基于长短期记忆网络的半潜平台波浪爬升预报

doi:10.16183/j.cnki.jsjtu.2021.310

上海交通大学学报 ›› 2023, Vol. 57 ›› Issue (2): 161-167.doi: 10.16183/j.cnki.jsjtu.2021.310

所属专题：《上海交通大学学报》2023年“船舶海洋与建筑工程”专题

基于长短期记忆网络的半潜平台波浪爬升预报

李琰¹^,², 肖龙飞¹^,²^,³(), 魏汉迪¹^,²^,³, 寇雨丰¹

1.上海交通大学海洋工程国家重点实验室,上海 200240
2.上海交通大学海洋装备研究院,上海 200240
3.上海交通大学三亚崖州湾深海科技研究院,海南三亚 572024

收稿日期:2021-08-18 修回日期:2021-09-07 接受日期:2021-09-20 出版日期:2023-02-28 发布日期:2023-03-01
通讯作者: 肖龙飞 E-mail:xiaolf@sjtu.edu.cn.
作者简介:李琰(1997-),博士生,主要研究方向为海洋工程水动力学.
基金资助:
国家自然科学基金项目(52031006);国家自然科学基金项目(51879158);国家重点研发计划课题(2018YFC0309704)

Wave Run-Up Prediction of Semi-Submersible Platforms Based on Long Short-Term Memory Network

LI Yan¹^,², XIAO Longfei¹^,²^,³(), WEI Handi¹^,²^,³, KOU Yufeng¹

1. State Key Laboratory of Ocean Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
2. Institute of Marine Equipment, Shanghai Jiao Tong University, Shanghai 200240, China
3. SJTU Yazhou Bay Institute of Deepsea Science and Technology, Shanghai Jiao Tong University, Sanya 572024, Hainan, China

Received:2021-08-18 Revised:2021-09-07 Accepted:2021-09-20 Online:2023-02-28 Published:2023-03-01
Contact: XIAO Longfei E-mail:xiaolf@sjtu.edu.cn.

摘要/Abstract

摘要：

波浪爬升问题与半潜式平台安全密切相关,波浪爬升的实时在线预报有助于保障海上作业安全.基于长短期记忆(LSTM)神经网络模型,以波浪和平台运动时间序列为输入,建立半潜式平台波浪爬升高度的极短期在线预报方法.通过平台模型试验获得训练与测试数据,对LSTM模型性能进行检验.结果显示,在提前预报量为6 s和12 s时,波浪爬升高度的平均预报精度分别为92.90%和84.09%,最大值相对误差不高于19.69%和30.66%;同时,模型在提前预报量低于6 s时能够对较大的波浪爬升极值实现准确且稳定的预报,可为海上平台运营过程中波浪砰击和越浪等风险预警提供有效技术支持.

关键词: 长短期记忆网络, 波浪爬升, 在线预报, 半潜式平台

Abstract:

Wave run-up and air-gap are key issues for the safety of semi-submersible platforms. Real-time wave run-up prediction is helpful to ensure the safety of offshore activities. Based on the long short-term memory (LSTM) network, the extreme short term online prediction method is developed for predicting the wave run-up of semi-submersible platforms using wave and motion sequences. With the help of large sets of data from the model test, the LSTM model is trained and tested. The study shows that when the forecast durations are 6 s and 12 s, the average accuracy of the prediction results are 92.90% and 84.09%, and the relative errors of the maximum wave run-up height are lower than or equal to 19.69% and 30.66%, respectively. In addition, the model has a stable and exact prediction of extreme values of wave run-up height when the forecast duration is within 6 s, which confirms its ability to provide valid technical support for the early warning of wave slamming and overtopping during the operation of offshore platforms.

Key words: long short-term memory (LSTM) network, wave run-up, online prediction, semi-submersible platform

中图分类号:

U674.38

李琰, 肖龙飞, 魏汉迪, 寇雨丰. 基于长短期记忆网络的半潜平台波浪爬升预报[J]. 上海交通大学学报, 2023, 57(2): 161-167.

LI Yan, XIAO Longfei, WEI Handi, KOU Yufeng. Wave Run-Up Prediction of Semi-Submersible Platforms Based on Long Short-Term Memory Network[J]. Journal of Shanghai Jiao Tong University, 2023, 57(2): 161-167.

图/表 12

图1

图2

表1

图3

图4

表2

表3

图5

图6

表4

表5

图7

参考文献 11

[1]	单铁兵. 波浪爬升的机理性探索和半潜式平台气隙响应的关键特性研究[D]. 上海: 上海交通大学, 2013.
	SHAN Tiebing. Research on the mechanism of wave run-up and the key characteristics of air-gap response of semi-submersible[D]. Shanghai: Shanghai Jiao Tong University, 2013.
[2]	顾兴健, 赵璐, 金明, 等. 基于LSTM神经网络的我国典型试航海域环境短期预报方法研究[J]. 中国造船, 2017, 58(4): 100-107.
	GU Xingjian, ZHAO Lu, JIN Ming, et al. Research on short-term prediction of typical trial sea environment in China based on LSTM neural network[J]. Shipbuilding of China, 2017, 58(4): 100-107.
[3]	LEE S C, CHOI J Y, PARK K S, et al. Use of optical video imagery to improve wave run-up prediction accuracy[J]. Journal of Coastal Research, 2018, 85: 1271-1275. doi: 10.2112/SI85-255.1 URL
[4]	POWER H E, GHARABAGHI B, BONAKDARI H, et al. Prediction of wave runup on beaches using Gene-Expression Programming and empirical relationships[J]. Coastal Engineering, 2019, 144: 47-61. doi: 10.1016/j.coastaleng.2018.10.006 URL
[5]	BAKHTYAR R, BAKHTIARY A Y, GHAHERI A. Application of neuro-fuzzy approach in prediction of runup in swash zone[J]. Applied Ocean Research, 2008, 30(1): 17-27. doi: 10.1016/j.apor.2008.02.004 URL
[6]	ABOLFATHI S, YEGANEH-BAKHTIARY A, HAMZE-ZIABARI S M, et al. Wave runup prediction using M5' model tree algorithm[J]. Ocean Engineering, 2016, 112: 76-81. doi: 10.1016/j.oceaneng.2015.12.016 URL
[7]	BONAKDAR L, OUMERACI H, ETEMAD-SHAHIDI A. Run-up on vertical piles due to regular waves: Small-scale model tests and prediction formulae[J]. Coastal Engineering, 2016, 118: 1-11. doi: 10.1016/j.coastaleng.2016.08.008 URL
[8]	MATSUMOTO F T, WATAI R A, SIMOS A N, et al. Wave Run-up and air gap prediction for a large-volume semi-submersible platform[J]. Journal of Offshore Mechanics and Arctic Engineering, 2013, 135(1): 1-9.
[9]	李昊波, 肖龙飞, 魏汉迪, 等. 基于LSTM网络的浮式海洋平台运动在线预报研究[J]. 船舶力学, 2021, 25(5): 576-585.
	LI Haobo, XIAO Longfei, WEI Handi, et al. Research on on-line prediction of floating offshore platform motions based on LSTM network[J]. Journal of Ship Mechanics, 2021, 25(5): 576-585.
[10]	GRAVES A. Supervised sequence labelling with recurrent neural networks[M]. Berlin: Springer, 2012.
[11]	SRIVASTAVA N, HINTON G E, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15: 1929-1958.

序号	神经网络层	数据尺寸
1	输入层	(None, 128, 4)
2	LSTM_1	(256, 1 024)
3	LSTM_2	(256, 512)
4	Dropout	(128, 512)
5	全连接层	(128, 512)
6	输出层	(512, 1)

参数	实型值/m
总长×型宽×型深	110.0×75.0×40.5
浮箱长×宽×高	104.0×17.5×10.0
立柱长×宽	16.0×15.0
下甲板底部型高	36.5
生存吃水	18.0

工况编号	H_s/m	T_p/s	γ	随机种子数
W1	9.8	10.5	5.00	4
W2	11.8	12.2	5.00	4
W3	13.8	14.6	3.44	16
W4	15.8	15.9	3.15	16

提前预报量/s	预报精度/%
提前预报量/s	W1	W2	W3		W4		平均值
0	98.97	96.20	95.84	94.57	99.96	95.89	96.91
6	95.27	86.73	91.17	91.26	97.22	95.75	92.90
12	86.42	75.16	84.38	81.96	90.99	85.62	84.09

统计量	提前预报量/s	预报值(相对误差)/%
统计量	提前预报量/s	W1	W2	W3		W4
最大值	试验值	11.51	14.22	15.48	13.23	14.42	14.26
	0	11.76(2.1)	13.14(7.6)	15.04(2.8)	13.73(3.8)	12.89(10.6)	12.14(14.9)
	6	11.52(0.1)	12.70(10.7)	15.66(1.1)	11.81(10.7)	11.58(19.7)	11.94(16.3)
	12	10.43(9.4)	9.86(30.7)	13.72(11.4)	10.50(20.6)	10.37(28.1)	11.85(16.9)
最小值	试验值	-6.30	-6.55	-6.51	-6.81	-6.46	-6.63
	0	-6.44(2.3)	-6.49(1.0)	-6.56(0.8)	-6.69(1.7)	-6.87(6.4)	6.85(3.4)
	6	-6.47(2.6)	-6.72(2.6)	-6.68(2.6)	-6.69(1.8)	-6.70(3.7)	-6.70(1.1)
	12	-6.54(3.7)	-6.47(1.3)	-6.39(1.8)	-6.83(0.4)	-6.61(2.4)	-6.84(3.1)
有义值	试验值	3.11	2.76	2.73	2.47	2.84	2.76
	0	3.16(1.3)	2.82(2.1)	2.73(0.3)	2.48(0.4)	2.84(0.2)	2.70(2.3)
	6	2.92(6.3)	2.52(8.8)	2.57(5.8)	2.52(2.3)	2.98(5.1)	2.72(1.5)
	12	2.80(10.1)	2.42(12.2)	2.47(9.3)	2.30(6.7)	2.75(2.9)	2.44(11.7)

基于长短期记忆网络的半潜平台波浪爬升预报

Wave Run-Up Prediction of Semi-Submersible Platforms Based on Long Short-Term Memory Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 11

相关文章 15

编辑推荐

Metrics

本文评价

[1]	卫慧, 陈鹏, 张芮菡, 程正顺. 基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法[J]. 上海交通大学学报, 2023, 57(S1): 37-45.
[2]	刘小燕, 冯加果, 李达. 深水半潜式生产及凝析油储存平台风险分析及实践[J]. 海洋工程装备与技术, 2023, 10(2): 43-50.
[3]	刘小燕, 冯加果, 李达. 深水半潜式生产平台立柱储油结构设计及应用[J]. 海洋工程装备与技术, 2023, 10(2): 8-13.
[4]	高畅. 深水半潜平台结构应急响应研究与应用[J]. 海洋工程装备与技术, 2023, 10(2): 95-100.
[5]	. 行人轨迹预测的动作感知编码器–解码器网络[J]. J Shanghai Jiaotong Univ Sci, 2023, 28(1): 20-27.
[6]	姜淏予, 王沛伦, 葛泉波, 徐今强, 罗朋, 姚刚. 漂浮式光伏网格对海上天气突变的感知方法[J]. 上海交通大学学报, 2022, 56(12): 1584-1597.
[7]	王娟, 杨明旺, 郑茂尧, 刘凌云, 赵立君. 高强钢在大型半潜式平台组块建造中的应用[J]. 海洋工程装备与技术, 2022, 9(1): 27-31.
[8]	王娟, 郑茂尧, 张子良, 宋广兴, 张磊. 大型半潜式平台组块建造精度控制工艺[J]. 海洋工程装备与技术, 2022, 9(1): 21-26.
[9]	武光利, 郭振洲, 李雷霆, 王成祥. 融合FCN和LSTM的视频异常事件检测[J]. 上海交通大学学报, 2021, 55(5): 607-614.
[10]	钟光耀, 邰能灵, 黄文焘, 李然, 傅晓飞, 纪坤华. 基于多维聚类的配变负荷注意力短期预测方法[J]. 上海交通大学学报, 2021, 55(12): 1532-1543.
[11]	姜宇迪, 胡晖, 殷跃红. 基于无监督迁移学习的电梯制动器剩余寿命预测[J]. 上海交通大学学报, 2021, 55(11): 1408-1416.
[12]	陈敏, 陈科, 尤云祥, 李飞. 南海八号深水半潜式平台内孤立波载荷预报[J]. 上海交通大学学报, 2019, 53(1): 42-48.
[13]	逯广东, 闫铁, 单丹丹. 半潜式平台静稳性分析的辐射积分方法研究[J]. 海洋工程装备与技术, 2018, 5(增刊): 26-29.
[14]	罗幼安, 王飞, 位巍. 二阶运动响应对半潜平台气隙的影响研究[J]. 海洋工程装备与技术, 2018, 5(增刊): 15-18.
[15]	刘建成, 郭英豪, 肖龙飞, 滕晓青, 王金光, 徐立新, 陆海东. 半潜式钻井平台波浪砰击载荷试验研究[J]. 海洋工程装备与技术, 2018, 5(增刊): 234-237.