CN116702656B - 一种海堤波浪数学模型的构建方法及消浪系统 - Google Patents
一种海堤波浪数学模型的构建方法及消浪系统 Download PDFInfo
- Publication number
- CN116702656B CN116702656B CN202310967404.7A CN202310967404A CN116702656B CN 116702656 B CN116702656 B CN 116702656B CN 202310967404 A CN202310967404 A CN 202310967404A CN 116702656 B CN116702656 B CN 116702656B
- Authority
- CN
- China
- Prior art keywords
- data
- wave
- water level
- wind energy
- offshore
- 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
- 238000013178 mathematical model Methods 0.000 title claims abstract description 141
- 230000008030 elimination Effects 0.000 title claims abstract description 37
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 314
- 238000012545 processing Methods 0.000 claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012502 risk assessment Methods 0.000 claims description 61
- 238000004088 simulation Methods 0.000 claims description 53
- 239000004576 sand Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 239000003653 coastal water Substances 0.000 claims description 3
- 239000013535 sea water Substances 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F30/28—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海堤波浪数学模型的构建技术领域,尤其涉及一种海堤波浪数学模型的构建方法及消浪系统。所述方法包括以下步骤:获取区域海堤的风能数据,对风能数据进行历史数据特征提取处理,生成风能特征数据,利用概率密度函数对风能特征数据进行海堤风能分析预测处理,生成预测风能数据;获取区域海堤的波浪数据,对波浪数据进行历史数据特征提取处理,生成波浪特征数据,基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型,利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型。本发明通过构建海堤波浪数学模型,能够准确预测不同重现期下波浪造成的水位高度数据。
Description
技术领域
本发明涉及海堤波浪数学模型的构建技术领域,尤其涉及一种海堤波浪数学模型的构建方法及消浪系统。
背景技术
海堤波浪数学模型的构建可以提供对海堤结构所面临的波浪加载和冲击力的准确预测和评估。这种模型可以帮助工程师和决策者在设计、修复和维护海堤时更好地了解波浪与海堤相互作用的过程,从而优化海堤的稳定性和防护能力。通过模型的应用,可以降低海堤受损或崩溃的风险,保障海岸线和周边社区的安全,同时也为海洋工程和沿海规划提供重要的依据。然而,传统的海堤波浪模型没有考虑到海堤的风向与风能对波浪造成的影响,不能精准及全面的预测海堤波浪,并且也不能准确的预判不同重现期下的海堤波浪与海堤水位,对海堤波浪的危害没有准确的评估。
发明内容
基于此,本发明提供一种海堤波浪数学模型的构建方法及消浪系统,以解决至少一个上述技术问题。
为实现上述目的,一种海堤波浪数学模型的构建方法,所述方法包括以下步骤:
步骤S1:获取区域海堤的风能数据,对风能数据进行历史数据特征提取处理,生成风能特征数据,利用概率密度函数对风能特征数据进行海堤风能分析预测处理,从而生成预测风能数据;
步骤S2:获取区域海堤的波浪数据,对波浪数据进行历史数据特征提取处理,生成波浪特征数据,基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型,利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型,利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据;
步骤S3:根据预设的时间周期与预测波浪数据进行波浪水位预测,生成预测水位数据;
步骤S4:对预测水位数据进行深度风险水位评估处理,生成深度风险评估数据,以供执行水位消浪事件。
本实施例通过对获取区域海堤的风能数据进行历史特征提取,提取有用的数据减少计算量的同时,保证数据的准确性,并通过风能特征数据进行分析预测,得到预测风能数据,利用概率密度函数可以更加准确的对风能特征数据进行分析,从而预测出更加精准的风能数据,通过预测风能数据的预测风向与预测风速可以更好的预测区域海堤的波浪数据;通过对获取的区域海堤的波浪数据历史特征数据进行提取,提取有用的数据减少计算量的同时,保证数据的准确性,并基于动谱平衡方程公式构建近岸波浪数学模型用来预测海堤的波浪数据,通过预测风能数据对近岸波浪数学模型进行模型优化,生成的优化波浪数学模型可以当近岸波浪数学模型对波浪特征数据进行波浪预测得到的波浪数据,对该波浪数据在根据预测风能数据进行优化处理,得到更加真实的预测波浪数据,利用大小模型海堤波浪处理可以考虑大范围空间内的波浪数据与大范围空间内的小范围空间的波浪数据,可以更好地反映实际的海洋环境变化,提高预测的精度和准确性,从而生成更加真实及精准的预测波浪数据;根据预设的时间周期与预测波浪数据进行水位预测,在特定的时间内分析预测波浪数据,通过时间周期内波浪的高潮位与低潮位分析海堤的水位高度,更改时间周期也可以继续通过预测波浪数据得到精准的预测水位高度,通过预测水位数据,用户可以更好地了解未来海面高度及会造成的不良影响并做出相应调整,从而减少可能的损失和危险,提高对海洋灾害风险的预警能力;对预测水位数据进行深度风险水平评估处理,分析预测的水位高度可能带来的安全隐患,通过对安全隐患进行风险评估可以帮助用户更全面而准确地了解海洋存在的风险并进行维护,还可以提高海洋工程安全性、船舶行驶的稳定性等方面的保障水平,从而制定相应的消浪措施。因此,本发明的海堤波浪数学模型的构建方法有考虑到海堤的风向与风能对波浪造成的影响,能够精准及全面的预测海堤波浪,并且也可以准确的预判不同重现期下的海堤波浪与海堤水位,对海堤波浪的危害有准确的评估。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取区域海堤的风能数据;
步骤S12:对风能数据进行历史数据收集处理,生成历史风能数据;
步骤S13:对历史风能数据进行风能数据特征提取处理,生成风能特征数据;
步骤S14:将风能特征数据进行量化处理,生成风能量化数据;
步骤S15:利用概率密度函数对风能量化数据进行海堤风能分析处理,生成风能分析数据;
步骤S16:利用朴素贝叶斯算法对风能分析数据进行预测处理,从而生成预测风能数据。
本实施例获取区域海堤的风能数据,以供后续步骤对风能数据进行预测;通过对风能数据的历史数据收集,生成的历史风能数据可以得到更加全面的风能数据,使预测风能数据时数据更加准确;对历史风能数据进行特征提取,生成的风能特征数据可以减少数据处理的计算量,加快了运行速度并降低硬件处理数据的压力;对风能特征数据进行量化处理,生成的风能量化数据更具有可比性与可操作性,由于风能特征数据常常具有多个维度,而不同维度之间的数值范围可能相差较大,因此量化处理还可以消除不同维度之间的量纲影响,使得不同特征之间更容易进行比较和组合;利用概率密度函数对风能量化数据进行海堤风能分析处理,分析风速和风向在不同时间段内的频率分布情况,生成的风能分析数据可以帮助用户更好地了解海堤所处环境中的风能状况;通过朴素贝叶斯算法对风能分析数据进行预测,将风能分析数据作为训练集,以此得到预测风能数据,朴素贝叶斯算法具有计算速度快、结果精准等特点,因此可以在实际应用中快速地对不同的风能场景进行预测处理,了解未来时间的海堤所面临的风能环境,为预测海堤的波浪数据提供数据基础。
在本说明书的一个实施例中,步骤S2包括以下步骤:
步骤S21:获取区域海堤的波浪数据;
步骤S22:对波浪数据进行历史数据收集处理,生成历史波浪数据;
步骤S23:根据历史波浪数据进行波浪数据特征提取处理,生成波浪特征数据;
步骤S24:基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型;
其中动谱平衡方程公式可表示为:
;
式中,表示为动谱密度,/>表示为动谱密度随时间的变化率,/>表示为动谱密度在地理坐标空间横坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为动谱密度在地理坐标空间纵坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为水深所引起的动谱密度在频率空间的变化,/>表示为在/>空间上的速度,/>表示为在谱分布方向空间的传播,/>表示为在/>空间上的速度,/>表示为以谱密度表示的风能输入、波与波非线性相互作用以及能量损耗,其中能力损耗是由海底摩阻、白浪及水深变浅诱导波浪破碎引致;
步骤S25:利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型;
步骤S26:利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据。
本实施例获取区域海堤的波浪数据,以供后续步骤对波浪数据进行预测;通过对波浪数据的历史数据收集,生成的历史波浪数据可以得到更加全面的波浪数据,使预测波浪数据时数据更加准确;对历史波浪数据进行特征提取,生成的风能特征数据可以减少数据处理的计算量,加快了运行速度并降低硬件处理数据的压力;将预测风能数据与波浪特征数据进行参数率定处理,从而得到适合该海域的参数值,用于后续步骤近岸波浪数学模型对预测风能数据与波浪数据进行波浪预测时提高预测的精度和准确性;基于动谱平衡方程公式进行波浪数学模型构建处理,生成的近岸波浪数学模型可以预测波浪的高度、周期、方向等特性,可以评估海洋工程的稳定性和可靠性,动谱平衡方程公式能够通过各个参数的计算和分析来描述波浪的时空特性,从而提高波浪预测的准确性,以谱密度形式表示波浪的能量分布,能更加全面、准确地反映波浪场的情况,包括波高、波长、波速等指标,通过、/>、/>以及/>,等参数能够反映波浪在不同方向上的传播速度和变化,它们的计算和分析有助于了解波浪受到不同因素的影响程度,近岸波浪数学模型能偶根据实际海洋环境的变化,实时更新模型参数;近岸波浪数学模型能够结合预测风能数据进行波浪预测,生成的优化波浪数学模型可以更加准确地描述未来一段时间内海堤所面临的波浪环境;利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,将波浪特征数据划分大范围的波浪数据与大范围中的小范围波浪数据进行模型构建,利用模型双重嵌套计算方式得到预测波浪数据,双重预测下使得预测精度提高,更加准确地放映实际的波浪环境变化。
在本说明书的一个实施例中,其中实时率定数据包括实时预测风能率定数据以及实时波浪率定数据,步骤S26包括以下步骤:
步骤S261:对波浪特征数据进行参数率定处理,生成率定数据;
步骤S262:对率定数据进行波浪数据实时更新,生成实时率定数据;
步骤S263:对实时率定数据进行海浪数据空间区域划分处理,生成宽海域实时率定数据与窄海域实时率定数据;
步骤S264:利用优化波浪数学模型与宽海域实时率定数据构建宽海域波浪数学模型;
步骤S265:利用优化波浪数学模型与窄海域实时率定数据构建窄海域波浪数学模型;
步骤S266:利用宽海域波浪数学模型与窄海域波浪数学模型进行大小模型嵌套预测波浪数据处理,生成初始预测波浪数据;
步骤S267:依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,从而生成预测波浪数据。
本实施例波浪特征数据的参数率定处理可以通过调整模型参数等手段,使生成的率定数据更加准确地反映实际情况,用于优化预测和控制系统,提高波浪能利用效率、降低损失风险、保障安全性等;将率定数据进行实时更新可以让波浪数据更加准确地反映当前的海况变化,更加准确地预测未来波浪状况,提高波浪能利用效率,有效降低损失风险,及早发现异常情况并采取措施,避免损失加剧;将实时率定数据按照区域进行划分,以面积大的海域的波浪数据为宽海域实时率定数据,以面积小的海域的波浪数据为窄海域实时率定数据,从而建立宽海域波浪数学模型与窄海域波浪数学模型,用于利用大小模型嵌套计算方案预测出波浪数据,大小模型嵌套计算方案使得宽海域波浪数学模型可用于对大范围内的波浪进行预测,而窄海域波浪数学模型则可用于对小范围内的波浪进行预测,通过将两种模型进行耦合,可以使预测结果更加精确,并提高预测的可靠性,从而生成初始预测波浪数据;依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,生成的预测波浪数据,可以考虑到海洋环境的变化,从而更好地预测未来的波浪情况。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:根据预设的时间周期与预测波浪数据进行海堤波浪仿真运行处理,生成仿真波浪数据;
步骤S32:根据仿真波浪数据进行水位数据计算统计处理,生成预测水位数据。
本实施例在不同的时间周期内对预测波浪数据进行仿真运行,得到不同重现期下的水位数据以及时间周期内的平均水位数据,从而更好地评估和优化海堤的设计和性能。这有助于提高海堤的抗风浪性能,减少对海岸线和沿海地区的危害,从而生成仿真波浪数据;对仿真波浪数据进行水位数据计算统计可以得到不同时间段内的海水涨落情况,通过均值、最大值与最小值等方式统计水位数据,从而生成预测水位数据。
在本说明书的一个实施例中,其中水位消浪事件包括远海岸水位消浪事件以及近海岸水位消浪事件,步骤S4包括以下步骤:
步骤S41:利用极值统计学对预测水位数据进行历史水位数据拟合处理,生成水位数据分布函数;
步骤S42:对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据;
步骤S43:对水位数据分布函数与极值水位数据进行深度风险评估预测,生成深度风险评估数据,其中深度风险评估数据包括远海岸风险评估数据以及近海岸风险评估数据;
步骤S44:利用海浪风险比对公式对远海岸风险评估数据与近海岸风险评估数据进行风险信息比对计算处理,生成海浪风险比对信息;
步骤S45:判断海浪风险比对信息是否大于或等于预设的风险海浪比对阈值,确定海浪风险比对信息大于或等于预设的风险海浪比对阈值时,则执行远海岸水位消浪事件,否则执行近海岸水位消浪事件。
本实施例利用极值统计学对预测水位数据进行历史水位数据拟合处理,可以通过预测水位数据进行准确地评估风险,生成水位数据分布函数,可以更好地了解不同水位下的概率分布情况,从而提高防洪和防涝措施的准确性和有效性;对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据可以用于评估海岸线的稳定性和洪水等级,有助于制定相应的灾害防范措施;通过水位分布函数与极值水位数据可以得到预测水位数据中各种危险水位情况,对这些危险水位情况进行深度风险评估预测可以改善防灾减灾能力从而制定更加精准、实用的防灾减灾策略,提高抗灾能力和应急响应能力,提高海上安全以确定风暴潮等自然灾害对航行安全的影响,并制定相应的措施,减少海上事故发生的可能性,以及优化工程设计,为港口、码头、海上平台等工程设计提供精确的数据支持,最大限度地保障其使用安全,并且生成的远海岸风险数据与近海岸风险评估数据可两者比对数据是互相影响的,改善其中任一项风险评估数据,则另一项也随着改善,将远海岸风险评估数据与近海岸风险评估数据利用海浪风险比对公式进行风险比对计算,生成风险比对信息可以得到远海岸风险评估数据与近海岸风险评估数据哪个危害比较大,从而执行对应的水位消浪时间,可以避免不必要的资源浪费和成本开支,提高资源利用效率。
在本说明书的一个实施例中,步骤S44中的海浪风险比对公式如下所示:
;
式中,表示为海浪风险比对信息,/>表示为近海岸极值水位数据,/>表示为时间周期,/>表示为近海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为远海岸极值水位数据,/>表示为远海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为海浪风险比对信息的异常调整值。
本实施例提供一种海浪风险比对公式,该公式充分考虑了近海岸极值水位数据、近海岸风险评估数据中的近海岸平均水位的权重信息/>、时间周期/>、远海岸极值水位数据/>、远海岸风险评估数据中的近海岸平均水位的权重信息/>以及相互间的作用关系,以形成函数关系/>,通过三角函数的周期性重复、对数函数以及根号的作用,从而对海浪风险比对信息进行数据收敛,保证结果的准确性,提高海浪风险比对数据的预测精度,并且通过更小的数值运行与空间映射计算数据,保证精度的同时减小数据的计算量,从而提高数据处理的速度,且减小数据处理的硬盘压力,通过近海岸数据与远海岸数据进行合理的配置的比对处理,并通过不同的时间周期的影响下得到不同的重现期水位数据以及时间周期下的影响时间,综合考虑远海岸与近海海岸的海浪风险信息,从而生成海浪风险比对信息/>,再利用海浪风险比对信息的异常调整值/>进行修正,更加准确地生成海浪风险比对信息,提高检测数据的准确性与可靠性。同时,该公式中的权重信息以及调整项等参数可以根据实际情况进行调整,从而适应不同的海洋生态系统,提高了算法的灵活性与适用性。
在本说明书的一个实施例中,步骤S45中的远海岸水位安全作业包括以下步骤:
对预测水位数据进行远海岸水位数据特征提取,生成远海岸特征水位数据;
将远海岸水位特征数据进行仿真模拟运行,生成远海岸仿真数据;
通过海浪声波采集器对远海岸仿真数据进行海浪音频数据采集处理,生成海浪音频数据;
利用预设的音频阈值对海浪音频数据进行阈值比对处理,当海浪音频数据大于音频阈值时,则对远海岸仿真数据进行水位数据收集处理,生成远海岸仿真水位数据;
对远海岸仿真水位数据进行水位危险信息分析处理,生成远海岸水位危险信息;
根据远海岸水位危险信息执行远海岸水位消浪事件。
本实施例借助预测水位数据和特征水位数据,准确地模拟远海岸水位情况,提高了安全性能;由于判断远海岸涨潮时水位的大小海浪的声音是最好的方式,可以通过海浪的声音判断是否涨潮,收集海水的沙子含量也可以判断波浪的大小,但是远海岸海水的含沙量不好收集,并且也不能准确判断出来,则通过海浪声波采集器采集处理音频数据,并使用阈值比对来判断是否需要进行水位数据收集处理,使得系统可以及时响应潜在的风险;对远海岸仿真水位数据进行水位危险信息分析处理,可以提供关于远海岸水位风险的更深入的认识;根据远海岸水位危险信息执行远海岸水位消浪事件,有望有效避免或减轻可能出现的潜在损失,并提高了系统的整体安全性能。
在本说明书的一个实施例中,步骤S45中的近海岸水位安全作业包括以下步骤:
对预测水位数据进行近海岸水位数据特征提取,生成近海岸特征水位数据;
将近海岸水位特征数据进行仿真模拟运行,生成近海岸仿真数据;
通过高精度监控设备对近海岸仿真数据进行海浪含沙量数据采集处理,生成海浪含沙量;
利用预设的含沙量阈值对海浪含沙量进行阈值比对处理,当海浪含沙量大于含沙量阈值时,则对近海岸仿真数据进行水位数据收集处理,生成近海岸仿真水位数据;
对近海岸仿真水位数据进行水位危险信息分析处理,生成近海岸水位危险信息;
根据近海岸水位危险信息执行近海岸水位消浪事件。
本实施例借助预测水位数据和特征水位数据,准确地模拟近海岸水位情况,提高了安全性能;由于判断近海岸涨潮时水位的大小则海水的含沙量是最好的方法,远海岸海水的含沙量很好收集,并且也能准确判断出来,但是海浪的声音不一定能判断是否涨潮,海浪大小击打海堤的声音不能准确的反馈出来,则通过高精度监控设备采集处理海浪含沙量数据,并使用阈值比对来判断是否需要进行水位数据收集处理,使得用户可以及时发现含沙数据到达阈值后对应水位的潜在的风险;对近海岸仿真水位数据进行水位危险信息分析处理,可以提供关于近海岸水位风险的更深入的认识;根据近海岸水位危险信息执行近海岸水位消浪事件,有望有效避免或减轻可能出现的潜在损失,并提高了系统的整体安全性能。
在本说明书的一个实施例中提供一种海堤波浪消浪系统,所述系统包括:
构建模块,用于执行如上任意一项所述的海堤波浪数学模型的构建方法,以构建并生成深度风险评估数据;以及
消浪执行模块,用于根据深度风险评估数据执行水位消浪事件。
本发明通过对获取区域海堤的风能数据进行处理,利用概率密度函数准确地把握风能的变化规律,从而预测出未来的风能数据,预测风能数据中包括风向数据与风速数据都是影响波浪因素的主要音效,再通过对获取区域海堤的波浪数据进行初步预测,通过动谱平衡方程公式构建针对波浪数据未来变化的近岸波浪数学模型,利用预测风能数据对近岸波浪数据进行模型优化,生成的优化波浪数学充分考虑了未来的风能数据对海堤波浪数据未来的影响,在对波浪数据按大小区域进行划分,从而得到概况范围大的海堤波浪数据与概况范围小的海堤波浪数据,将两者波浪数据传送至优化波浪数学模型,利用大小模型嵌套方案对波浪数据进行预测,先对大范围的波浪数据进行预测,再对大范围中的小范围波浪数据进行预测,多重考虑下提高了预测波浪的数据精度,使预测的波浪数据的更加贴合真实值,并实现更新海堤波浪数据进行重新预测,实现预测数据实时变化,帮助用户对可能出现的变化趋势做出准确预测,从而根据预测结果采取相应措施,降低风险发生概率,并对预测出的波浪数据按靠近海岸与远离海岸进行区域划分,由于远海岸的波浪数据与近海岸的波浪数据之间相互影响,综合考虑对远海岸还是近海岸的波浪数据执行消浪事件,从而达到降低成本的同时更好的维护海堤的安全,还可以提高海洋工程安全性、船舶行驶的稳定性等方面的保障水平。因此,本发明的海堤波浪数学模型的构建方法有考虑到海堤的风向与风能对波浪造成的影响,能够精准及全面的预测海堤波浪,并且也可以准确的预判不同重现期下的海堤波浪与海堤水位,对海堤波浪的危害有准确的评估。
附图说明
图1为本发明一种海堤波浪数学模型的构建方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
为实现上述目的,请参阅图1至图4,一种海堤波浪数学模型的构建方法,所述方法包括以下步骤:
步骤S1:获取区域海堤的风能数据,对风能数据进行历史数据特征提取处理,生成风能特征数据,利用概率密度函数对风能特征数据进行海堤风能分析预测处理,从而生成预测风能数据;
步骤S2:获取区域海堤的波浪数据,对波浪数据进行历史数据特征提取处理,生成波浪特征数据,基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型,利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型,利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据;
步骤S3:根据预设的时间周期与预测波浪数据进行波浪水位预测,生成预测水位数据;
步骤S4:对预测水位数据进行深度风险水位评估处理,生成深度风险评估数据,以供执行水位消浪事件。
本实施例通过对获取区域海堤的风能数据进行历史特征提取,提取有用的数据减少计算量的同时,保证数据的准确性,并通过风能特征数据进行分析预测,得到预测风能数据,利用概率密度函数可以更加准确的对风能特征数据进行分析,从而预测出更加精准的风能数据,通过预测风能数据的预测风向与预测风速可以更好的预测区域海堤的波浪数据;通过对获取的区域海堤的波浪数据历史特征数据进行提取,提取有用的数据减少计算量的同时,保证数据的准确性,并基于动谱平衡方程公式构建近岸波浪数学模型用来预测海堤的波浪数据,通过预测风能数据对近岸波浪数学模型进行模型优化,生成的优化波浪数学模型可以当近岸波浪数学模型对波浪特征数据进行波浪预测得到的波浪数据,对该波浪数据在根据预测风能数据进行优化处理,得到更加真实的预测波浪数据,利用大小模型海堤波浪处理可以考虑大范围空间内的波浪数据与大范围空间内的小范围空间的波浪数据,可以更好地反映实际的海洋环境变化,提高预测的精度和准确性,从而生成更加真实及精准的预测波浪数据;根据预设的时间周期与预测波浪数据进行水位预测,在特定的时间内分析预测波浪数据,通过时间周期内波浪的高潮位与低潮位分析海堤的水位高度,更改时间周期也可以继续通过预测波浪数据得到精准的预测水位高度,通过预测水位数据,用户可以更好地了解未来海面高度及会造成的不良影响并做出相应调整,从而减少可能的损失和危险,提高对海洋灾害风险的预警能力;对预测水位数据进行深度风险水平评估处理,分析预测的水位高度可能带来的安全隐患,通过对安全隐患进行风险评估可以帮助用户更全面而准确地了解海洋存在的风险并进行维护,还可以提高海洋工程安全性、船舶行驶的稳定性等方面的保障水平,从而制定相应的消浪措施。因此,本发明的海堤波浪数学模型的构建方法有考虑到海堤的风向与风能对波浪造成的影响,能够精准及全面的预测海堤波浪,并且也可以准确的预判不同重现期下的海堤波浪与海堤水位,对海堤波浪的危害有准确的评估。
本发明实施例中,参考图1所述,为本发明一种海堤波浪数学模型的构建方法的步骤流程示意图,在本实例中,所述海堤波浪数学模型的构建方法的步骤包括:
步骤S1:获取区域海堤的风能数据,对风能数据进行历史数据特征提取处理,生成风能特征数据,利用概率密度函数对风能特征数据进行海堤风能分析预测处理,从而生成预测风能数据;
本发明实施例中,获取现有的A地海堤多年的风能数据,对风能数据进行历史数据特征提取处理,将风能数据多年来不同重现期下的风能收据进行采集,统计不同重现期下的风速与风向等数据,生成风能特征数据,并利用PIII型曲线对风能特征数据进行分析及预测处理,预测出不同方向及未来重现期内的预测风能数据;
步骤S2:获取区域海堤的波浪数据,对波浪数据进行历史数据特征提取处理,生成波浪特征数据,基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型,利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型,利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据;
本发明实施例中,获取现有的A地海堤多年的波浪数据,对波浪数据进行历史数据特征提取处理,将波浪数据多年来不同重现期下的波浪数据进行数据采集,例如统计波高、周期、方向等参数的平均值、方差、最大值和最小值等,基于动谱平衡方程公式进行波浪数学模型构建处理,根据海域的水深、波浪传播方向和风速等因素,建立近岸波浪数学模型;利用预测风能数据对近岸波浪数学模型进行模型优化,可以通过校正建模中的风速等参数或者调整模型结构来提高模型精度;生成优化波浪数学模型后,利用该模型对波浪特征数据进行大小模型海堤波浪预测处理,如将波浪特征数据按区域划分,将48km×40km范围的波浪特征数据与优化波浪数学模型建立为波浪数据大模型,将48km×40km范围的波浪特征数据划分出8km×8km范围的波浪特征数据与优化波浪数学模型建立为波浪数据小模型,将波浪大模型与波浪小模型用大小模型嵌套计算方案预测出8km×8km内小范围的波浪特征数据,从而生成预测波浪数据。
步骤S3:根据预设的时间周期与预测波浪数据进行波浪水位预测,生成预测水位数据;
本发明实施例中,根据预设的时间周期如100年或50年,与预测波浪数据进行波浪水位预测,根据波浪高度和波长并结合A地的潮汐和潮位信息预测出100年后的高、低水位或50年后的高低水位组合。
步骤S4:对预测水位数据进行深度风险水位评估处理,生成深度风险评估数据,以供执行水位消浪事件。
本发明实施例中,通过预测水位数据进行深度风险评估处理,根据预测水位数据,结合当地潮汐、潮位等因素预设一个深度风险水位,将深度风险水位与预测水位数据进行评估,利用历史同期数据、站点经验和相关文献等信息,评估深度风险水位下可能发生的风险情况,例如海堤被冲毁、洪水淹没等。可以采用定量或定性的方法进行评估,例如根据历史数据计算出类似事件发生的概率、影响范围和损失等指标,将评估结果整理成深度风险评估数据,以便执行水位消浪事件时参考。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取区域海堤的风能数据;
步骤S12:对风能数据进行历史数据收集处理,生成历史风能数据;
步骤S13:对历史风能数据进行风能数据特征提取处理,生成风能特征数据;
步骤S14:将风能特征数据进行量化处理,生成风能量化数据;
步骤S15:利用概率密度函数对风能量化数据进行海堤风能分析处理,生成风能分析数据;
步骤S16:利用朴素贝叶斯算法对风能分析数据进行预测处理,从而生成预测风能数据。
本实施例获取区域海堤的风能数据,以供后续步骤对风能数据进行预测;通过对风能数据的历史数据收集,生成的历史风能数据可以得到更加全面的风能数据,使预测风能数据时数据更加准确;对历史风能数据进行特征提取,生成的风能特征数据可以减少数据处理的计算量,加快了运行速度并降低硬件处理数据的压力;对风能特征数据进行量化处理,生成的风能量化数据更具有可比性与可操作性,由于风能特征数据常常具有多个维度,而不同维度之间的数值范围可能相差较大,因此量化处理还可以消除不同维度之间的量纲影响,使得不同特征之间更容易进行比较和组合;利用概率密度函数对风能量化数据进行海堤风能分析处理,分析风速和风向在不同时间段内的频率分布情况,生成的风能分析数据可以帮助用户更好地了解海堤所处环境中的风能状况;通过朴素贝叶斯算法对风能分析数据进行预测,将风能分析数据作为训练集,以此得到预测风能数据,朴素贝叶斯算法具有计算速度快、结果精准等特点,因此可以在实际应用中快速地对不同的风能场景进行预测处理,了解未来时间的海堤所面临的风能环境,为预测海堤的波浪数据提供数据基础。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取区域海堤的风能数据;
本发明实施例中,获取现有的A地海堤多年的风能数据,包括风向、风速等数据。
步骤S12:对风能数据进行历史数据收集处理,生成历史风能数据;
本发明实施例中,选择一段时间范围,如50年,对该时间范围内的风能数据进行数据采集并进行格式化处理,从而生成历史风能数据。
步骤S13:对历史风能数据进行风能数据特征提取处理,生成风能特征数据;
本发明实施例中,对历史风能数据进行风能数据特征提取处理,例如平均风速、最大风速及风向频率等,从而生成风能特征数据。
步骤S14:将风能特征数据进行量化处理,生成风能量化数据;
本发明实施例中,对风能特征数据中每个特征值进行标准化处理,例如均值为0,方差为1,将标准化后的特征值用数字进行表示,例如使用离散化方式,将连续的特征值分成若干个区间,并将每个区间用一个数字代表,从而生成风能量化数据。
步骤S15:利用概率密度函数对风能量化数据进行海堤风能分析处理,生成风能分析数据;
本发明实施例中,利用PIII型曲线对风能量化数据进行海堤风能分析处理,根据海堤结构和风能特征,计算在不同条件下的海堤受风情况,从而生成风能分析数据。
步骤S16:利用朴素贝叶斯算法对风能分析数据进行预测处理,从而生成预测风能数据。
本发明实施例中,使用朴素贝叶斯算法对风能分析数据进行训练,以建立模型,利用已建立的模型对新的风能分析数据进行预测,以得出未来一段时间内海堤接受的风能情况,从而生成预测风能数据。
在本说明书的一个实施例中,步骤S2包括以下步骤:
步骤S21:获取区域海堤的波浪数据;
步骤S22:对波浪数据进行历史数据收集处理,生成历史波浪数据;
步骤S23:根据历史波浪数据进行波浪数据特征提取处理,生成波浪特征数据;
步骤S24:基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型;
其中动谱平衡方程公式可表示为:
;
式中,表示为动谱密度,/>表示为动谱密度随时间的变化率,/>表示为动谱密度在地理坐标空间横坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为动谱密度在地理坐标空间纵坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为水深所引起的动谱密度在频率空间的变化,/>表示为在/>空间上的速度,/>表示为在谱分布方向空间的传播,/>表示为在/>空间上的速度,/>表示为以谱密度表示的风能输入、波与波非线性相互作用以及能量损耗,其中能力损耗是由海底摩阻、白浪及水深变浅诱导波浪破碎引致;
步骤S25:利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型;
步骤S26:利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据。
本实施例获取区域海堤的波浪数据,以供后续步骤对波浪数据进行预测;通过对波浪数据的历史数据收集,生成的历史波浪数据可以得到更加全面的波浪数据,使预测波浪数据时数据更加准确;对历史波浪数据进行特征提取,生成的风能特征数据可以减少数据处理的计算量,加快了运行速度并降低硬件处理数据的压力;将预测风能数据与波浪特征数据进行参数率定处理,从而得到适合该海域的参数值,用于后续步骤近岸波浪数学模型对预测风能数据与波浪数据进行波浪预测时提高预测的精度和准确性;基于动谱平衡方程公式进行波浪数学模型构建处理,生成的近岸波浪数学模型可以预测波浪的高度、周期、方向等特性,可以评估海洋工程的稳定性和可靠性,动谱平衡方程公式能够通过各个参数的计算和分析来描述波浪的时空特性,从而提高波浪预测的准确性,以谱密度形式表示波浪的能量分布,能更加全面、准确地反映波浪场的情况,包括波高、波长、波速等指标,通过、/>、/>以及/>,等参数能够反映波浪在不同方向上的传播速度和变化,它们的计算和分析有助于了解波浪受到不同因素的影响程度,近岸波浪数学模型能偶根据实际海洋环境的变化,实时更新模型参数;近岸波浪数学模型能够结合预测风能数据进行波浪预测,生成的优化波浪数学模型可以更加准确地描述未来一段时间内海堤所面临的波浪环境;利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,将波浪特征数据划分大范围的波浪数据与大范围中的小范围波浪数据进行模型构建,利用模型双重嵌套计算方式得到预测波浪数据,双重预测下使得预测精度提高,更加准确地放映实际的波浪环境变化。/>
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:获取区域海堤的波浪数据;
本发明实施例中,获取现有的A地海堤多年的波浪数据,如波高、波向及周期等参数。
步骤S22:对波浪数据进行历史数据收集处理,生成历史波浪数据;
本发明实施例中,选择一段时间范围,如50年,对该时间范围内的波浪数据进行数据采集并进行格式化处理,从而生成历史波浪数据。
步骤S23:根据历史波浪数据进行波浪数据特征提取处理,生成波浪特征数据;
本发明实施例中,对历史波浪数据进行风能数据特征提取处理,例如平均波高、最大波高及波向频率等等,从而生成波浪特征数据。
步骤S24:基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型;
本发明实施例中,基于动谱平衡方程公式构建出合适与A地波浪特征数据的数学模型,从而生成近岸波浪数学模型,对近岸波浪数学模型进行验证,确保其准确性和可靠性。
步骤S25:利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型;
本发明实施例中,根据预测风能数据对近岸波浪数学模型进行优化,调整输入参数,如波长及波高等,重新建立优化后的波浪数学模型,生成优化波浪数学模型。
步骤S26:利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据。
本发明实施例中,将48km×40km范围的波浪特征数据与优化波浪数学模型建立为波浪数据大模型,将48km×40km范围的波浪特征数据划分出8km×8km范围的波浪特征数据与优化波浪数学模型建立为波浪数据小模型,将波浪大模型与波浪小模型用大小模型嵌套计算方案预测出8km×8km内小范围的波浪特征数据,从而生成预测波浪数据。
在本说明书的一个实施例中,其中实时率定数据包括实时预测风能率定数据以及实时波浪率定数据,步骤S26包括以下步骤:
步骤S261:对波浪特征数据进行参数率定处理,生成率定数据;
步骤S262:对率定数据进行波浪数据实时更新,生成实时率定数据;
步骤S263:对实时率定数据进行海浪数据空间区域划分处理,生成宽海域实时率定数据与窄海域实时率定数据;
步骤S264:利用优化波浪数学模型与宽海域实时率定数据构建宽海域波浪数学模型;
步骤S265:利用优化波浪数学模型与窄海域实时率定数据构建窄海域波浪数学模型;
步骤S266:利用宽海域波浪数学模型与窄海域波浪数学模型进行大小模型嵌套预测波浪数据处理,生成初始预测波浪数据;
步骤S267:依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,从而生成预测波浪数据。
本实施例波浪特征数据的参数率定处理可以通过调整模型参数等手段,使生成的率定数据更加准确地反映实际情况,用于优化预测和控制系统,提高波浪能利用效率、降低损失风险、保障安全性等;将率定数据进行实时更新可以让波浪数据更加准确地反映当前的海况变化,更加准确地预测未来波浪状况,提高波浪能利用效率,有效降低损失风险,及早发现异常情况并采取措施,避免损失加剧;将实时率定数据按照区域进行划分,以面积大的海域的波浪数据为宽海域实时率定数据,以面积小的海域的波浪数据为窄海域实时率定数据,从而建立宽海域波浪数学模型与窄海域波浪数学模型,用于利用大小模型嵌套计算方案预测出波浪数据,大小模型嵌套计算方案使得宽海域波浪数学模型可用于对大范围内的波浪进行预测,而窄海域波浪数学模型则可用于对小范围内的波浪进行预测,通过将两种模型进行耦合,可以使预测结果更加精确,并提高预测的可靠性,从而生成初始预测波浪数据;依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,生成的预测波浪数据,可以考虑到海洋环境的变化,从而更好地预测未来的波浪情况。
本发明实施例对波浪特征数据进行参数率定处理,如最小二乘法来拟合数据,生成波浪特征数据的率定数据;由于波浪数据随时变化,则设定时间间隔,获取时间间隔内最新的率定数据,将最新的率定数据与历史的率定数据进行融合,生成实时率定数据;将实时率定数据按照海域区域进行划分,划分海域面积大的实时率定数据,如海域面积为48km×40km,生成宽海域实时率定数据,将宽海域实时率定数据再按照海域区域划分,划分海域面积小的实时率定数据,如海域面积为8km×8km的海域,生成窄海域实时率定数据;将宽海域实时率定数据与窄海域实施率定数据传送至优化波浪数学模型中,生成宽海域波浪数学模型与窄海域波浪数学模型,基于大小模型嵌套方法,将宽海域波浪数学模型与窄海域波浪数学模型进行大小模型嵌套预测波浪数据处理,预测出8km×8km中的波浪数据,从而生成初始预测波浪数据;依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,当实施率定数据更新时,对应的初始预测波浪数据也根据最新的率定数据对预测结果进行修正或更新,从而生成预测波浪数据。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:根据预设的时间周期与预测波浪数据进行海堤波浪仿真运行处理,生成仿真波浪数据;
步骤S32:根据仿真波浪数据进行水位数据计算统计处理,生成预测水位数据。
本实施例在不同的时间周期内对预测波浪数据进行仿真运行,得到不同重现期下的水位数据以及时间周期内的平均水位数据,从而更好地评估和优化海堤的设计和性能。这有助于提高海堤的抗风浪性能,减少对海岸线和沿海地区的危害,从而生成仿真波浪数据;对仿真波浪数据进行水位数据计算统计可以得到不同时间段内的海水涨落情况,通过均值、最大值与最小值等方式统计水位数据,从而生成预测水位数据。
本发明实施例中,根据预设的时间周期,如100年或50年,通过预测波浪数据获取该时间周期内的波浪数据,根据海堤结构特征与预测波浪数据,使用数值模拟方法进行海堤波浪仿真运行处理,生成仿真波浪数据;选择一定的重现期,例如100年一遇,利用海堤波浪仿真结果以及运用水动力学方法进行水位计算统计处理,得到高水位、低水位以及平均水位等,并对数据进行整合,得到相应的预测水位数据。
在本说明书的一个实施例中,其中水位消浪事件包括远海岸水位消浪事件以及近海岸水位消浪事件,步骤S4包括以下步骤:
步骤S41:利用极值统计学对预测水位数据进行历史水位数据拟合处理,生成水位数据分布函数;
步骤S42:对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据;
步骤S43:对水位数据分布函数与极值水位数据进行深度风险评估预测,生成深度风险评估数据,其中深度风险评估数据包括远海岸风险评估数据以及近海岸风险评估数据;
步骤S44:利用海浪风险比对公式对远海岸风险评估数据与近海岸风险评估数据进行风险信息比对计算处理,生成海浪风险比对信息;
步骤S45:判断海浪风险比对信息是否大于或等于预设的风险海浪比对阈值,确定海浪风险比对信息大于或等于预设的风险海浪比对阈值时,则执行远海岸水位消浪事件,否则执行近海岸水位消浪事件。
本实施例利用极值统计学对预测水位数据进行历史水位数据拟合处理,可以通过预测水位数据进行准确地评估风险,生成水位数据分布函数,可以更好地了解不同水位下的概率分布情况,从而提高防洪和防涝措施的准确性和有效性;对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据可以用于评估海岸线的稳定性和洪水等级,有助于制定相应的灾害防范措施;通过水位分布函数与极值水位数据可以得到预测水位数据中各种危险水位情况,对这些危险水位情况进行深度风险评估预测可以改善防灾减灾能力从而制定更加精准、实用的防灾减灾策略,提高抗灾能力和应急响应能力,提高海上安全以确定风暴潮等自然灾害对航行安全的影响,并制定相应的措施,减少海上事故发生的可能性,以及优化工程设计,为港口、码头、海上平台等工程设计提供精确的数据支持,最大限度地保障其使用安全,并且生成的远海岸风险数据与近海岸风险评估数据可两者比对数据是互相影响的,改善其中任一项风险评估数据,则另一项也随着改善,将远海岸风险评估数据与近海岸风险评估数据利用海浪风险比对公式进行风险比对计算,生成风险比对信息可以得到远海岸风险评估数据与近海岸风险评估数据哪个危害比较大,从而执行对应的水位消浪时间,可以避免不必要的资源浪费和成本开支,提高资源利用效率。
作为本发明的一个实例,参考图4所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:利用极值统计学对预测水位数据进行历史水位数据拟合处理,生成水位数据分布函数;
本发明实施例中,利用极值统计学方法,例如极大值法或者极小值法,利用概率分布函数如Gumbel分布对历史水位数据进行拟合处理,从而生成水位数据分布函数;
步骤S42:对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据;
本发明实施例中,通过预测水位数据进行重现期风暴潮高度计算,如计算出10年一遇、50年一遇及100年一遇的风暴潮高度,得到不同重现期下的水位高度,如10年一遇高水位、10年一遇低水位、50年一遇高水位、50年一遇低水位、100年一遇高水位及100年一遇低水位,将这些数据进行整合,生成极值水位数据。
步骤S43:对水位数据分布函数与极值水位数据进行深度风险评估预测,生成深度风险评估数据,其中深度风险评估数据包括远海岸风险评估数据以及近海岸风险评估数据;
本发明实施例中,对水位数据分布函数与极值水位数据进行深度风险评估预测,结合当地潮汐、潮位等因素预设一个深度风险水位,将深度风险水位跟水位数据分布函数与极值水位数据进行风险评估,利用历史同期数据、站点经验和相关文献等信息,评估深度风险水位下可能发生的风险情况,生成深度风险评估数据,并将深度风险评估数据按与海岸的远近进行划分,得到远海岸风险评估数据以及近海岸风险评估数据,且远海岸风险评估数据以及近海岸风险评估数据两者之间相互影响。
步骤S44:利用海浪风险比对公式对远海岸风险评估数据与近海岸风险评估数据进行风险信息比对计算处理,生成海浪风险比对信息;
本发明实施例中,利用海浪风险比对公式对远海岸风险评估数据与近海岸风险评估数据进行风险信息比对计算处理,考虑到时间周期、远海岸风险评估数据中的水位极值数据及水位平均数据、近海岸风险评估数据中的水位极值数据及水位平均数据,得到海浪风险比对信息。
步骤S45:判断海浪风险比对信息是否大于或等于预设的风险海浪比对阈值,确定海浪风险比对信息大于或等于预设的风险海浪比对阈值时,则执行远海岸水位消浪事件,否则执行近海岸水位消浪事件。
本发明实施例中,为了判别远海岸与近海岸哪边风险比较高,预设风险海浪比对阈值,当海浪风险比对信息大于或等于预设的风险海浪比对阈值,则执行远海岸水位消浪事件,当海浪风险比对信息小于预设的风险海浪比对阈值,则执行近海岸水位消浪事件。
在本说明书的一个实施例中,步骤S44中的海浪风险比对公式如下所示:
;
式中,表示为海浪风险比对信息,/>表示为近海岸极值水位数据,/>表示为时间周期,/>表示为近海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为远海岸极值水位数据,/>表示为远海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为海浪风险比对信息的异常调整值。
本实施例提供一种海浪风险比对公式,该公式充分考虑了近海岸极值水位数据、近海岸风险评估数据中的近海岸平均水位的权重信息/>、时间周期/>、远海岸极值水位数据/>、远海岸风险评估数据中的近海岸平均水位的权重信息/>以及相互间的作用关系,以形成函数关系/>,通过三角函数的周期性重复、对数函数以及根号的作用,从而对海浪风险比对信息进行数据收敛,保证结果的准确性,提高海浪风险比对数据的预测精度,并且通过更小的数值运行与空间映射计算数据,保证精度的同时减小数据的计算量,从而提高数据处理的速度,且减小数据处理的硬盘压力,通过近海岸数据与远海岸数据进行合理的配置的比对处理,并通过不同的时间周期的影响下得到不同的重现期水位数据以及时间周期下的影响时间,综合考虑远海岸与近海海岸的海浪风险信息,从而生成海浪风险比对信息/>,再利用海浪风险比对信息的异常调整值/>进行修正,更加准确地生成海浪风险比对信息,提高检测数据的准确性与可靠性。同时,该公式中的权重信息以及调整项等参数可以根据实际情况进行调整,从而适应不同的海洋生态系统,提高了算法的灵活性与适用性。
在本说明书的一个实施例中,步骤S45中的远海岸水位安全作业包括以下步骤:
对预测水位数据进行远海岸水位数据特征提取,生成远海岸特征水位数据;
将远海岸水位特征数据进行仿真模拟运行,生成远海岸仿真数据;
通过海浪声波采集器对远海岸仿真数据进行海浪音频数据采集处理,生成海浪音频数据;
利用预设的音频阈值对海浪音频数据进行阈值比对处理,当海浪音频数据大于音频阈值时,则对远海岸仿真数据进行水位数据收集处理,生成远海岸仿真水位数据;
对远海岸仿真水位数据进行水位危险信息分析处理,生成远海岸水位危险信息;
根据远海岸水位危险信息执行远海岸水位消浪事件。
本实施例借助预测水位数据和特征水位数据,准确地模拟远海岸水位情况,提高了安全性能;由于判断远海岸涨潮时水位的大小海浪的声音是最好的方式,可以通过海浪的声音判断是否涨潮,收集海水的沙子含量也可以判断波浪的大小,但是远海岸海水的含沙量不好收集,并且也不能准确判断出来,则通过海浪声波采集器采集处理音频数据,并使用阈值比对来判断是否需要进行水位数据收集处理,使得系统可以及时响应潜在的风险;对远海岸仿真水位数据进行水位危险信息分析处理,可以提供关于远海岸水位风险的更深入的认识;根据远海岸水位危险信息执行远海岸水位消浪事件,有望有效避免或减轻可能出现的潜在损失,并提高了系统的整体安全性能。
本发明实施例中,根据与海岸的远近将海堤划分为近海岸海堤与远海岸海堤,对预测水位数据进行远海岸水位数据特征提取,生成远海岸特征水位数据;根据海洋气象和海底地形等因素,结合远海岸特征水位数据,使用数值模拟方法进行远海岸波浪仿真运行处理,生成远海岸仿真数据;再远海岸仿真数据中安装一个海浪声波采集器,模拟采集周围海域中的海浪声波数据,对采集到的海浪声波数据进行处理和分析,生成海浪音频数据;设定一个音频阈值,当检测到音频数据大于音频阈值时,从远海岸仿真数据仓库中收集相应的水位数据,生成远海岸仿真水位数据;运用水动力学方法,对远海岸仿真水位数据进行水位危险信息分析处理,生成远海岸水位危险信息,判断远海岸水位危险信息是否达到预设的阈值,例如高于一定水位或者超出某种风暴潮等级,如果达到预设的阈值,则执行远海岸水位消浪事件,否则不进行操作。
在本说明书的一个实施例中,步骤S45中的近海岸水位安全作业包括以下步骤:
对预测水位数据进行近海岸水位数据特征提取,生成近海岸特征水位数据;
将近海岸水位特征数据进行仿真模拟运行,生成近海岸仿真数据;
通过高精度监控设备对近海岸仿真数据进行海浪含沙量数据采集处理,生成海浪含沙量;
利用预设的含沙量阈值对海浪含沙量进行阈值比对处理,当海浪含沙量大于含沙量阈值时,则对近海岸仿真数据进行水位数据收集处理,生成近海岸仿真水位数据;
对近海岸仿真水位数据进行水位危险信息分析处理,生成近海岸水位危险信息;
根据近海岸水位危险信息执行近海岸水位消浪事件。
本实施例借助预测水位数据和特征水位数据,准确地模拟近海岸水位情况,提高了安全性能;由于判断近海岸涨潮时水位的大小则海水的含沙量是最好的方法,远海岸海水的含沙量很好收集,并且也能准确判断出来,但是海浪的声音不一定能判断是否涨潮,海浪大小击打海堤的声音不能准确的反馈出来,则通过高精度监控设备采集处理海浪含沙量数据,并使用阈值比对来判断是否需要进行水位数据收集处理,使得用户可以及时发现含沙数据到达阈值后对应水位的潜在的风险;对近海岸仿真水位数据进行水位危险信息分析处理,可以提供关于近海岸水位风险的更深入的认识;根据近海岸水位危险信息执行近海岸水位消浪事件,有望有效避免或减轻可能出现的潜在损失,并提高了系统的整体安全性能。
本发明实施例中,根据与海岸的远近将海堤划分为近海岸海堤与远海岸海堤,对预测水位数据进行近海岸水位数据特征提取,生成近海岸特征水位数据;根据海洋气象和海底地形等因素,结合近海岸特征水位数据,使用数值模拟方法进行近海岸波浪仿真运行处理,生成近海岸仿真数据;在近海岸附近,安装高精度监控设备,采集周围海域中的海浪含沙量数据,对采集到的海浪含沙量数据进行处理和分析,得到与近海岸波浪相关的含沙量数据,生成海浪含沙量;设定一个含沙量阈值,当海浪含沙量大于该阈值时,认为此时存在较大的含沙量,当检测到海浪含沙量大于含沙量阈值时,从近海岸仿真数据仓库中收集相应的水位数据,生成近海岸仿真水位数据;运用水动力学方法,对近海岸仿真水位数据进行水位危险信息分析处理,生成近海岸水位危险信息,判断近海岸水位危险信息是否达到预设的阈值,例如高于一定水位或者超出某种风暴潮等级,如果达到预设的阈值,则执行近海岸水位消浪事件,否则不进行操作。
在本说明书的一个实施例中提供一种海堤波浪消浪系统,所述系统包括:
构建模块,用于执行如上任意一项所述的海堤波浪数学模型的构建方法,以构建并生成深度风险评估数据;以及
消浪执行模块,用于根据深度风险评估数据执行水位消浪事件。
本发明通过对获取区域海堤的风能数据进行处理,利用概率密度函数准确地把握风能的变化规律,从而预测出未来的风能数据,预测风能数据中包括风向数据与风速数据都是影响波浪因素的主要音效,再通过对获取区域海堤的波浪数据进行初步预测,通过动谱平衡方程公式构建针对波浪数据未来变化的近岸波浪数学模型,利用预测风能数据对近岸波浪数据进行模型优化,生成的优化波浪数学充分考虑了未来的风能数据对海堤波浪数据未来的影响,在对波浪数据按大小区域进行划分,从而得到概况范围大的海堤波浪数据与概况范围小的海堤波浪数据,将两者波浪数据传送至优化波浪数学模型,利用大小模型嵌套方案对波浪数据进行预测,先对大范围的波浪数据进行预测,再对大范围中的小范围波浪数据进行预测,多重考虑下提高了预测波浪的数据精度,使预测的波浪数据的更加贴合真实值,并实现更新海堤波浪数据进行重新预测,实现预测数据实时变化,帮助用户对可能出现的变化趋势做出准确预测,从而根据预测结果采取相应措施,降低风险发生概率,并对预测出的波浪数据按靠近海岸与远离海岸进行区域划分,由于远海岸的波浪数据与近海岸的波浪数据之间相互影响,综合考虑对远海岸还是近海岸的波浪数据执行消浪事件,从而达到降低成本的同时更好的维护海堤的安全,还可以提高海洋工程安全性、船舶行驶的稳定性等方面的保障水平。因此,本发明的海堤波浪数学模型的构建方法有考虑到海堤的风向与风能对波浪造成的影响,能够精准及全面的预测海堤波浪,并且也可以准确的预判不同重现期下的海堤波浪与海堤水位,对海堤波浪的危害有准确的评估。
Claims (8)
1.一种海堤波浪数学模型的构建方法,其特征在于,包括以下步骤:
步骤S1:获取区域海堤的风能数据,对风能数据进行历史数据特征提取处理,生成风能特征数据,利用概率密度函数对风能特征数据进行海堤风能分析预测处理,从而生成预测风能数据;
步骤S2:获取区域海堤的波浪数据,对波浪数据进行历史数据特征提取处理,生成波浪特征数据,基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型,利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型,利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据;
步骤S3:根据预设的时间周期与预测波浪数据进行波浪水位预测,生成预测水位数据;
步骤S4,包括:
步骤S41:利用极值统计学对预测水位数据进行历史水位数据拟合处理,生成水位数据分布函数;
步骤S42:对预测水位数据进行重现期风暴潮高度计算处理,生成极值水位数据;
步骤S43:对水位数据分布函数与极值水位数据进行深度风险评估预测,生成深度风险评估数据,其中深度风险评估数据包括远海岸风险评估数据以及近海岸风险评估数据;
步骤S44:利用海浪风险比对公式对远海岸风险评估数据与近海岸风险评估数据进行风险信息比对计算处理,生成海浪风险比对信息;
其中,海浪风险比对公式如下所示:
;
式中,表示为海浪风险比对信息,/>表示为近海岸极值水位数据,/>表示为时间周期,/>表示为近海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为远海岸极值水位数据,/>表示为远海岸风险评估数据中的近海岸平均水位的权重信息,/>表示为海浪风险比对信息的异常调整值;
步骤S45:判断海浪风险比对信息是否大于或等于预设的风险海浪比对阈值,确定海浪风险比对信息大于或等于预设的风险海浪比对阈值时,则执行远海岸水位消浪事件,否则执行近海岸水位消浪事件。
2.根据权利要求1所述的海堤波浪数学模型的构建方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取区域海堤的风能数据;
步骤S12:对风能数据进行历史数据收集处理,生成历史风能数据;
步骤S13:对历史风能数据进行风能数据特征提取处理,生成风能特征数据;
步骤S14:将风能特征数据进行量化处理,生成风能量化数据;
步骤S15:利用概率密度函数对风能量化数据进行海堤风能分析处理,生成风能分析数据;
步骤S16:利用朴素贝叶斯算法对风能分析数据进行预测处理,从而生成预测风能数据。
3.根据权利要求1所述的海堤波浪数学模型的构建方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取区域海堤的波浪数据;
步骤S22:对波浪数据进行历史数据收集处理,生成历史波浪数据;
步骤S23:根据历史波浪数据进行波浪数据特征提取处理,生成波浪特征数据;
步骤S24:基于动谱平衡方程公式进行波浪数学模型构建处理,生成近岸波浪数学模型;
其中动谱平衡方程公式可表示为:
;
式中,表示为动谱密度,/>表示为动谱密度随时间的变化率,/>表示为动谱密度在地理坐标空间横坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为动谱密度在地理坐标空间纵坐标方向上的传播,/>表示为在/>空间上的速度,/>表示为水深所引起的动谱密度在频率空间的变化,/>表示为在/>空间上的速度,/>表示为在谱分布方向空间的传播,/>表示为在/>空间上的速度,/>表示为以谱密度表示的风能输入、波与波非线性相互作用以及能量损耗,其中能力损耗是由海底摩阻、白浪及水深变浅诱导波浪破碎引致;
步骤S25:利用预测风能数据对近岸波浪数学模型进行模型优化,生成优化波浪数学模型;
步骤S26:利用优化波浪数学模型对波浪特征数据进行大小模型海堤波浪预测处理,从而生成预测波浪数据。
4.根据权利要求3所述的海堤波浪数学模型的构建方法,其特征在于,步骤S26包括以下步骤:
步骤S261:对波浪特征数据进行参数率定处理,生成率定数据;
步骤S262:对率定数据进行波浪数据实时更新,生成实时率定数据;
步骤S263:对实时率定数据进行海浪数据空间区域划分处理,生成宽海域实时率定数据与窄海域实时率定数据;
步骤S264:利用优化波浪数学模型与宽海域实时率定数据构建宽海域波浪数学模型;
步骤S265:利用优化波浪数学模型与窄海域实时率定数据构建窄海域波浪数学模型;
步骤S266:利用宽海域波浪数学模型与窄海域波浪数学模型进行大小模型嵌套预测波浪数据处理,生成初始预测波浪数据;
步骤S267:依据变化的实时率定数据对初始预测波浪数据进行预测数据更新,从而生成预测波浪数据。
5.根据权利要求1所述的海堤波浪数学模型的构建方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据预设的时间周期与预测波浪数据进行海堤波浪仿真运行处理,生成仿真波浪数据;
步骤S32:根据仿真波浪数据进行水位数据计算统计处理,生成预测水位数据。
6.根据权利要求1所述的海堤波浪数学模型的构建方法,其特征在于,步骤S45中的远海岸水位安全作业包括以下步骤:
对预测水位数据进行远海岸水位数据特征提取,生成远海岸特征水位数据;
将远海岸水位特征数据进行仿真模拟运行,生成远海岸仿真数据;
通过海浪声波采集器对远海岸仿真数据进行海浪音频数据采集处理,生成海浪音频数据;
利用预设的音频阈值对海浪音频数据进行阈值比对处理,当海浪音频数据大于音频阈值时,则对远海岸仿真数据进行水位数据收集处理,生成远海岸仿真水位数据;
对远海岸仿真水位数据进行水位危险信息分析处理,生成远海岸水位危险信息;
根据远海岸水位危险信息执行远海岸水位消浪事件。
7.根据权利要求1所述的海堤波浪数学模型的构建方法,其特征在于,步骤S45中的近海岸水位安全作业包括以下步骤:
对预测水位数据进行近海岸水位数据特征提取,生成近海岸特征水位数据;
将近海岸水位特征数据进行仿真模拟运行,生成近海岸仿真数据;
通过高精度监控设备对近海岸仿真数据进行海浪含沙量数据采集处理,生成海浪含沙量;
利用预设的含沙量阈值对海浪含沙量进行阈值比对处理,当海浪含沙量大于含沙量阈值时,则对近海岸仿真数据进行水位数据收集处理,生成近海岸仿真水位数据;
对近海岸仿真水位数据进行水位危险信息分析处理,生成近海岸水位危险信息;
根据近海岸水位危险信息执行近海岸水位消浪事件。
8.一种海堤波浪消浪系统,其特征在于,所述系统包括:
构建模块,用于执行如权利要求1-7中任意一项所述的海堤波浪数学模型的构建方法,以构建并生成深度风险评估数据;以及
消浪执行模块,用于根据深度风险评估数据执行水位消浪事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967404.7A CN116702656B (zh) | 2023-08-03 | 2023-08-03 | 一种海堤波浪数学模型的构建方法及消浪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967404.7A CN116702656B (zh) | 2023-08-03 | 2023-08-03 | 一种海堤波浪数学模型的构建方法及消浪系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702656A CN116702656A (zh) | 2023-09-05 |
CN116702656B true CN116702656B (zh) | 2023-12-15 |
Family
ID=87829641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310967404.7A Active CN116702656B (zh) | 2023-08-03 | 2023-08-03 | 一种海堤波浪数学模型的构建方法及消浪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702656B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729656A (zh) * | 2017-10-19 | 2018-02-23 | 福建四创软件有限公司 | 基于台风过程风场作用下的风暴潮漫堤风险预警方法 |
CN109284909A (zh) * | 2018-09-04 | 2019-01-29 | 浙江省水利河口研究院 | 海堤安全实时评估方法及专用装置 |
CN113468773A (zh) * | 2021-04-27 | 2021-10-01 | 交通运输部天津水运工程科学研究所 | 全球台风浪数值模拟方法及系统 |
CN114818543A (zh) * | 2022-05-20 | 2022-07-29 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊典型重现期特征风浪计算方法 |
CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、系统及应用 |
-
2023
- 2023-08-03 CN CN202310967404.7A patent/CN116702656B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729656A (zh) * | 2017-10-19 | 2018-02-23 | 福建四创软件有限公司 | 基于台风过程风场作用下的风暴潮漫堤风险预警方法 |
CN109284909A (zh) * | 2018-09-04 | 2019-01-29 | 浙江省水利河口研究院 | 海堤安全实时评估方法及专用装置 |
CN113468773A (zh) * | 2021-04-27 | 2021-10-01 | 交通运输部天津水运工程科学研究所 | 全球台风浪数值模拟方法及系统 |
CN114818543A (zh) * | 2022-05-20 | 2022-07-29 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊典型重现期特征风浪计算方法 |
CN115222163A (zh) * | 2022-09-20 | 2022-10-21 | 中国海洋大学 | 港池入口波浪多要素的中长期实时预测方法、系统及应用 |
Non-Patent Citations (2)
Title |
---|
大鹏湾六月海堤重建工程设计波浪要素研究;周济华;何造胜;龚春娟;;水利规划与设计(02);第30-32, 46页 * |
水动力时空变化对近岸风浪演化的影响――以渤海湾西南岸为例;夏波;张庆河;杨华;;海洋通报(05);第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702656A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siek et al. | Nonlinear chaotic model for predicting storm surges | |
KR101668073B1 (ko) | 연안국지 파랑 정보 분석 방법 및 시스템 | |
CN104036123B (zh) | 一种基于再分析数据的海浪有效波高的短期趋势预测方法 | |
KR101934283B1 (ko) | 복수의 카테고리로 구분되는 해안의 특성을 고려한 총수위 예측 방법 및 이를 이용한 서버 | |
CN108320091B (zh) | 一种计算河口海港极端水位的联合概率方法 | |
CN116702656B (zh) | 一种海堤波浪数学模型的构建方法及消浪系统 | |
KR100985040B1 (ko) | 장주기파 실시간 모니터링 방법 | |
CN114863262B (zh) | 一种裂流风险评价方法及预警系统 | |
KR102433912B1 (ko) | 가변수심 음탐기의 다중운용수심 결정장치 및 방법 | |
JP3131683U (ja) | 越波予測装置 | |
Smith et al. | Hawaii hurricane wave and surge modeling and fast forecasting | |
Nagai et al. | Offshore tsunami monitoring network design using GPS buoys and coastal on-site sensors | |
Yan et al. | Managing information uncertainty in wave height modeling for the offshore structural analysis through random set | |
Haixia et al. | Joint probability analysis of storm surge and wave caused by tropical cyclone for the estimation of protection standard: a case study on the eastern coast of the Leizhou Peninsula and Hainan Island of China | |
Castro et al. | Calibration of a Clustering Algorithm to Improve the Nearshore Wave Prediction System | |
Larasari et al. | Preliminary Studies Of Dike Profiles For Jakarta Outer Sea Dike: Physical Model Test Results | |
CN117348112A (zh) | 风暴潮水位预测方法、装置、电子设备和存储介质 | |
Kim et al. | Improvement of Numerical Simulation Using Applied Statistical Properties of Directional Waves by Typhoons | |
Choi et al. | Impact of the initial conditions from an atmospheric model on a wave forecast system | |
Zou et al. | Projection and detection procedures for long-term wave climate change impact on fatigue damage of offshore floating structures | |
Phillips et al. | Combining regional and local scale coastal flood risk assessment and hazard modelling | |
Kim et al. | Reproducibility of Storm-triggered Surge and Wave Prediction Models for Disaster Management | |
Merchant et al. | Hydroacoustic Network Performance Modelling. | |
Zhang et al. | Joint probability analysis of storm surges and waves caused by tropical cyclones for the estimation of protection standard: a case study on the eastern coast of the Leizhou Peninsula and the island of Hainan in China | |
Siek et al. | Optimized dynamic ensembles of multiple chaotic models in predicting storm surges |
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 |