CN116306079A - 一种应用于海洋细长柔性结构动态响应预测模型构建方法 - Google Patents

一种应用于海洋细长柔性结构动态响应预测模型构建方法 Download PDF

Info

Publication number
CN116306079A
CN116306079A CN202211661679.XA CN202211661679A CN116306079A CN 116306079 A CN116306079 A CN 116306079A CN 202211661679 A CN202211661679 A CN 202211661679A CN 116306079 A CN116306079 A CN 116306079A
Authority
CN
China
Prior art keywords
model
response
prediction
data
test
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
CN202211661679.XA
Other languages
English (en)
Inventor
李润东
宋睿领
叶传新
喻浩
游上钦
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.)
China Shipbuilding Corp System Engineering Research Institute
Original Assignee
China Shipbuilding Corp System Engineering Research Institute
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 China Shipbuilding Corp System Engineering Research Institute filed Critical China Shipbuilding Corp System Engineering Research Institute
Priority to CN202211661679.XA priority Critical patent/CN116306079A/zh
Publication of CN116306079A publication Critical patent/CN116306079A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种海洋细长结构顶部动态响应预测模型构建方法。包括：步骤一：确定海洋细长结构系统的组成和运行海况，建立水动力数值仿真模型，进行有限元计算；步骤二：提取仿真模拟结果中浮体的纵荡、横荡、垂荡数据和细长结构中待预测节点响应的时程数据，将数据进行归一化处理，进行样本点构造，并分为训练集和测试集；步骤三：调整神经网络结构进行训练和测试集测试，通过测试的模型能够对下一瞬时动态响应进行预测；若未通过测试，改变样本点构成和模型参数，重新训练；步骤四：将通过测试集测试的神经网络模型进行预测测试，对无法准确预测张力响应的模型改变数据采样频率等参数重新进行步骤三；通过测试即得到预测模型。

Description

一种应用于海洋细长柔性结构动态响应预测模型构建方法
技术领域
本申请涉及海洋工程结构响应分析技术领域，尤其涉及一种应用于海洋细长柔性结构动态响应预测模型构建方法。
背景技术
海洋工程装备中细长结构十分常见，对其进行动态响应分析涉及大位移、二阶波浪力等非线性因素，需要非线性时域分析方法求解其动力学控制方程，计算代价高昂，并且为了实现数据统计的可靠性，至少需要3小时模拟使得生成的波浪涵盖到极端海况，这些工作将花费大量时间。细长结构的顶部通常需要承受沿结构轴向的巨大的张力及交变的曲率作用，极易发生疲劳失效。对其进行疲劳分析需要消耗大量时间在动态响应计算上，导致分析效率低从而导致对其设计周期长，无法实现满足工程中快速设计要求。
发明内容
本发明目的是提出应用于海洋细长柔性结构动态响应预测模型构建方法。利用时序神经网络本身对数据时间序列的处理，替代有限元非线性时域分析过程，利用训练好的神经网络模型对结构时域的响应进行预测，达到降低计算成本的目的。
本发明实施例提供了一种海洋细长结构顶部动态响应预测模型构建方法，包括以下步骤：
步骤一：确定海洋细长结构系统的组成和运行海况，建立水动力数值仿真模型，进行有限元计算；
步骤二：提取仿真模拟结果中浮体的纵荡、横荡、垂荡数据和细长结构中待预测节点响应的时程数据，将数据进行归一化处理，进行样本点构造，并分为训练集和测试集；
步骤三：调整神经网络结构进行训练和测试集测试，通过测试的模型能够对下一瞬时动态响应进行预测；如果模型没有通过测试，改变样本点构成和模型参数，重新进行神经网络模型训练；
步骤四：将通过测试集测试的神经网络模型进行预测测试，对无法准确预测张力响应的模型改变数据采样频率等参数重新进行步骤三；通过测试即得到预测模型。
在一些实施例中，通过训练后的神经网络模拟浮体运动与细长结构结构响应之间的映射关系，表达如式(1)所示：
Figure BDA0004013361390000021
其中,x,y,z分别表示浮体的纵荡、横荡和垂荡运动，取其与初始位置的相对值，r表示细长结构的响应量，N表示延迟间隔数量，Δt表示时间间隔，N·Δt表示延迟长度。
在一些实施例中，依据初始数据以完成对后续数据的预测，即根据初始张力响应数据预测后续张力时程响应，考虑将后续的预测模型中的张力响应输入从r′(t-Δt)至r′(t-N*Δt)由模型自身预测数值替代，从而模拟实际预测情形，使用模型进行响应预测的数学表达式(2)：
Figure BDA0004013361390000022
其中，r′表示模型预测的较早时间步的响应。
在一些实施例中，采用测试集的平均绝对值误差进行基本评估，平均绝对误差Eabs表达式详见式(3)，误差上限Eup以及误差下限Elow的如式(4)、式(5)所示，
Figure BDA0004013361390000023
Figure BDA0004013361390000024
Figure BDA0004013361390000025
其中，n表示测试集的数量，
Figure BDA0004013361390000026
表示响应的预测值，/>
Figure BDA0004013361390000027
表示响应的有限元计算值。
在一些实施例中，对于预测测试，使用Pearson相关系数作为评判标准，其表达式详见式(6)，
Figure BDA0004013361390000031
最终根据评判准则，获取满足要求的预测模型。
本发明将时序神经网络模型引入海洋细长结构的响应分析，利用模型本身对数据时间序列的处理，完成对结构时域响应的预测。从而代替昂贵的非线性时域分析，实现降低计算成本的目的。
与现有技术比较，本发明的优点是：
传统的海洋细长结构水动力学分析中涉及大位移、二阶波浪力等非线性因素，需要非线性时域分析方法求解其动力学控制方程，计算代价较为昂贵。而实际工程中细长结构的顶部通常需要承受沿结构轴向的巨大的张力及交变的曲率作用，极易发生疲劳失效。对其进行疲劳分析时，将涉及数以百计的载荷工况模拟，会消耗大量时间在动态响应计算上，导致分析效率低从而导致对其设计周期长，无法实现满足工程中快速设计要求。本发明提出了一种基于时序神经网络的细长结构顶部张力响应预测模型构建方法，利用模型本身对时序输入的处理能力，可以处理水动力分析中的动态效应；并且训练好的模型可以实时响应，从而极大缩短了分析时间，方便工程中进行快速设计。
附图说明
附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为响应预测模型构建流程示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
本发明的技术方案就是利用水动力数值仿真所得数据进行样本点构造，利用构造完成的样本点对时序神经网络模型进行训练，通过测试集测试和预测测试的神经网络模型能够根据输入快速响应，从而代替有限元分析来快速获取结构响应。其过程如附图1所示：
具体实现过程如下：
步骤一：确定海洋细长结构系统的组成和运行海况，建立水动力数值仿真模型，进行有限元计算。
步骤二：提取仿真模拟结果中浮体的纵荡、横荡、垂荡数据和细长结构中待预测节点响应的时程数据，将数据进行归一化处理，进行样本点构造，并分为训练集和测试集。
步骤三：调整神经网络结构进行训练和测试集测试，通过测试的模型能对下一瞬时动态响应进行预测。如果模型没有通过测试，需要改变样本点构成和模型参数，重新进行神经网络模型训练。
步骤四：将通过测试集测试的神经网络模型进行预测测试，无法准确预测张力响应的模型需要改变数据采样频率等参数重新进行步骤三；通过测试即可得到高质量预测模型。
其中，在对细长结构系统进行水动力分析后，提取浮体纵荡、横荡、垂荡和细长结构结构响应时程，并处理为可以进行训练的样本点。通过训练后的神经网络模拟浮体运动与细长结构结构响应之间的映射关系，可以表达如式(1)所示：
Figure BDA0004013361390000041
其中,x,y,z分别表示浮体的纵荡、横荡和垂荡运动，取其与初始位置的相对值，r表示细长结构的响应量，N表示延迟间隔数量，Δt表示时间间隔，N·Δt表示延迟长度。
为了避免模型训练过程中存在的数值问题，以及便于快速收敛，需要对训练前后的数据进行归一化和反归一化处理。
另外，在一般机器学习中的测试集测试仅对同样样本构成的真实数据进行测试，并且这也是一般神经网络测试最终测试。而对时程数据进行预测，需要依据初始数据以完成对后续数据的预测，即根据初始张力响应数据预测后续张力时程响应，考虑将后续的预测模型中的张力响应输入从r′(t-Δt)至r′(t-N*Δt)由模型自身预测数值替代，从而模拟实际预测情形，该项测试简称预测测试。使用模型进行响应预测的数学表达式(2)：
Figure BDA0004013361390000051
其中，r′表示模型预测的较早时间步的响应。
模型的好坏由误差进行评估，考虑到可能存在的误差较大的点被放大从而影响到对模型整体的评价，所以没有使用较为广泛的均方误差。另外考虑到对误差数值直接进行加和平均运算会存在正负误差相抵消的问题，无法反映真实情况，因此采用测试集的平均绝对值误差进行基本评估。平均绝对误差Eabs表达式详见式(3)，误差上限Eup以及误差下限Elow的如式(4)、式(5)所示。
Figure BDA0004013361390000052
Figure BDA0004013361390000053
Figure BDA0004013361390000054
其中，n表示测试集的数量，
Figure BDA0004013361390000055
表示响应的预测值，/>
Figure BDA0004013361390000056
表示响应的有限元计算值。在对具体算例进行分析时，可综合考虑测试集的误差数据上下限评价模型的好坏。
对于预测测试，考虑使用Pearson相关系数作为评判标准，从而更好地描述预测所得时程曲线与模拟计算结果的相似程度，其表达式详见式(6)。
Figure BDA0004013361390000057
最终根据评判准则，获取满足要求模型即可。
本发明上述实施例利用水动力数值仿真获取大量数据进行样本点构造，利用时序神经网络模型对构造完成的样本点进行训练，经过测试集测试和预测测试，并根据评价标准选择训练之后的模型，将其代替有限元分析来快速获取结构响应，实现分析效率的提高，从而满足工程设计的需要。
传统的海洋细长结构水动力学分析中涉及大位移、二阶波浪力等非线性因素，需要非线性时域分析方法求解其动力学控制方程，计算代价较为昂贵。而实际工程中细长结构的顶部通常需要承受沿结构轴向的巨大的张力及交变的曲率作用，极易发生疲劳失效。对其进行疲劳分析时，将涉及数以百计的载荷工况模拟，会消耗大量时间在动态响应计算上，导致分析效率低从而导致对其设计周期长，无法实现满足工程中快速设计要求。本发明提出了一种基于时序神经网络的细长结构顶部张力响应预测模型构建方法，利用模型本身对时序输入的处理能力，可以处理水动力分析中的动态效应；并且训练好的模型可以实时响应，从而极大缩短了分析时间，方便工程中进行快速设计。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成。

Claims (5)

1.一种海洋细长结构顶部动态响应预测模型构建方法，其特征在于，所述方法包括以下步骤：
步骤一：确定海洋细长结构系统的组成和运行海况，建立水动力数值仿真模型，进行有限元计算；
步骤二：提取仿真模拟结果中浮体的纵荡、横荡、垂荡数据和细长结构中待预测节点响应的时程数据，将数据进行归一化处理，进行样本点构造，并分为训练集和测试集；
步骤三：调整神经网络结构进行训练和测试集测试，通过测试的模型能够对下一瞬时动态响应进行预测；如果模型没有通过测试，改变样本点构成和模型参数，重新进行神经网络模型训练；
步骤四：将通过测试集测试的神经网络模型进行预测测试，对无法准确预测张力响应的模型改变数据采样频率等参数重新进行步骤三；通过测试即得到预测模型。
2.根据权利要求1所述的海洋细长结构顶部动态响应预测模型构建方法，其特征在于，通过训练后的神经网络模拟浮体运动与细长结构结构响应之间的映射关系，表达如式(1)所示：
Figure FDA0004013361380000011
其中,x,y,z分别表示浮体的纵荡、横荡和垂荡运动，取其与初始位置的相对值，r表示细长结构的响应量，N表示延迟间隔数量，Δt表示时间间隔，N·Δt表示延迟长度。
3.根据权利要求2所述的海洋细长结构顶部动态响应预测模型构建方法，其特征在于，依据初始数据以完成对后续数据的预测，即根据初始张力响应数据预测后续张力时程响应，考虑将后续的预测模型中的张力响应输入从r( ′ t-Δt)至r( ′ t-N*Δt)由模型自身预测数值替代，从而模拟实际预测情形，使用模型进行响应预测的数学表达式(2)：
Figure FDA0004013361380000021
其中，r′表示模型预测的较早时间步的响应。
4.根据权利要求3所述的海洋细长结构顶部动态响应预测模型构建方法，其特征在于，采用测试集的平均绝对值误差进行基本评估，平均绝对误差Eabs表达式详见式(3)，误差上限Eup以及误差下限Elow的如式(4)、式(5)所示，
Figure FDA0004013361380000022
Figure FDA0004013361380000023
Figure FDA0004013361380000024
其中，n表示测试集的数量，ri pred表示响应的预测值，
Figure FDA0004013361380000025
表示响应的有限元计算值。
5.根据权利要求4所述的海洋细长结构顶部动态响应预测模型构建方法，其特征在于，对于预测测试，使用Pearson相关系数作为评判标准，其表达式详见式(6)，
Figure FDA0004013361380000026
最终根据评判准则，获取满足要求的预测模型。
CN202211661679.XA 2022-12-23 2022-12-23 一种应用于海洋细长柔性结构动态响应预测模型构建方法 Pending CN116306079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211661679.XA CN116306079A (zh) 2022-12-23 2022-12-23 一种应用于海洋细长柔性结构动态响应预测模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211661679.XA CN116306079A (zh) 2022-12-23 2022-12-23 一种应用于海洋细长柔性结构动态响应预测模型构建方法

Publications (1)

Publication Number Publication Date
CN116306079A true CN116306079A (zh) 2023-06-23

Family

ID=86817467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211661679.XA Pending CN116306079A (zh) 2022-12-23 2022-12-23 一种应用于海洋细长柔性结构动态响应预测模型构建方法

Country Status (1)

Country Link
CN (1) CN116306079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819950A (zh) * 2023-08-25 2023-09-29 中国海洋大学 一种船舶与浮式海洋平台动力定位控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819950A (zh) * 2023-08-25 2023-09-29 中国海洋大学 一种船舶与浮式海洋平台动力定位控制方法及系统
CN116819950B (zh) * 2023-08-25 2023-11-07 中国海洋大学 一种船舶与浮式海洋平台动力定位控制方法及系统

Similar Documents

Publication Publication Date Title
CN113281048B (zh) 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统
Kubat et al. An operational model of iceberg drift
CN113761787B (zh) 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统
CN116306079A (zh) 一种应用于海洋细长柔性结构动态响应预测模型构建方法
CN107220500B (zh) 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法
CN117708656B (zh) 一种面向单源域的滚动轴承跨域故障诊断方法
CN114595883B (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
CN117669388B (zh) 故障样本生成方法、装置、计算机介质
CN115455764A (zh) 一种框架结构多节点损伤诊断方法
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
Yan et al. Time series prediction based on LSTM neural network for top tension response of umbilical cables
Ribeiro Machado da Silva et al. Convolutional Neural Networks Applied to Flexible Pipes for Fatigue Calculations
CN116030292A (zh) 基于改进ResNext的混凝土表面粗糙度检测方法
CN115392295A (zh) 一种基于增量学习框架的轴承故障预测方法
CN114913170A (zh) 一种螺栓松动检测方法、训练方法及检测系统
CN114048762A (zh) 双注意力引导的旋转机械健康评估方法
CN113593551B (zh) 一种基于命令词识别的语音通信干扰效果客观评估方法
Pan Corrosion detection method of substation Aboveground Steel Structure Based on deep learning
CN115267883B (zh) 地震响应预测模型训练及预测方法、系统、设备及介质
Døskeland et al. Decision-making support for reeled pipeline installation using a machine learning based method
CN115729212B (zh) 柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质
CN116011356B (zh) 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法
CN118196542B (zh) 裂纹扩展路径预测方法、设备、存储介质及产品
CN117828481B (zh) 基于动态集成框架共轨船用燃油系统故障诊断方法及介质

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