目标误差允许范围。
优选的，所述S1中，获取所述防波堤位置波浪要素和所述水位组合条件的方法包括：
利用台风预报数据文件，以及造成破坏的波浪和水位因素，采用台风浪SWAN模型进行数据处理，获得防波堤位置波浪、水位要素，并波浪、水位参数的模拟区间的范围。
优选的，所述S1中，获取所述防波堤横断面参数的方法包括：
将整个防波堤结构划分为堤头、堤身和堤根三段，获得每段断面参数和散粒体比重相对值，所述断面参数包括坡度和散粒体护面的稳定系数。
优选的，所述S5中，计算速度优化的方法包括：
基于改进的BP网络，采用附加动量法和自适应学习速率法，进行计算速度优化。
另一方面，为实现上述目的，本申请还提出了一种基于神经网络的台风浪对防波堤破坏预警系统，包括：参数获取单元、影响因素单元、数据库单元和预警模型单元；
所述参数获取单元用于获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；
所述影响因素单元用于基于所述防波堤位置波浪要素、所述水位组合条件和所述防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；
其中，所述散粒体受力分析方法包括：
对防波堤横断面斜坡上散粒体受力分析，得到散粒体受波浪作用下的水流浮托力
Figure SMS_35
，以及水下重量
Figure SMS_36
，也即散粒体重量
Figure SMS_37
与水对散粒体产生浮力之差；
所述水流浮托力包括速度力F d 和惯性力F m ，
Figure SMS_38
其中，
Figure SMS_39
分别为速度力和惯性力系数；
Figure SMS_40
分别为面积和体积系数；l为散粒体长度，g为重力加速度，u为波浪产生的水流速度，
Figure SMS_41
为水的重度；
将惯性力F m 的影响合并入速度力F d 中，简化后水流浮托力公式为：
Figure SMS_42
其中，
Figure SMS_43
为联合影响系数，是与
Figure SMS_44
和
Figure SMS_45
有关的函数；
波浪破碎时
Figure SMS_46
计算式为：
Figure SMS_47
其中，
Figure SMS_48
为波浪破碎系数，与防波堤断面坡度M、水深d、波高H有关，则
Figure SMS_49
所述防波堤斜坡上散粒体的水下重量
Figure SMS_50
计算式为：
Figure SMS_51
其中，
Figure SMS_52
为材料重度，
Figure SMS_53
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure SMS_54
其中，
Figure SMS_55
为防波堤坡度夹角；
散粒体重量
Figure SMS_56
，即：
Figure SMS_57
将式（9）代入式（8）中，因此力的平衡方程式可变换为：
Figure SMS_58
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质等参数有关的散粒体重量
Figure SMS_59
计算公式为：
Figure SMS_60
其中，
Figure SMS_61
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure SMS_62
为相对水深，表示水深/波长，
Figure SMS_63
为水深，
Figure SMS_64
为防波堤断面坡度，
Figure SMS_65
为散粒体的稳定系数，
Figure SMS_66
为波浪传播过程中的波浪方向；
由上述波浪作用下散粒体稳定重量关系式得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素；
所述数据库单元用于基于所述散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；
所述预警模型单元用于基于改进后的BP网络，并采用LM算法，结合水动力环境—散粒体失稳重量数据库，提取训练样本，并设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数；基于所述散粒体稳定性影响的关键因素，确定输入层、输出层的神经元类型和数量，开展网络样本训练、样本测试和样本检验，获得台风浪极端海况对防波堤破坏预警模型，所述预警模型在台风浪极端海况时对防波堤破坏做出预警。
优选的，所述预警系统还包括优化单元；
所述优化单元用于对所述预警模型单元进行优化，包括精度优化和计算速度优化。
本申请的有益效果为：
本申请公开了一种基于神经网络的台风浪对防波堤破坏预警方法及系统，通过开展系列组合模型试验，获得水动力环境—散粒体失稳破坏重量数据库，运用改进的BP网络模型，经网络训练和检验，可快速对台风浪极端海况的防波堤破坏进行预警，模拟结果一方面可为港口设计者在防波堤前期提供基础数据，另一方面为港口管理者在防波堤运营期提供更长的应急准备时间，大大降低了因台风浪导致防波堤破坏后对掩护区内设施次级灾害。
附图说明
为了更清楚地说明本申请的技术方案，下面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是本申请的一些实施例，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为本申请实施例一的预警方法流程示意图；
图2为本申请实施例一的开展系列模型试验工况组合示意图；
图3为本申请实施例一的防波堤断面斜坡上散粒体受力分析示意图；
图4为本申请实施例一的神经网络参数设置示意图；
图5为本申请实施例一的神经网络模拟的流程示意图；
图6为本申请实施例一的网络训练结果与模型结果相关性对比示意图；
图7为本申请实施例一的模拟预警结果与模型试验结果、公式结果数据和设计值对比示意图；
图8为本申请实施例二的整体系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一：如图1所示，为本申请实施例的预警方法流程示意图；包括以下步骤：
S1.获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；利用国家海洋预报台风网公开台风预报数据文件，以及造成破坏的波浪和水位等主要因素，采用成熟的台风浪SWAN模型进行计算再分析，获得了防波堤位置波浪、水位要素等水动力条件，确定波浪、水位参数的模拟区间的范围，其中包括波高H、周期T、波浪方向α和一场台风浪持续作用的时间t,以及极端高水位h1、设计高水位h2、平均水位h3、极端低水位h4等。图2所示，具体包括：
①、基于防波堤轴线沿程波浪要素分布统计，确定N1个需要计算的代表波浪方向
Figure SMS_67
=0°~315°，间隔为45°，共计8个组次；确定N2个需要计算的代表波高H=4.0~16.0m，间隔2.0m，共计7个组次；确定N3个需要计算的代表周期T=8.0~20.0s，间隔2.0s，共计7个组次；
②、基于防波堤位置水位分析统计，确定N4个需要计算的代表水位h=2.0~10.0m，间隔为2.0m，共计5个组次；
③、由①和②计算条件叠加，确定所需模拟的总组次为：N1×N2×N3×N4=8×7×7×5×5=9800，以下类似。
确定防波堤断面参数：受防波堤轴沿程水深不同，则波浪对散粒体冲击作用的程度和失稳形式不同，因此将整个防波堤按不同结构划分为堤头、堤身和接岸的堤根3段，从而分别获得每段横断面参数。受防波堤轴沿程水深不同，基于《防波堤与护岸设计规范》（JTS154-2018）规定，因此将整个防波堤结构划分为堤头、堤身和堤根三段，从而获得每段断面参数：防波堤断面坡度M，稳定系数K D和散粒体比重相对值
Figure SMS_68
为材料重度，
Figure SMS_69
为水的重度，具体包括：
①、基于《防波堤与护岸设计规范》（JTS154-2018）中规定，给出所有结构断面型式坡度选择，确定N5个需要计算坡度M=1:1.25、1:1.5、1:2、1:3，共计4个组次；
②、基于《防波堤与护岸设计规范》（JTS154-2018）中规定，给出工程上常用的散粒体护面包括块石、四脚锥体、四脚空心方块、扭工字和扭王字块稳定系数KD和比重相对值
Figure SMS_70
选择，确定N6个需要计算稳定系KD=4.0、8.0、14.0、16.0，共计4个组次；确定N7个需要计算比重相对值
Figure SMS_71
=2.65、2.3，共计2个组次；
③、由①和②计算条件叠加，确定所需模拟的总组次为：N5×N6×N7=4×4×2=32。
S2.基于防波堤位置波浪要素、水位组合条件和防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素。
其中，对防波堤断面斜坡上散粒体受力分析的方法，如图3所示，散粒体主要受波浪作用下的水流浮托力
Figure SMS_72
，以及水下重量
Figure SMS_73
，也即散粒体重量
Figure SMS_74
与水对散粒体产生浮力之差。当波浪冲击作用下，坡面上散粒体失稳的瞬间，在忽略此时散粒体之间的摩擦力，利用力的平衡原理，获得了平衡力的等量方程式为：
Figure SMS_75
。
其中，水流浮托力
Figure SMS_76
包括两部分，分别为：
速度力：
Figure SMS_77
惯性力：
Figure SMS_78
其中，
Figure SMS_79
分别为速度力和惯性力系数；
Figure SMS_80
分别为面积体积系数；
Figure SMS_81
为散粒体长度，g为重力加速度，u为水流速度，
Figure SMS_82
为水的重度。
由于实际应用过程中
Figure SMS_83
和水流加速度
Figure SMS_84
的取值存在一定困难，因此将惯性力的影响合并入速度力F d 中，j简化后水流浮托力公式为：
Figure SMS_85
其中，
Figure SMS_86
为联合影响系数，是与
Figure SMS_87
和
Figure SMS_88
有关的函数；其它字母含义同上。
在波浪破碎时
Figure SMS_89
计算式为：
Figure SMS_90
其中，
Figure SMS_91
为波浪破碎系数，与防波堤断面坡度M，也即垂直高度与水平距离的比值，水深d，也即工程位置处海底高程与水位之间的和，和波高H有关；
因此水流浮托力可变换为：
Figure SMS_92
散粒体水下重量
Figure SMS_93
计算式为：
Figure SMS_94
其中，
Figure SMS_95
为材料重度，
Figure SMS_96
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure SMS_97
其中，
Figure SMS_98
为防波堤坡度夹角；
散粒体重量
Figure SMS_99
，也即可以写成：
Figure SMS_100
将式（9）代入式（8）中，因此力的平衡方程式可继续变换为：
Figure SMS_101
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质等参数有关的散粒体重量
Figure SMS_102
计算公式为：
Figure SMS_103
其中，
Figure SMS_104
为散粒体重量，
Figure SMS_105
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure SMS_106
为相对水深，表示水深/波长，
Figure SMS_107
为水深，也即工程位置处海底高程与水位之间的和，
Figure SMS_108
为防波堤断面坡度，也即垂直高度与水平距离的比值，
Figure SMS_109
为散粒体的稳定系数，
Figure SMS_110
为波浪传播过程中的波浪方向；
由式（11）得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素。
S3.基于所述散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；基于S1中系列工况组合，开展系列模型（物理模型、数学模型）试验，具体如下：
以防波堤堤头段为例进一步说明，首先查询并确定防波堤堤头段断面参数信息，选择适当的模型比尺或数学模型计算范围，针对防波堤堤头段断面形式和堤头区域的水下地形，开展试验模型制作或数值化建模；其次设置不同波浪(波高H、周期T、波浪方向α、波浪持续作用时间t)和水位（极端高水位h1、设计高水位h2、设计低水位h3、极端低水位h4）组合工况，进一步开展正式试验或计算；最后对研究成果进行分析处理，获得系列工况组合条件下，水动力环境—散粒体失稳重量的数据文件；同样针对防波堤其它段（堤身和堤根），利用上述同样试验方法，获得重量数据文件，一并存入数据库中。因此模型试验模拟的总组次：N=N1×N2×N3×N4×N5×N6×N7。
S4.基于改进后的BP网络，并采用LM算法，结合所述水动力环境—散粒体失稳重量数据库，构建并训练改进后的BP神经学习网络，得到台风浪极端海况对防波堤破坏预警模型，所述预警模型用于在台风浪极端海况时对防波堤破坏做出预警。
基于改进后的BP网络，采用LM算法，基于S2获得的水动力环境—散粒体失稳重量数据库，提取部分为训练样本，设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数，基于S3散粒体失稳重量因素，确定输入层、输出层的神经元类型和数量，开展样本网络训练、样本测试和样本检验，形成本申请基于人工神经网络的台风浪极端海况对防波堤破坏预警方法。如图4、图5所示，具体包括：
①将数据库分成两部分样本，训练样本和测试样本。各输入
Figure SMS_111
神经元信息依据如下函数表达式在神经网络中传递：
Figure SMS_112
其中上标
Figure SMS_113
表示第
Figure SMS_119
层神经网络，
Figure SMS_121
表示所在层内第
Figure SMS_114
个神经元，
Figure SMS_117
为激活函数，为
Figure SMS_122
层上第
Figure SMS_123
个神经元与
Figure SMS_115
层上第
Figure SMS_116
个神经元之间的权重系数，
Figure SMS_118
为第
Figure SMS_120
层的偏置系数。
②设置网络参数，利用针对预警预报精度的误差分析，获取隐含层数目为1个，隐含层节点数，依据经验公式
Figure SMS_124
，其中，
Figure SMS_125
为隐含层输入神经元数，
Figure SMS_126
为隐含层输入单元数，
Figure SMS_127
为[1,10]之间的常数，利用模型误差期望分析法，最终得到最优节点数为10个，训练过程见表1。
表1
Figure SMS_128
③初始权值及激活函数的选取：由于系统是非线性的，初始权值对于学习是否达到局部最小，是否能够收敛以及训练时间长短的关系很大，一般取初始权值在(0，1)之间的随机值。隐含层和输出层的激活函数为分别为
Figure SMS_129
型函数和线性函数。
在本实施例中，预警方法还包括：
S5.对所述预警模型进行优化，包括精度优化和计算速度优化；即通过对比计算结果与试验结果的相关性，建立波浪与散粒体重量响应机制，若两者相关系数低于预设值的
Figure SMS_130
，则认为两者相关系数较差，编写误差收敛程序，进一步对预警模型设置参数进行优化，直到满足期望目标误差允许范围。
①进一步加快训练速度方法，基于改进型BP网络，采用附加动量法和自适应学习速率法，计算表达式分别如下：
附加动量因子的权值调整计算公式：
Figure SMS_131
其中，
Figure SMS_132
为权值变化量；
Figure SMS_133
为偏差变化量；
Figure SMS_134
为误差项；
Figure SMS_135
为输入矢量；
Figure SMS_136
为学习速率；
Figure SMS_137
为动量因子，一般取0.95。
自适应学习速率法的调整计算公式：
Figure SMS_138
其中，
Figure SMS_139
为误差平方和，初始学习速率
Figure SMS_140
的选取范围可以有很大的随意性。
其它参数设置，初始学习速率
Figure SMS_141
=0.05，自适应学习速率递增乘因子
Figure SMS_142
，自适应学习速率递减乘因子
Figure SMS_143
；误差速率
Figure SMS_144
，为动量因子
Figure SMS_145
取为0.95；期望误差
Figure SMS_146
。
②模型误差评估和优化，进一步评估进行训练网络模型结果，对比数据随机在数据库选择部分数据，也可以用其它完整试验结果进行验证，按照预设期望误差
Figure SMS_147
的要求，由图6可以得到，神经网络计算结果与训练样本结果对比发现，结果表明拟合程度很好，基本都达到0.95以上，均分布在y＝x（1±10％）包络图内。
检验网络模型预警效果，利用受台风浪作用下，防波堤发生破坏例子，以及所开展模型试验结果，进一步对网络模型预警效果进行检验。具体如下：
利用以沿海某电厂防波堤在“山竹”台风浪作用下破坏为例子，在2018年受“山竹”台风浪的作用下，防波堤在堤头衔接处的位置遭到严重的破坏，为便于检验，选择台风浪近24个小时过程模拟（2018-9-160:00至2018-9-170:00），每个小时对应的堤头位置处的波高H以及同时刻的水位h值如表2所示,复演台风浪过境时防波堤破坏过程。
防波堤堤头断面参数：散粒体为扭王字块，坡度M=1:2.0,稳定系数KD=16.0，散粒体相当比重
Figure SMS_148
=2.3，散粒体设计重量为8t。神经网络模型模拟结果、经验公式计算、物理模型试验和防波堤设计值对比见图7。
由图7可知，神经网络模型模拟结果能很好的反映波浪强度与散粒体重量W变化关系；与物理模型试验结果和经验公式计算值对比，也具有很好的相关性，变化趋势基本一致；在防波堤设计的护面扭王字块散粒体为8t时，当台风浪波高达到5.5m时，则坡面上散粒体受波浪力大于其重量，最终导致扭王字块破坏失稳，网络模拟结果与现场监测结果基本吻合；对比图中扭王字块重量W随波高H变化的4条可知，神经网络模型模拟的重量趋势线，最先与设计扭王字块8t重线相交，说明本次所发明的神经网络台风浪极端海况预警方法，更能快反映防波堤散粒体发生破坏的风险。
表2
Figure SMS_149
实施例二
如图8所示，为本申请实施例的整体系统结构示意图；包括：参数获取单元、影响因素单元、数据库单元和预警模型单元；
具体的，参数获取单元用于获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；
影响因素单元用于基于防波堤位置波浪要素、水位组合条件和防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；
其中，所述散粒体受力分析方法包括：
对防波堤横断面斜坡上散粒体受力分析，得到散粒体受波浪作用下的水流浮托力
Figure SMS_150
，以及水下重量
Figure SMS_151
，也即散粒体重量
Figure SMS_152
与水对散粒体产生浮力之差；
所述水流浮托力包括速度力F d 和惯性力F m ，
Figure SMS_153
其中，
Figure SMS_154
分别为速度力和惯性力系数；
Figure SMS_155
分别为面积和体积系数；l为散粒体长度，g为重力加速度，u为波浪产生的水流速度，
Figure SMS_156
为水的重度；
将惯性力F m 的影响合并入速度力F d 中，简化后水流浮托力公式为：
Figure SMS_157
其中，
Figure SMS_158
为联合影响系数，是与
Figure SMS_159
和
Figure SMS_160
有关的函数；
波浪破碎时
Figure SMS_161
计算式为：
Figure SMS_162
其中，
Figure SMS_163
为波浪破碎系数，与防波堤断面坡度M，也即垂直高度与水平距离的比值，水深d，也即工程位置处海底高程与水位之间的和，波高H有关，则
Figure SMS_164
所述防波堤斜坡上散粒体的水下重量
Figure SMS_165
计算式为：
Figure SMS_166
其中，
Figure SMS_167
为材料重度，
Figure SMS_168
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure SMS_169
其中，
Figure SMS_170
为防波堤坡度夹角；
散粒体重量
Figure SMS_171
，也即可以写成：
Figure SMS_172
将式（9）代入式（8）中，因此力的平衡方程式可变换为：
Figure SMS_173
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质等参数有关的散粒体重量
Figure SMS_174
计算公式为：
Figure SMS_175
其中，
Figure SMS_176
为散粒体重量，
Figure SMS_177
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure SMS_178
为相对水深，表示水深/波长，
Figure SMS_179
为水深，
Figure SMS_180
为防波堤断面坡度，
Figure SMS_181
为散粒体的稳定系数，
Figure SMS_182
为波浪传播过程中的波浪方向；
由上述波浪作用下散粒体稳定重量关系式得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素；
数据库单元用于基于散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；
预警模型单元用于基于改进后的BP网络，并采用LM算法，结合水动力环境—散粒体失稳重量数据库，提取训练样本，并设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数；基于所述散粒体稳定性影响的关键因素，确定输入层、输出层的神经元类型和数量，开展网络样本训练、样本测试和样本检验，获得台风浪极端海况对防波堤破坏预警模型，该预警模型在台风浪极端海况时对防波堤破坏做出预警。
进一步的，在本实施例中，预警系统还包括优化单元；优化单元用于对预警模型单元进行优化，包括精度优化和计算速度优化。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (7)

1.一种基于神经网络的台风浪对防波堤破坏预警方法，其特征在于，包括如下步骤：
S1.获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；
S2.基于所述防波堤位置波浪要素、所述水位组合条件和所述防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；
其中，所述散粒体受力分析方法包括：
对防波堤横断面斜坡上散粒体受力分析，得到散粒体受波浪作用下的水流浮托力
Figure QLYQS_1
，以及水下重量
Figure QLYQS_2
，也即散粒体重量
Figure QLYQS_3
与水对散粒体产生浮力之差；
所述水流浮托力包括速度力F d 和惯性力F m ，
Figure QLYQS_4
（2）
Figure QLYQS_5
（3）
其中，
Figure QLYQS_6
分别为速度力和惯性力系数；
Figure QLYQS_7
分别为面积和体积系数；l为散粒体长度，g为重力加速度，u为波浪产生的水流速度，
Figure QLYQS_8
为水的重度；
将惯性力F m 的影响合并入速度力F d 中，简化后水流浮托力公式为：
Figure QLYQS_9
（4）
其中，
Figure QLYQS_10
为联合影响系数，是与
Figure QLYQS_11
和
Figure QLYQS_12
有关的函数；
波浪破碎时
Figure QLYQS_13
计算式为：
Figure QLYQS_14
（5）
其中，
Figure QLYQS_15
为波浪破碎系数，与防波堤断面坡度M、水深d、波高H有关，则
Figure QLYQS_16
（6）
所述防波堤斜坡上散粒体水下重量
Figure QLYQS_17
计算式为：
Figure QLYQS_18
（7）
其中，
Figure QLYQS_19
为材料重度，
Figure QLYQS_20
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure QLYQS_21
（8）
其中，
Figure QLYQS_22
为防波堤坡度夹角；
散粒体重量
Figure QLYQS_23
，即：
Figure QLYQS_24
（9）
将式（9）代入式（8）中，因此力的平衡方程式可变换为：
Figure QLYQS_25
（10）
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质参数有关的散粒体重量
Figure QLYQS_26
计算公式为：
Figure QLYQS_27
（11）
其中，
Figure QLYQS_28
为散粒体重量，
Figure QLYQS_29
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure QLYQS_30
为相对水深，表示水深/波长，
Figure QLYQS_31
为水深，
Figure QLYQS_32
为防波堤断面坡度，
Figure QLYQS_33
为散粒体的稳定系数，
Figure QLYQS_34
为波浪传播过程中的波浪方向；
由上述波浪作用下散粒体稳定重量关系式得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素；
S3.基于所述散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；
S4.基于改进后的BP网络，并采用LM算法，结合水动力环境—散粒体失稳重量数据库，提取训练样本，并设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数；基于所述散粒体稳定性影响的关键因素，确定输入层、输出层的神经元类型和数量，开展网络样本训练、样本测试和样本检验，获得台风浪极端海况对防波堤破坏预警模型。
2.根据权利要求1所述的基于神经网络的台风浪对防波堤破坏预警方法，其特征在于，
所述预警方法还包括：
S5.对所述预警模型进行优化，包括精度优化和计算速度优化；
所述优化的方法包括：
通过对比所述预警模型的计算结果与试验结果的相关性，建立波浪与散粒体重量响应机制，若所述波浪与所述散粒体重量之间相关系数低于预设值的
Figure QLYQS_35
，则进行误差收敛，进一步对所述预警模型设置参数进行优化，直到满足预定目标误差允许范围。
3.根据权利要求1所述的基于神经网络的台风浪对防波堤破坏预警方法，其特征在于，
所述S1中，获取所述防波堤位置波浪要素和所述水位组合条件的方法包括：
利用台风预报数据文件，以及造成破坏的波浪和水位因素，采用台风浪SWAN模型进行数据处理，获得防波堤位置波浪、水位要素，并波浪、水位参数的模拟区间的范围。
4.根据权利要求1所述的基于神经网络的台风浪对防波堤破坏预警方法，其特征在于，
所述S1中，获取所述防波堤横断面参数的方法包括：
将整个防波堤结构划分为堤头、堤身和堤根三段，获得每段断面参数和散粒体比重相对值，所述断面参数包括坡度和散粒体护面的稳定系数。
5.根据权利要求2所述的基于神经网络的台风浪对防波堤破坏预警方法，其特征在于，
所述S5中，计算速度优化的方法包括：
基于改进的BP网络，采用附加动量法和自适应学习速率法，进行计算速度优化。
6.一种基于神经网络的台风浪对防波堤破坏预警系统，其特征在于，包括：参数获取单元、影响因素单元、数据库单元和预警模型单元；
所述参数获取单元用于获取防波堤位置波浪要素、水位组合条件和防波堤横断面参数；
所述影响因素单元用于基于所述防波堤位置波浪要素、所述水位组合条件和所述防波堤横断面参数，开展水动力环境-防波堤散粒体受力分析，获得散粒体稳定性影响的关键因素；
其中，所述散粒体受力分析方法包括：
对防波堤横断面斜坡上散粒体受力分析，得到散粒体受波浪作用下的水流浮托力
Figure QLYQS_36
，以及水下重量
Figure QLYQS_37
，也即散粒体重量
Figure QLYQS_38
与水对散粒体产生浮力之差；
所述水流浮托力包括速度力F d 和惯性力F m ，
Figure QLYQS_39
（2）
Figure QLYQS_40
（3）
其中，
Figure QLYQS_41
分别为速度力和惯性力系数；
Figure QLYQS_42
分别为面积和体积系数；l为散粒体长度，g为重力加速度，u为波浪产生的水流速度，
Figure QLYQS_43
为水的重度；
将惯性力F m 的影响合并入速度力F d 中，简化后水流浮托力公式为：
Figure QLYQS_44
（4）
其中，
Figure QLYQS_45
为联合影响系数，是与
Figure QLYQS_46
和
Figure QLYQS_47
有关的函数；
波浪破碎时
Figure QLYQS_48
计算式为：
Figure QLYQS_49
（5）
其中，
Figure QLYQS_50
为波浪破碎系数，与防波堤断面坡度M、水深d、波高H有关，则
Figure QLYQS_51
（6）
所述防波堤斜坡上散粒体的水下重量
Figure QLYQS_52
计算式为：
Figure QLYQS_53
（7）
其中，
Figure QLYQS_54
为材料重度，
Figure QLYQS_55
为水的重度；
根据散粒体在防波堤斜坡上受力分析，得到极限平衡条件下的力的平衡方程为：
Figure QLYQS_56
（8）
其中，
Figure QLYQS_57
为防波堤坡度夹角；
散粒体重量
Figure QLYQS_58
，即：
Figure QLYQS_59
（9）
将式（9）代入式（8）中，因此力的平衡方程式可变换为：
Figure QLYQS_60
（10）
其中，上述公式右侧项为一综合系数，与防波堤断面坡度M、波浪参数、破波水流流态和散粒体特性有关；
将上述力的平衡方程式，再次进行变换，最终得到波浪作用下，与波高、水深和防波堤尺度、材料性质等参数有关的散粒体重量
Figure QLYQS_61
计算公式为：
Figure QLYQS_62
（11）
其中，
Figure QLYQS_63
为波浪陡度，表示波高/波长，H表示波高，L表示波长；
Figure QLYQS_64
为相对水深，表示水深/波长，
Figure QLYQS_65
为水深，
Figure QLYQS_66
为防波堤断面坡度，
Figure QLYQS_67
为散粒体的稳定系数，
Figure QLYQS_68
为波浪传播过程中的波浪方向；
由上述波浪作用下散粒体稳定重量关系式得到：防波堤断面坡度、波浪陡度、相对水深、稳定系数、材料重度、稳定系数和波浪方向为关键因素；
所述数据库单元用于基于所述散粒体稳定性影响的关键因素，建立水动力环境—散粒体失稳重量数据库；
所述预警模型单元用于基于改进后的BP网络，并采用LM算法，结合水动力环境—散粒体失稳重量数据库，提取训练样本，并设置网络参数，利用针对预警预报精度的误差分析方法，获取隐含层数目，隐含层节点数；基于所述散粒体稳定性影响的关键因素，确定输入层、输出层的神经元类型和数量，开展网络样本训练、样本测试和样本检验，获得台风浪极端海况对防波堤破坏预警模型，所述预警模型在台风浪极端海况时对防波堤破坏做出预警。
7.根据权利要求6所述的基于神经网络的台风浪对防波堤破坏预警系统，其特征在于，所述预警系统还包括优化单元；
所述优化单元用于对所述预警模型单元进行优化，包括精度优化和计算速度优化。
CN202310106898.XA 2023-02-14 2023-02-14 一种基于神经网络的台风浪对防波堤破坏预警方法及系统 Pending CN115775442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310106898.XA CN115775442A (zh) 2023-02-14 2023-02-14 一种基于神经网络的台风浪对防波堤破坏预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310106898.XA CN115775442A (zh) 2023-02-14 2023-02-14 一种基于神经网络的台风浪对防波堤破坏预警方法及系统

Publications (1)

Publication Number Publication Date
CN115775442A true CN115775442A (zh) 2023-03-10

Family

ID=85393655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310106898.XA Pending CN115775442A (zh) 2023-02-14 2023-02-14 一种基于神经网络的台风浪对防波堤破坏预警方法及系统

Country Status (1)

Country Link
CN (1) CN115775442A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291061A (zh) * 2023-11-24 2023-12-26 福建省水利水电勘测设计研究院有限公司 一种变动水流环境下的堤防安全稳定分析及预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202774A (zh) * 2016-07-18 2016-12-07 中国水产科学研究院南海水产研究所 一种波浪作用过程中深水网箱浮架变形的数值模拟方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN108277777A (zh) * 2017-12-08 2018-07-13 中交烟台环保疏浚有限公司 挡浪墙分步浇筑施工工艺
CN109113020A (zh) * 2018-08-28 2019-01-01 中交上海航道局有限公司 一种海港防波堤结构及其施工方法
CN114519311A (zh) * 2022-04-21 2022-05-20 中国海洋大学 全港池波浪有效波高的预测方法、系统、存储介质、应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106202774A (zh) * 2016-07-18 2016-12-07 中国水产科学研究院南海水产研究所 一种波浪作用过程中深水网箱浮架变形的数值模拟方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN108277777A (zh) * 2017-12-08 2018-07-13 中交烟台环保疏浚有限公司 挡浪墙分步浇筑施工工艺
CN109113020A (zh) * 2018-08-28 2019-01-01 中交上海航道局有限公司 一种海港防波堤结构及其施工方法
CN114519311A (zh) * 2022-04-21 2022-05-20 中国海洋大学 全港池波浪有效波高的预测方法、系统、存储介质、应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LONGZAI GE: "Experimental study on wave current characteristics and stability of the junction of artificial island and subsea tunnel" *
朱崇林 等: "坡面径流对斜坡散粒体稳定性影响的试验分析" *
朴正: "向波浪作用下混凝土消浪块体稳定性的研究" *
粟文辉: "河道防洪安全及防洪堤稳定性分析" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291061A (zh) * 2023-11-24 2023-12-26 福建省水利水电勘测设计研究院有限公司 一种变动水流环境下的堤防安全稳定分析及预警方法
CN117291061B (zh) * 2023-11-24 2024-02-09 福建省水利水电勘测设计研究院有限公司 一种变动水流环境下的堤防安全稳定分析及预警方法

Similar Documents

Publication Publication Date Title
CN108549616B (zh) 基于g-n波浪模型的船舶在恶劣海况中大幅运动的预报方法
Capobianco et al. Nourishment design and evaluation: applicability of model concepts
Azamathulla Gene-expression programming to predict scour at a bridge abutment
Avolio et al. SCIDDICA-SS 3: a new version of cellular automata model for simulating fast moving landslides
CN112307536B (zh) 一种大坝渗流参数反演方法
CN115775442A (zh) 一种基于神经网络的台风浪对防波堤破坏预警方法及系统
CN113361156B (zh) 一种基于sph方法的飞机水箱投汲水数值模拟方法
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
Liu et al. Dynamic material parameter inversion of high arch dam under discharge excitation based on the modal parameters and Bayesian optimised deep learning
Li et al. Bearing damage detection of a bridge under the uncertain conditions based on the Bayesian framework and matrix perturbation method
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
Ying et al. Numerical simulation study on the dynamic impact of typhoon “Mangkhut” storm surge on the sea area near the Hong Kong-Zhuhai-Macao bridge
Habersack Invited lecture: Stochastic and deterministic sediment transport model concepts
Lotfollahi-Yaghin et al. Artificial neural network ability in evaluation of random wave-induced inline force on a vertical cylinder
Zhang et al. Numerical simulation of solitary wave propagation in a vegetated channel using an extended Boussinesq model
Üneş et al. Artificial neural networks method for prediction of rainfall-runoff relation: Regional practice
Yeganeh-Bakhtiary et al. Determination of the most important parameters on scour at coastal structures
Chen et al. Deformation prediction of landslide based on genetic-simulated annealing algorithm and BP neural network
Kankal et al. Artificial neural networks for estimation of temporal rate coefficient of equilibrium bar volume
CN117471575B (zh) 基于bo-lstm神经网络模型的台风浪波高预报方法
Costanzo et al. Two-dimensional numerical simulation of flood propagation in presence of buildings
Niknamian The stability analysis of dam walls using artificial neural network
Ge et al. Experimental Study on Wave Force on Large‐Scale Pier Column Foundation of Sea‐Crossing Bridge for Preserving the Marine Environment
Fattahi et al. Evaluation of Soil Liquefaction Potential due to Earthquake using Intelligent Classification Algorithm in Orange Software
CN114781018A (zh) 一种沥青混凝土心墙抗拉裂的可靠度计算方法

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