基于神经网络算法的经济型导管架结构冰振响应预测研究

于嵩松，曾二贤，刘文勋，胡 超，张大勇

1.中国电力工程顾问集团中南电力设计院有限公司电网工程公司，湖北武汉 430071

2.大连理工大学工业装备结构分析国家重点实验室，辽宁大连 116023

交变冰力作用下的海洋工程结构冰激振动可能引发多种结构风险，海冰管理是抵御海冰风险的有效手段。国际上一般采用海冰观测、预测与结构风险评价等方式指导破冰作业，以期减小海上生产作业中的海冰威胁。考虑到我国海洋冰情环境的复杂性与经济型导管架结构冰激振动风险的特殊性[1-2]，准确、快速的冰振风险预测已成为提升海冰管理效率的关键。

海冰在窄结构前的破碎具有明显的冰速效应、尺寸效应与离散性。现阶段，局部海域的冰振风险预测研究大多采用理论分析手段[3-6]。数值模型中的初始条件、边界条件、模型参数等输入变量，网格划分与算力限制，以及冰力模型的简化与假设都将导致理论模型在实际应用中的不确定性。一些学者提出了统计预测方法[7-9]，然而影响海冰未来趋势的变量较多，各变量之间存在复杂的非线性相关关系，很难建立一个定义良好的多变量统计模型。且由于海冰生消的复杂性，无论数值模型还是经验模型都很难同时满足局部海域短期冰情的预测精度与实效性需求。

智能计算作为非线性的动态系统，通过对样本的学习建立映射关系，在避免数值分析中的荷载简化与假设的同时，有效提升了计算效率，因此被广泛应用于控制、预警等对模型精度与时效性要求较高的领域[10-12]。本文将智能计算理论中的人工神经网络算法应用于区域海冰与经济型导管架结构冰振风险预报，基于现场实测数据，通过建立冰况与环境信息之间的非线性关系，提出了一种结合气象预报、现场监测和反馈型神经网络的经济型导管架结构冰振风险短期预测模型。该模型可提供约24 h 内的结构冰振响应预报，其目的在于精准预测由严峻冰情引起的经济型导管架结构冰振风险，以便及时开展破冰作业。

1 基于神经网络算法的冰振风险预测方法

人工神经网络究其本质是一个由大量彼此连接的节点组成的数学模型。神经网络的独特结构使其具有储存知识和将习得知识进行表达的能力。随着神经网络算法研究的不断深入，目前神经网络存在的模型已多达几十种。以机器学习模型的层次与结构划分，可分为浅层学习模型与深度学习模型。浅层学习的特点在于依靠理论分析与工程经验实现样本特征的抽取（即预测模式与数据样本的建立），神经网络模型更多负责数据的分类或预测，模型性能更多取决于对预测过程的充分理解[13]。深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据，以实现数据特征的自学习，从而最终提升分类或预测的准确性。深度学习模型具有更多的隐层节点，对学习的样本复杂度要求更高。目前深度学习的理论研究还基本处于初步阶段，数据样本与计算资源的投入还不明确[13]。考虑到冰振预测理论的研究进展以及冰振预警计算资源的限制，本文将浅层神经网络模型应用于经济型导管架结构的冰振预测。现阶段，机器学习算法的发展已相对成熟，为实现智能计算在冰振预警中的应用，其关键在于建立冰振风险预警模式，形成可供学习的数据样本。

1.1 海冰风险预警模式

为实现冰振风险的有效预测，针对性提出了短期海冰风险预警模型。该预测模式结合了现场监测、天气预报和人工神经网络方法[14]。如图1 所示，以气象预报和冰厚、冰速、来冰方向等现场冰期监测数据作为模型的输入，提取实测经济型导管架结构冰振响应同步测量数据作为预测模型的输出，建立冰振风险预测模型。在工程应用中，可依据现场实时采集数据，结合振动风险预警标准，基于模型预测值实现结构冰振风险预警。采集的结构冰振数据可进一步用于预测模型的修正。

图1 经济型导管架结构海冰风险预警模式

需要说明的是，在本文的模型训练中，将采用现场监测的样本数据代替历史天气预报数据进行人工神经网络学习，以避免由天气预报误差所引起的冰振风险预测的不确定性。

1.2 冰情、水文、气象信息的同步采集

冰情信息是海冰预测所需要的重要参数，由于岸冰影响，局部海域冰情条件随环境变化可能出现明显差异。因此，开展基于现场监测的冰情、环境要素的同步、连续测量是必要的。现场冰情参数的连续测量一直是国内外海冰研究领域的难点，本文采用毕祥军[15]与季顺迎[16]等开发的面向渤海冰情条件的图像测量技术，依托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。如图2 所示，将固定焦距的相机与已知大小的物体进行标定，得到被测物体长度S与图像上像素长度s的比值n为：

图2 海冰参数的图像测量方法

测得的冰厚h和冰速v的表达式为：

式中：L为破冰长度，cm；h'为冰层图像像素厚度，cm；l为破冰长度的图像像素长度；t为冰层通过破冰长度的时间，s。

设定图像X轴方向为0°，标定点在开始和结束图像中的坐标分别为(x1,y1)、(x2,y2)，则可得海冰漂移方向为：

虽然被测物体与透镜之间的距离可能与校准距离不完全相同，但这一距离远远大于破冰长度和潮差。因此，其对测量结果的影响可以忽略不计。

在此基础上，为实现海冰预警信息的完整采集，建立了一套现场多信息监测系统，保证了数据采集的完备性、准确性和可靠性。典型的单平台多信息同步采集系统如图3所示。气象站在上层甲板记录气温、风速和风向；在底层甲板边缘上安装视频传感器，采集平台海域的冰厚、速度和方向信息。所有传感器收集的数据被存储在一个中心服务器中，开发的同步测量技术保证了数据的准确性和可靠性。各要素的采集频率与精度如表1所示。

表1 海冰风险监测要素

图3 海冰风险要素的多信息现场监测系统

1.3 人工神经网络

海冰生消是一个十分复杂的非线性系统，冰期内冰情的变化表现出随时间变化的相关性，又存在气象、水文条件剧烈变化下的波动性。Elman神经网络作为反馈型神经网络，在结构上增加了用于构成局部反馈的连接层。连接层的延迟单元可以记忆过去的状态，并在下一刻与网络输入一起作为隐含层的输入，使网络具有动态记忆。当网络从初始状态开始移动时，网络系统总是可以达到稳定的平衡状态，因此非常适合时间序列预测问题。考虑区域冰情变化特点，本文选取Elman神经网络方法，开展经济型导管架结构冰振风险预测方法研究。

Elman 神经网络主要由输入层、隐含层、承接层与输出层四个部分组成，如图4 所示。输入层、隐含层和输出层之间存在常规连接，隐含层和输入层之间也存在循环连接[13,17]。承接层的神经元通过接收隐含层神经元的反馈信号来记住隐含层神经元之前的输出。然后将承接层神经元的输出经过延迟和存储后输入到隐含层。这种方式使得Elman网络对历史数据变得敏感，增强了其对动态信息的处理能力[18]。

图4 Elman神经网络框架

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)，网络的输出为y(t)，则网络描述为：

式中：f1(·)和f2(·)分别是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、反馈层至隐含层及隐含层至输出层的连接权矩阵。

1.4 模型的训练与验证

神经网络模型的训练应确定以下要素：网络结构、数据集预处理、训练算法和停止准则。通过试错法确定连接层数、隐含层数和神经元数。为了提高神经网络的训练效率，在数据的预处理中使用Mapminmax 函数将样本数据归一化到[ymin,ymax]范围内。

利用Newelm 函数训练Elman 网络模型，功能代码可输入如下：

完成训练过程后，利用试验样本对海冰预报模型的性能进行分析。测试样本的输入来自天气预报、潮流表和现场监测系统的历史数据，Elman网络模型将给出输出。根据训练结果，模型平均预测误差E的计算公式如下：

式中：n为测试样本的数量，a和b分别表示实际输出和模型的预测输出。

2 经济型导管架结构冰振响应预测

2.1 模型的输入与输出

多年监测研究发现，冰激振动所引发的导管架平台管节点疲劳失效、上部设施失效以及作业人员健康损伤等相关问题风险性远大于承受极端荷载下结构的整体安全问题[2]，平台振动加速度响应信息是经济型导管架结构失效分析的重要判据。选取结构振动加速度作为冰振响应预测模型的输出参数。模型输入方面，由于冰速和冰厚的分布是不相关的随机过程，即某一特定冰厚下，各种冰速都可能出现，因此冰况可按冰速和冰厚的组合来描述。本文将通过对比冰振统计预测模型的预测结果，验证基于人工神经网络算法的冰振响应预测模型的性能。

2.2 数据样本

对渤海某抗冰平台开展多年冰振原型测量[19].选取2013—2014 年、2017—2018 年、2018—2019年的数据建立预测模型，上述数据均由平台上的现场监测系统获得。其中冰情数据取每小时采集3次结果的平均值作为该时段特征值；同时为避免靠船、吊机等生产活动引起的平台较大极值振幅影响，取同一水平标高下的平台振动加速度峰值的98%统计值对采集的加速度时程数据进行清洗[20]。获得的三年内各冰期样本数据的平均与最大冰厚变化并绘制于图5。其中2014年冬季冰情在近十年间相对较重，实测最大冰层厚度可达30 cm；2019 年冬季海冰相对温和，冬季海冰的持续时间仅有12 d。样本数据的冰速频次分布如图6（a）所示，最大冰速可达90 cm/s；根据图6（b），得到了作业区海冰的主流方向，从而确定了图像监测摄像机的监测方向。

图5 JZ20-2海域每日极值冰厚与平均冰厚的时间变化

图6 JZ20-2海域冬季冰情海冰数据统计

2.3 基于海冰参数的Elman神经网络冰振预测

以2014、2018、2019年现场实时监测的共476组数据作为样本，对24 h 经济型导管架结构冰振加速度响应预报模型进行训练。训练数据的样本数量同样设置为3年冬季实测数据中可提取的样本数量的最大值。设置与冰厚、冰速对应的2个输入层神经元，单层6个隐含层神经元和一个输出层神经元。承接层神经元结构与隐含层相同。设定网络最大训练次数2 000次，训练误差目标0.01。

对网络进行训练后，同样使用30 组历史数据检验模型的预测性能。根据训练结果，得到Elman神经网络由冰流速和冰厚数据预测结构振动加速度模型中的测试样本实际值、预测值对比如图7所示，算得预测模型平均预测误差为14.77%。结果表明，Elman 网络模型的预测精度能够满足工程实际的需要。

图7 基于Elman神经网络的24 h冰振响应预测

在经济型导管架结构冰振响应预测的数值方法中，动冰荷载模型被应用于不同冰况下的结构动力计算。王延林等[9]通过数值分析结果，采用统计学方法拟合多组冰况下的结构冰振响应数据，依托区域海冰预报参数，实现渤海导管架平台振动响应的快速预测。基于数值仿真方法，通过统计分析获得的平台作业海域冰厚、冰速与典型导管架结构冰振加速度关系如图8所示。

图8 渤海某抗冰平台冰振响应与海冰参数的统计关系[9]

选取30 组平台现场监测冰厚、冰流速和结构振动加速度数据进行误差分析。依据图8中提供的冰厚、冰速与平台冰振加速度的线性统计关系，得到结构振动加速度真实值和预测值如表2 所示，预测值的平均预测误差为29.49%。

表2 基于数据统计的振动加速度预测结果

相比于Elman 神经网络预测模型14.77%平均预测误差，统计预测模型虽然同样保证了预测的时效性，但预测精度并不理想，一方面是由于统计预测方法未考虑来冰方向对结构振动造成的影响，另一方面在于在役结构的抗力衰减导致结构振动响应幅值的增大。相比统计模型，人工神经网络模型避免了数值分析中海冰荷载与结构模型简化引起的不确定性，因此相比之下其预测精度明显提升。

2.4 基于冰情环境条件的Elman 神经网络冰振预测

考虑到海冰参数预测误差对经济型导管架结构冰振预测精度可能造成的影响，采用气象、水文与初始冰场等冰情环境，直接构建结构冰振响应预测模型，理论上显然更为有利。但与此同时，基于冰情环境的冰振预测尽管减少了预测的中间环节，其输入-输出关系却相对复杂，这对人工神经网络的学习能力提出了更高要求。为说明两种预测模式在经济型导管架结构短期冰振风险预测中的应用效果，本节将同样采用上述抗冰平台冬季实测数据，比较两种预测模式的预测性能。

以初始风向、风速、水流向、水流速、温度与初始冰厚6个变量的现场监测数据作为神经网络模型的输入，以结构振动加速度响应作为输出变量。设置输入层神经元6 个，单层16 个隐含层神经元和一个输出层神经元。提取439 组数据作为训练数据，训练数据样本数量同样为2013—2014 年、2017—2018 年、2018—2019 年冬季实测数据中可提取的样本数量的最大值。网络最大训练次数和训练误差与目标冰情预测模型设置相同。根据训练结果，得到Elman 神经网络由冰情环境信息直接预测经济型导管架结构振动加速度模型中的测试样本实际值、预测值对比如图9所示。预测模型平均预测误差为14.57%。部分输出的真实值、预测值及误差值情况如表3所示。

表3 基于Elman神经网络的振动加速度预测结果

图9 基于冰情环境条件的Elman神经网络经济型导管架结构振动加速度预测

可以看出，基于冰情环境的平台冰振响应直接预测误差与基于海冰厚度、速度的间接预测模式差别很小。这说明在冰振预测领域，人工神经网络算法的学习能力优异。算例中选取的学习样本与构建的神经网络模型能够较好地满足经济型导管架结构冰振预测需求，预测模式中输入-输出关系的改变对预测性能的影响不明显。同时，直接预测模式有效避免了冰厚、冰速预测中必然存在的误差。因此，此预测模式具备更高的预测精度。

3 结论

本文提出了一种结合现场监测、环境预报和Elman 神经网络方法的短期区域冰振风险预测方法，为海上经济型导管架结构提供了冰振加速度响应预测能力。基于海冰生消与漂移影响要素分析，提出经济型导管架结构海冰风险预警模式；选取反馈型Elman 神经网络算法用于经济型导管架结构冰振风险预测，明确模型训练流程，并以渤海简易抗冰平台为例开展实例分析。通过提取2013—2014 年、2017—2018 年和2018—2019 年冬季的现场监测数据建立预测模型，评估了该方法对经济型导管架结构冰振响应的预测精度。

结果表明，相比统计模型，Elman 神经网络模型考虑了来冰方向差异对经济型导管架结构振动响应造成的影响，避免了数值分析中海冰荷载与结构模型简化的不确定性，基于海冰参数的冰振响应平均预测误差小于15%，满足工程应用需求；基于冰情环境的平台冰振响应直接预测模式相比海冰参数的间接预测模式，有效避免了冰厚、冰速等冰荷载要素预测中的误差，简化了预测步骤，且计算速度可观，保证了预测的快速性、实时性，更适于实际工程应用。但与此同时，人工神经网络预测精度受到输入数据精度的影响，对现场监测系统与数据的完备性要求较高。考虑到预测过程中可能出现一些异常值，有必要进一步引入新方法、新技术，从而提高预测的稳定性。