CN115951361A - 基于大数据平台的海上风电桩的智能地形扫测方法 - Google Patents
基于大数据平台的海上风电桩的智能地形扫测方法 Download PDFInfo
- Publication number
- CN115951361A CN115951361A CN202310234634.2A CN202310234634A CN115951361A CN 115951361 A CN115951361 A CN 115951361A CN 202310234634 A CN202310234634 A CN 202310234634A CN 115951361 A CN115951361 A CN 115951361A
- Authority
- CN
- China
- Prior art keywords
- seabed
- data
- model
- information
- data information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 239000013535 sea water Substances 0.000 claims description 98
- 238000011156 evaluation Methods 0.000 claims description 35
- 238000012876 topography Methods 0.000 claims description 26
- 239000010802 sludge Substances 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 150000003839 salts Chemical class 0.000 claims description 10
- 238000009991 scouring Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010408 sweeping Methods 0.000 claims description 7
- 238000005406 washing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010171 animal model Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 239000000523 sample Substances 0.000 description 10
- 235000002639 sodium chloride Nutrition 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000011780 sodium chloride Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
Landscapes
- Wind Motors (AREA)
- Foundations (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及水文数值化技术领域，尤其涉及一种基于大数据平台的海上风电桩的智能地形扫测方法及系统。该方法包括以下步骤：通过超声波测距设备获取海床基础数据信息；根据海床基础数据信息构建海床基础模型；根据海床基础模型进行网格化，生成海床基础网格化模型；根据海床历史数据信息生成海床历史复杂度数据信息，从而对海床基础网格模型进行修正，生成修正海床网格模型；根据海床历史复杂度数据信息对海床基础模型进行率定，生成海床修正模型；根据修正海床网格模型以及海床修正模型进行修正合并计算，生成精准海床地形图数据以供动态监测。本发明通过构建模型以及历史数据和复杂度进行分析，为监测提供准确的数据。
Description
技术领域
本发明涉及水文数值化技术领域，尤其涉及一种基于大数据平台的海上风电桩的智能地形扫测方法。
背景技术
海上风电具有资源丰富、发电利用小时数高的特点，是新能源开发的前沿领域，受到沿海国家的广泛关注。近年来，我国已建和待建的桩基多达数万根，是可再生能源中最具规模化发展潜力的领域。海上风电场运行期的关键问题之一是风电桩基础冲刷破坏及海缆线失稳震动，常需借助设备对其运行状态进行监测。但已有桩基础监测设备不仅成本高，而且监测时间尺度短，对天气依赖严重。如何获得连续、长期、高精度的海上风电桩基础状态现场数据，是当前海上风电事业亟待解决的主要问题之一。现阶段海上风电桩基海床冲刷情况监测，多采用多波束测量，但每次观测水下地形时均需要租船和一定的人力，不仅成本高（如一次风电桩基扫床成本约需40~50万），而且监测时间尺度短，对天气依赖严重，无法提供长序列桩基础冲刷监测数据，难以掌握实际海况下桩周土的运移情况，更难以为防护措施的实施提供强有力支撑。
解决办法往往采用高精度的仪器进行扫描探测，可是扫描探测获得的数据纷繁复杂，往往对运维人员提出较高的要求，且难以对实时做出及时的反馈。
发明内容
本发明为解决上述技术问题，提出了一种基于大数据平台的海上风电桩的智能地形扫测方法，以解决至少一个上述技术问题。
一种基于大数据平台的海上风电桩的智能地形扫测方法，应用于大数据平台，包括以下步骤：
步骤S1：通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海床基础数据信息，并更新风电桩基础海床冲刷数据库；
步骤S2：根据海床基础数据信息构建海床基础模型；
步骤S3：根据海床基础模型进行网格化，生成海床基础网格化模型；
步骤S4：获取海床历史数据信息并根据海床历史数据信息生成海床历史复杂度数据信息，从而对海床基础网格模型进行修正，生成修正海床网格模型；
步骤S5：根据海床历史复杂度数据信息对海床基础模型进行率定，生成海床修正模型；
步骤S6：根据修正海床网格模型以及海床修正模型进行修正合并计算，生成精准海床地形图数据，以实现对海上风电桩位置的海床地形的动态监测。
本实施例通过超声波测距设备可以获取到准确的海床基础数据信息，从而构建出准确的海床基础模型，通过网格化将海床基础模型划分为一系列小块，进一步提高了海床地形的精度和准确性，通过历史数据和复杂度数据对海床基础模型进行修正和率定，提高了模型的准确性和可靠性，生成精准海床地形图数据，可以为海上风电桩的动态监测提供准确的基础数据支持，提高海上风电桩的安全性和可靠性。
在本说明书的一个实施例中，步骤S1包括以下步骤：
步骤S11：通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海水基础信息，其中海水基础信息包括海水盐含量数据、海水温度数据、海水密度数据以及海水压强信息；
步骤S12：根据海水基础信息通过海水声波传输计算公式生成海水介质影响因子数据；
步骤S13：通过超声波测距设备获取超声波测距数据信息；
步骤S14：利用海水介质影响因子数据对超声波测距数据信息进行修正，生成修正超声波测距数据信息；
步骤S15：获取前次获得的历史超声波测距数据信息对修正超声波测距数据信息进行率定，生成海床基础数据信息，并更新风电桩基础海床冲刷数据库。
本实施例通过综合利用多种海水基础信息，通过计算公式生成更为准确的海水介质影响因子数据，提高了数据的精度和可靠性；通过超声波测距设备获取超声波测距数据信息，避免了传统的人工取点方式，提高了测量效率；利用海水介质影响因子数据对超声波测距数据信息进行修正，减小了误差，提高了数据的准确性；利用历史超声波测距数据信息进行率定，进一步提高了数据的准确性和可靠性。
在本说明书的一个实施例中，其中海水声波传输计算公式具体为：
本实施例提供一种海水声波传输计算公式，该公式充分考虑了海水声波平均传播速率的加权信息
、海水声波平均传播速率
、根据当前海水含盐量生成的海水声波平均传播速率调整项的权重信息
、根据当前海水含盐量生成的海水声波平均传播速率调整项
、根据海水密度数据生成的调整信息
、误差系数
、根据海水温度数据生成的评估调整信息
以及相互之间的作用关系，以形成函数关系
，并通过海水介质影响因子数据的修正项
进行修正，以提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：根据海床基础数据中的海床主体数据，构建海床地壳壳体模型，其中海床主体数据包括海床形状数据、海床尺寸数据以及海床位置数据；
步骤S22：根据海床基础数据中的淤积数据以及历史动床淤泥数据通过淤泥特性数据计算，构建海床淤泥模型；
步骤S23：根据海床基础数据中的非固定主体数据以及历史移动物数据通过移动物预估分析计算，构建海床移动物模型；
步骤S24：将海床地壳壳体模型、海床淤泥模型以及海床移动动物模型进行标注生成海床基础模型。
本实施例可以根据海床基础数据构建出精确的海床模型，包括不同类型的数据，如海床形状、尺寸、位置、淤积、淤泥、移动物等。同时，通过对这些数据的分析计算，可以生成多个海床模型，并将它们整合为一个标注的海床基础模型，从而提高了海上风电桩的智能地形扫描的准确性和可靠性。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：根据海床基础模型中的海床地壳壳体模型生成海床网格剖分方式；
步骤S32：利用海床网格剖分方式对海床基础模型中的海床地壳壳体模型中进行网格剖分，生成粗糙海床网格模型；
步骤S33：根据海床基础模型中的海床淤泥模型对粗糙海床网格模型进行坐标转换优化计算，从而构建优化海床网格模型；
步骤S34：根据海床基础模型中的海床移动物模型对优化海床网格模型进行标注定义参数模拟，生成海床基础网格化模型。
本实施例通过对海床基础模型进行网格化，可以将复杂的海床形态转化为网格化结构，便于后续数据处理和计算，同时还可以更加准确地描述海床地貌，为后续的修正海床网格模型提供基础。
在本说明书的一个实施例中，步骤S4包括以下步骤：
步骤S41：获取海床历史数据信息，其中海床历史数据信息包括海床历史测量数据信息、海床历史报告数据信息以及海床历史原始数据信息；
步骤S42：对海床历史数据信息进行拟合误差数据清洗，以生成海床清洗历史数据信息，并根据海床清洗历史数据信息通过海床历史复杂度计算公式进行计算，生成海床历史复杂度数据信息；
步骤S43：根据海床基础数据信息以及预设的误差调整参数生成当前海床数据有效性评估阈值数据；
步骤S44：利用当前海床数据有效性评估阈值数据对海床清洗历史数据信息进行有效性评估阈值分析，生成修正海床网格模型。
本实施例通过对海床历史数据信息进行拟合误差数据清洗，可以减少数据的噪声和误差，提高数据的准确性和可靠性。通过计算海床历史复杂度数据信息，可以评估海床数据的复杂程度，为后续的数据处理和分析提供参考。通过生成当前海床数据有效性评估阈值数据，可以根据预设的误差调整参数对海床数据进行有效性评估，进一步提高数据的准确性和可靠性。通过对海床清洗历史数据信息进行有效性评估阈值分析，可以修正海床网格模型，提高海床数据的准确性和可靠性，为后续的海上风电桩智能地形扫测提供可靠的基础数据。
在本说明书的一个实施例中，其中海床历史复杂度计算公式具体为：
本实施例提供一种海床历史复杂度计算公式，该公式充分考虑了第
次海床清洗历史数据信息的权重信息
、第
次海床清洗历史数据信息
、根据海床基础数据信息生成的调整项的权重信息
、根据海床基础数据信息生成的调整项
、调整误差项
、海床清洗历史数据信息的数量信息
以及相互之间的作用关系，以形成函数关系
，并通过海床历史复杂度数据信息的修正项
进行修正，以提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S5包括以下步骤：
根据海床历史复杂度数据信息对海床基础模型进行率定，生成修正海床基础数据；
根据修正海床基础数据对海床基础模型进行修正，生成海床修正模型。
本实施例通过历史复杂度数据信息，可以更加准确地对海床基础模型进行修正，提高修正结果的精度和准确性；修正海床基础数据可以为后续的海上风电桩智能地形扫测提供更加准确的基础数据，提高扫测结果的可靠性和精度；修正海床基础数据可以帮助识别潜在的海床问题，为海上风电桩的设计、建设和维护提供有力支持。
在本说明书的一个实施例中，步骤S6包括以下步骤：
步骤S61：利用修正海床网格模型对海床修正模型进行误差修正评定计算，生成海床误差修正评定数据；
步骤S62：确定海床误差修正评定数据为预设的海床误差修正阈值范围内时，根据修正海床网格模型以及海床修正模型进行合并计算，生成精准海床地形图数据；
步骤S63：通过预设的海床可信度验证数据信息对精准海床地形图数据进行可信度验证，生成可信度验证指数；
步骤S64：判断可信度验证指数是否大于或等于预设的海床数据可信度阈值；
步骤S65：确定可信度验证指数大于或等于预设的海床数据可信度阈值时，将精准海床地形图数据进行可视化作业，以实现对海上风电桩位置的海床地形的动态监测。
本实施例通过误差修正评定计算，可以提高海床地形图数据的准确性和精度；根据海床数据可信度验证指数，可以在一定程度上保证海床数据的可靠性和可信度；通过可视化作业，可以对海上风电桩进行动态情况的监测，提高海上风电桩的安全性和稳定性；整个步骤S6流程严密，操作规范，能够提高数据处理的效率和精度。
在本说明书的一个实施例中，一种基于大数据平台的海上风电桩的智能地形扫测系统，所述系统包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一一项所述的一种基于大数据平台的海上风电桩的智能地形扫测方法。
本发明通过海上风电桩建设和维护需要对海底地形进行精准测量和监测，以确保安全性和有效性。传统的海底地形扫描方法受限于技术手段和人力资源，测量结果的精度和效率有限。而基于大数据平台的智能地形扫描方法可以利用海洋传感器、遥感数据和机器学习算法等技术手段，快速、准确地获取海底地形数据，提高测量精度和效率，进一步保障海上风电桩的安全和运营。
本方法及系统可提供精确的水下感知性能，其包括超声波探头、温度传感器、盐度传感器、压强传感器等，可改进超声波传播能力。克服了以往人工定期巡测实时性差、监测时间尺度短，对天气依赖严重等问题，降低了监测成本，同时构建了风电桩基础海床冲刷数据库，它的监测时效性更优，数据源更丰富，海上风电场安全运维展示效果更佳。其中系统采用超声波探测原理，其具有频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播等。同时，超声波对液体、固体的穿透本领很大，尤其是在不透明的固体中，它可穿透几十米的深度。本设备探头为基于多个单点超声波的超波束，它的监测范围更广。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的一种基于大数据平台的海上风电桩的智能地形扫测方法的步骤流程图；
图2示出了一实施例的海水基础数据信息生成方法的步骤流程图；
图3示出了一实施例的海床基础模型构建方法的步骤流程图；
图4示出了一实施例的海床基础网格化模型构建方法的步骤流程图；
图5示出了一实施例的修正海床网格模型构建方法的步骤流程图；
图6示出了一实施例的精准海床地形图数据生成方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本发明提供了一种基于大数据平台的海上风电桩的智能地形扫测方法，应用于大数据平台。请参阅图1至图6，该基于大数据平台的海上风电桩的智能地形扫测方法包括以下步骤：
步骤S1：通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海床基础数据信息，并更新风电桩基础海床冲刷数据库；
具体地，例如深海探测船可以使用多波束测深仪（MBES）等设备进行超声波测距，以获取海床的基础数据信息。
具体地，例如无人潜水器可以搭载超声波测距设备，在海底进行测量，以获取海床基础数据信息。
具体地，例如声纳测深仪是一种专门用于测量水深的设备，其原理也是利用超声波测距技术，可以获取海床基础数据信息。
步骤S2：根据海床基础数据信息构建海床基础模型；
具体地，例如基于海底地形的物理规律，建立海底地形生成算法，通过模拟海底地形形成的物理过程，生成海底数字高程模型，从而构建海床基础模型。
步骤S3：根据海床基础模型进行网格化，生成海床基础网格化模型；
具体地，例如如Gmsh、Ansys等有限元软件，可以将海床基础模型进行网格化，并输出网格化模型文件。
具体地，例如使用编程语言（如Python、C++）编写程序进行网格化，例如利用三角剖分算法或四面体剖分算法，将海床基础模型分解为一系列小的网格单元。
步骤S4：获取海床历史数据信息并根据海床历史数据信息生成海床历史复杂度数据信息，从而对海床基础网格模型进行修正，生成修正海床网格模型；
具体地，例如利用机器学习或深度学习等技术对大量的海底数据进行分析和学习，生成复杂度数据信息并进行修正，从而得到修正后的网格化模型。例如，使用卷积神经网络（CNN）进行海底地形特征提取和复杂度计算，并将历史数据和修正参数纳入训练过程。
具体地，例如利用计算机模拟技术，对海底地形和其他物理特性进行建模和仿真，根据历史数据对模型进行优化和修正。例如，使用数值模拟软件（如有限元软件、CFD软件等）对海底环境进行模拟，生成模型和网格，并根据历史数据对模拟结果进行校准和优化。
步骤S5：根据海床历史复杂度数据信息对海床基础模型进行率定，生成海床修正模型；
具体地，例如海底地形特征的指标或参数，例如坡度、高程变化、地形复杂度等，从而对海底基础模型进行率定，生成海底修正模型。
步骤S6：根据修正海床网格模型以及海床修正模型进行修正合并计算，生成精准海床地形图数据，以实现对海上风电桩位置的海床地形的动态监测。
具体地，例如将修正后的海底地形数据与原始的海底网格模型进行合并计算。例如，利用数值模拟方法，根据修正后的数据进行网格点的插值计算，生成高精度的海底地形图数据。
本实施例通过超声波测距设备可以获取到准确的海床基础数据信息，从而构建出准确的海床基础模型，通过网格化将海床基础模型划分为一系列小块，进一步提高了海床地形的精度和准确性，通过历史数据和复杂度数据对海床基础模型进行修正和率定，提高了模型的准确性和可靠性，生成精准海床地形图数据，可以为海上风电桩的动态监测提供准确的基础数据支持，提高海上风电桩的安全性和可靠性。
在本说明书的一个实施例中，步骤S1包括以下步骤：
步骤S11：通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海水基础信息，其中海水基础信息包括海水盐含量数据、海水温度数据、海水密度数据以及海水压强信息；
具体地，例如利用传感器和测量设备对海水温度和盐度进行采集和监测，以获得海水温度和盐度的时空变化信息，通过多波束测量、声学测量和卫星遥感等技术，获取海洋中的水深信息。例如，利用声纳测量技术获取海水深度的分布和变化情况，海水流动特征：通过浮标、浮标剖面仪等设备，对海水的流速、流向、悬浮物等特征进行采集和监测。例如，利用浮标剖面仪对深海水流进行测量，海水成分和化学性质：通过水样采集和分析，对海水成分、溶解氧、化学物质等进行监测和分析。例如，利用水样分析技术获取海水中各种元素和化学物质的含量和变化情况，海水生物特征：通过海洋生物采样和调查，对海水中的生物种类、数量和分布情况进行监测和分析，例如，利用捕捞设备、潜水器等对海洋生物进行采集和观察。
步骤S12：根据海水基础信息通过海水声波传输计算公式生成海水介质影响因子数据；
具体地，例如根据海水基础信息通过海水声波传输计算公式计算，例如基于海水的声速、密度、衰减等物理参数，可以计算出海水介质对声波的影响因子。
具体地，例如根据海水基础信息通过其余实施例提供的海水声波传输计算公式生成海水介质影响因子数据。
步骤S13：通过超声波测距设备获取超声波测距数据信息；
具体地，例如在进行超声波测距时，将超声波测距设备放置在需要测量的位置，通过发射超声波并接收回波，测量目标物体与设备之间的距离，例如，可以使用超声波测距仪测量船舶的底部与海底的距离。
步骤S14：利用海水介质影响因子数据对超声波测距数据信息进行修正，生成修正超声波测距数据信息；
具体地，例如使用海水介质影响因子数据修正超声波测距数据，计算修正因子，然后将其应用到超声波测距数据中，得到修正后的超声波测距数据。
步骤S15：获取前次获得的历史超声波测距数据信息对修正超声波测距数据信息进行率定，生成海床基础数据信息，并更新风电桩基础海床冲刷数据库。
具体地，例如将历史超声波测距数据与修正超声波测距数据进行对比分析，得到修正系数。根据修正系数对修正超声波测距数据进行率定，得到更加准确的海床基础数据信息。
本实施例通过综合利用多种海水基础信息，通过计算公式生成更为准确的海水介质影响因子数据，提高了数据的精度和可靠性；通过超声波测距设备获取超声波测距数据信息，避免了传统的人工取点方式，提高了测量效率；利用海水介质影响因子数据对超声波测距数据信息进行修正，减小了误差，提高了数据的准确性；利用历史超声波测距数据信息进行率定，进一步提高了数据的准确性和可靠性。
在本说明书的一个实施例中，其中海水声波传输计算公式具体为：
本实施例提供一种海水声波传输计算公式，该公式充分考虑了海水声波平均传播速率的加权信息
、海水声波平均传播速率
、根据当前海水含盐量生成的海水声波平均传播速率调整项的权重信息
、根据当前海水含盐量生成的海水声波平均传播速率调整项
、根据海水密度数据生成的调整信息
、误差系数
、根据海水温度数据生成的评估调整信息
以及相互之间的作用关系，以形成函数关系
，并通过海水介质影响因子数据的修正项
进行修正，以提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：根据海床基础数据中的海床主体数据，构建海床地壳壳体模型，其中海床主体数据包括海床形状数据、海床尺寸数据以及海床位置数据；
具体地，例如根据海床主体数据，采用合适的建模方法和算法构建海床地壳壳体模型。具体方法包括三角网格法、体素网格法、曲面拟合法等，根据实际情况选择合适的方法。
步骤S22：根据海床基础数据中的淤积数据以及历史动床淤泥数据通过淤泥特性数据计算，构建海床淤泥模型；
具体地，例如通过采集淤泥样品并进行实验室测试，获得淤泥的物理特性数据，如密度、粘度、流变性等，进而通过数学模型计算出淤泥在不同流速、浓度下的沉积规律和分布情况，从而构建海床淤泥模型。
步骤S23：根据海床基础数据中的非固定主体数据以及历史移动物数据通过移动物预估分析计算，构建海床移动物模型；
具体地，例如通过海洋观测设备、无人潜水器等手段获取海床非固定主体数据和历史移动物数据，并基于大数据分析方法，分析海洋环境、潮流等因素对移动物分布的影响，建立预估模型，从而构建海床移动物模型。
步骤S24：将海床地壳壳体模型、海床淤泥模型以及海床移动动物模型进行标注生成海床基础模型。
具体地，例如使用遥感数据和水下摄像头图像进行海底地形测量，然后利用数字地形模型生成海床地形数据，再根据淤积数据和历史动床淤泥数据计算海床淤泥模型，最后结合历史移动物数据预估和分析生成海床移动物模型，将三者进行标注合并生成海床基础模型。
本实施例可以根据海床基础数据构建出精确的海床模型，包括不同类型的数据，如海床形状、尺寸、位置、淤积、淤泥、移动物等。同时，通过对这些数据的分析计算，可以生成多个海床模型，并将它们整合为一个标注的海床基础模型，从而提高了海上风电桩的智能地形扫描的准确性和可靠性。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：根据海床基础模型中的海床地壳壳体模型生成海床网格剖分方式；
具体地，例如根据应用场景的需要，选择合适的网格类型。例如，对于海床地形比较平坦的区域，可以使用正交网格；对于海床地形复杂的区域，可以使用非结构化网格等。
步骤S32：利用海床网格剖分方式对海床基础模型中的海床地壳壳体模型中进行网格剖分，生成粗糙海床网格模型；
具体地，例如基于计算机图形学的海床网格生成算法，如Marching Cubes算法、Dual Contouring算法等，通过将海床地壳壳体模型转换成等值面表示，再进行网格剖分，生成粗糙的海床网格模型。
步骤S33：根据海床基础模型中的海床淤泥模型对粗糙海床网格模型进行坐标转换优化计算，从而构建优化海床网格模型；
具体地，例如根据海床基础模型中的海床淤泥模型，进行坐标转换优化计算。该过程可以使用各种数学算法和计算工具，例如线性代数运算、矩阵变换等。
步骤S34：根据海床基础模型中的海床移动物模型对优化海床网格模型进行标注定义参数模拟，生成海床基础网格化模型。
具体地，例如在海洋环境监测中，需要对海底环境进行观测和评估，可以利用声纳、水下摄像机等设备获取海底数据，然后根据环境监测的需求对海底进行标注，从而生成海底网格化模型。
本实施例通过对海床基础模型进行网格化，可以将复杂的海床形态转化为网格化结构，便于后续数据处理和计算，同时还可以更加准确地描述海床地貌，为后续的修正海床网格模型提供基础。
在本说明书的一个实施例中，步骤S4包括以下步骤：
步骤S41：获取海床历史数据信息，其中海床历史数据信息包括海床历史测量数据信息、海床历史报告数据信息以及海床历史原始数据信息；
具体地，例如利用海洋数值模拟技术，通过对海洋环境因素的数值计算，得到一系列海洋数据，包括水温、海洋流场、海浪等数据信息。
步骤S42：对海床历史数据信息进行拟合误差数据清洗，以生成海床清洗历史数据信息，并根据海床清洗历史数据信息通过海床历史复杂度计算公式进行计算，生成海床历史复杂度数据信息；
具体地，例如利用R语言中的ggplot2、dplyr等库对海床历史数据信息进行可视化和统计分析，并使用各种建模方法如回归分析等对数据进行清洗和处理，最终得到海床清洗历史数据信息和海床历史复杂度数据信息。
步骤S43：根据海床基础数据信息以及预设的误差调整参数生成当前海床数据有效性评估阈值数据；
具体地，例如基于离散数据的统计方法，例如计算中位数和四分位数，然后根据箱线图确定阈值。根据数据分布情况，箱线图将数据分为四分位，其中中间两个分位是中位数，箱线图将数据的上下四分位和离群值可视化，通过可视化方式较容易确定数据有效性评估阈值。
步骤S44：利用当前海床数据有效性评估阈值数据对海床清洗历史数据信息进行有效性评估阈值分析，生成修正海床网格模型。
具体地，例如利用多波束测深技术采集了海床测量数据，然后结合历史数据分析和领域知识，生成了当前海床数据有效性评估阈值数据。通过对历史数据的有效性评估，筛选出了有效数据，并采用四边形网格化方法修正了海床网格模型。
本实施例通过对海床历史数据信息进行拟合误差数据清洗，可以减少数据的噪声和误差，提高数据的准确性和可靠性。通过计算海床历史复杂度数据信息，可以评估海床数据的复杂程度，为后续的数据处理和分析提供参考。通过生成当前海床数据有效性评估阈值数据，可以根据预设的误差调整参数对海床数据进行有效性评估，进一步提高数据的准确性和可靠性。通过对海床清洗历史数据信息进行有效性评估阈值分析，可以修正海床网格模型，提高海床数据的准确性和可靠性，为后续的海上风电桩智能地形扫测提供可靠的基础数据。
在本说明书的一个实施例中，其中海床历史复杂度计算公式具体为：
本实施例提供一种海床历史复杂度计算公式，该公式充分考虑了第
次海床清洗历史数据信息的权重信息
、第
次海床清洗历史数据信息
、根据海床基础数据信息生成的调整项的权重信息
、根据海床基础数据信息生成的调整项
、调整误差项
、海床清洗历史数据信息的数量信息
以及相互之间的作用关系，以形成函数关系
，并通过海床历史复杂度数据信息的修正项
进行修正，以提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S5包括以下步骤：
根据海床历史复杂度数据信息对海床基础模型进行率定，生成修正海床基础数据；
具体地，例如利用海床历史数据信息对海床基础模型进行率定，通常是通过调整模型参数来达到最优拟合效果。常用的方法包括最小二乘法、Kalman滤波。
根据修正海床基础数据对海床基础模型进行修正，生成海床修正模型。
具体地，例如
本实施例通过历史复杂度数据信息，可以更加准确地对海床基础模型进行修正，提高修正结果的精度和准确性；修正海床基础数据可以为后续的海上风电桩智能地形扫测提供更加准确的基础数据，提高扫测结果的可靠性和精度；修正海床基础数据可以帮助识别潜在的海床问题，为海上风电桩的设计、建设和维护提供有力支持。
在本说明书的一个实施例中，步骤S6包括以下步骤：
步骤S61：利用修正海床网格模型对海床修正模型进行误差修正评定计算，生成海床误差修正评定数据；
具体地，例如利用海床历史数据信息对海床基础模型进行率定，通常是通过调整模型参数来达到最优拟合效果。常用的方法包括最小二乘法、Kalman滤波。
步骤S62：确定海床误差修正评定数据为预设的海床误差修正阈值范围内时，根据修正海床网格模型以及海床修正模型进行合并计算，生成精准海床地形图数据；
具体地，例如以利用多波束声纳等技术获取海底地形数据，然后使用数据处理和分析工具，对海底地形进行处理和分析，得到初步的海底地形信息。随后，根据海床移动动物等因素进行修正，得到修正的海床地形图数据。最后，利用地形分析和模拟工具，生成精准的海床地形图数据。
步骤S63：通过预设的海床可信度验证数据信息对精准海床地形图数据进行可信度验证，生成可信度验证指数；
具体地，例如根据可信度验证指数，对数据进行评估分析，生成可信度验证指数，如36.25。
步骤S64：判断可信度验证指数是否大于或等于预设的海床数据可信度阈值；
具体地，例如判断可信度验证指数，如36.25是否大于或等于预设的海床数据可信度阈值，如85。
步骤S65：确定可信度验证指数大于或等于预设的海床数据可信度阈值时，将精准海床地形图数据进行可视化作业，以实现对海上风电桩位置的海床地形的动态监测。
具体地，例如确定可信度验证指数，如86.25大于或等于预设的海床数据可信度阈值，如85时，将精准海床地形图数据进行可视化作业，以供海上风电桩进行动态情况的监测。
本实施例通过误差修正评定计算，可以提高海床地形图数据的准确性和精度；根据海床数据可信度验证指数，可以在一定程度上保证海床数据的可靠性和可信度；通过可视化作业，可以对海上风电桩进行动态情况的监测，提高海上风电桩的安全性和稳定性；整个步骤S6流程严密，操作规范，能够提高数据处理的效率和精度。
在本说明书的一个实施例中，一种基于大数据平台的海上风电桩的智能地形扫测系统，所述系统包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一一项所述的一种基于大数据平台的海上风电桩的智能地形扫测方法。
本发明通过海上风电桩建设和维护需要对海底地形进行精准测量和监测，以确保安全性和有效性。传统的海底地形扫描方法受限于技术手段和人力资源，测量结果的精度和效率有限。而基于大数据平台的智能地形扫描方法可以利用海洋传感器、遥感数据和机器学习算法等技术手段，快速、准确地获取海底地形数据，提高测量精度和效率，进一步保障海上风电桩的安全和运营。
本方法及系统可提供精确的水下感知性能，其包括超声波探头、温度传感器、盐度传感器、压强传感器等，可改进超声波传播能力。克服了以往人工定期巡测实时性差、监测时间尺度短，对天气依赖严重等问题，降低了监测成本，同时构建了风电桩基础海床冲刷数据库，它的监测时效性更优，数据源更丰富，海上风电场安全运维展示效果更佳。其中系统采用超声波探测原理，其具有频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播等。同时，超声波对液体、固体的穿透本领很大，尤其是在不透明的固体中，它可穿透几十米的深度。本设备探头为基于多个单点超声波的超波束，它的监测范围更广。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于大数据平台的海上风电桩的智能地形扫测方法，其特征在于，应用于大数据平台，包括以下步骤：
步骤S1：通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海床基础数据信息，并更新风电桩基础海床冲刷数据库；
步骤S2：根据海床基础数据信息构建海床基础模型；
步骤S3：根据海床基础模型进行网格化，生成海床基础网格化模型；
步骤S4：获取海床历史数据信息并根据海床历史数据信息生成海床历史复杂度数据信息，从而对海床基础网格模型进行修正，生成修正海床网格模型；
步骤S5：根据海床历史复杂度数据信息对海床基础模型进行率定，生成海床修正模型；
步骤S6：根据修正海床网格模型以及海床修正模型进行修正合并计算，生成精准海床地形图数据，以实现对海上风电桩位置的海床地形的动态监测。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括以下步骤：
通过超声波测距设备利用多个单点超声波的超波束扫测海上风电桩位置的海床地形，从而获取海水基础信息，其中海水基础信息包括海水盐含量数据、海水温度数据、海水密度数据以及海水压强信息；
根据海水基础信息通过海水声波传输计算公式生成海水介质影响因子数据；
通过超声波测距设备获取超声波测距数据信息；
利用海水介质影响因子数据对超声波测距数据信息进行修正，生成修正超声波测距数据信息；
获取前次获得的历史超声波测距数据信息对修正超声波测距数据信息进行率定，生成海床基础数据信息，并更新风电桩基础海床冲刷数据库。
3.根据权利要求2所述的方法，其特征在于，其中海水声波传输计算公式具体为：
4.根据权利要求1所述的方法，其特征在于，步骤S2包括以下步骤：
根据海床基础数据中的海床主体数据，构建海床地壳壳体模型，其中海床主体数据包括海床形状数据、海床尺寸数据以及海床位置数据；
根据海床基础数据中的淤积数据以及历史动床淤泥数据通过淤泥特性数据计算，构建海床淤泥模型；
根据海床基础数据中的非固定主体数据以及历史移动物数据通过移动物预估分析计算，构建海床移动物模型；
将海床地壳壳体模型、海床淤泥模型以及海床移动动物模型进行标注生成海床基础模型。
5.根据权利要求4所述的方法，其特征在于，步骤S3包括以下步骤：
根据海床基础模型中的海床地壳壳体模型生成海床网格剖分方式；
利用海床网格剖分方式对海床基础模型中的海床地壳壳体模型中进行网格剖分，生成粗糙海床网格模型；
根据海床基础模型中的海床淤泥模型对粗糙海床网格模型进行坐标转换优化计算，从而构建优化海床网格模型；
根据海床基础模型中的海床移动物模型对优化海床网格模型进行标注定义参数模拟，生成海床基础网格化模型。
6.根据权利要求1所述的方法，其特征在于，步骤S4包括以下步骤：
获取海床历史数据信息，其中海床历史数据信息包括海床历史测量数据信息、海床历史报告数据信息以及海床历史原始数据信息；
对海床历史数据信息进行拟合误差数据清洗，以生成海床清洗历史数据信息，并根据海床清洗历史数据信息通过海床历史复杂度计算公式进行计算，生成海床历史复杂度数据信息；
根据海床基础数据信息以及预设的误差调整参数生成当前海床数据有效性评估阈值数据；
利用当前海床数据有效性评估阈值数据对海床清洗历史数据信息进行有效性评估阈值分析，生成修正海床网格模型。
7.根据权利要求6所述的方法，其特征在于，其中海床历史复杂度计算公式具体为：
8.根据权利要求1所述的方法，其特征在于，步骤S5包括以下步骤：
根据海床历史复杂度数据信息对海床基础模型进行率定，生成修正海床基础数据；
根据修正海床基础数据对海床基础模型进行修正，生成海床修正模型。
9.根据权利要求1所述的方法，其特征在于，步骤S6包括以下步骤：
利用修正海床网格模型对海床修正模型进行误差修正评定计算，生成海床误差修正评定数据；
确定海床误差修正评定数据为预设的海床误差修正阈值范围内时，根据修正海床网格模型以及海床修正模型进行合并计算，生成精准海床地形图数据；
通过预设的海床可信度验证数据信息对精准海床地形图数据进行可信度验证，生成可信度验证指数；
判断可信度验证指数是否大于或等于预设的海床数据可信度阈值；
确定可信度验证指数大于或等于预设的海床数据可信度阈值时，将精准海床地形图数据进行可视化作业，以实现对海上风电桩位置的海床地形的动态监测。
10.一种基于大数据平台的海上风电桩的智能地形扫测系统，其特征在于，所述系统包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任意一项所述的一种基于大数据平台的海上风电桩的智能地形扫测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234634.2A CN115951361B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310234634.2A CN115951361B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115951361A true CN115951361A (zh) | 2023-04-11 |
| CN115951361B CN115951361B (zh) | 2023-05-30 |
Family
ID=85894208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310234634.2A Active CN115951361B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115951361B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341283A (zh) * | 2023-05-19 | 2023-06-27 | 汇杰设计集团股份有限公司 | 一种基于深水淤泥采样的水下地形仿真方法和系统 |
| CN116499532A (zh) * | 2023-06-27 | 2023-07-28 | 中建三局集团华南有限公司 | 基于水文模型构建的复杂海洋环境深水群桩施工监测系统 |
| CN116502478A (zh) * | 2023-06-29 | 2023-07-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120099395A1 (en) * | 2010-10-25 | 2012-04-26 | Lockheed Martin Corporation | Detecting structural changes to underwater structures |
| RU2466426C1 (ru) * | 2011-06-09 | 2012-11-10 | Сергей Петрович Алексеев | Способ восстановления рельефа морского дна при измерении глубин посредством гидроакустических средств |
| CN103344954A (zh) * | 2013-07-08 | 2013-10-09 | 国家海洋局第二海洋研究所 | 一种基于多来源水深数据融合的海底地形地貌构建方法 |
| US20140288891A1 (en) * | 2013-03-20 | 2014-09-25 | Cgg Services Sa | System and method for modelling three dimensional shallow water multiples using predictive sea floor reconstruction |
| CN106123850A (zh) * | 2016-06-28 | 2016-11-16 | 哈尔滨工程大学 | Auv配载多波束声呐水下地形测绘修正方法 |
| CN106709992A (zh) * | 2017-01-04 | 2017-05-24 | 天津大学 | 基于信息熵理论的海底地貌复杂度表示方法 |
| CN106934232A (zh) * | 2017-03-07 | 2017-07-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原河网地区河道水量建模调控方法 |
| CN110686669A (zh) * | 2019-09-23 | 2020-01-14 | 中国海洋大学 | 基于定位补偿与视觉感知的rov海参分布统计方法及装置 |
| CN111486845A (zh) * | 2020-04-27 | 2020-08-04 | 中国海洋大学 | 基于海底地形匹配的auv多策略导航方法 |
| CN115392098A (zh) * | 2022-10-31 | 2022-11-25 | 浙江远算科技有限公司 | 基于水沙数值仿真的海上风电海缆裸露预测方法和系统 |
| CN115540832A (zh) * | 2022-10-14 | 2022-12-30 | 自然资源部第二海洋研究所 | 基于VGGNet的卫星测高海底地形校正方法及系统 |
| CN115640670A (zh) * | 2022-09-05 | 2023-01-24 | 浙江水利水电学院 | 一种地形自适应水深模型分区加权融合方法 |
| CN115730377A (zh) * | 2022-12-08 | 2023-03-03 | 河海大学 | 基于环境监测和数值反演的高桩码头桩周冲刷的评估方法 |
-
2023
- 2023-03-13 CN CN202310234634.2A patent/CN115951361B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120099395A1 (en) * | 2010-10-25 | 2012-04-26 | Lockheed Martin Corporation | Detecting structural changes to underwater structures |
| RU2466426C1 (ru) * | 2011-06-09 | 2012-11-10 | Сергей Петрович Алексеев | Способ восстановления рельефа морского дна при измерении глубин посредством гидроакустических средств |
| US20140288891A1 (en) * | 2013-03-20 | 2014-09-25 | Cgg Services Sa | System and method for modelling three dimensional shallow water multiples using predictive sea floor reconstruction |
| CN103344954A (zh) * | 2013-07-08 | 2013-10-09 | 国家海洋局第二海洋研究所 | 一种基于多来源水深数据融合的海底地形地貌构建方法 |
| CN106123850A (zh) * | 2016-06-28 | 2016-11-16 | 哈尔滨工程大学 | Auv配载多波束声呐水下地形测绘修正方法 |
| CN106709992A (zh) * | 2017-01-04 | 2017-05-24 | 天津大学 | 基于信息熵理论的海底地貌复杂度表示方法 |
| CN106934232A (zh) * | 2017-03-07 | 2017-07-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种平原河网地区河道水量建模调控方法 |
| CN110686669A (zh) * | 2019-09-23 | 2020-01-14 | 中国海洋大学 | 基于定位补偿与视觉感知的rov海参分布统计方法及装置 |
| CN111486845A (zh) * | 2020-04-27 | 2020-08-04 | 中国海洋大学 | 基于海底地形匹配的auv多策略导航方法 |
| CN115640670A (zh) * | 2022-09-05 | 2023-01-24 | 浙江水利水电学院 | 一种地形自适应水深模型分区加权融合方法 |
| CN115540832A (zh) * | 2022-10-14 | 2022-12-30 | 自然资源部第二海洋研究所 | 基于VGGNet的卫星测高海底地形校正方法及系统 |
| CN115392098A (zh) * | 2022-10-31 | 2022-11-25 | 浙江远算科技有限公司 | 基于水沙数值仿真的海上风电海缆裸露预测方法和系统 |
| CN115730377A (zh) * | 2022-12-08 | 2023-03-03 | 河海大学 | 基于环境监测和数值反演的高桩码头桩周冲刷的评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 习建军等: "海底输电工程地质勘察中的声波探测技术", 勘察科学技术 * |
| 李兆兴等: "TIN的海底地形复杂度表示与计算方法", 测绘科学技术学报 * |
| 邹海等: "基于OpenGL的三维地形的模拟", 计算机技术与发展 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341283A (zh) * | 2023-05-19 | 2023-06-27 | 汇杰设计集团股份有限公司 | 一种基于深水淤泥采样的水下地形仿真方法和系统 |
| CN116499532A (zh) * | 2023-06-27 | 2023-07-28 | 中建三局集团华南有限公司 | 基于水文模型构建的复杂海洋环境深水群桩施工监测系统 |
| CN116499532B (zh) * | 2023-06-27 | 2023-09-01 | 中建三局集团华南有限公司 | 基于水文模型构建的复杂海洋环境深水群桩施工监测系统 |
| CN116502478A (zh) * | 2023-06-29 | 2023-07-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
| CN116502478B (zh) * | 2023-06-29 | 2023-09-01 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115951361B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115951361B (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
| Williams et al. | Guidance on setup, calibration, and validation of hydrodynamic, wave, and sediment models for shelf seas and estuaries | |
| Damen et al. | Spatially varying environmental properties controlling observed sand wave morphology | |
| Sutherland et al. | Evaluation of coastal area modelling systems at an estuary mouth | |
| Calder et al. | Automatic processing of high‐rate, high‐density multibeam echosounder data | |
| Van Der Wal et al. | The use of historical bathymetric charts in a GIS to assess morphological change in estuaries | |
| Devis-Morales et al. | Assessment of extreme wind and waves in the Colombian Caribbean Sea for offshore applications | |
| CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
| CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
| CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
| CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
| CN117077554B (zh) | 一种基于ConvGRU的三维咸潮预报方法 | |
| Behzadi et al. | Introducing a novel digital elevation model using artificial neural network algorithm | |
| Ghorbani et al. | Genetic programming for sea level predictions in an island environment | |
| CN117405175B (zh) | 海洋环境智能监测系统 | |
| CN117367378A (zh) | 一种基于水下固定平台的内波探测方法及系统 | |
| CN113312830A (zh) | 基于深度学习获得海洋中尺度涡波阻抗方法及处理终端 | |
| CN106338274B (zh) | 一种基于多参数传感器修正波浪特征参数的测波装置和方法 | |
| CN115795952A (zh) | 一种基于有限元和贝叶斯克里金的边坡变形场重构方法 | |
| CN113221651B (zh) | 利用声传播数据和无监督机器学习的海底沉积分类方法 | |
| Dorst | Survey plan improvement by detecting sea floor dynamics in archived echo sounder surveys | |
| Young et al. | Initialization and setup of the Coastal Model Test Bed: integrated bathymetry | |
| Peuchen et al. | North Sea as geo database | |
| Khanarmuei et al. | Calibration and assimilation in hydrodynamic model of a micro-tidal estuary and comparison with Lagrangian drifter data | |
| Rahbani | Numerical modelling of the coastal processes in Dithmarschen Bight incorporating field data |
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 |