基于神經網絡算法的經濟型導管架結構冰振響應預測研究

于嵩松，曾二賢，劉文勛，胡 超，張大勇

1.中國電力工程顧問集團中南電力設計院有限公司電網工程公司，湖北武漢 430071

2.大連理工大學工業裝備結構分析國家重點實驗室，遼寧大連 116023

交變冰力作用下的海洋工程結構冰激振動可能引發多種結構風險，海冰管理是抵御海冰風險的有效手段。國際上一般采用海冰觀測、預測與結構風險評價等方式指導破冰作業，以期減小海上生產作業中的海冰威脅?？紤]到我國海洋冰情環境的復雜性與經濟型導管架結構冰激振動風險的特殊性[1-2]，準確、快速的冰振風險預測已成為提升海冰管理效率的關鍵。

海冰在窄結構前的破碎具有明顯的冰速效應、尺寸效應與離散性?，F階段，局部海域的冰振風險預測研究大多采用理論分析手段[3-6]。數值模型中的初始條件、邊界條件、模型參數等輸入變量，網格劃分與算力限制，以及冰力模型的簡化與假設都將導致理論模型在實際應用中的不確定性。一些學者提出了統計預測方法[7-9]，然而影響海冰未來趨勢的變量較多，各變量之間存在復雜的非線性相關關系，很難建立一個定義良好的多變量統計模型。且由于海冰生消的復雜性，無論數值模型還是經驗模型都很難同時滿足局部海域短期冰情的預測精度與實效性需求。

智能計算作為非線性的動態系統，通過對樣本的學習建立映射關系，在避免數值分析中的荷載簡化與假設的同時，有效提升了計算效率，因此被廣泛應用于控制、預警等對模型精度與時效性要求較高的領域[10-12]。本文將智能計算理論中的人工神經網絡算法應用于區域海冰與經濟型導管架結構冰振風險預報，基于現場實測數據，通過建立冰況與環境信息之間的非線性關系，提出了一種結合氣象預報、現場監測和反饋型神經網絡的經濟型導管架結構冰振風險短期預測模型。該模型可提供約24 h 內的結構冰振響應預報，其目的在于精準預測由嚴峻冰情引起的經濟型導管架結構冰振風險，以便及時開展破冰作業。

1 基于神經網絡算法的冰振風險預測方法

人工神經網絡究其本質是一個由大量彼此連接的節點組成的數學模型。神經網絡的獨特結構使其具有儲存知識和將習得知識進行表達的能力。隨著神經網絡算法研究的不斷深入，目前神經網絡存在的模型已多達幾十種。以機器學習模型的層次與結構劃分，可分為淺層學習模型與深度學習模型。淺層學習的特點在于依靠理論分析與工程經驗實現樣本特征的抽?。搭A測模式與數據樣本的建立），神經網絡模型更多負責數據的分類或預測，模型性能更多取決于對預測過程的充分理解[13]。深度學習的實質是通過構建具有很多隱層的機器學習模型和海量的訓練數據，以實現數據特征的自學習，從而最終提升分類或預測的準確性。深度學習模型具有更多的隱層節點，對學習的樣本復雜度要求更高。目前深度學習的理論研究還基本處于初步階段，數據樣本與計算資源的投入還不明確[13]?？紤]到冰振預測理論的研究進展以及冰振預警計算資源的限制，本文將淺層神經網絡模型應用于經濟型導管架結構的冰振預測?，F階段，機器學習算法的發展已相對成熟，為實現智能計算在冰振預警中的應用，其關鍵在于建立冰振風險預警模式，形成可供學習的數據樣本。

1.1 海冰風險預警模式

為實現冰振風險的有效預測，針對性提出了短期海冰風險預警模型。該預測模式結合了現場監測、天氣預報和人工神經網絡方法[14]。如圖1 所示，以氣象預報和冰厚、冰速、來冰方向等現場冰期監測數據作為模型的輸入，提取實測經濟型導管架結構冰振響應同步測量數據作為預測模型的輸出，建立冰振風險預測模型。在工程應用中，可依據現場實時采集數據，結合振動風險預警標準，基于模型預測值實現結構冰振風險預警。采集的結構冰振數據可進一步用于預測模型的修正。

圖1 經濟型導管架結構海冰風險預警模式

需要說明的是，在本文的模型訓練中，將采用現場監測的樣本數據代替歷史天氣預報數據進行人工神經網絡學習，以避免由天氣預報誤差所引起的冰振風險預測的不確定性。

1.2 冰情、水文、氣象信息的同步采集

冰情信息是海冰預測所需要的重要參數，由于岸冰影響，局部海域冰情條件隨環境變化可能出現明顯差異。因此，開展基于現場監測的冰情、環境要素的同步、連續測量是必要的?，F場冰情參數的連續測量一直是國內外海冰研究領域的難點，本文采用畢祥軍[15]與季順迎[16]等開發的面向渤海冰情條件的圖像測量技術，依托高精度攝像頭可實現微小尺寸的精確測量，能夠較好地實現海冰要素與海冰破碎信息的精確獲取。如圖2 所示，將固定焦距的相機與已知大小的物體進行標定，得到被測物體長度S與圖像上像素長度s的比值n為：

圖2 海冰參數的圖像測量方法

測得的冰厚h和冰速v的表達式為：

式中：L為破冰長度，cm；h'為冰層圖像像素厚度，cm；l為破冰長度的圖像像素長度；t為冰層通過破冰長度的時間，s。

設定圖像X軸方向為0°，標定點在開始和結束圖像中的坐標分別為(x1,y1)、(x2,y2)，則可得海冰漂移方向為：

雖然被測物體與透鏡之間的距離可能與校準距離不完全相同，但這一距離遠遠大于破冰長度和潮差。因此，其對測量結果的影響可以忽略不計。

在此基礎上，為實現海冰預警信息的完整采集，建立了一套現場多信息監測系統，保證了數據采集的完備性、準確性和可靠性。典型的單平臺多信息同步采集系統如圖3所示。氣象站在上層甲板記錄氣溫、風速和風向；在底層甲板邊緣上安裝視頻傳感器，采集平臺海域的冰厚、速度和方向信息。所有傳感器收集的數據被存儲在一個中心服務器中，開發的同步測量技術保證了數據的準確性和可靠性。各要素的采集頻率與精度如表1所示。

表1 海冰風險監測要素

圖3 海冰風險要素的多信息現場監測系統

1.3 人工神經網絡

海冰生消是一個十分復雜的非線性系統，冰期內冰情的變化表現出隨時間變化的相關性，又存在氣象、水文條件劇烈變化下的波動性。Elman神經網絡作為反饋型神經網絡，在結構上增加了用于構成局部反饋的連接層。連接層的延遲單元可以記憶過去的狀態，并在下一刻與網絡輸入一起作為隱含層的輸入，使網絡具有動態記憶。當網絡從初始狀態開始移動時，網絡系統總是可以達到穩定的平衡狀態，因此非常適合時間序列預測問題?？紤]區域冰情變化特點，本文選取Elman神經網絡方法，開展經濟型導管架結構冰振風險預測方法研究。

Elman 神經網絡主要由輸入層、隱含層、承接層與輸出層四個部分組成，如圖4 所示。輸入層、隱含層和輸出層之間存在常規連接，隱含層和輸入層之間也存在循環連接[13,17]。承接層的神經元通過接收隱含層神經元的反饋信號來記住隱含層神經元之前的輸出。然后將承接層神經元的輸出經過延遲和存儲后輸入到隱含層。這種方式使得Elman網絡對歷史數據變得敏感，增強了其對動態信息的處理能力[18]。

圖4 Elman神經網絡框架

在構建Elman 神經網絡模型中，設定網絡的外部序列為u(t)，反饋層輸出為yc(t)，網絡的輸出為y(t)，則網絡描述為：

式中：f1(·)和f2(·)分別是隱含層和輸出層的傳遞函數；W、H和A分別為輸入層至隱含層、反饋層至隱含層及隱含層至輸出層的連接權矩陣。

1.4 模型的訓練與驗證

神經網絡模型的訓練應確定以下要素：網絡結構、數據集預處理、訓練算法和停止準則。通過試錯法確定連接層數、隱含層數和神經元數。為了提高神經網絡的訓練效率，在數據的預處理中使用Mapminmax 函數將樣本數據歸一化到[ymin,ymax]范圍內。

利用Newelm 函數訓練Elman 網絡模型，功能代碼可輸入如下：

完成訓練過程后，利用試驗樣本對海冰預報模型的性能進行分析。測試樣本的輸入來自天氣預報、潮流表和現場監測系統的歷史數據，Elman網絡模型將給出輸出。根據訓練結果，模型平均預測誤差E的計算公式如下：

式中：n為測試樣本的數量，a和b分別表示實際輸出和模型的預測輸出。

2 經濟型導管架結構冰振響應預測

2.1 模型的輸入與輸出

多年監測研究發現，冰激振動所引發的導管架平臺管節點疲勞失效、上部設施失效以及作業人員健康損傷等相關問題風險性遠大于承受極端荷載下結構的整體安全問題[2]，平臺振動加速度響應信息是經濟型導管架結構失效分析的重要判據。選取結構振動加速度作為冰振響應預測模型的輸出參數。模型輸入方面，由于冰速和冰厚的分布是不相關的隨機過程，即某一特定冰厚下，各種冰速都可能出現，因此冰況可按冰速和冰厚的組合來描述。本文將通過對比冰振統計預測模型的預測結果，驗證基于人工神經網絡算法的冰振響應預測模型的性能。

2.2 數據樣本

對渤海某抗冰平臺開展多年冰振原型測量[19].選取2013—2014 年、2017—2018 年、2018—2019年的數據建立預測模型，上述數據均由平臺上的現場監測系統獲得。其中冰情數據取每小時采集3次結果的平均值作為該時段特征值；同時為避免靠船、吊機等生產活動引起的平臺較大極值振幅影響，取同一水平標高下的平臺振動加速度峰值的98%統計值對采集的加速度時程數據進行清洗[20]。獲得的三年內各冰期樣本數據的平均與最大冰厚變化并繪制于圖5。其中2014年冬季冰情在近十年間相對較重，實測最大冰層厚度可達30 cm；2019 年冬季海冰相對溫和，冬季海冰的持續時間僅有12 d。樣本數據的冰速頻次分布如圖6（a）所示，最大冰速可達90 cm/s；根據圖6（b），得到了作業區海冰的主流方向，從而確定了圖像監測攝像機的監測方向。

圖5 JZ20-2海域每日極值冰厚與平均冰厚的時間變化

圖6 JZ20-2海域冬季冰情海冰數據統計

2.3 基于海冰參數的Elman神經網絡冰振預測

以2014、2018、2019年現場實時監測的共476組數據作為樣本，對24 h 經濟型導管架結構冰振加速度響應預報模型進行訓練。訓練數據的樣本數量同樣設置為3年冬季實測數據中可提取的樣本數量的最大值。設置與冰厚、冰速對應的2個輸入層神經元，單層6個隱含層神經元和一個輸出層神經元。承接層神經元結構與隱含層相同。設定網絡最大訓練次數2 000次，訓練誤差目標0.01。

對網絡進行訓練后，同樣使用30 組歷史數據檢驗模型的預測性能。根據訓練結果，得到Elman神經網絡由冰流速和冰厚數據預測結構振動加速度模型中的測試樣本實際值、預測值對比如圖7所示，算得預測模型平均預測誤差為14.77%。結果表明，Elman 網絡模型的預測精度能夠滿足工程實際的需要。

圖7 基于Elman神經網絡的24 h冰振響應預測

在經濟型導管架結構冰振響應預測的數值方法中，動冰荷載模型被應用于不同冰況下的結構動力計算。王延林等[9]通過數值分析結果，采用統計學方法擬合多組冰況下的結構冰振響應數據，依托區域海冰預報參數，實現渤海導管架平臺振動響應的快速預測?；跀抵捣抡娣椒?，通過統計分析獲得的平臺作業海域冰厚、冰速與典型導管架結構冰振加速度關系如圖8所示。

圖8 渤海某抗冰平臺冰振響應與海冰參數的統計關系[9]

選取30 組平臺現場監測冰厚、冰流速和結構振動加速度數據進行誤差分析。依據圖8中提供的冰厚、冰速與平臺冰振加速度的線性統計關系，得到結構振動加速度真實值和預測值如表2 所示，預測值的平均預測誤差為29.49%。

表2 基于數據統計的振動加速度預測結果

相比于Elman 神經網絡預測模型14.77%平均預測誤差，統計預測模型雖然同樣保證了預測的時效性，但預測精度并不理想，一方面是由于統計預測方法未考慮來冰方向對結構振動造成的影響，另一方面在于在役結構的抗力衰減導致結構振動響應幅值的增大。相比統計模型，人工神經網絡模型避免了數值分析中海冰荷載與結構模型簡化引起的不確定性，因此相比之下其預測精度明顯提升。

2.4 基于冰情環境條件的Elman 神經網絡冰振預測

考慮到海冰參數預測誤差對經濟型導管架結構冰振預測精度可能造成的影響，采用氣象、水文與初始冰場等冰情環境，直接構建結構冰振響應預測模型，理論上顯然更為有利。但與此同時，基于冰情環境的冰振預測盡管減少了預測的中間環節，其輸入-輸出關系卻相對復雜，這對人工神經網絡的學習能力提出了更高要求。為說明兩種預測模式在經濟型導管架結構短期冰振風險預測中的應用效果，本節將同樣采用上述抗冰平臺冬季實測數據，比較兩種預測模式的預測性能。

以初始風向、風速、水流向、水流速、溫度與初始冰厚6個變量的現場監測數據作為神經網絡模型的輸入，以結構振動加速度響應作為輸出變量。設置輸入層神經元6 個，單層16 個隱含層神經元和一個輸出層神經元。提取439 組數據作為訓練數據，訓練數據樣本數量同樣為2013—2014 年、2017—2018 年、2018—2019 年冬季實測數據中可提取的樣本數量的最大值。網絡最大訓練次數和訓練誤差與目標冰情預測模型設置相同。根據訓練結果，得到Elman 神經網絡由冰情環境信息直接預測經濟型導管架結構振動加速度模型中的測試樣本實際值、預測值對比如圖9所示。預測模型平均預測誤差為14.57%。部分輸出的真實值、預測值及誤差值情況如表3所示。

表3 基于Elman神經網絡的振動加速度預測結果

圖9 基于冰情環境條件的Elman神經網絡經濟型導管架結構振動加速度預測

可以看出，基于冰情環境的平臺冰振響應直接預測誤差與基于海冰厚度、速度的間接預測模式差別很小。這說明在冰振預測領域，人工神經網絡算法的學習能力優異。算例中選取的學習樣本與構建的神經網絡模型能夠較好地滿足經濟型導管架結構冰振預測需求，預測模式中輸入-輸出關系的改變對預測性能的影響不明顯。同時，直接預測模式有效避免了冰厚、冰速預測中必然存在的誤差。因此，此預測模式具備更高的預測精度。

3 結論

本文提出了一種結合現場監測、環境預報和Elman 神經網絡方法的短期區域冰振風險預測方法，為海上經濟型導管架結構提供了冰振加速度響應預測能力?；诤１c漂移影響要素分析，提出經濟型導管架結構海冰風險預警模式；選取反饋型Elman 神經網絡算法用于經濟型導管架結構冰振風險預測，明確模型訓練流程，并以渤海簡易抗冰平臺為例開展實例分析。通過提取2013—2014 年、2017—2018 年和2018—2019 年冬季的現場監測數據建立預測模型，評估了該方法對經濟型導管架結構冰振響應的預測精度。

結果表明，相比統計模型，Elman 神經網絡模型考慮了來冰方向差異對經濟型導管架結構振動響應造成的影響，避免了數值分析中海冰荷載與結構模型簡化的不確定性，基于海冰參數的冰振響應平均預測誤差小于15%，滿足工程應用需求；基于冰情環境的平臺冰振響應直接預測模式相比海冰參數的間接預測模式，有效避免了冰厚、冰速等冰荷載要素預測中的誤差，簡化了預測步驟，且計算速度可觀，保證了預測的快速性、實時性，更適于實際工程應用。但與此同時，人工神經網絡預測精度受到輸入數據精度的影響，對現場監測系統與數據的完備性要求較高?？紤]到預測過程中可能出現一些異常值，有必要進一步引入新方法、新技術，從而提高預測的穩定性。