CN116542398A - 水上溢油预测方法、装置、设备及存储介质 - Google Patents

水上溢油预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116542398A
CN116542398A CN202310800629.3A CN202310800629A CN116542398A CN 116542398 A CN116542398 A CN 116542398A CN 202310800629 A CN202310800629 A CN 202310800629A CN 116542398 A CN116542398 A CN 116542398A
Authority
CN
China
Prior art keywords
oil
oil spill
model
spill
prediction model
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
CN202310800629.3A
Other languages
English (en)
Inventor
牟林
王道胜
秦浩
李琰
牛茜如
董亚康
苏翰祥
夏清泉
董俊
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.)
Shenzhen Lightsun Technology Co ltd
Shenzhen University
Original Assignee
Shenzhen Lightsun Technology Co ltd
Shenzhen University
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 Shenzhen Lightsun Technology Co ltd, Shenzhen University filed Critical Shenzhen Lightsun Technology Co ltd
Priority to CN202310800629.3A priority Critical patent/CN116542398A/zh
Publication of CN116542398A publication Critical patent/CN116542398A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment
    • Y02A20/204—Keeping clear the surface of open water from oil spills

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)

Abstract

本公开涉及一种水上溢油预测方法、装置、设备及存储介质,通过获取溢油漂移轨迹数据，构建并训练溢油全过程预测模型，得到预训练的溢油全过程预测模型，基于预训练的溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。本公开相较于现有技术，有如下优点：本公开可以高效获取溢油漂移轨迹数据，由于构建并训练溢油全过程预测模型，得到预训练的溢油全过程预测模型，该模型中将原本复杂的溢油行为过程简化分割，充分考虑油沙相互作用、着岸、着底等过程，进而基于预训练的溢油全过程预测模型对水上溢油的进行预测，可以预测出未来一段时间内水上溢油的状态变化，提高预测的准确性。

Description

水上溢油预测方法、装置、设备及存储介质
技术领域
本公开涉及溢油预测技术领域，尤其涉及一种水上溢油预测方法、装置、设备及存储介质。
背景技术
人类每年消耗巨量石油，其中约2/3的石油贸易通过水上运输，而在运输石油过程中，水上溢油事故多发，导致海域油类污染日益加重。
现有水上溢油预测方法中，大都只考虑了溢油的漂移扩散和风化作用。例如，CN107016458A中所述，在海底溢油的初始阶段，采用拉格朗日积分公式和浓度梯度公式，确定海底溢油中油滴群在卷吸作用、浮力作用和拖曳作用下的位移，油滴群在卷吸作用、浮力作用和拖曳作用下的从海底溢油区开始上浮，当油滴群在海底内上升时，根据油滴群受到的浮力，通过第一公式确定油滴群的上升速度；油滴群在海底内上升至海面上时，在海洋三维流场和海面风场的作用力下，通过第二公式确定处于某一深度的油滴群的漂移轨迹，通过第三公式确定油滴群在某一深度及海面的扩散距离。
但是，水上溢油在漂移扩散过程中，除了风化作用外，还有溢油和悬沙的相互作用，以及着岸、着底等过程。若不充分考虑着岸、着底等过程，将无法充分考虑溢油的归宿，导致溢油预测的不准确性。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种水上溢油预测方法、装置、设备及存储介质。
第一方面，本公开实施例提供一种水上溢油预测方法，所述方法包括：
获取溢油漂移轨迹数据；
构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；
基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
在一些实施例中，所述水上溢油预测数据包括如下至少一种：
溢油风化数据、溢油着岸数据、溢油着底数据。
在一些实施例中，所述获取溢油漂移轨迹数据，包括：
基于预设的溢油跟踪浮标对水上的溢油进行跟踪定位，得到溢油漂移轨迹数据，所述溢油跟踪浮标中集成有定位组件、供电组件。
在一些实施例中，所述构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，包括：
构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型；
基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型；
基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。
在一些实施例中，构建溢油沉潜模型，包括：
获取至少一种类型溢油在多个波浪条件下的溢油实验室实验数据；
通过深度学习算法从所述溢油实验室实验数据中识别出溢油行为过程，提取至少一种类型溢油在多个波浪条件下的沉潜特征；
基于所述至少一种类型溢油在多个波浪条件下的沉潜特征确定溢油沉潜与波浪要素之间的关系，基于所述溢油沉潜与波浪要素之间的关系构建溢油沉潜模型。
在一些实施例中，所述多个样本数据包括多个水面油膜分布样本数据、多个溢油漂移轨迹样本数据；
所述基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型，包括：
基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果；
基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果；
对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，所述参数率定结果包括流致漂移系数、风致漂移系数；
用所述参数率定结果中的流致漂移系数、风致漂移系数更新所述溢油全过程预测模型的模型参数，得到预训练的所述溢油全过程预测模型。
在一些实施例中，所述基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果，包括：
在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个水面油膜分布样本数据中的任意两个水面油膜分布样本数据进行一次模拟过程并计算水面油膜模拟精度指标，得到多个水面油膜模拟精度指标与模型参数之间的分布关系；
基于所述多个水面油膜模拟精度指标与模型参数之间的分布关系，以油膜模拟精度指标最大为目标，得到多个第一率定结果；
其中，所述模拟过程为以两个水面油膜分布样本数据两者中时间较早的水面油膜分布样本数据为所述溢油全过程预测模型的初始条件进行模拟，模拟到两者中时间较晚的水面油膜分布样本数据。
在一些实施例中，所述基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果，包括：
在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个溢油漂移轨迹样本数据中的任意一个溢油漂移轨迹样本数据进行一次模拟预测过程并计算模拟误差指标，得到多个模拟误差指标与模型参数之间的分布关系；
基于所述多个模拟误差指标与模型参数之间的分布关系，以模拟误差指标最小为目标，得到多个第二率定结果；
其中，所述模拟预测过程为以一个溢油漂移轨迹样本数据的起始时间作为模拟初始时间、以起始位置作为模拟初始位置，以该溢油漂移轨迹样本数据的终止时间作为模拟结束时间，利用所述溢油全过程预测模型对模拟初始时间至模拟结束时间之间的溢油漂移轨迹进行模拟预测。
在一些实施例中，所述对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，包括：
将所述多个第一率定结果以及所述多个第二率定结果合并，得到第三率定结果；
计算所述第三率定结果的均值和标准差，删除所述第三率定结果中处于所述均值加减三倍标准差范围之外的异常结果；
将删除异常结果后的率定结果作为当前率定结果，计算所述当前率定结果的均值和标准差，删除当前率定结果中处于所述均值加减三倍标准差范围之外的异常结果，重复本步骤直至无异常结果被删除时，将所述当前率定结果的均值确定为参数率定结果。
第二方面，本公开实施例提供一种水上溢油预测装置，包括：
获取模块，用于获取溢油漂移轨迹数据；
训练模块，用于构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；
预测模块，用于基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
第三方面，本公开实施例提供一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。
第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如第一方面所述的方法。
本公开实施例提供的水上溢油预测方法、装置、设备及存储介质，通过获取溢油漂移轨迹数据，构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。本公开实施例相较于现有技术，有如下优点：本公开实施例可以高效获取溢油漂移轨迹数据，由于构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，该模型中将原本复杂的溢油行为过程简化分割，充分考虑油沙相互作用、着岸、着底等过程，进而基于预训练的所述溢油全过程预测模型对水上溢油进行预测，可以预测出未来一段时间内水上溢油的状态变化，提高预测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本公开实施例提供的水上溢油预测方法流程图；
图2为本公开另一实施例提供的水上溢油预测方法流程图；
图3为本公开另一实施例提供的水上溢油预测方法流程图；
图4为本公开实施例提供的水上溢油预测装置的结构示意图；
图5为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
人类每年消耗巨量石油，其中约2/3的石油贸易通过水上运输，而在运输石油过程中，水上溢油事故多发，导致海域油类污染日益加重。
现有水上溢油预测方法中，大都只考虑了溢油的漂移扩散和风化作用。例如，CN107016458A中所述，在海底溢油的初始阶段，采用拉格朗日积分公式和浓度梯度公式，确定海底溢油中油滴群在卷吸作用、浮力作用和拖曳作用下的位移，油滴群在卷吸作用、浮力作用和拖曳作用下的从海底溢油区开始上浮，当油滴群在海底内上升时，根据油滴群受到的浮力，通过第一公式确定油滴群的上升速度；油滴群在海底内上升至海面上时，在海洋三维流场和海面风场的作用力下，通过第二公式确定处于某一深度的油滴群的漂移轨迹，通过第三公式确定油滴群在某一深度及海面的扩散距离。
但是，水上溢油在漂移扩散过程中，除了风化作用外，还有溢油和悬沙的相互作用，以及着岸、着底等过程。若不充分考虑着岸、着底等过程，将无法充分考虑溢油的归宿，导致溢油预测的不准确性。
针对该问题，本公开实施例提供了一种水上溢油预测方法，下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的水上溢油预测方法流程图。如图1所示，该方法包括如下几个步骤：
S101、获取溢油漂移轨迹数据。
本步骤中，获取溢油漂移轨迹数据。在一些实施例中，所述获取溢油漂移轨迹数据，包括：基于预设的溢油跟踪浮标对水上的溢油进行跟踪定位，得到溢油漂移轨迹数据，所述溢油跟踪浮标中集成有定位组件、供电组件。例如，通过在水上溢油发生时投放溢油跟踪浮标，或利用木板模拟水面油膜开展海上实验，通过溢油跟踪浮标获取溢油漂移轨迹数据。
可选的，溢油跟踪浮标可以为圆球形，可以增加其稳定性。通过内置定位组件（例如北斗/GPS通讯模块）实现定位，通过内置供电组件（例如电池/太阳能板）实现设备供电，通过对圆球形浮标大小的设计，实现集成上述模块后的浮标可以稳定的漂浮在水面。可以理解的是，溢油跟踪浮标还可以为其他样式，本公开实施例不对溢油跟踪浮标的形状、内部结构等做具体限定。
S102、构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型。
在一些可选的实施方式中，构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型。在一些实施例中，预训练的所述溢油全过程预测模型集成了多个模型，包括所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型等。
S103、基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。具体的，将溢油漂移轨迹数据输入预训练的所述溢油全过程预测模型中，通过预训练的所述溢油全过程预测模型得到水上溢油预测数据。在一些实施例中，水上溢油预测数据可以用于表征溢油的预测归宿（风化、着底、着岸等）、以及各溢油的预测生命周期。
在一些实施例中，所述水上溢油预测数据包括如下至少一种：溢油风化数据、溢油着岸数据、溢油着底数据。
溢油风化数据用于表征溢油风化情况，溢油着岸数据用于表征溢油着岸情况，溢油着底数据用于表征溢油着底情况。
本公开实施例通过获取溢油漂移轨迹数据，构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。本公开实施例相较于现有技术，有如下优点：本公开实施例可以高效获取溢油漂移轨迹数据，由于构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，该模型中将原本复杂的溢油行为过程简化分割，充分考虑油沙相互作用、着岸、着底等过程，进而基于预训练的所述溢油全过程预测模型对水上溢油进行预测，可以预测出未来一段时间内水上溢油的状态变化，提高预测的准确性。
图2为本公开另一实施例提供的水上溢油预测方法流程图，如图2所示，该方法包括如下几个步骤：
S201、获取溢油漂移轨迹数据。
具体的，S201和S101的实现过程和原理一致，此处不再赘述。
S202、构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型。
本实施例中，构建了溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型等多个模型，将原本复杂的溢油行为过程简化分割，通过多个模型进行分析。
1）构建溢油沉潜模型
在一些实施例中，构建溢油沉潜模型，包括：
获取至少一种类型溢油在多个波浪条件下的溢油实验室实验数据；
通过深度学习算法从所述溢油实验室实验数据中识别出溢油行为过程，提取至少一种类型溢油在多个波浪条件下的沉潜特征；
基于所述至少一种类型溢油在多个波浪条件下的沉潜特征确定溢油沉潜与波浪要素之间的关系，基于所述溢油沉潜与波浪要素之间的关系构建溢油沉潜模型。
具体的，针对不同类型溢油开展不同波浪条件下的溢油实验室实验，基于深度学习算法，智能识别溢油行为过程，提取不同类型溢油在不同波浪条件下的沉潜特征，构建溢油沉潜与波浪要素之间的关系，构建溢油沉潜模型。溢油沉潜模型中可以预测出溢油沉潜质量、溢油沉潜深度。
波浪作用下的溢油沉潜质量为：
其中，me为波浪夹带入水的油量，为波浪夹带入水率，t为时间，ms为表层油膜质量，mw为风化过程引起的表层油膜质量变化，为溢油重回表层率，与油粒子浮力速度、垂向特征尺度有关，Bs为入水油比例，与所有油粒子的直径分布有关，为当前波浪和溢油下最大入水油量，与表层油膜质量、波浪夹带入水率、溢油重回表层率、入水油比例等有关。
而波浪作用下的溢油沉潜深度为：
其中，Ze为波浪夹带入水深度，为沉潜深度系数，Hb为破碎波浪的波高。
利用水动力水槽，在不同的破碎波条件下，采用不同类型的溢油进行实验：（1）利用工业相机进行侧部和顶部拍照，记录表面油膜在波浪作用下的行为过程；（2）利用激光粒度仪，观测水下溢油粒径；（3）在水下设置采水点，抽取水样，实现对水下溢油浓度的测量。
基于YOLO目标识别模型，以工业相机影像为输入、以溢油分布范围为输出，构造溢油沉潜过程识别深度学习模型，利用水动力水槽实验结果对该模型进行训练，研发溢油沉潜过程识别深度学习模型，实现溢油水槽实验影像的智能识别，进而提取不同实验里溢油分布范围和沉潜深度，对沉潜深度系数进行率定，并确定该系数的取值范围（多次率定，多次率定的均值作为率定结果，均值±3倍标准差为取值范围）。
基于水下溢油浓度连续观测结果，对溢油沉潜质量模型中的重要参数波浪夹带入水率进行率定，并确定该系数的取值范围。
进一步，将水下溢油过程分为喷发阶段、浮力羽流阶段、对流扩散阶段，构建溢油羽流动力模型，用于对喷发阶段和浮力羽流阶段进行模拟预测；针对溢油风化过程，构建溢油风化模型；针对对流扩散阶段，采用油粒子模型，构建溢油对流扩散模型。
2）构建溢油羽流动力模型
采用Lagrange积分法，将溢油持续时间平均分为若干等份，时间步长为，每一个时间步对应一小份溢油，将每一小份溢油看作一个圆柱形的控制单元体，控制单元体的半径为（m），厚度为（m），为控制单元体的移动速度（m/s），控制单元体质量为（kg），为控制单元体的密度（kg/m3）。控制单元体的底面法线平行于移动速度，假设相邻两控制单元体之间互不影响。
质量守恒：
其中，为水环境的密度（kg/m3），为卷吸体积通量（m3/s）
动量守恒：
其中，表示海水流速；表示水环境与控制单元体的密度差；，表示在方向上的投影；表示羽流的拖曳系数，为重力加速度。方程右端依次为卷吸作用、浮力作用和水环境对控制单元体的拖曳作用。
热量、盐度和浓度守恒：
其中，为一个标量，表示热含量（）、盐度（）或油浓度（），为比热容（J/kg·K），为温度（K），水比热容为J/kg·K，油的比热容为J/kg·K
卷吸过程：
代表剪切卷吸体积通量（m3/s），代表强迫卷吸体积通量（m3/s）。
状态方程：
其中,表示参考密度值；和分别表示热膨胀系数和溶质的膨胀系数，本公开分别取为和；表示温度的变化量，表示盐度的变化量。
3）溢油对流扩散模型
其中，为油粒子的位移矢量，为粒子三维坐标，为流致油粒子漂移速度，为湍流扩散引起的油粒子漂移速度，为风致油粒子漂移速度，为浮力速度，为垂直方向。
湍流扩散引起的油粒子漂移速度具体为：
其中，分别为湍流扩散引起的油粒子漂移速度在x、y、z方向上的分量，Kh和Kz分别为水平和垂向的扩散系数，R为区间[-1,1]均匀分布的随机数。
风致油粒子漂移速度为：
其中，分别为风致油粒子漂移速度在x、y方向上的分量，u10和v10分别是海面10m高度风在x和y方向上的分量，代表拖曳系数，表示偏角。
流致油粒子漂移速度为：
其中，为流速，kc为流致漂移系数（一般都直接取1，这里将其作为变量，后面将对其进行率定）。
4）溢油风化模型
在溢油整个行为过程，都有风化作用，主要包括溶解、蒸发、乳化等。这些过程相互影响并同时发生。
溶解过程
其中，表示因溶解导致的质量损失；表示质量迁移系数（温度和压强通过此系数来影响溶解过程）；为经验常数，取值为0.7；表示油滴的表面积；表示油在纯水中的溶解度。
蒸发过程
其中，为溢油蒸发的体积分数；，；为环境温度为油的沸点曲线梯度，为油的初始沸点温度；为挥发系数，其中，为质量传输系数，为时间，为溢油初始体积。
乳化过程
用含水率(%)表示乳化程度，其公式为：
其中，，（）
溢油密度变化
综合以上过程的影响，溢油密度的变化模型：
其中，为原油初始密度，为海水密度
然后，综合考虑溢油与悬沙的聚合作用，构建油沙聚合模型；进而考虑油沙聚合体沉底与再悬浮过程，构建溢油着底模型；考虑岸线的吸附作用，研发溢油着岸模型。
5）构建油沙聚合模型
溢油和悬沙由于不等速沉降（或上浮）作用和紊动剪切作用而引起的碰撞过程，形成油沙聚合体。总聚合率为：
其中，分别代表不等速沉降（或上浮）作用、紊动剪切作用而导致的聚合率：
，
其中，α为碰撞有效性系数，r为沉降（或上浮）速度，D为粒径，ε为能量耗散率，为海水粘性。
因此，由于油沙聚合引起的油或者沙的体积浓度变化为：
其中，Ci为悬沙、溢油或油沙聚合体的浓度。
而油沙聚合体的有效密度为：
其中，是油沙聚合体的孔隙度，具体计算公式为。而、、分别为悬沙、溢油和海水的密度。
6）溢油着底模型：
在底边界层，溢油着底模型为：
其中，Ez为垂向扩散系数，r为浮力/沉降速度，D为沉降率，E为侵蚀率，M为再悬浮率，为底部剪切应力值，、为侵蚀和沉降的临界切应力值，为近海底处的浓度。
7）溢油着岸模型：
可沉降到岸线上的质量分数，由下式计算：
式中，表示陆地网格面积，表示表面油粒子面积。
如果在某个岸线网格单元累积的总油污质量尚未达到滞留容量，则油粒子就会沉降到该岸线网格单元。i类型的岸线网格单元的滞留容量（kg）计算式见下式：
式中，i表示岸线类型，表示沉降油污的密度，单位为kg/m3；表示可以沉降在岸上的最大油膜厚度（因岸线类型和油品黏度不同而变化）；表示被油污污染的岸线正面宽度；表示被油污污染的岸线正面长度。
滞留在岸上的油污质量（kg）由下式计算：
式中，表示初始沉降在岸上的油污质量，单位为kg；t表示时间，单位为d（天）；T表示与岸线类型有关的油污清除时间常数，单位为d（天）。
S203、基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型。
具体的，以溢油组分和变化为纽带，基于多维模型耦合嵌套技术，集成溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型，构建溢油全过程预测模型：
其中，C为浓度，t为时间，x、y、z为三个维度，u、v、w为水体流速在x、y、z三个方向上的分量，Ex、Ey和Ez为x、y、z三个方向上的扩散系数，r为浮力/沉降速度，SAgg为由于油沙聚合引起的源汇项，SDe为由于底边界层沉降/侵蚀和着岸过程引起的源汇项，Splume为由于水下溢油引起的羽流动力导致的源汇项，S为由于溢油风化引起的源汇项，i表示第i个成分，包含：溢油，悬沙和油沙聚合物。
以溢油组分和变化为纽带，以漂移扩散为核心，溢油全过程预测模型的左侧所有项为考虑浮力/沉降的对流扩散过程，实现对溢油漂移扩散的模拟预测。溢油沉潜模型的主要作用是对于溢油垂向输运的影响；溢油着底模型和溢油着岸模型，以SDe项集成于溢油全过程预测模型；溢油羽流动力模型，以Splume项集成于溢油全过程预测模型；溢油风化模型，以S项集成于溢油全过程预测模型；油沙聚合模型以SAgg项集成于溢油全过程预测模型。
S204、基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。
构建出溢油全过程预测模型之后，根据多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。
在一些实施例中，所述多个样本数据包括多个水面油膜分布样本数据、多个溢油漂移轨迹样本数据。可选的，所述多个水面油膜分布样本数据是利用卫星遥感观测得到的。
S205、基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
具体的，S205和S103的实现过程和原理一致，此处不再赘述。
本公开实施例相较于现有技术，有如下优点：通过获取溢油漂移轨迹数据，构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型。进一步，基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型，基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。进而基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。由于构建多个模型，将原本复杂的溢油行为过程简化分割，充分考虑油沙相互作用、着岸、着底等过程，将多个模型进行集成，构建溢油全过程预测模型，利用多个样本数据对模型参数进行充分率定，获取具有统计意义和物理意义的模型参数，提高了模型预测精度，进而基于预训练的所述溢油全过程预测模型对水上溢油进行预测，可以预测出未来一段时间内水上溢油的状态变化，提高预测的准确性。
图3为本公开另一实施例提供的水上溢油预测方法流程图，如图3所示，该方法包括如下几个步骤：
S301、获取溢油漂移轨迹数据。
具体的，S301和S101的实现过程和原理一致，此处不再赘述。
S302、构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型。
具体的，S302和S202的实现过程和原理一致，此处不再赘述。
S303、基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型。
具体的，S303和S203的实现过程和原理一致，此处不再赘述。
S304、基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果。
根据多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果。第一率定结果为基于多个水面油膜分布样本数据得到的溢油全过程预测模型的最优模型参数（流致漂移系数、风致漂移系数）。例如，基于水面油膜分布样本数据中每2个时刻的水面油膜分布样本数据开展一次基于多维度蒙特卡洛的多模型参数同时率定，得到多个第一率定结果。
在一些实施例中，S304包括但不限于S3041、S3042：
S3041、在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个水面油膜分布样本数据中的任意两个水面油膜分布样本数据进行一次模拟过程并计算水面油膜模拟精度指标，得到多个水面油膜模拟精度指标与模型参数之间的分布关系。
基于多维度蒙特卡洛方法，在流致漂移系数kc、风致漂移系数（和）的合理取值范围内进行随机取值，针对每一次取值情况均开展一次模拟过程并计算水面油膜模拟精度指标，进而得到水面油膜模拟精度指标与模型参数（流致漂移系数、风致漂移系数）之间的分布关系。
其中，所述模拟过程为以两个水面油膜分布样本数据两者中时间较早的水面油膜分布样本数据为所述溢油全过程预测模型的初始条件进行模拟，模拟到两者中时间较晚的水面油膜分布样本数据。
为率定溢油全过程预测模型中的模型参数，任意选取2个时刻的水面油膜分布样本数据，以其中时间较早的水面油膜分布样本数据作为溢油全过程预测模型的初始条件，模拟到时间较晚的时刻，构造水面油膜模拟精度指标I:
其中，Ssimu为模拟所得水面油膜面积；Sobs为遥感观测所得水面油膜面积；S为模拟所得海面油膜和遥感观测所得海面油膜重叠部分的面积；I为水面油膜模拟精度指标，刻画了重叠面积占模拟面积和观测面积比例的均值。
S3042、基于所述多个水面油膜模拟精度指标与模型参数之间的分布关系，以油膜模拟精度指标最大为目标，得到多个第一率定结果。
根据所述多个水面油膜模拟精度指标与模型参数之间的分布关系，以油膜模拟精度指标最大为目标，得到多个第一率定结果，第一率定结果为基于多个水面油膜分布样本数据得到的溢油全过程预测模型的最优模型参数（流致漂移系数、风致漂移系数）。
S305、基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果。
根据多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果。第二率定结果为基于多个溢油漂移轨迹样本数据得到的溢油全过程预测模型的最优模型参数（流致漂移系数、风致漂移系数）。例如，基于多个溢油漂移轨迹样本数据中的每个溢油漂移轨迹样本数据均开展一次基于多维度蒙特卡洛的多模型参数同时率定，得到多个第二率定结果。
在一些实施例中，S305包括但不限于S3051、S3052：
S3051、在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个溢油漂移轨迹样本数据中的任意一个溢油漂移轨迹样本数据进行一次模拟预测过程并计算模拟误差指标，得到多个模拟误差指标与模型参数之间的分布关系。
基于多维度蒙特卡洛方法，在流致漂移系数、风致漂移系数的合理取值范围内进行随机取值，针对每一次取值情况均开展一次模拟预测过程并计算模拟误差指标，模拟误差指标用于表征预测轨迹与观测轨迹的误差，进而得到模拟误差指标与模型参数（流致漂移系数、风致漂移系数）之间的分布关系。
其中，所述模拟预测过程为以一个溢油漂移轨迹样本数据的起始时间作为模拟初始时间、以起始位置作为模拟初始位置，以该溢油漂移轨迹样本数据的终止时间作为模拟结束时间，利用所述溢油全过程预测模型对模拟初始时间至模拟结束时间之间的溢油漂移轨迹进行模拟预测。
为率定溢油全过程预测模型中的模型参数，任意选择一个溢油漂移轨迹样本数据，以起始时间作为模拟初始时间、以起始位置作为模拟初始位置，以溢油漂移轨迹样本数据的终止时间作为模拟结束时间，利用溢油全过程预测模型进行模拟预测。定义模拟误差指标，用于表征预测轨迹与观测轨迹的误差，模拟误差指标为每次观测时刻预测位置和观测位置的绝对值的平均值。
S3052、基于所述多个模拟误差指标与模型参数之间的分布关系，以模拟误差指标最小为目标，得到多个第二率定结果。
根据所述多个模拟误差指标与模型参数之间的分布关系，以模拟误差最小为目标，得到多个第二率定结果，第二率定结果为基于多个溢油漂移轨迹样本数据得到的溢油全过程预测模型的最优模型参数（流致漂移系数、风致漂移系数）。
S306、对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，所述参数率定结果包括流致漂移系数、风致漂移系数。
对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，所述参数率定结果包括流致漂移系数、风致漂移系数。
在一些实施例中，S306中的对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果包括但不限于S3061、S3062、S3063：
S3061、将所述多个第一率定结果以及所述多个第二率定结果合并，得到第三率定结果。
S3062、计算所述第三率定结果的均值和标准差，删除所述第三率定结果中处于所述均值加减三倍标准差范围之外的异常结果。
S3063、将删除异常结果后的率定结果作为当前率定结果，计算所述当前率定结果的均值和标准差，删除当前率定结果中处于所述均值加减三倍标准差范围之外的异常结果，重复本步骤直至无异常结果被删除时，将所述当前率定结果的均值确定为参数率定结果。
S307、用所述参数率定结果中的流致漂移系数、风致漂移系数更新所述溢油全过程预测模型的模型参数，得到预训练的所述溢油全过程预测模型。
在确定出参数率定结果之后，用所述参数率定结果中的流致漂移系数、风致漂移系数更新所述溢油全过程预测模型的模型参数，得到预训练的所述溢油全过程预测模型，即模型参数优化完成，可以用所述溢油全过程预测模型进行溢油预测了。
S308、基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
具体的，S308和S103的实现过程和原理一致，此处不再赘述。
本公开实施例相较于现有技术，有如下优点：充分考虑油沙相互作用、着岸、着底等过程，将多个模型进行集成，构建溢油全过程预测模型，利用多个水面油膜分布样本数据、多个溢油漂移轨迹样本数据对模型参数进行充分率定，获取具有统计意义和物理意义的模型参数，提高了模型预测精度，进而基于预训练的所述溢油全过程预测模型对水上溢油进行预测，可以预测出未来一段时间内水上溢油的状态变化，提高预测的准确性。
图4为本公开实施例提供的水上溢油预测装置的结构示意图。该水上溢油预测装置可以是如上实施例的电子设备，或者水上溢油预测装置可以该电子设备中的部件或组件。本公开实施例提供的水上溢油预测装置可以执行水上溢油预测方法实施例提供的处理流程，如图4所示，水上溢油预测装置40包括：获取模块41、训练模块42、预测模块43；其中，获取模块41用于获取溢油漂移轨迹数据；训练模块42用于构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；预测模块43用于基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
可选的，所述水上溢油预测数据包括如下至少一种：溢油风化数据、溢油着岸数据、溢油着底数据。
可选的，所述获取模块41获取溢油漂移轨迹数据时，具体用于：基于预设的溢油跟踪浮标对水上的溢油进行跟踪定位，得到溢油漂移轨迹数据，所述溢油跟踪浮标中集成有定位组件、供电组件。
可选的，所述训练模块42构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型时，具体用于：构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型；基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型；基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。
可选的，训练模块42构建溢油沉潜模型时，具体用于：获取至少一种类型溢油在多个波浪条件下的溢油实验室实验数据；通过深度学习算法从所述溢油实验室实验数据中识别出溢油行为过程，提取至少一种类型溢油在多个波浪条件下的沉潜特征；基于所述至少一种类型溢油在多个波浪条件下的沉潜特征确定溢油沉潜与波浪要素之间的关系，基于所述溢油沉潜与波浪要素之间的关系构建溢油沉潜模型。
可选的，所述多个样本数据包括多个水面油膜分布样本数据、多个溢油漂移轨迹样本数据；
所述训练模块42基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型时，具体用于：基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果；基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果；对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，所述参数率定结果包括流致漂移系数、风致漂移系数；用所述参数率定结果中的流致漂移系数、风致漂移系数更新所述溢油全过程预测模型的模型参数，得到预训练的所述溢油全过程预测模型。
可选的，所述训练模块42基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果时，具体用于：在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个水面油膜分布样本数据中的任意两个水面油膜分布样本数据进行一次模拟过程并计算水面油膜模拟精度指标，得到多个水面油膜模拟精度指标与模型参数之间的分布关系；基于所述多个水面油膜模拟精度指标与模型参数之间的分布关系，以油膜模拟精度指标最大为目标，得到多个第一率定结果；其中，所述模拟过程为以两个水面油膜分布样本数据两者中时间较早的水面油膜分布样本数据为所述溢油全过程预测模型的初始条件进行模拟，模拟到两者中时间较晚的水面油膜分布样本数据。
可选的，所述训练模块42基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果时，具体用于：在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个溢油漂移轨迹样本数据中的任意一个溢油漂移轨迹样本数据进行一次模拟预测过程并计算模拟误差指标，得到多个模拟误差指标与模型参数之间的分布关系；基于所述多个模拟误差指标与模型参数之间的分布关系，以模拟误差指标最小为目标，得到多个第二率定结果；其中，所述模拟预测过程为以一个溢油漂移轨迹样本数据的起始时间作为模拟初始时间、以起始位置作为模拟初始位置，以该溢油漂移轨迹样本数据的终止时间作为模拟结束时间，利用所述溢油全过程预测模型对模拟初始时间至模拟结束时间之间的溢油漂移轨迹进行模拟预测。
可选的，所述训练模块42对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果时，具体用于：将所述多个第一率定结果以及所述多个第二率定结果合并，得到第三率定结果；计算所述第三率定结果的均值和标准差，删除所述第三率定结果中处于所述均值加减三倍标准差范围之外的异常结果；将删除异常结果后的率定结果作为当前率定结果，计算所述当前率定结果的均值和标准差，删除当前率定结果中处于所述均值加减三倍标准差范围之外的异常结果，重复本步骤直至无异常结果被删除时，将所述当前率定结果的均值确定为参数率定结果。
图4所示实施例的水上溢油预测装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图5为本公开实施例提供的电子设备的结构示意图。该电子设备可以是如上实施例所述的电子设备。本公开实施例提供的电子设备可以执行水上溢油预测方法实施例提供的处理流程，如图5所示，电子设备50包括：存储器51、处理器52、计算机程序和通讯接口53；其中，计算机程序存储在存储器51中，并被配置为由处理器52执行如上所述的水上溢油预测方法。
另外，本公开实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的水上溢油预测方法。
此外，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的水上溢油预测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperTextTransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，adhoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取溢油漂移轨迹数据；
构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；
基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
另外，该电子设备还可以执行如上所述的水上溢油预测方法中的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。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公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种水上溢油预测方法，其特征在于，包括：
获取溢油漂移轨迹数据；
构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；
基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
2.根据权利要求1所述的方法，其特征在于，所述水上溢油预测数据包括如下至少一种：
溢油风化数据、溢油着岸数据、溢油着底数据。
3.根据权利要求1所述的方法，其特征在于，所述获取溢油漂移轨迹数据，包括：
基于预设的溢油跟踪浮标对水上的溢油进行跟踪定位，得到溢油漂移轨迹数据，所述溢油跟踪浮标中集成有定位组件、供电组件。
4.根据权利要求1所述的方法，其特征在于，所述构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型，包括：
构建溢油沉潜模型、溢油羽流动力模型、溢油对流扩散模型、溢油风化模型、溢油着底模型、溢油着岸模型、油沙聚合模型；
基于多维模型耦合嵌套技术，对所述溢油沉潜模型、所述溢油羽流动力模型、所述溢油对流扩散模型、所述溢油风化模型、所述溢油着底模型、所述溢油着岸模型、所述油沙聚合模型进行集成，构建溢油全过程预测模型；
基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型。
5.根据权利要求4所述的方法，其特征在于，构建溢油沉潜模型，包括：
获取至少一种类型溢油在多个波浪条件下的溢油实验室实验数据；
通过深度学习算法从所述溢油实验室实验数据中识别出溢油行为过程，提取至少一种类型溢油在多个波浪条件下的沉潜特征；
基于所述至少一种类型溢油在多个波浪条件下的沉潜特征确定溢油沉潜与波浪要素之间的关系，基于所述溢油沉潜与波浪要素之间的关系构建溢油沉潜模型。
6.根据权利要求4所述的方法，其特征在于，所述多个样本数据包括多个水面油膜分布样本数据、多个溢油漂移轨迹样本数据；
所述基于多个样本数据对所述溢油全过程预测模型的模型参数进行率定，得到预训练的所述溢油全过程预测模型，包括：
基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果；
基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果；
对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，所述参数率定结果包括流致漂移系数、风致漂移系数；
用所述参数率定结果中的流致漂移系数、风致漂移系数更新所述溢油全过程预测模型的模型参数，得到预训练的所述溢油全过程预测模型。
7.根据权利要求6所述的方法，其特征在于，所述基于多个水面油膜分布样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第一率定结果，包括：
在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个水面油膜分布样本数据中的任意两个水面油膜分布样本数据进行一次模拟过程并计算水面油膜模拟精度指标，得到多个水面油膜模拟精度指标与模型参数之间的分布关系；
基于所述多个水面油膜模拟精度指标与模型参数之间的分布关系，以油膜模拟精度指标最大为目标，得到多个第一率定结果；
其中，所述模拟过程为以两个水面油膜分布样本数据两者中时间较早的水面油膜分布样本数据为所述溢油全过程预测模型的初始条件进行模拟，模拟到两者中时间较晚的水面油膜分布样本数据。
8.根据权利要求6所述的方法，其特征在于，所述基于多个溢油漂移轨迹样本数据对所述溢油全过程预测模型的模型参数进行率定，得到多个第二率定结果，包括：
在所述溢油全过程预测模型的模型参数的取值范围内进行随机取值，针对每一次取值，对所述多个溢油漂移轨迹样本数据中的任意一个溢油漂移轨迹样本数据进行一次模拟预测过程并计算模拟误差指标，得到多个模拟误差指标与模型参数之间的分布关系；
基于所述多个模拟误差指标与模型参数之间的分布关系，以模拟误差指标最小为目标，得到多个第二率定结果；
其中，所述模拟预测过程为以一个溢油漂移轨迹样本数据的起始时间作为模拟初始时间、以起始位置作为模拟初始位置，以该溢油漂移轨迹样本数据的终止时间作为模拟结束时间，利用所述溢油全过程预测模型对模拟初始时间至模拟结束时间之间的溢油漂移轨迹进行模拟预测。
9.根据权利要求6所述的方法，其特征在于，所述对所述多个第一率定结果以及所述多个第二率定结果进行分析计算，确定出参数率定结果，包括：
将所述多个第一率定结果以及所述多个第二率定结果合并，得到第三率定结果；
计算所述第三率定结果的均值和标准差，删除所述第三率定结果中处于所述均值加减三倍标准差范围之外的异常结果；
将删除异常结果后的率定结果作为当前率定结果，计算所述当前率定结果的均值和标准差，删除当前率定结果中处于所述均值加减三倍标准差范围之外的异常结果，重复本步骤直至无异常结果被删除时，将所述当前率定结果的均值确定为参数率定结果。
10.一种水上溢油预测装置，其特征在于，包括：
获取模块，用于获取溢油漂移轨迹数据；
训练模块，用于构建并训练溢油全过程预测模型，得到预训练的所述溢油全过程预测模型；
预测模块，用于基于预训练的所述溢油全过程预测模型对水上溢油进行预测，得到水上溢油预测数据。
11.一种电子设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-9中任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的方法。
CN202310800629.3A 2023-07-03 2023-07-03 水上溢油预测方法、装置、设备及存储介质 Pending CN116542398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310800629.3A CN116542398A (zh) 2023-07-03 2023-07-03 水上溢油预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310800629.3A CN116542398A (zh) 2023-07-03 2023-07-03 水上溢油预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116542398A true CN116542398A (zh) 2023-08-04

Family

ID=87449115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310800629.3A Pending CN116542398A (zh) 2023-07-03 2023-07-03 水上溢油预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116542398A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330550A (zh) * 2023-10-10 2024-01-02 交通运输部天津水运工程科学研究所 基于遥感图像和光谱图像的溢油溯源方法、终端、系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181919A (zh) * 2015-08-21 2015-12-23 交通运输部水运科学研究所 一种模拟溢油风化对水质影响的实验系统与方法
CN106192869A (zh) * 2016-07-04 2016-12-07 交通运输部水运科学研究所 一种海面及沉潜溢油清污技术和装备的原型及大比例缩比试验系统和方法
CN108334723A (zh) * 2018-04-27 2018-07-27 大连海事大学 一种围油栏拦截海上溢油的仿真方法
CN108345721A (zh) * 2018-01-18 2018-07-31 国家海洋局第海洋研究所 一种海洋溢油沉潜量估算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181919A (zh) * 2015-08-21 2015-12-23 交通运输部水运科学研究所 一种模拟溢油风化对水质影响的实验系统与方法
CN106192869A (zh) * 2016-07-04 2016-12-07 交通运输部水运科学研究所 一种海面及沉潜溢油清污技术和装备的原型及大比例缩比试验系统和方法
CN108345721A (zh) * 2018-01-18 2018-07-31 国家海洋局第海洋研究所 一种海洋溢油沉潜量估算方法
CN108334723A (zh) * 2018-04-27 2018-07-27 大连海事大学 一种围油栏拦截海上溢油的仿真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乔冰等: "水上溢油预测预警与应急决策技术", 科技成果, pages 1 - 8 *
鹿宏宇等: "海上溢油模拟预测预警研究进展", 海洋技术学报, vol. 41, no. 1, pages 46 - 56 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330550A (zh) * 2023-10-10 2024-01-02 交通运输部天津水运工程科学研究所 基于遥感图像和光谱图像的溢油溯源方法、终端、系统

Similar Documents

Publication Publication Date Title
Barker et al. Progress in operational modeling in support of oil spill response
Proctor et al. Modelling tides and surface drift in the Arabian Gulf—application to the Gulf oil spill
Fovell et al. Impact of cloud microphysics on hurricane track forecasts
Tokyay et al. Lock‐exchange gravity currents with a low volume of release propagating over an array of obstacles
CN112016226B (zh) 一种海上溢油的三维模拟方法及装置
Mugford et al. Modeling iceberg‐rafted sedimentation in high‐latitude fjord environments
Kulkarni et al. Real-time sediment plume modeling in the Southern California Bight
Zalesny et al. The Baltic Sea circulation modelling and assessment of marine pollution
Roberts et al. Field and model studies of the Boston outfall
CN116542398A (zh) 水上溢油预测方法、装置、设备及存储介质
Pinton et al. A UAV-based dye-tracking technique to measure surface velocities over tidal channels and salt marshes
WO2023216997A1 (zh) 风致漂移预测方法、装置、设备及存储介质
Zippel et al. Wave breaking and turbulence at a tidal inlet
Chakrabarti et al. Boussinesq modeling of wave‐induced hydrodynamics in coastal wetlands
Gonçalves et al. A framework to quantify uncertainty in simulations of oil transport in the ocean
Li et al. Mathematical modeling of marine oil spills in the Luanjiakou district, near the port of Yantai
Li et al. Impact of error in ocean dynamical background, on the transport of underwater spilled oil
CN117113798A (zh) 漂浮物的漂移速度预测方法、装置、设备及存储介质
Fang et al. Research on sunken & submerged oil detection and its behavior process under the action of breaking waves based on YOLO v4 algorithm
Sbragio et al. Modelling and CFD simulation of the trajectory of an oil spill in a large domain: Analysis of the 2003 Foss Barge—Point Wells event
Islam et al. A probabilistic model of coastal bluff-top erosion in high latitudes due to thermoabrasion: A case study from baydaratskaya bay in the kara sea
Dengler Jr et al. Turbidity currents on steep slopes: application of an avalanche-type numeric model for ocean thermal energy conversion design
Lyddon et al. Sensitivity of flood hazard and damage to modelling approaches
Park et al. Turbulent mixing of floating pollutants at the surface of the river
Lin et al. Baroclinic Effect on Modeling Deep Flow in Brown Passage, BC, Canada

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230804

RJ01 Rejection of invention patent application after publication