CN115828637B - 近岸风、浪、潮位多因子联合确定极端参数的方法及系统 - Google Patents
近岸风、浪、潮位多因子联合确定极端参数的方法及系统 Download PDFInfo
- Publication number
- CN115828637B CN115828637B CN202310023288.3A CN202310023288A CN115828637B CN 115828637 B CN115828637 B CN 115828637B CN 202310023288 A CN202310023288 A CN 202310023288A CN 115828637 B CN115828637 B CN 115828637B
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- wind
- tide level
- time sequence
- 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
-
- 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
Abstract
本发明提供了近岸风、浪、潮位多因子联合确定极端参数的方法及系统,该方法包括:构建局部海域的波浪数学模型;获取局部海域数据和潮位时序数据;将局部海域数据输入波浪数学模型,获取近岸海域数据;对近岸海域数据和潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;获取风、浪和潮的预设时长的重现期特征值,将重现期特征值输入至非线性拟合关系模型,获取多因子联合确定的极端参数。本发明可以实现考虑海洋动力因子风、浪和潮的非线性关系,根据不同工程的主要影响荷载因子的无关联重现期特征值,科学评估主体荷载因子的关联性重现期特征值,为海洋及海岸工程提供更为科学的设计依据。
Description
技术领域
本发明属于波浪数值模拟与数据统计技术领域,尤其涉及近岸风、浪、潮位多因子联合确定极端参数的方法及系统。
背景技术
风、浪和潮是影响沿海港口、公路及跨海大桥等工程建筑物安全的主要动力荷载因子。考虑不同荷载因子联合发生概率,正确的评估海岸及海洋工程水工建筑物的设计荷载因子的特征值,直接影响海岸及海洋工程水工建筑物设计与建设的安全性与经济性。沿海港口、跨海桥梁等工程设计时,多考虑单因子风、浪或者潮的不同标准的重现期作为设计标准。在潮差显著的海域,当伴随热带气旋或者寒潮的发生,往往引起较为极端的风暴潮或者海浪过程,极大影响工程建筑物的安全,而过高的评估海洋动力因子发生的标准重现期例如重现期100年波浪叠加重现期100年的水位也极大影响了工程建设的经济性。因此考虑海洋动力因子的联合分布,评估不同工程的主要影响荷载因子的标准重现期,进一步获取对应非主要荷载因子的重现期特征值,有利于为海洋及海岸工程提供更科学的设计依据。
发明内容
为解决上述技术问题,本发明提出了近岸风、浪、潮位多因子联合确定极端参数的方法及系统。
本发明提供了近岸风、浪、潮位多因子联合确定极端参数的方法,包括:构建局部海域的波浪数学模型;
获取局部海域数据和潮位时序数据;
将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;
对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数。
可选地,所述局部海域数据包括:岸线数据、地形数据和风场数据。
可选地,所述近岸海域数据包括:风速时序数据和波浪时序数据;
所述风速时序数据为风速条件在局部海域模型中的再分布数据;所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速;
所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据;所述波浪时序数据包括:波高时序数据和周期时序数据。
可选地,所述潮位时序数据为近岸典型潮位站的天文潮位数据。
可选地,所述非线性拟合关系模型包括:第一非线性拟合关系模型和第二非线性拟合关系模型;
所述第一非线性拟合关系模型表征的为:风与浪、潮的相关性;
所述第二非线性拟合关系模型表征的为:浪与风、潮的相关性。
可选地,获取风、浪、潮位动力荷载的所述非线性拟合关系模型包括:
以所述风速时序数据为因变量,所述波浪时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第一非线性拟合关系模型;
以所述波浪时序数据为因变量,所述风速时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第二非线性拟合关系模型。
可选地,获取多因子联合确定的所述极端参数包括:
将所述重现期特征值输入至所述非线性拟合关系模型,获取考虑风速和潮位联合影响下的极端特征值和风速的累积频率曲线;其中,所述极端特征值包括:预设重现期的风速、波高和潮位特征值;
基于所述极端特征值和所述累积频率曲线,获取风、浪、潮位的置信区间;
基于所述置信区间,获取多因子联合确定的所述极端参数。
本发明还提供了近岸风、浪、潮位多因子联合确定极端参数的系统,包括:构建模块、第一获取模块、第二获取模块、分析模块和输出模块;
所述构建模块,用于构建局部海域的波浪数学模型;
所述第一获取模块,用于获取局部海域数据和潮位时序数据;其中,所述局部海域数据包括:岸线数据、地形数据和风场数据,所述潮位时序数据为近岸典型潮位站的天文潮位数据;
所述第二获取模块,用于将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;其中,所述近岸海域数据包括:风速时序数据和波浪时序数据,所述风速时序数据为风速条件在局部海域模型中的再分布数据,所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速,所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据,所述波浪时序数据包括:波高时序数据和周期时序数据;
所述分析模块,用于对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
所述输出模块,用于获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数。
本发明还提供了一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的方法。
本发明还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现所述的方法。
与现有技术相比,本发明具有如下优点和技术效果:
本发明提出了近岸风、浪、潮位多因子联合确定极端参数的方法,该方法中,构建局部海域的波浪数学模型;获取局部海域数据和潮位时序数据;将局部海域数据输入波浪数学模型,获取近岸海域数据;对近岸海域数据和潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;获取风、浪和潮的预设时长的重现期特征值,将重现期特征值输入至非线性拟合关系模型,获取多因子联合确定的极端参数。本发明可以实现考虑海洋动力因子风、浪和潮的非线性关系,根据不同工程的主要影响荷载因子的无关联重现期特征值,科学评估主体荷载因子的关联性重现期特征值,为海洋及海岸工程提供更为科学的设计依据。
附图说明
构成本申请的一部分的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不当限定。在附图中:
图1为本发明实施例1的近岸风、浪、潮位多因子联合确定极端参数的方法流程示意图;
图2为本发明实施例1的通过局部精细化模型计算得到的示例点的波高过程和波周期过程、X向风速U和X向风速V与该点位的天文潮过程曲线示意图;其中,(a)为波浪数学模型中近岸X方向风速过程示意图,(b)为波浪数学模型中近岸Y方向风速过程示意图,(c)为波浪数学模型中近岸波高过程、波周期过程示意图,(d)为波浪数学模型中近岸潮位过程示意图;
图3为本发明实施例1的采用非线性回归方程建立风速和波高、潮位的联合分布关系式的示意图;其中,(a)为预测风速过程与波高平方的散点分布图,(b)为预测风速过程与波周期的散点分布图,(c)为预测风速过程与潮位的散点分布图;
图4为本发明实施例1的以波高为因变量,以风速、潮位和风速潮位乘积为自变量的拟合曲线示意图;其中,(a)为预测波高与风速的散点分布图,(b)为预测波高与潮位的散点分布图,(c)为预测波高与风速潮位乘积(WS 0.5*TL)的散点分布图;
图5为本发明实施例1的基于风速和波高、潮位的非线性回归关系式的曲线过程示意图;其中,(a)为风速不同累积频率(对应不同重现期)曲线过程示意图,(b)为波高不同累积频率(对应不同重现期)曲线过程示意图;
图6为本发明实施例2的近岸风、浪、潮位多因子联合确定极端参数的系统结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提供了近岸风、浪、潮位多因子联合确定极端参数的方法,其特征在于,包括:
构建局部海域的波浪数学模型;
获取局部海域数据和潮位时序数据;
将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;
对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数。
进一步地,所述局部海域数据包括:岸线数据、地形数据和风场数据。
进一步地,所述近岸海域数据包括:风速时序数据和波浪时序数据;
所述风速时序数据为风速条件在局部海域模型中的再分布数据;所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速;
所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据;所述波浪时序数据包括:波高时序数据和周期时序数据。
进一步地,所述潮位时序数据为近岸典型潮位站的天文潮位数据。
进一步地,所述非线性拟合关系模型包括:第一非线性拟合关系模型和第二非线性拟合关系模型;
所述第一非线性拟合关系模型表征的为:风与浪、潮的相关性;
所述第二非线性拟合关系模型表征的为:浪与风、潮的相关性。
进一步地,获取风、浪、潮位动力荷载的所述非线性拟合关系模型包括:
以所述风速时序数据为因变量,所述波浪时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第一非线性拟合关系模型
以所述波浪时序数据为因变量,所述风速时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第二非线性拟合关系模型。
进一步地,获取多因子联合确定的所述极端参数包括:
将所述重现期特征值输入至所述非线性拟合关系模型,获取考虑风速和潮位联合影响下的极端特征值和风速的累积频率曲线;其中,所述极端特征值包括:预设重现期的风速、波高和潮位特征值;
基于所述极端特征值和所述累积频率曲线,获取风、浪、潮位的置信区间;
基于所述置信区间,获取多因子联合确定的所述极端参数。
实施例1
如图1所示,给出了近岸风、浪、潮位多因子联合确定极端设计参数的方法的实施流程图,通过该流程图可利用工作站处理器、或者处理系统或者本发明提供的计算装置执行。
建立局部海域的波浪传播模型时制作精细化的岸线文件,地形文件和风速文件。具体的,预先获取模拟的局域海域的岸线文件、地形文件和风场条件。岸线文件需正确的描述河口海湾的形状,岛屿和较大岬湾的轮廓,采用网格生成器和文件生成器分别生成波浪计算网格和所需格式的风场文件,之后将这些文件输入到局部波浪数学模型中计算输出的波浪参数数据、波谱数据和风速参数数据,其中波浪参数数据至少包含波高和波周期。该模型的实施可以采用开源软件SWAN、MIKE-SW软件等这里不做具体的要求。
局部海域波浪传播模型用于对近海海域的波浪特征进行定量的描述,可输出近岸-10m~30m水深各处节点的波浪特征参数和风速参数。
潮位数据为获取的天文潮位数据,数据来源可以包含潮汐表、调和分析软件或者当地实测潮位测站的长期潮位观测数据。这里不做特殊要求。
根据输出的长序列风、浪、潮的数据可分别独立分析风速、波浪和潮位的极端设计条件,工程设计时往往采用这种独立的极端设计条件,在台风风暴影响的河口海湾、海峡及岬湾海域同时引发极端风-浪-潮事件的概率情况会忽略,进而导致难以兼顾工程设计的安全性与经济性。也就是说极端风速发生时,存在极端海浪尚未发生的概率或者极端风速事件在本海域未触发极端海浪的发生;极端海浪发生时,存在极端高潮位尚未发生的概率或者极端风速事件已过境的概率。因此需要建立风-浪-潮的相关性,确定风和潮位影响下对应波高的极端设计条件、极端海浪事件发生时对应风速的极端设计条件。
风-浪-潮的相关性分析是采用非线性回归方法对风和浪、潮进行拟合分析。选取近海的点位,从上述局部海域波浪模型中获取不少于1年的风速时序数据与对应的1年的波高和周期时序数据,对应的获取不少于1年的潮位时序数据。以风速时序数据为因变量,以波高、波周期和潮位时序数据为自变量采用非线性回归方程建立风速与波高、波高乘以波周期和潮位的三参数非线性拟合关系式,通过显著性水平t检验,在波型以风浪和涌浪为主要特征的区域均可采用上述三参数开展拟合计算。
确定风、浪和潮的独立的标准重现期特征值,所述的标准的重现期特征值指重现期100年、重现期50年和重现期2年,不高于所使用的数据序列年限的3倍,另外重现期特征值的拟合可以采用P3适线法、Gumbel适线法等这里不做特别的约束。
根据上述,步骤四得到风速、波高、潮位的无关联重现期特征值,将得到的波高与潮位独立的重现期特征值带入到步骤三中风速与波高、波高乘以波周期和潮位三参数非线性拟合关系式,对应的得到考虑波高、波周期和潮位联合影响下的极端风速特征值,得到风速的累积频率曲线,并确定其置信区间。
波浪参数主要包括波高、波周期和波向等特征参数。在一些示例中,使用波高和波周期,构建风速和波高、波周期和潮位的非线性拟合关系。在另一些示例中,可以使用波高、波周期和波向三个参数共同构建与风速、风向的关系,以进一步增加参数的关联性。
综上所述,本发明实施例提供了一种近岸风、浪、潮位多因子联合确定极端设计参数的方法,该方法中,根据输入的季风风场和台风风场数据驱动已建立的精细化局部海域波浪数学模型计算近岸波浪数据;从所述的局部波浪数学模型中提取近岸风速数据和波浪数据。所述风速数据为模型初始输入风速条件在局部波浪模型中的再分布数据、波浪数据为局部海域波浪传播至近岸海域输出的波浪参数数据、潮位数据为近岸典型潮位站的天文潮位数据;对所述的近岸风速、波浪和潮位数据进行相关性分析。所述的相关性分析是采用非线性回归方法分别对风与波高、波周期、潮为,波高与风速、潮位的数据进行拟合分析,得到近岸风与波浪、潮位动力荷载的非线性回归关系式;确定已指定的风速、波高、潮位的无关联重现期特征值,根据所述的近岸风与波浪、潮位动力荷载因子非线性拟合关系式确定主体动力荷载的关联性重现期特征值,并指定置信区间。该方法可以实现考虑海洋动力因子风、浪和潮的联合分布,评估不同工程的主要影响荷载因子的标准重现期,科学评估对应非主要荷载因子的重现期特征值,为海洋及海岸工程提供更为科学的设计依据。
以下提供一个具体的实施场景,以进一步说明本发明实施例提供的一种近岸风、浪、潮位多因子联合确定极端设计参数的方法。具体步骤如下:
步骤一:精细化局部海域波浪数学模型的构建
本实施例以西北太平洋海域为例,采用国际通用的SWAN模型模拟软件。
1.1构建精细化局部海域波浪数学模型
构建局部海域波浪数学模型需要的输入文件包含岸线文件、水深地形输入文件和驱动风场文件。上述文件分别通过不同方式收集岸线数据、地形数据、台风数据和季风数据,采用网格生成器和自制文件生成器生成相应的地形文件和风场格式。
1.2局部海域波浪数学模型输出
局部海域波浪数学模型输出的文件设置包含输出参数设置和输出模式设置。
1)输出参数设置包含有效波高、平均周期、谱峰周期、平均波向、风速U、风速V和频率谱、方向谱。
2)输出模式设置包含了全场计算节点的输出(Blocks)和关键计算点的输出(Points)。其中BLOCK 格式输出的波浪参数包含有效波高、平均周期、风速U、风速V,以方便对计算域内近岸区域的任意节点数据进行风参数和波参数的提取。Points格式输出的参数包含有效波高、平均周期、谱峰周期、平均波向、风速U、风速V和频率谱、方向谱。以方便对重要节点的风浪开展更精确化的非线性回归分析。
1.3局部海域波浪数学模型试算
本发明实施例以西北太平洋海域为例,采用国际通用的SWAN模型模拟软件,模拟计算的时间为2016年1月1日~2016年12月31日,提取点以黄茅海近岸-18m 水深处为示例点。该点的经纬度坐标为(21°48'9.68"北,113°14'56.86"东)。图2中提供了通过局部精细化模型计算得到的示例点的波高过程和波周期过程、X向风速U和X向风速V与该点位的天文潮过程曲线,其中,图2的(a)为波浪数学模型中近岸X方向风速过程示意图,图2的(b)为波浪数学模型中近岸Y方向风速过程示意图,图2的(c)为波浪数学模型中近岸波高过程、波周期过程示意图,图2的(d)为波浪数学模型中近岸潮位过程示意图。
步骤二、对局部海域波浪模型提取的波浪(包含波高HS、波周期T)、风速(WS)和潮位站的潮位(TL)过程进行非线性回归分析。
2.1风速与波高、周期和潮位三参数的拟合回归
首先以上述实例提取点2016年的风速时序数据为因变量,以对应的2016年波高、波周期和TL时序数据为自变量采用非线性回归方程建立WS与HS 2、T和TL的三参数非线性回归方程,其中拟合系数为0.67,P检验值无限接近于0值,三参数标准误差的平均值为0.044。波高HS 2与预测风速值检验结果、波周期T与预测风速值检验结果、潮位TL与预测风速值检验结果见图3所示,其中图3的(a)为预测风速过程与波高平方的散点分布,图3的(b)为预测风速过程与波周期的散点分布,图3的(c)为预测风速过程与潮位的散点分布。
2.2波高与风速和潮位三参数的拟合回归
以上述实例提取点2016年的波高时序数据为因变量,以对应的2016年风速和TL时序数据为自变量采用非线性回归方程建立HS与WS、TL和WS 0.5*TL的三参数非线性回归方程,其中拟合系数为0.63,P检验值无限接近于0值,三参数标准误差的平均值为0.031。风速与预测波高值检验结果、潮位与预测风速值检验结果、WS 0.5*TL与预测风速值检验结果见图4所示,其中,图4的(a)为预测波高与风速的散点分布,图4的(b)为预测波高与潮位的散点分布,图4的(c)为预测波高与风速潮位乘积(WS 0.5*TL)的散点分布。
步骤三依据所述近岸风与波浪、潮位动力荷载因子非线性拟合关系式确定关联动力荷载的重现期特征值,并指定置信区间。采用常规的GUMBELL适线法分别计算了风速、波高和潮位三因子的重现期特征值。利用建立的WS与HS 2、T和TL的三参数非线性回归方程,分别将独立的三因子不同重现期特征值带入至非线性回归方程中,得到与波高、潮位关联的风速重现期特征值。利用建立的HS与WS、TL和WS 0.5*TL的三参数非线性回归方程,分别将独立的三因子不同重现期特征值带入至非线性回归方程中,得到与风速、潮位关联的波高重现期特征值。图5为关联性的风速、波高频率曲线,其中,图5的(a)为风速不同累积频率(对应不同重现期)曲线过程示意图,图5的(b)为波高不同累积频率(对应不同重现期)曲线过程示意图。
实施例2
如图6所示,本实施例提出了一种近岸风、浪、潮位多因子联合确定极端参数的系统,包括:构建模块、第一获取模块、第二获取模块、分析模块和输出模块;
所述构建模块,用于构建局部海域的波浪数学模型;
所述第一获取模块,用于获取局部海域数据和潮位时序数据;其中,所述局部海域数据包括:岸线数据、地形数据和风场数据,所述潮位时序数据为近岸典型潮位站的天文潮位数据;
所述第二获取模块,用于将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;其中,所述近岸海域数据包括:风速时序数据和波浪时序数据,所述风速时序数据为风速条件在局部海域模型中的再分布数据,所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速,所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据,所述波浪时序数据包括:波高时序数据和周期时序数据;
所述分析模块,用于对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
其中,所述非线性拟合关系模型包括:第一非线性拟合关系模型和第二非线性拟合关系模型;所述第一非线性拟合关系模型表征的为:风与浪、潮的相关性;所述第二非线性拟合关系模型表征的为:浪与风、潮的相关性。
获取风、浪、潮位动力荷载的所述非线性拟合关系模型包括:
以所述风速时序数据为因变量,所述波浪时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第一非线性拟合关系模型;以所述波浪时序数据为因变量,所述风速时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第二非线性拟合关系模型。
所述输出模块,用于获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数。
获取多因子联合确定的所述极端参数包括:
将所述重现期特征值输入至所述非线性拟合关系模型,获取考虑风速和潮位联合影响下的极端特征值和风速的累积频率曲线;其中,所述极端特征值包括:预设重现期的风速、波高和潮位特征值;
基于所述极端特征值和所述累积频率曲线,获取风、浪、潮位的置信区间;
基于所述置信区间,获取多因子联合确定的所述极端参数。
在本实施例中,生成风、浪和潮位的非线性回归关系式。将风速作为因变量,波高平方、波周期和潮位为自变量,采用多元非线性回归方法生成风和浪、潮的联合分布关系式;将波高作为因变量,风速、潮位和风速潮位乘积为自变量,采用多元非线性回归方法生成浪和风、潮的联合分布关系式。风、浪、潮位动力荷载因子联合作用下极端设计参数生成模块。用于生成考虑风、浪、潮位动力荷载因子联合影响下各主体因子极端条件。确定主要动力荷载的独立重现期特征值,采用风、浪、潮动力荷载的非线性回归关系式,生成对应的主体动力荷载的关联性重现期特征值。
在本发明中,电子设备可以包括但不限于:个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、个人数字助理(PDA)、手持装置、消息收发设备、可佩带计算设备等等。
本发明还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现的方法。具体实现可参见方法实施例,在此不再赘述。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该存储介质中的指令。从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的存储介质构成了本发明的一部分。
存储介质包括但不限于软盘、硬盘、磁光盘、光盘、磁带、非易失性存储卡和ROM。还可以通过通信网络从服务器计算机上或者云上下载程序代码。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.近岸风、浪、潮位多因子联合确定极端参数的方法,其特征在于,包括:
构建局部海域的波浪数学模型;
获取局部海域数据和潮位时序数据;
将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;
所述近岸海域数据包括:风速时序数据和波浪时序数据;
所述风速时序数据为风速条件在局部海域模型中的再分布数据;所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速;
所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据;所述波浪时序数据包括:波高时序数据和周期时序数据;
对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
所述非线性拟合关系模型包括:第一非线性拟合关系模型和第二非线性拟合关系模型;
所述第一非线性拟合关系模型表征的为:风与浪、潮的相关性;
所述第二非线性拟合关系模型表征的为:浪与风、潮的相关性;
获取风、浪、潮位动力荷载的所述非线性拟合关系模型包括:
以所述风速时序数据为因变量,所述波浪时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第一非线性拟合关系模型;
以所述波浪时序数据为因变量,所述风速时序数据和所述潮位时序数据为自变量,采用非线性回归方式建立所述第二非线性拟合关系模型;
获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数;
获取多因子联合确定的所述极端参数包括:
将所述重现期特征值输入至所述非线性拟合关系模型,获取考虑风速和潮位联合影响下的极端特征值和风速的累积频率曲线;其中,所述极端特征值包括:预设重现期的风速、波高和潮位特征值;
基于所述极端特征值和所述累积频率曲线,获取风、浪、潮位的置信区间;
基于所述置信区间,获取多因子联合确定的所述极端参数。
2.根据权利要求1所述的近岸风、浪、潮位多因子联合确定极端参数的方法,其特征在于,所述局部海域数据包括:岸线数据、地形数据和风场数据。
3.根据权利要求1所述的近岸风、浪、潮位多因子联合确定极端参数的方法,其特征在于,所述潮位时序数据为近岸典型潮位站的天文潮位数据。
4.近岸风、浪、潮位多因子联合确定极端参数的系统,应用如权利要求1-3任一所述的方法,其特征在于,包括:构建模块、第一获取模块、第二获取模块、分析模块和输出模块;
所述构建模块,用于构建局部海域的波浪数学模型;
所述第一获取模块,用于获取局部海域数据和潮位时序数据;其中,所述局部海域数据包括:岸线数据、地形数据和风场数据,所述潮位时序数据为近岸典型潮位站的天文潮位数据;
所述第二获取模块,用于将所述局部海域数据输入所述波浪数学模型,获取近岸海域数据;其中,所述近岸海域数据包括:风速时序数据和波浪时序数据,所述风速时序数据为风速条件在局部海域模型中的再分布数据,所述风速时序数据包括:笛卡尔坐标系内的X向风速和Y向风速,所述波浪时序数据为局部海域波浪传播至近岸海域输出的波浪参数数据,所述波浪时序数据包括:波高时序数据和周期时序数据;
所述分析模块,用于对所述近岸海域数据和所述潮位时序数据进行相关性分析,获取风、浪、潮位动力荷载的非线性拟合关系模型;
所述输出模块,用于获取风、浪和潮的预设时长的重现期特征值,将所述重现期特征值输入至所述非线性拟合关系模型,获取多因子联合确定的极端参数。
5.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-3中任一项所述的方法。
6.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023288.3A CN115828637B (zh) | 2023-01-09 | 2023-01-09 | 近岸风、浪、潮位多因子联合确定极端参数的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023288.3A CN115828637B (zh) | 2023-01-09 | 2023-01-09 | 近岸风、浪、潮位多因子联合确定极端参数的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828637A CN115828637A (zh) | 2023-03-21 |
CN115828637B true CN115828637B (zh) | 2023-05-16 |
Family
ID=85520370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310023288.3A Active CN115828637B (zh) | 2023-01-09 | 2023-01-09 | 近岸风、浪、潮位多因子联合确定极端参数的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195775B (zh) * | 2023-09-20 | 2024-04-05 | 上海勘测设计研究院有限公司 | 近岸水域极值混合浪要素推算方法、系统、介质及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105116165B (zh) * | 2015-09-11 | 2018-01-19 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种跨海桥梁风‑浪‑流耦合场观测和模拟系统 |
CN108021786B (zh) * | 2017-12-18 | 2021-11-09 | 中国海洋大学 | 一种沿海多地风暴潮联合自然强度分析方法 |
CN115114873B (zh) * | 2022-08-31 | 2022-11-18 | 中国海洋大学 | 海洋环境重现期设计标准推算方法与系统 |
-
2023
- 2023-01-09 CN CN202310023288.3A patent/CN115828637B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115828637A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rusu et al. | Evaluation of the wind and wave energy along the Caspian Sea | |
Gaslikova et al. | Changes in North Sea storm surge conditions for four transient future climate realizations | |
Bento et al. | Wave energy assessement for Northern Spain from a 33-year hindcast | |
Yang et al. | Regional flood frequency and spatial patterns analysis in the Pearl River Delta region using L-moments approach | |
Li et al. | A model-based climatology analysis of wind power resources at 100-m height over the Bohai Sea and the Yellow Sea | |
CN115828637B (zh) | 近岸风、浪、潮位多因子联合确定极端参数的方法及系统 | |
Ahn | Modeling mean relation between peak period and energy period of ocean surface wave systems | |
Geyer et al. | Climatology of North Sea wind energy derived from a model hindcast for 1958–2012 | |
CN112036691A (zh) | 一种基于jpm-os-q模型的河口地区极端风暴潮水位计算方法 | |
Međugorac et al. | Adriatic storm surges and related cross-basin sea-level slope | |
Rueda-Bayona et al. | Selection of JONSWAP spectra parameters during water-depth and sea-state transitions | |
Zhang et al. | Analysis of 50-year wind data of the southern Baltic Sea for modelling coastal morphological evolution–a case study from the Darss-Zingst Peninsula | |
Ganske et al. | Identification of extreme storm surges with high-impact potential along the German North Sea coastline | |
Yuksel et al. | Spatiotemporal long-term trends of wind and wave climate and extreme characteristics over the Sea of Marmara | |
Alizadeh et al. | Projection of spatiotemporal variability of wave power in the Persian Gulf by the end of 21st century: GCM and CORDEX ensemble | |
Wood et al. | Climate-induced storminess forces major increases in future storm surge hazard in the South China Sea region | |
Yang et al. | Weather window and efficiency assessment of offshore wind power construction in China adjacent seas using the calibrated SWAN model | |
Jafari et al. | Wind resource assessment using a mesoscale model: the effect of horizontal resolution | |
Hames et al. | Evolution of joint probability methods in coastal engineering practice in the UK | |
Cerralbo et al. | Predictability of currents on a mesotidal estuary (Ria de Vigo, NW Iberia) | |
Thomas et al. | Improving coastal flooding predictions by switching meshes during a simulation | |
Casaioli et al. | An operational forecasting system for the meteorological and marine conditions in Mediterranean regional and coastal areas | |
Li et al. | Estimating typhoon waves based on the modified ECMWF ERA-5 wind data | |
Jamous et al. | Physics-based modeling of climate change impact on hurricane-induced coastal erosion hazards | |
Denamiel et al. | Next-generation (sub-) kilometre-scale climate modelling for extreme storm-surge hazard projections |
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 |