寒区海洋经济型抗冰结构预警报管理系统

于嵩松，张大勇，王 刚，吕奇鑫，王延林，岳前进，李 刚

(1. 大连理工大学 运载工程与力学学部，辽宁 大连116024；2. 大连理工大学 海洋科学与技术学院，辽宁 盘锦124221)

0 引 言

寒区海洋资源开发面临海冰威胁。我国渤海、黄海等北部海域受寒潮影响，每年冬季都有不同程度的结冰现象，海冰的生消、漂移可能引发平台结构的振动、倾覆等灾害事件[1-2]。由于冰与结构相互作用的复杂性和冰载荷研究的局限性，现役海洋工程结构在设计阶段主要考虑极限冰力引起的结构破坏，对动冰力作用下的结构安全性研究还不充分。并且出于经济性考虑，我国北部海域的资源开发存在大量简易结构。与传统海洋工程结构相比，该类结构具有刚度低、质量小、水线处直径小等特点，在海冰作用下更易发生剧烈的冰激振动[3]。

寒区海洋工程结构的现场监测是保障海洋资源开发安全的有效手段。目前，国际上成熟的海冰管理大多应用于高纬度极区环境中的宽大结构，主要考虑常年冰、冰山等严重冰情作用下的结构安全问题[4-5]。波弗特海的锥形钻井装置Kulluk于1983年系统搭建面向寒区资源开发的安全保障体系，包括海冰监测和预测系统、结构预警系统和破冰船支持系统[5]。其冰情监测包括：通过破冰船上观察者的视觉观察获取海冰分布、密集度、大小、类型、漂移速度等局部冰情信息；通过卫星、机载雷达等获取浮冰的分布特征和浮冰运动等区域信息，用以发现和跟踪海冰的运动和消融情况；通过冰情预警报系统对不同的威胁进行分级以指导具体的海冰处置措施，这一系统大多被后续寒区海域的资源开发参考借鉴。加拿大东海岸、巴伦支海的海上作业面临冰山漂流对浮式生产船与运输邮船的影响，在这些区域通过卫星、海洋雷达、固定翼飞机、补给船、海上设施观测冰山规模[4]，并开展大量冰山漂移轨迹预测研究[6-8]，以确保生产安全。

我国渤海与北黄海属于季节性结冰海域，其海冰区域分布特征与高纬度冰区存在明显差异，而海域经济型结构与海冰作用相关风险要素也具有特殊性。YUE等[9]和ZHANG等[10]针对我国辽东湾油气平台冬季运行海冰风险于21世纪初建立一套结合海冰要素观测、结构失效风险评价与预警的渤海导管架平台海冰管理模式。WANG等[11]介绍面向冰振失效风险的平台原型监测和预报系统设计，即采用海上固定式结构定点监测方案，监测内容包含结构所受冰载荷、海冰参数、环境参数和结构响应等信息，冰情预测主要采用经验预报模型以保证信息的及时性。上述措施的应用在管理渤海海冰风险的进程中起到了相当积极的作用，但与此同时该模式还存在高成本、低时效性和系统可靠性等问题。结构安全相关的巨大数据量对实测数据的采集、处理、分析和预警决策能力提出挑战。随着寒区海洋资源开发的不断深入，以海上风机、测风塔、升压站为代表的多种新型海洋工程装备逐步拓展至结冰海域。该类装备现有监测系统大多参照原有陆上监测方案，面向风、浪载荷综合作用下的基础结构开展健康监测工作[12-15]，而针对冰致结构风险的现场监测领域研究还鲜有发表[16]。

近年来伴随电子信息技术的发展，海洋工程结构的现场监测技术也进入新的发展阶段。采用智能化思想、结合大数据分析与物联网技术解决特种设备运行中的安全问题已成功实施于现代工业生产的诸多领域[17-20]。本文面向寒区海洋工程冬季安全保障问题，将物联网、智慧化思想应用于抗冰结构安全保障。基于结构冰激失效研究成果，明确抗冰结构预警报模式，开展海冰风险物联网监控系统设计与关键技术研究。本研究将为海冰减灾处置与快速决策提供技术支撑。

1 抗冰结构预警报模式分析

海冰与海洋工程结构相互作用的物理演化过程与海冰的热力学和动力学行为息息相关。热力学过程在海冰的生长消融变化、季节性分布特征和海域分布情况方面起着主要作用；动力学过程则表现为海冰的漂移、形变、断裂、重叠和堆积等动力行为。海洋工程结构海冰风险由海冰载荷作用于各类型海洋工程结构时引起的冰激结构响应与失效体现。目前抗冰导管架平台的设计考虑极端静冰力对结构的作用，保证结构具有足够的强度和安全储备。但是对于柔性抗冰平台，其动力效应不可忽略。张大勇等[21]基于渤海抗冰油气平台现场监测数据，提出柔性抗冰结构主要失效模式与判别标准，如表1所示。

进一步研究发现，海冰载荷的形成机制属于破坏力学范畴，结构所受冰载荷除受平台结构形式影响外，主要与海冰厚度、速度和漂流方向相关，而气象环境信息中的温度信息可在一定程度上反映海冰的热力状态，风与潮流作用则决定了海冰的动力行为[22-23]。基于实测数据建立作业海域气象条件、水文条件、初始冰情与冰载荷要素的非线性关系模型，通过天气预报和海域潮流表信息获取环境短时预报信息，结合现阶段冰情要素监测，即可实现海冰载荷要素与海冰风险信息的快速、短时预测，同时通过实测结构响应数据实时评估修正预警信息。建立的海冰风险预测模式如图1所示。

表1 海域抗冰结构主要失效模式与判别指标

图1 海冰风险预警报模式

基于结构失效判据与预警报要素分析，明确海冰预警报监测信息包括作业海域气象水文信息、冰情信息和结构姿态信息，监测内容汇总如表2所示。

表2 海冰预警报监测信息

2 物联网监控系统设计

2.1 系统整体设计

寒区海洋工程结构物联网监控系统由信息采集平台、信息基础平台和信息服务平台组成。信息采集平台包括气象水文、冰情要素和结构姿态信息的自动采集、存储，各模块独立配备自适应数据采集器与数据处理软件。通过局域网络，实测数据被传输至信息基础平台。信息基础平台由搭建于中央服务器的动态数据库和冰情历史数据库组成。实测数据通过动态数据库发往信息服务平台，基于内嵌于海冰管理软件系统中的冰情预测模块开发，实现短期冰情预测。同时，动态数据库中的数据将备份于历史数据库中，通过海冰管理软件系统对历史数据的调取，实现现场数据的统计、回查，并可开展大量数据的数据挖掘研究。最终通过网络连接至陆上终端，实现预警报信息分布与冰情数据服务。整套监控系统组成如图2所示。

图2 物联网监控系统

2.2 关键监控技术

现阶段物联网技术已相对成熟，然而针对海洋抗冰结构监测要素的现场测量技术的相关研究相对较少，局部海域冰情、水文条件的测量技术还未实现数字化、智能化。同时，结构监测现场环境复杂，面临可用空间有限、低温、潮湿、断电及极端工况下的数据丢失问题，阻碍监测信息的长期、独立采集。为保证采集信息的完备性、可靠性和实时性，集成研发包括集成化海冰参数测量系统、水温剖面测量系统、网络化独立冰振监测系统和自容式结构姿态测量系统等关键监测技术产品，实现多参数同步、实时、精准测量。

2.2.1 集成化海冰参数监测系统

我国北方结冰海域为季节性结冰海域，一般于本年度12月份开始结冰，冰期2～3个月，结冰海域平整冰厚度一般小于30 cm，最大单个流冰块面积为60～70 km2。面向冰情要素监测需求，开发冰情要素图像测量方法。采用高精度摄像头可实现微小尺寸的精确测量，能够较好地实现海冰要素与海冰破碎信息的精确获取。冰与结构作用发生破碎后，破碎的冰块会翻转然后掉落到水中，翻转时露出的断面可被摄像机捕获，如图3所示。通过已知标定物体实际长度S与定焦摄像头采集到的图像上的像素长度s，得到比例n，则实测海冰厚度H与其图像上的像素长度h的关系为

(1)

进而得到H的表达式为

H=n·h

(2)

冰速v的测量可通过标记图像上特征点距离结构的长度l与特征点到达结构的时间间隔t获得，其公式为

(3)

在实际测量中，实测物体与镜头之间的距离会随着潮位的变化有所浮动，由于摄像头距离冰面的距离远大于水位高差，因此潮位的变化对测量精度的影响较小，基本可以忽略。

图3 海冰要素图像测量方法

为保证冰情要素的实时、同步采集，开发冰情要素测量软件，其管理界面如图4所示。利用图像摄影矫正、图像识别与匹配等方法对现场采集的视频进行信息提取，可实现半自动化的冰厚、冰速计算处理，并具有对多组测量结果进行同步存储等功能。

图4 冰情要素采集软件

2.2.2 海域温深剖面监测系统

海水水温剖面的变化可反映海域海冰的生消规律[24]，同时冬季水位高程变化范围是冰与结构作用位置的重要参照数据。现阶段还鲜有面向局部海域温深变化数据采集的成熟产品，因此开发温深剖面传感器将多组温深传感器集成温度链(见图5)，水下工作有效长度为18 m，各传感器的位置相对固定，通过防水电缆与锚链集成链状。在实际测量中，水温低于0 ℃，传感器测量精度可达±0.1 ℃，可满足海水温度剖面与水位高程监测需求。为实现冬季水深与水温剖面变化的自动采集，开发的集成采集系统如图6所示。

图5 温深剖面传感器

图6 温深剖面自动采集系统

2.2.3 结构姿态监测系统

极端工况下的结构姿态信息在对结构安全具有较高价值的同时，对采集设备的可靠性提出了更高的要求。集成开发的自容式结构姿态传感器如图7所示，其可实现3个方向结构冰振加速度与倾角信息的独立采集，避免平台关断等极端工况下的数据丢失。系统自带供电模块、存储模块和微处理器，无需供电及电脑等设备的支持，独立进行监测数据的采集、存储、休眠、触发控制等功能，在不更换电池的情况下可进行长达3个月的独立数据采集，较好地满足平台冰激振动监测的长期稳定性需求。为节约设备占用空间，提高系统自动化程度，开发网络化独立冰振监测系统。该系统以集成化和模块化为设计理念，将观测平台冰激振动所需的各类传感器、协议、通信、电源等高度集成到1个11.5 cm×7.5 cm×4.5 cm的金属盒(见图8)中，各个模块高度集成、相互协作，解决传统监测系统空间占用率高的问题，并降低计算机所带来的系统风险。

图7 自容式结构姿态传感器

图8 网络化独立冰振监测系统终端

2.2.4 基于神经网络方法的冰情预测模型

海冰生消是一个十分复杂的非线性过程，冰期内冰情的变化表现出随时间变化的相关性，又存在剧烈天气变化下的较大波动性。现阶段，国际海冰管理中的局部短期预测大多面向海冰漂流轨迹的理论推演，预测方法一般采用动力模型、运动模型或统计模型[25-27]。然而数值方法并不能较好地满足预测的同步、实时、完备、精确等实际应用需求。神经网络模型作为非线性的动态系统，通过对样本的学习建立记忆，将未知模式判决为其最接近的记忆，两者的相似性决定了非线性统计方法应用于冰情预测领域的可能。

选取的反馈型Elman神经网络主要由输入层、隐含层、承接层和输出层等4个部分组成，如图9所示。在输入层中，神经元对信号起传输作用；在输出层中，神经元起线性加权作用；隐含层中的传递函数采用线性或非线性函数；承接层的神经元对于时序数据具有良好的处理能力，因其记忆性可利用前后数据间的联系。

图9 Elman神经网络

在构建Elman神经网络模型中，设定网络的外部序列为u(t)，反馈层输出为yc(t)，网络输出为y(t)，隐含层为h(t)，则Elman神经网络的迭代公式为

y(t)=f2(Ah(t)+φ)

(4)

h(t)=f1(Wu(t-1)+Hyc(t)+θ)

(5)

yc(t)=αyc(t-1)1+h(t-1)

(6)

式中：f1(·)和f2(·)分别为隐含层和输出层的传递函数；W、H和A分别为输入层至隐含层、反馈层至隐含层和隐含层至输出层的连接权矩阵；φ和θ分别为隐含层和输出层神经元的阈值矩阵；α为连接反馈增益因子，其取值范围为[0，1]。

3 渤海抗冰平台物联网监控系统

受渤海边际油田特点影响，所建造的油气平台大多为结冰海域的经济型平台，与海冰作用可能导致剧烈冰振现象。针对辽东湾某海域多座平台冬季海冰威胁，于2015年—2019年持续开展寒区抗冰结构物联网监控系统的冬季示范应用。

3.1 监控系统搭建

针对单个平台，搭建多信息同步采集系统，如图10所示。在冰载荷作用下渤海抗冰导管架结构的冰激振动能量集中在结构基频，一阶振型以水平方向振动为主，平台上部设施存在显著动力放大现象。为此，结构姿态监测系统被布置于平台顶层甲板：通过网络化独立冰振监测系统开展顶层甲板振动信息测量；通过自容式结构姿态传感器备份结构加速度和倾角信息，确保结构响应信息的可靠采集。通过集成化海冰参数监测系统对海域冰厚、冰速、冰密集度等冰情要素进行分析记录。通过温深剖面测量系统和气象观测站对海域气象、水文信息开展同步测量。

图10 单平台多信息同步采集系统

渤海油气平台数量众多，针对平台分布特点，开发一套多平台信息网络系统，如图11所示。单平台测量信息通过平台上建立的局域网络实现同步监测与数据存储功能，并通过卫星网络实现陆基交流。

图11 多平台信息网络系统

搭建以海冰预警报信息服务为目的的冰情信息管理系统。建立的MySQL数据库系统涵盖海域冰情、环境和结构姿态信息，可实现历史数据的统计与回查；建立的冰情信息管理系统基于神经网络冰情预测模型的嵌入，可实现监测流数据的实时显示、分析和短期预报。其软件操作界面如图12所示。

图12 冰情信息管理系统界面

3.2 实测数据分析

3.2.1 结构姿态监测数据验证

在JZ20-2海域与JZ9-3海域共5座平台上同时安装新旧2套平台冰激振动加速度监测系统。以JZ20-2NW平台为例，传感器布置时选择x轴与商用传感器测试轴方向一致。图13为自容式结构姿态传感器监测数据与传统设备采集数据对比情况。图14为海洋平台冰振监测物联网系统与传统设备所测得平台振动加速度时程对比。2套系统所测得的平台x方向振动加速度在变化趋势与数值上均高度吻合，所测数据可相互验证。

注：1 gal=1 cm/s2图13 传统系统与自容式传感器所测平台振动数据对比

注：1 gal=1 cm/s2图14 冰振监测物联网系统与传统系统所测平台振动数据对比

3.2.2 冰情预测模型验证

在JZ20-2海域的中心平台上安装海域冰情环境监测系统。在整个冬季运行周期内设备状态良好，实现了对平台周围海域海冰要素的连续监测，并获取现场水温剖面的变化情况，同时保证监测系统的独立采集与存储的功能。基于平台现场实测数据，以风向、风速、潮流向、潮流速、温度、初始冰厚参数与冰厚构成映射关系，建立Elman神经网络冰厚预测模型。设置6个输入层神经元、2层隐含层神经元(分别为10个、6个)和1个输出层神经元，承接层神经元的个数与隐含层神经元的个数相同。样本采用mapminmax函数进行归一化处理，设定网络最大训练次数为2 000次，训练误差目标为0.01。选取449组数据作为训练样本。将输入数据和目标输出数据进行归一化处理，并代入newelm函数，利用train函数对网络进行训练。基于实测气象、水文和冰情数据，得到Elman神经网络24 h后预测值与实际冰厚对比结果如图15所示，计算得到预测模型24 h后预测误差为17.30%。

图15 Elman神经网络24 h后冰厚预测值与实际值对比

4 结 论

面向寒区海洋工程冬季安全保障问题，开展结构物联网监测技术研究。基于柔性抗冰结构主要失效模式与判别标准，提出结合现场监测、气象预报及机械学习方法的海冰风险预警模式；建立的海冰风险物联网监控系统可实现多参数实时、高频采集与处理分析。现场应用示范表明，开发的自容式监测技术与网络化独立冰振监测系统所得结构响应数据及变化趋势与原始数值均高度吻合，所测数据可相互验证；开发的冰情要素预测模型24 h后预测误差为17.30%，满足工程需求。