利用神经网络预测半潜式平台运动响应
2026-07-23
9
半潜式平台作为一种重要的海上结构物，为海洋资源开发的作业人员和各类开采设备提供着平稳的生存与工作空间。由于半潜式平台常年处于恶劣的海洋环境，准确且快速地预测其在海浪作用下的运动响应（如垂荡、横摇、纵摇），对海上人员安全、优化结构设计以及提升运维效率具有重要的现实意义。
传统的预测方法依赖于三维势流理论的频域或时域数值分析，或是借助计算流体力学（CFD）仿真和物理水池模型试验。然而，基于线性假设的传统数理方法在面对强烈的非线性水动力问题时存在局限，CFD和物理模型试验通常需要消耗大量的时间与计算资源，难以满足在线实时监控和早期设计快速评估的诉求。针对这些技术挑战，论文提出基于数据驱动的解决方案，通过构建全连接神经网络与长短期记忆（LSTM）网络，直接建立起海浪波动与平台动态响应之间的映射关系 。
海浪对海上平台的作用不是孤立的。平台当前时刻的姿态，不仅受即时波高的影响，还与过去一段时间内连续的海浪冲击密切相关，这种特性在工程上通常被称为“记忆效应”。传统的浅层神经网络很难有效处理强关联的时间序列数据。为此，研究团队在设计模型时，将长短期记忆网络（LSTM）与全连接神经网络结合。LSTM能够通过特有的遗忘门、输入门和输出门等内部机制，平稳地捕捉并选择性记录时间时序中的长短期特征，从而有效处理长延迟的复杂波浪信号。
如图1所示，人工神经网络通过输入层、隐藏层（图示为两层）以及输出层之间的网络节点相互连接，隐藏层节点间挂载有特定的权重（Weights）和偏置（Biases），通过连续的非线性映射模拟高度复杂的工业系统。
图3展现的定制架构中，输入特征为指定时间步（Time Step m）内的一段连续入射海浪波高时序。数据流首先通过一层或多层包含若干节点的LSTM层来识别不同历史时刻波高的贡献，随后连接多层全连接层（Dense layers），最终在顶端输出当前时刻的单一平台运动响应值ξt。
优化模型时，团队对网络的超参数进行了敏感性分析。盲目增加神经网络层数对提高运动预测精度的影响相对有限，适当增加隐藏层的节点数量通常能带来更好的拟合结果。综合考虑计算时间成本，团队为后续实验选择了一层包含128个节点的LSTM层加一层全连接层的基本结构。
此外，“时间步m”（即 AI 预测时需要向后看多少个历史数据点）也对精度有显着影响。数据采样频率规范化为1.25 Hz的条件下，团队对比了从10到400等不同长短的时间步：时间步过短会导致低频信息缺失，时间步太长会使单轮训练时间成倍增长。兼顾精度与训练经济性，最终将时间步参数确定为100。
为了验证AI模型的实际预测能力，研究团队采集了在上海交通大学海洋工程国家重点实验室完成的某型半潜式钻井平台的水池模型试验数据。该平台原型设计用于我国南海1500米水深海域作业，下半部分由2个下体浮筒、4根垂直立柱以及4根水平撑杆组成，通过12根锚链进行定位保持。
选取恶劣的生存海况（设计有效波高达到10.3米，波浪入射角为135°）作为检验场景。将全长约3小时的试验时序数据切分，前70%的数据样本用于训练AI模型，后30%作为验证集用来模拟AI从未看过的盲测场景。为了进行客观全面的对比，团队引入了两种传统的响应幅值算子（RAO）方法作为基准：一种是利用业内通用的HydroD软件基于三维线性绕射理论计算出的“理论RAO”；另一种是对试验训练集进行谱分析直接逆向提取出的“试验RAO” 。通过对盲测验证集进行时间长达 500 秒的持续追踪模拟，论文给出了以下直观的时域曲线对比 ：
在预测平台的垂向上下起伏（Heave）时，三种方法与黑色的实际测量曲线均表现出了一定的跟随时序趋势，其中试验RAO方法与神经网络模型的预测曲线具有更紧密的贴合质量 。
面对受复杂受力干扰的横摇（Roll）和纵摇（Pitch）预测时，基于理论计算方法的预测（红线）在波峰波谷上出现了大幅度的偏差；最底部的神经网络预测曲线（LSTM + DNN based）表现出良好的稳定性，波形走势与实测黑线高度重合 。
通过均方根误差（RMSE）和皮尔逊相关系数（Pearson R）的量化评估（Table 11和Table 12），传统理论方法的横摇预测误差为4.095°，相关系数仅为0.319；神经网络模型的横摇预测误差平稳降低到了0.855°，相关系数显着提升至0.824。垂荡和纵摇指标上，神经网络模型同样取得了最小的整体预测误差 。
为什么基于经典力学公式的传统势流理论计算在恶劣海况下会出现明显的预测差距？研究团队通过对运动响应的功率谱密度（PSD）进行深度演变分析，找到了底层的科学成因 。
图9展示了三种模型在频域内的能量分布。平台的垂荡运动（图9a）能量基本集中在高频的波浪频率区间（0.25-0.75 rad/s）。在横摇和纵摇（图9b和图9c）中，除了高频波浪外，真实的平台在靠近0附近的低频区域还存在显着的低频慢漂晃动和静态倾斜特征（由黑虚线标出）。传统的理论计算方法基于线性势流假设，完全无法捕捉到复杂的非线性低频运动和静态偏移，其计算出的能量曲线在低频端几乎为零（图9中红线所示）。而神经网络模型通过历史试验数据中自我学习，不仅涵盖了高频段，还准确复现低频的非线性响应，这也是它能够保持高预测精度的原因。
学者介绍：邓燕飞，哈尔滨工业大学（深圳）智能学部智能海洋工程研究院副研究员、博士生导师。主要从事海洋工程水动力学、海上风电基础动力特性、极端波浪强非线性作用及海洋工程装备设计与智能化等方面研究。
ORCID：0000-0001-6882-7870
DOI：10.1007/s00773-020-00759-w
