基于GRU 神经网络的耙吸挖泥船艏吹产量预测∗

章 亮 俞孟蕻 袁 伟

（江苏科技大学电子信息学院 镇江 212100）

1 引言

疏浚工程是在水下利用特定的机械挖掘泥沙、沙子或岩石，以扩大和加深挖掘区域。在国家的大力支持下，耙吸式挖泥船以其自航、自挖、自装、自卸等优点在疏浚工程建设中发挥着重要作用。人们对耙吸式挖泥船的性能、效率、自动化水平和环保水平有越来越高的要求。提高挖泥船的性能和效率已成为挖泥船工作的重点［1～5］。

艏吹是耙吸式挖泥船常用的填土施工方法之一，主要用于近海深海取砂和近岸造陆。如长江口区域圈围工程，斯里兰卡科伦坡南港集装箱码头工程和科特迪瓦阿比让港口扩建项目。耙吸挖泥船艏吹作业方式在疏浚工程中得到了广泛的应用［6～8］。

但是针对两流的复杂性，艏吹的机理复杂性，影响艏吹的控制因素众多，难以对艏吹进行机理分析和准确预测。江帅等［9］分析了耙吸挖泥艏吹工业过程，并推荐了泥泵输送扬程-流量特性公式以及管道输送摩阻损失经验公式。李明志等［10］开发了基于基础数据库、面向工程、结合各种常用计算方法的耙式吸式挖泥船艏楼吹气计算分析软件，并用工程数据进行了验证。为此本文提出了一种基于Nadam 优化算法的多层门控循环单元神经网络（GRU）对耙吸挖泥船艏吹产量进行预测，如图2 所示。

2 耙吸挖泥船艏吹作业过程

自航耙吸挖泥船的艏吹过程主要由泥舱、泥泵和管道三个部分组成，艏吹的管道如图1 所示。自航耙吸挖泥船在装泥点将泥沙装入泥舱运送到卸泥点，打开海底引水阀，将海水引入管道，疏通管道。打开高压冲水装置，并利用液压装置打开抽舱门让泥沙混合物进入抽舱管道，和海水混合，利用泥泵将吸入泥浆进入艏吹口。艏吹口和管道连接到卸泥点，管道长度在1000m左右。这个过程是一个非常复杂的过程，它需要控制7组14个抽舱门的开启度，泥泵、高压冲水泵的转速等，同时还要考虑管道的固液两相流等问题，因此很难直接观察这一过程这个过程是一个非常复杂的过程，它需要控制7 组14 个抽舱门的开启度，泥泵、高压冲水泵的转速等，同时还要考虑管道的固液两相流等问题，因此很难直接观察这一过程。

图1 耙吸挖泥船

图2 流程图

根据实际经验分析，对于同一艘耙吸式挖泥船来说，艏吹的排泥管道的泥沙混合物密度和流量决定艏吹疏浚实际产量。挖泥船产量可以表示为：

其中：Qs为产量，Qm为泥浆体积流量，Cvd为固体输送体积浓度。

在实际情况中泥沙的粒径、工作的环境对于艏吹的产量预测都会有很大的影响，因此，作业数据的分析和建模也有其局限性。本文仅分析相同挖泥条件下抽舱门开度、抽舱门的开度、泥泵的转速、海底引水阀的开度、冲洗策略等的工作状态对艏吹产量的影响，如图3所示。

图3 抽舱模型

3 艏吹产量预测模型

3.1 GRU神经网络原理

循环神经网络（RNN）对于时间序列的数据具有很好的处理能力，对非线性、多步预测问题可以取得很好的预测效果，因此采用循环神经网络对耙吸挖泥船进行产量预测模型的构建［10］。GRU 神经网络与普通的循环神经网络的输入层与输出层结构一样，不同之处在于其隐含层的内部结构。GRU 神经网络引入了两种门函数，即更新门和重置门［11～12］。

GRU网络的前向传播公式如下所示：

在上述公式中，Xt为隐含层的输入、Ht是输出，Yt为输出层的输出，而Rt是隐含层结构中重置门输出，Zt是更新门输出，是候选记忆单元输出。

3.2 Nadam优化算法

Nadam（Nesterov-accelerated Adaptive Moment Estimation）就是将Adam 和Nesterov 的动量结合起来［9］，结合Adam 和NAG（Nesterov accelerated gradient），为了在Adam 中加入NAG，将NAG 梯度更新公式变为

4 实验结果和分析

耙吸挖泥船艏吹产量预测模型的数据来自于2017 年11 月“新海虎8”号耙吸挖泥船在厦门港进行作业时的施工数据。

模型通过对过去10 个时刻样本数据的学习来对当未来两个时刻的耙吸挖泥船艏吹产量进行预测。因为模型采用过去10 个时刻的样本数据作为输入，每个时刻样本数据拥有18 个不同的参数，因此第一部分输入层的节点个数为18；GRU 层节点数为256；模型输出为流量与密度。对模型进行分批训练，每批训练样本数量为20 个，模型训练迭代次数为100。通过Nadam 优化算法调整模型参数，降低损失函数。最后利用测试集数据进行验证，并且评价预测结果。

分别采用Adam 算法和Nadam 算法对优化效果进行比较。模型测试集和训练集的训练误差递减曲线如图4 和图5 所示。Nadam 算法和Adam 算法的损失函数值在前60 次迭代中减小，在以后的迭代中保持稳定。经过迭代，Nadam 算法基本稳定，模型收敛。Nadam 算法比Adam 算法的误差更小，训练效果更好。

图4 测试集训练误差下降曲线

建立模型后，将其与RNN 神经网络预测模型进行比较，并分别进行训练和测试。然后，从预测结果中随机选取连续数据，并与实际值进行比较。对比结果如图6和图7所示。

图6 艏吹泥泵出口流量预测图

图7 艏吹泥泵出口浓度预测图

从图中可以清晰的看出GRU 预测模型预测效果更佳。神经网络模型基本学习到了耙吸挖泥船艏吹时7 组14 个抽舱门的开启度，泥门的转速，高压冲水泵的转速等和流量、浓度之间的规律，相较RNN 神经网络，GRU 神经网络的预测结果更接近实际值。

以均方根误差（RMSE）和平均百分比误差（MAPE）对模型进行比较。RMSE 和MAPE 值越大，预测效果越差。

表1 通过比较两种模型的均方根误差和相对误差值，可以清楚地看到，GRU 预测模型的误差更小，预测效果更准确。

表1 艏吹产量预测误差

5 结语

1）以大量数据为基础，训练出来的GRU 神经网络比RNN 神经网络的RMSE 和MAPE 值更小，预测效果越好，可以更好地预测耙吸挖泥船艏吹泥泵出口处的流量和浓度，从而预测到泥泵出口处的产量。

2）以GRU 神经网络为优化对象，Nadam 算法的优化效果好于Adam算法，误差更小，更稳定。