CN114739891A - 一种漂浮式海上风电系泊***腐蚀状态检测评估*** - Google Patents
一种漂浮式海上风电系泊***腐蚀状态检测评估*** Download PDFInfo
- Publication number
- CN114739891A CN114739891A CN202210242643.1A CN202210242643A CN114739891A CN 114739891 A CN114739891 A CN 114739891A CN 202210242643 A CN202210242643 A CN 202210242643A CN 114739891 A CN114739891 A CN 114739891A
- Authority
- CN
- China
- Prior art keywords
- data
- corrosion
- mooring system
- corrosion state
- mooring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 180
- 238000005260 corrosion Methods 0.000 title claims abstract description 180
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000007667 floating Methods 0.000 title claims abstract description 40
- 239000013535 sea water Substances 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 22
- 239000001301 oxygen Substances 0.000 claims abstract description 22
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 12
- 238000011158 quantitative evaluation Methods 0.000 claims description 9
- 238000004873 anchoring Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 16
- 239000010959 steel Substances 0.000 description 16
- 238000003062 neural network model Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000935974 Paralichthys dentatus Species 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002435 tendon Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 238000004210 cathodic protection Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/727—Offshore wind turbines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种漂浮式海上风电系泊***腐蚀状态检测评估***，将系泊***划分多个区域，每个区域设置检测装置；每个检测装置用于采集对应区域内的腐蚀状态参考对象的数据传输至现场采集仪、数据中转站和数据分析中心；腐蚀状态参考对象包括海水温度、溶氧量和海水流速、牺牲阳极保护电位和保护电流密度；腐蚀状态评估***对检测装置所检测到的数据进行数据预处理；每个区域对应的人工神经网络模型基于预处理后的数据对当前区域的腐蚀程度进行评估；部分腐蚀程度对整体腐蚀状态的影响由灰色关联度，即子区域与整体系泊***的关联程度来确定子区域的评估结果在系泊***腐蚀状态评估中的占比权重；从而实现对漂浮式海上风电系泊***腐蚀状态检测与评估。
Description
技术领域
本发明涉及海上风电技术领域，主要是一种针对漂浮式海上风电基础平台系泊***腐蚀状态的检测及评估***。
背景技术
海上风电资源丰富、发电利用小时数高、不占用土地且适宜大规模开发，而深远海的海上风能资源比近海更为丰富，发展前景更加广阔。针对深远海海上风电，固定式基础结构不再适用，一般采用漂浮式基础结构。漂浮式海上风电基础平台主要可分为单柱式(Spar)、半潜式(Semi-submersible)和张力腿式(Tension Leg Platform，TLP)三种。
单柱式基础平台的系泊***(Mooring System)通常采用悬链线式(Catenary)，系泊缆处于半张紧半松弛的状态；如图1所示的半潜式基础平台的系泊***悬链线式或张紧式(Taut)；而张力腿式基础平台的系泊***通常采用张力腱式(Tether)，始终处于完全张紧的状态。系泊***的作用是在漂浮式基础平台由于外界环境的干扰作用下进行移动时，提供拉力阻止其漂移至活动范围之外。由于悬链线式是通过系泊缆的垂向重力提供回复力，故其锚链所用材质需要一定的重量。而张紧式和张力腱式是靠系泊缆的弹性提供拉力，也可采用聚酯缆取代传统钢缆作为系泊***的中间缆。
漂浮式海上风电基础平台的系泊***长期服役于恶劣的海洋环境中，时刻承受着复杂环境载荷作用和各类损伤作用。系泊***在海洋环境中的腐蚀会导致内外部结构遭到破坏，针对系泊***的腐蚀状态检测，若选用人工检测，由于检测环境位于海洋水面以下，包括安装在海床上的底部锚固等，故存在实际操作困难、效率较低且检测次数不足的问题。
针对漂浮式海上风电系泊***腐蚀状态检测技术存在的不足，针对半潜式基础平台通常所采用的悬链线式系泊***，本发明提出一种漂浮式海上风电基础平台系泊***的腐蚀状态检测评估装置。
发明内容
针对目前漂浮式海上风电基础平台系泊***的腐蚀状态检测技术需要进行人工检测，且人工检测又需要投入大量的人力物力，加上对于系泊***腐蚀状态机理建模的复杂过程和不确定性等问题；故本发明提出一种漂浮式海上风电系泊***腐蚀状态检测评估***，在分区域检测和评估的基础上，利用机器学***台系泊***腐蚀状态检测评估，该装置通过硬件检测***和软件评估***的结合，可以准确预测出漂浮式海上风电基础平台系泊***各区域的腐蚀状态以及变化情况。
本发明所采用的技术方案如下：
一种漂浮式海上风电系泊***腐蚀状态检测评估***，包括腐蚀状态检测***和腐蚀状态评估***；
所述腐蚀状态检测***包括多个检测装置；将系泊***划分多个区域，每个区域设置检测装置；每个检测装置通过信号依次连接现场采集仪、数据中转站和数据分析中心；每个所述检测装置用于采集对应区域内的腐蚀状态参考对象的数据；所述腐蚀状态参考对象包括海水温度、溶氧量和海水流速、牺牲阳极保护电位和保护电流密度；
所述腐蚀状态评估***与每个区域的检测装置相对应，对检测装置所检测到的数据进行数据预处理；基于预处理后的数据，每个区域通过人工神经网络模型自学习的特性提取特征数据，经过非线性映射，评估出各区域相应的腐蚀状态；每个区域所述人工神经网络模型包括输入层、隐藏层和输出层；将当前区域的腐蚀状态参考对象的数据作为输入层的输入因子；输出层输出当前区域的腐蚀程度，腐蚀程度分别是良好、轻微腐蚀以及严重腐蚀；
通过设定每个区域对系泊***的影响权重来综合评估整个系泊***的腐蚀状态，每个区域的评估指标按腐蚀程度等级量化：良好0，轻微腐蚀50％，严重腐蚀100％；而部分腐蚀程度对整体腐蚀状态的影响由灰色关联度，即子区域与整体系泊***的关联程度来确定子区域的评估结果在系泊***腐蚀状态评估中的占比权重ωc，通过加权处理获得整个系泊***的腐蚀状态评估结果：
其中，P为整个系泊***的腐蚀状态量化评估结果，pk为各区域的腐蚀状态量化评估结果，k取为1～4，分别对应划分的四个区域，并且四个区域在整个系泊***中的占比权重ωck之和为1。最终得到的整个系泊***的量化评估数值按0～30％定为良好，31～60％定为轻微腐蚀，61～100％定为严重腐蚀。
进一步，所述系泊***是悬链线式系泊***，将悬链线式系泊***分为：区域1导缆孔与系泊点连接处，区域2顶部锚链、钢缆处，区域3底部锚链处，以及区域4锚固处。
进一步，检测装置由信息采集单元、信号放大电路和A/D转换模块构成，所述信息采集单元固定在系泊***上；所述信号放大电路用于放大传感器采集的信号，所述A/D转换模块将模拟信号转换成数字信号，传输到基础平台上的现场采集仪；在每个检测装置中，同一种信息采集单元设置多个。
进一步，检测装置中的信息采集单元包括：利用温度传感器测量海水温度；利用原电池型溶氧量传感器测量溶氧量；利用海水流速和流向监测设备测量海水流速；利用振动电容式电位探针测量保护电位；利用电流环法测量保护电流密度；
进一步，所述数据中转站汇集风电场中各风机系泊***的所有数据信息，多台风机系泊***的腐蚀状态数据通过海底电缆中铺设的光纤，一起汇聚到升压站，由升压站的数据中转站进行储存和进一步传输。
进一步，数据预处理包括对数据进行有效性检查、数据缺失处理、分批估计数据融合和数据归一化。
进一步，有效性检查的方法：分别设置腐蚀状态参考对象的取值范围，舍弃超出该取值范围的数据，所述海水温度的取值范围取-2～30℃，所述溶氧量的取值范围取4～15mg/L，所述海水流速的取值范围取0.1～3m/s，所述牺牲阳极保护电位的取值范围取-2.4～+1.7V；所述保护电流密度的取值范围取0.01～0.25A/m2。
进一步，对于测量数据中的缺失值，采用该测量数据的平均值来插补缺失值。
进一步，对于不同区域的数据进行分批估计数据融合，过程如下：
①将同一区域内的信息采集单元按空间位置分为前后分组，以温度传感器为例，测量数据分成两组：T11，T12，…，T1m和T21，T22，…，T2j，分别计算两组的平均值
和标准差σ1、σ2：
其中，T1i为某一区域内第一组内第i个传感器，m为某一区域内第一组传感器数量；T2i为某一区域内第二组内第i个传感器，j为某一区域内第二组传感器数量；
②分批估计数据融合结果及方差：
其中，T’为分批估计数据融合结果，σ’为分批估计数据融合方差；
分别对溶氧量、海水流速、保护电位和保护电流密度的信息采集单元进行上述处理，进行这四类数据的融合处理；
经过数据融合处理，将划分区域内多个同一类型传感器测得的几组数据融合为一组。
进一步，分别对腐蚀状态参考对象的数据进行归一化处理，
其中，x表示待归一化数据的最大值，xmin和xmax分别表示为归一化前的数据最小值和最大值，y表示归一化后的数据。
本发明的有益效果：
1、本申请所涉及的漂浮式海上风电基础平台系泊***腐蚀状态检测评估***，基于所选悬链线式系泊***基础平台构造及腐蚀机理，选取易腐蚀的区域，安装检测装置，可实时准确检测出腐蚀状态参考对象的数值，为系泊***腐蚀状态评估***提供数值依据。
2、本申请所涉及的漂浮式海上风电基础平台系泊***腐蚀状态检测评估***，包括数据远程传输***，采用远程通讯网络，确保单台风机系泊***腐蚀状态数据由海上风机到陆上集控中心的传输。使得数据分析中心可以准确地收集到检测区域的腐蚀状态数据，及时判断系泊***腐蚀程度，减轻系泊***腐蚀所造成损失。
3、本申请所涉及的漂浮式海上风电基础平台系泊***腐蚀状态检测评估装置，基于数据驱动模型，充分挖掘大数据的应用价值。对数据进行有效性检查、数据缺失处理、分批估计数据融合和数据归一化预处理，可提高数据挖掘精度，缩短驱动模型数据特征的提取时间，可为漂浮式海上风电系泊***腐蚀状态评估的准确性和快速性提供技术保障。
4、本申请所涉及的漂浮式海上风电基础平台系泊***腐蚀状态检测评估装置，采用人工神经网络算法，通过测量腐蚀状态参考对象，分区域检测和评估系泊***的腐蚀程度，判断系泊***是否处于故障，方案简洁可靠，效果准确直接。
5、本申请所涉及的漂浮式海上风电基础平台系泊***腐蚀状态检测评估***，避免人工检测，降低海上风电运维成本，评估系泊***的腐蚀健康状态也有助于漂浮式海上风电减少维护时间，避免停运造成的损失，可在漂浮式海上风电腐蚀检测领域广泛推广。
附图说明
图1为漂浮式海上风电半潜式基础平台结构示意图；
图2为半潜式基础平台系泊***示意图；
图3为系泊***传感器布置示意图；
图4为系泊***腐蚀状态检测装置数据采集传输流程图；
图5为人工神经网络模型示意图；
图6为系泊***腐蚀状态检测评估流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
本发明提出一种漂浮式海上风电基础平台系泊***腐蚀状态检测评估***，包括腐蚀状态检测***和腐蚀状态评估***。下文分别对腐蚀状态检测***和腐蚀状态评估***进行介绍：
1、腐蚀状态检测***
腐蚀状态检测***是由多个检测装置构成，在系泊***的关键部位上布置检测装置。由于系泊***长度较大，一个“点”的数据信息，不能说明整个“面”的腐蚀状态，因此需要考虑分区域检测。根据系泊***的结构划分为四个区域，利用检测装置分别获得这些区域的检测数据信息，该检测数据信息即包括外部环境因素和内部运行因素，并通过光纤将检测装置所测得的检测数据信息传输到陆上集控中心进行统一处理。
1.1、悬链线式系泊***结构介绍
以半潜式基础平台的悬链线式系泊***为例，悬链线式系泊***是由导缆孔、系泊缆和海底锚固基础构成，如图2、3所示。导缆孔是系泊***系泊与平台相连的关键结构，固定在海床上桩基础或吸力桩锚是系泊***与海床的关键连接部位。漂浮式海上风电基础平台一般由三根系泊缆固定，每根系泊缆之间相差120°，整条系泊缆是由依次连接的顶部锚链、中间钢缆、底部锚链组成。
导缆孔一般焊接在基础平台的压水板底部处，与锚链的接触面呈圆弧形，以避免对锚链的切割作用以及减少平台随波浪晃动时与钢链的相对磨损。基础平台移动后，由系泊缆拉伸产生的张力提供平台的恢复力，故导缆孔在张力载荷的作用下，其与顶部锚链的接触面存在较大的压力。
目前应用较为广泛的传统钢制系泊缆组合(锚链—钢缆—锚链)通常适用于1000米以内水深的漂浮式基础平台。系泊***的顶部和底部锚链均采用钢链，中间钢缆由一定数量的钢丝股绳围绕一个轴芯按照一定方向缠绕。钢缆内部，钢丝之间的空隙使用锌填充的方式防止海水进入引起腐蚀。
半潜式基础平台的海底锚固基础通常为吸力桩锚或吸力埋置式板锚。吸力桩锚通常采用较长的钢制柱体结构，柱体下部开口，上部封闭，比普通桩锚入土浅，因此不需要在海底钻深孔。吸力埋置式板锚具有较大的垂向支持能力，板锚的锚爪进行垂直埋置，在拉动系泊缆进行定位的过程中，充分旋转锚爪从而达到最终的锚固位置。
1.2、腐蚀状态参数选取：
针对半潜式基础平台的悬链线式系泊***的结构，根据系泊***的腐蚀机理，按照系泊***所处的外部环境和内部运行进行考量，基于系泊***腐蚀状态的两大类影响因素，即外部环境因素和内部运行因素，半潜式基础平台的悬链线式系泊***的腐蚀状态是外部环境因素和内部运行因素叠加影响的结果。外部环境因素包括海水温度、溶氧量、海水流速、盐度和各种生物因素影响等；而内部运行因素包括保护电位和保护电流密度等。在本实施例中，在外部环境因素中选用海水温度、溶氧量和海水流速作为评估半潜式基础平台的悬链线式系泊***腐蚀状态的参考对象；内部运行因素选用牺牲阳极保护电位和保护电流密度作为参考对象，但是不局限上述五种参考对象。
在外界环境因素对系泊***的腐蚀速率影响考量中，根据系泊***的腐蚀机理，使用不确定度方法确定了海水温度、溶氧量和海水流速是影响系泊***腐蚀速率的最主要因素。
系泊***可通过牺牲阳极的阴极保护提供腐蚀防护。评估金属材质的半潜式基础平台腐蚀防护效果，可通过参比电极测量金属的保护电位。为达到需要的保护电位，一般通过改变保护电流密度来实现，因此保护电位和保护电流密度是影响腐蚀速率的两大内部运行参数。
故上述参数中，对悬链线式系泊***的腐蚀程度造成较大影响的参数是海水温度T(℃)、溶氧量DO(mg/L)、海水流速V(m/s)、保护电位E(V)和保护电流密度J(A/m2)。
1.3、检测装置选择
考虑到检测环境和后期传感器的维护成本以及本申请中选择的外部环境因素和内部运行因素，因此采集上述参数信息所要用到的传感器和测量方法如下：
(1)测量海水温度：选用热敏温度传感器，热敏温度传感器基于电阻的热效应进行温度测量，即通过热敏电阻的阻值随温度的变化而变化的特性。只要测量出感热敏电阻的阻值，就可以测量出温度。
(2)测量溶氧量：选用原电池型溶氧量传感器，氧分子透过薄膜进入阴极产生反应会向外电路获得电子；铅阳极则会向外电路输出电子。电路中便有信号电流通过，溶氧量与电流值成正比。
(3)测量海水流速：选用海水流速和流向监测设备，是由海水流速传感器和积算仪组成。采用超声波多普勒原理测量海水流速，具有紧凑，坚固，低成本的特性。
(4)测量保护电位：使用的是振动电容式电位探针技术，利用机械振动的方法引起感应电极与被测表面间的电容变化，产生感应电流，通过计算感应电流得到被测金属表面的保护电位。
(5)测量保护电流密度：选用电流环法，利用电磁互感测量管中电流，运用了霍尔效应原理，当被测金属中有电流通过时，安装在系泊缆上的电流环外加磁场中就有交变磁通，产生感应电动势，内部测量电路随即会产生感应电流，与被测金属中的电流成正比。
1.4、检测装置布置：
由于悬链线式系泊***纵向长度较长，测量范围较大，一个点的特征数据不足以体现整个系泊***的腐蚀状态，且整个系泊***不同部位所处外界环境不同，所受外界环境影响因素存在区域性差异，所以对系泊***的腐蚀状态检测应精确到局部位置。为能迅速、准确地确定系泊***的局部腐蚀状态，检测装置的布置应考虑划分区域，每个区域包含检测所有参数类型的传感器，同时单一类型的传感器在一个区域内可布置多个，防止部分传感器发生损坏。区域选择，优选重要且易受损的关键部位；本实施例中将悬链线式系泊***分为如下四个区域：
(1)导缆孔与系泊点连接处(图3中的区域1)：导缆孔与顶部锚链的系泊点连接部位，受多种外力的影响作用，其腐蚀程度是整个系泊***中最为严重的区域，应在导缆孔处和与导缆孔接触的顶部钢缆处安置传感器。
(2)顶部锚链、钢缆处(图3中的区域2)：由于顶部锚链长期受到风浪流作用，加上平台往返运动，容易发生断裂，而钢缆外部本身的锈蚀也会造成钢缆断丝，严重危害到整个系泊***的使用寿命，故这两处皆需安置传感器，可按海水深度间隔十米分布。
(3)底部锚链处(图3中的区域3)：平台移动时底部锚链受到拖拽，在海床上拖动，具有一定的磨损。当平台处于稳定状态时，海底的沙尘颗粒也会随着海流裹挟进入底部锚链后对钢链局部结构造成磨损，表面遭到海底泥石磕碰，留下细微小孔，容易造成腐蚀。
(4)锚固处(图3中的区域4)：锚固基础是固定半潜式基础平台的关键部位，常年浸没于海泥中，平台移动后，由桩锚提供的拉力将平台控制在一定范围内。其与底部锚链的接触部位承受较大载荷力，检测该处的腐蚀参数对腐蚀状态评估具有重要意义。由于锚固基础水位较深，海水压强较大，因此布置在该处的传感器需具备高抗压性。
1.5、检测装置数据采集与传输
布置在系泊***上的检测装置(传感器)用于测量各区域内的参数信息，传感器通过通讯总线将测得的数据信息传送到基础平台上的现场采集仪，各风机系泊***的数据信息再通过光纤汇聚到风电场海上升压站的数据中转站，最后通过海底电缆中的光纤传输至陆上集控中心的数据分析中心，完成数据的采集、传输和监测过程。传感器测得的参数数据采集传输过程可参照图4。
(1)数据采集***：
漂浮式海上风电基础平台系泊***的腐蚀状态数据采集***由传感器，信号放大电路和A/D转换模块构成。传感器用螺栓固定在系泊缆上，由于传感器采集的信号幅值较小，不能与后续电路匹配，故需通过信号放大电路放大信号，然后经过A/D转换模块，将模拟信号转换成数字信号，传输到基础平台上的现场采集仪中进行储存。实现对风机系泊***腐蚀状态数据的采集。
(2)远程传输***：
包括现场采集仪、数据中转站和数据分析中心。
①现场采集仪：
现场采集仪安装在漂浮式风电基础平台上，主要起到对数据采集***测得的数据进行储存和传输的作用。本发明中所需参数的测量传感器都布置在水面以下，传感器采集的信号经过一系列转换，通过通讯总线连接到现场采集仪，实现单台风机系泊***腐蚀状态数据在海上风机上由系泊***到基础平台的传输。
②数据中转站：
风电场中各风机系泊***的所有数据信息要和电力一样，汇集到海上升压站中，多台风机系泊***的腐蚀状态数据通过海底电缆中铺设的光纤，一起汇聚到升压站，由升压站的数据中转站进行储存和进一步传输。
③数据分析中心：
由于海上升压站无人值守，升压站中储存的信息要通过海底电缆中的光纤传输到陆上集控中心的数据分析中心进行统一处理，陆上集控中心的数据分析中心可实现发送监控指令、接受遥测数据和数据分析的功能。工作人员可通过上位机实时监测各机组系泊***腐蚀状态参数并进行数据分析诊断。
2、腐蚀状态评估***
基于前述系泊***腐蚀状态检测***，本发明进一步提出腐蚀状态评估***。与系泊***的分区域腐蚀状态检测相对应，腐蚀状态评估***也是建立在不同区域检测基础之上的。该评估***挖掘上述各区域的检测数据信息特征，并以此建立一个准确便捷的预测模型。根据传输到陆上集控中心的数据建立漂浮式海上风电基础平台系泊***各个区域的腐蚀数据库，对数据进行有效性检查、数据缺失处理、分批估计数据融合和数据归一化。利用训练好的人工神经网络模型，结合人工神经网络的深度学***台系泊***各区域的腐蚀状态。最后，基于灰色关联度的思想算出各区域对整体的权重影响，按照部分区域的腐蚀状态来对系泊***这一整体的腐蚀状态进行量化评估。其具体实施步骤如下：
人工智能领域中的机器学习理论适用于需要从观测数据中寻找一般性规律，并基于此类规律预测未知数据的应用场景。
在各种机器学***台系泊***各区域的腐蚀状态评估模型。
2.1、BP神经网络算法原理：
神经网络中，神经元的激活函数采用Sigmod型函数
其中，z为前层网络的输出，也为该层网络的输入。
神经元之间的传播经过权重和偏置的连接从而得到下一层网络的激活值：
其中，
为第l-1层第i个神经元到第l层第j个神经元的权重，
为第l层的第j个神经元的偏置，
为第l层第j个神经元的激活值，n为作用于该节点的前一层神经网络中节点的个数。
将测得的区域样本数据输入到对应的神经网络分别进行训练，并采用梯度下降法逐层调节和收敛权重与偏置，保证训练后的神经网络模型期望输出在设定误差范围内，这里设定神经网络的训练误差为1e-5。预测结果的误差用最小二乘法表示为：
其中，El为输出误差，
为网络的训练输出，
为训练样本中的数据，即神经网络的期望值，k为网络输出层的节点个数。该算法的实质就是根据输出误差去调整参数权重和偏置的值，逐步缩小El，从而使得预测值逼近真实值，得到一个精度较好的预测模型。
在漂浮式海上风电基础平台系泊***的腐蚀过程中，外界环境因素的波动和内部运行参数的变化对腐蚀程度的影响规律是有迹可循的，故可以通过人工神经网络自学习的特性，提取特征数据，经过非线性映射，也就是寻找输入空间到输出空间的映射关系f，通过求解传递函数f(x)来输出预测结果，最终对系泊***的腐蚀状态进行评估。
f(x)＝ωx+b (4)
其中，ω为权重，x为神经节点输入，b为偏置。
给定的数据样本集合S:
S＝{(xi，yi)|xi∈Rl，yi∈R}，i＝1，2...，n (5)
其中，xi为第i个输入样本，yi为xi对应的输出结果，R为实数空间，Rl为l维实数空间，n为样本数量。
2.2、数据预处理：
(1)有效性检查
模型训练时需对数据进行有效性检查，移除异常值。本发明采用数据范围来校验数据有效性。以海水温度为例，海水温度数据一般情况下是在-2～30℃范围内。如果测量得到的海水温度达到超过30℃的极高水平，则与实际情况不相符，数据应避免录入。同理其他几项参数的取值范围如下：溶氧量为4～15mg/L；海水流速为0.1～3m/s；保护电位为-2.4～+1.7V；保护电流密度为0.01～0.25A/m2；利用上述参数的范围移除异常值。选取的数据范围不宜过小，否则大量正常数据被剔除，将导致训练好的模型局限较多，识别能力大大降低。
(2)数据缺失处理
建立数据库时，由于未能及时记录数据或数据损坏，容易造成数据缺失。在缺失部分数据的基础上训练腐蚀状态预测模型，得到的模型预测精度较低。若这些未知或缺失的数据没有被归类为故障，而被归类为正常，则神经网络将尝试适应这些数据，这将增加网络的泛化误差。测量数据中的缺失值分为为数值型和非数值型，本发明中数据库缺失的数据为数值型，则根据该参数记录数值的平均值来插补缺失值。
(3)分批估计数据融合
由于本发明对系泊***的腐蚀状态检测的传感器是划分区域来进行信息探测的，不同区域中有多个相邻的同等类型传感器，测得的数据繁多，不适宜直接输入到神经网络模型中。前述数据预处理的步骤，是以单个传感器作为研究对象，若其中的某个传感器损坏，所得数据无论是否剔除误差，都对最后的数据分析造成不良影响，想要模型具有良好的抗干扰性，需对同一区域的多个单一类型传感器测得的数据在分批估计的前提下进行数据融合：
①将同一区域内的传感器按空间前后分组，以温度传感器为例，测量数据分成两组：T11，T12，…，T1m和T21，T22，…，T2j，分别计算两组的平均值
和标准差σ1、σ2：
其中，T1i为某一区域内第一组内第i个传感器，m为某一区域内第一组传感器数量；T2i为某一区域内第二组内第i个传感器，j为某一区域内第二组传感器数量。
②分批估计数据融合结果及方差：
其中，T’为分批估计数据融合结果，σ’为分批估计数据融合方差。
经过数据融合处理，将划分区域内多个同一类型传感器测得的几组数据融合为一组，从而获得对参数的一致性解释和描述，使得系泊***腐蚀状态检测***的输出数据，即神经网络模型的输入数据具有较好的鲁棒性。
(4)数据归一化
由于所选参数的单位(例如海水温度：℃；海水流速：m/s)和所测数值的一般适用区间(海水温度：-2～30；海水流速：0.1～3)不同，没有统一的评价标准，为了使网络快速收敛，提高其泛化能力，需要对其量纲化，对所有数据做个归一化处理：
利用式(10)分别将五类参数的数据归一化到[-1,1]区间，使BP神经网络算法对所选参数数据大小变化的敏感度接近。式中，x表示待归一化数据的最大值，xmin和xmax分别表示为归一化前的数据最小值和最大值，y表示归一化后的数据。
2.3、构建BP神经网络预测模型：
本发明对基础平台的系泊***腐蚀状态作出评估，需建立神经网络模型，分别应用在前述步骤中传感器布点的四个区域。采用BP神经网络算法，每个模型共包含3层神经网络，具体神经网络模型可参照图5。通过前述步骤中系泊***腐蚀状态检测***测得的不同区域的海水温度、溶氧量、海水流速、保护电位和保护电流密度等参数数据，分别作为各区域神经网络输入层的5个输入因子，对应为图5中/1k、I2k、I3k、I4k、I5k作为输入节点，其中下标k用来区分四个区域，k∈{1，2，3，4}。选用Sk来表示输入参数的集合，Sk中的Tk、DOk、Vk、Ek、Jk是各自区域的特征参数，对应式(5)中的xi作为输入，数据集可表示为：
Sk＝{Tk，DOk，Vk，Ek，Jk}T (11)
虽然增加隐含层的层数可以进一步降低输出的误差，提高精度，但使网络复杂化，迭代次数和训练时间大大的增加。因此本模型采用简洁的3层神经网络模型，隐含层的层数定为1层，隐含层的节点数取决于多种因素，其取值往往由多次的实验和经验所定，亦有相关公式可供参考：
n为最佳隐含层单元数，i为输入层节点数，m为输出层节点数，a一般为常数，取值范围是1～10。关于隐含层的个数的选取，也可根据最终输出结果的误差来对节点数进行调整。这里把隐含层节点数选为6个，H1k～H6k作为模型的隐含层节点。
Y1k、Y2k、Y3k作为模型的输出层节点，分别对应输出的3种腐蚀状态。最后的输出为3种腐蚀状态(分别为：良好、轻微腐蚀以及严重腐蚀)，为了方便最终的输出结果诊断，分别对这三种状态进行独立编码，良好设为(100k)，轻微腐蚀设为(010k)，严重腐蚀设为(001k)，这些编码与式(5)中的yi对应作为模型的输出结果。数据库中输入的数据，要包括训练数据和测试数据，数据形式可为：
100k：[T1k，DO1k，V1k，E1k，J1k]T
…
[Tnk，DOnk，Vnk，Enk，Jnk]T；
010k：[T1k，DO1k，V1k，E1k，J1k]T
…
[Tnk，DOnk，Vnk，Enk，Jnk]T；
001k：[T1k，DO1k，V1k，E1k，J1k]T
…
[Tnk，DOnk，Vnk，Enk，Jnk]T； (13)
其中行数代表数据组数，各有n组投入神经网络模型中训练。列数依次为海水温度、溶氧量、海水流速、保护电位和保护电流密度。
神经网络经过***性学习后得出最终的输出值即腐蚀程度，可设定一个输出阈值。输出结果中的其中一个达到一定的阈值，作为最终的输出结果来评估系泊***各个区域受海水腐蚀后其健康状态的好坏，后续依据其故障程度来判断该系泊***某个部位是否还达到正常工作的标准，以及是否会对整个系泊***的运行带来影响。
2.4、系泊***腐蚀状态评估装置：
本发明提出的系泊***腐蚀状态评估装置是在漂浮式海上风电基础平台系泊***腐蚀状态检测的基础上，基于BP神经网络算法设计，具体设计流程可参考图6。实现了数据处理、误差分析、模型结构调整和故障预测等功能。
根据上述所提传感器在不同区域的布点位置测得的相关数据来构建形成各自区域的神经网络腐蚀状态评估***，从而达到对系泊***的关键区域进行腐蚀状态评估的目的。四个区域中所建立的神经网络模型结构相同，不同的是经过各区域采集的数据训练后网络的权重和阈值，也就是从输入到输出之间的映射关系相异。四个区域的腐蚀状态评估结果是由经过各区域历史数据训练后的神经网络模型给出的，分区域的意义是为了能够更加精确的诊断出具***置的腐蚀故障程度。
单个区域的腐蚀程度可间接表示整体的腐蚀状态，通过设定四个区域对系泊***的影响权重来综合评估整个系泊***的腐蚀状态。每个区域的评估指标按腐蚀程度等级量化：良好—0，轻微腐蚀—50％，严重腐蚀—100％。而部分腐蚀程度对整体腐蚀状态的影响可由灰色关联度，即子区域与整体系泊***的关联程度来确定子区域的评估结果在系泊***腐蚀状态评估中的占比权重ωc，通过加权处理获得整个系泊***的腐蚀状态评估结果：
其中，P为整个系泊***的腐蚀状态量化评估结果，pk为各区域的腐蚀状态量化评估结果，k取为1～4，分别对应划分的四个区域，并且四个区域在整个系泊***中的占比权重ωck之和为1。最终得到的整个系泊***的量化评估数值可按0～30％定为良好，31～60％定为轻微腐蚀，61～100％定为严重腐蚀。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (10)
1.一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，包括腐蚀状态检测***和腐蚀状态评估***；
所述腐蚀状态检测***包括多个检测装置；将系泊***划分多个区域，每个区域设置检测装置；每个检测装置通过信号依次连接现场采集仪、数据中转站和数据分析中心；每个所述检测装置用于采集对应区域内的腐蚀状态参考对象的数据；所述腐蚀状态参考对象包括海水温度、溶氧量和海水流速、牺牲阳极保护电位和保护电流密度；
所述腐蚀状态评估***与每个区域的检测装置相对应，对检测装置所检测到的数据进行数据预处理；基于预处理后的数据，每个区域通过人工神经网络模型自学习的特性提取特征数据，经过非线性映射，评估出各区域相应的腐蚀状态；每个区域所述人工神经网络模型包括输入层、隐藏层和输出层；将当前区域的腐蚀状态参考对象的数据作为输入层的输入因子；输出层输出当前区域的腐蚀程度，腐蚀程度分别是良好、轻微腐蚀以及严重腐蚀；
通过设定每个区域对系泊***的影响权重来综合评估整个系泊***的腐蚀状态，每个区域的评估指标按腐蚀程度等级量化：良好0，轻微腐蚀50％，严重腐蚀100％；而部分腐蚀程度对整体腐蚀状态的影响由灰色关联度，即子区域与整体系泊***的关联程度来确定子区域的评估结果在系泊***腐蚀状态评估中的占比权重ωc，通过加权处理获得整个系泊***的腐蚀状态评估结果：
其中，P为整个系泊***的腐蚀状态量化评估结果，pk为各区域的腐蚀状态量化评估结果，k取为1～4，分别对应划分的四个区域，并且四个区域在整个系泊***中的占比权重ωck之和为1；最终得到的整个系泊***的量化评估数值按0～30％定为良好，31～60％定为轻微腐蚀，61～100％定为严重腐蚀。
2.根据权利要求1所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，所述系泊***是悬链线式系泊***，将悬链线式系泊***分为：区域1导缆孔与系泊点连接处，区域2顶部锚链、钢缆处，区域3底部锚链处，以及区域4锚固处。
3.根据权利要求1所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，检测装置由信息采集单元、信号放大电路和A/D转换模块构成，所述信息采集单元固定在系泊***上；所述信号放大电路用于放大传感器采集的信号，所述A/D转换模块将模拟信号转换成数字信号，传输到基础平台上的现场采集仪；在每个检测装置中，同一种信息采集单元设置多个。
4.根据权利要求1或3所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，检测装置中的信息采集单元包括：利用温度传感器测量海水温度；利用原电池型溶氧量传感器测量溶氧量；利用海水流速和流向监测设备测量海水流速；利用振动电容式电位探针测量保护电位；利用电流环法测量保护电流密度。
5.根据权利要求1所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，所述数据中转站汇集风电场中各风机系泊***的所有数据信息，多台风机系泊***的腐蚀状态数据通过海底电缆中铺设的光纤，一起汇聚到升压站，由升压站的数据中转站进行储存和进一步传输。
6.根据权利要求1所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，数据预处理包括对数据进行有效性检查、数据缺失处理、分批估计数据融合和数据归一化。
7.根据权利要求6所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，有效性检查的方法：分别设置腐蚀状态参考对象的取值范围，舍弃超出该取值范围的数据，所述海水温度的取值范围取-2～30℃，所述溶氧量的取值范围取4～15mg/L，所述海水流速的取值范围取0.1～3m/s，所述牺牲阳极保护电位的取值范围取-2.4～+1.7V；所述保护电流密度的取值范围取0.01～0.25A/m2。
8.根据权利要求6所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，对于测量数据中的缺失值，采用该测量数据的平均值来插补缺失值。
9.根据权利要求6所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，对于不同区域的数据进行分批估计数据融合，过程如下：
①将同一区域内的信息采集单元按空间位置分为前后分组，以温度传感器为例，测量数据分成两组：T11，T12，…，T1m和T21，T22，…，T2j，分别计算两组的平均值
和标准差σ1、σ2：
其中，T1i为某一区域内第一组内第i个传感器，m为某一区域内第一组传感器数量；T2i为某一区域内第二组内第i个传感器，j为某一区域内第二组传感器数量；
②分批估计数据融合结果及方差：
其中，T’为分批估计数据融合结果，σ’为分批估计数据融合方差；
分别对溶氧量、海水流速、保护电位和保护电流密度的信息采集单元进行上述处理，进行这四类数据的融合处理；
经过数据融合处理，将划分区域内多个同一类型传感器测得的几组数据融合为一组。
10.根据权利要求6所述的一种漂浮式海上风电系泊***腐蚀状态检测评估***，其特征在于，分别对腐蚀状态参考对象的数据进行归一化处理，
其中，x表示待归一化数据的最大值，xmin和xmax分别表示为归一化前的数据最小值和最大值，y表示归一化后的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210242643.1A CN114739891A (zh) | 2022-03-11 | 2022-03-11 | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210242643.1A CN114739891A (zh) | 2022-03-11 | 2022-03-11 | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114739891A true CN114739891A (zh) | 2022-07-12 |
Family
ID=82275926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210242643.1A Pending CN114739891A (zh) | 2022-03-11 | 2022-03-11 | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114739891A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测***及介质 |
| CN118067606A (zh) * | 2024-04-25 | 2024-05-24 | 江苏亨通华海科技股份有限公司 | 一种海光缆镀锌钢丝抗腐蚀性能的评估方法 |
-
2022
- 2022-03-11 CN CN202210242643.1A patent/CN114739891A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测***及介质 |
| CN118067606A (zh) * | 2024-04-25 | 2024-05-24 | 江苏亨通华海科技股份有限公司 | 一种海光缆镀锌钢丝抗腐蚀性能的评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11774485B2 (en) | Fault diagnosis method and apparatus for submarine cable, and device | |
| CN114739891A (zh) | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** | |
| CN111561974A (zh) | 一种桥梁冲刷多源监测***及其监测方法、冲深评定方法 | |
| CN109324241B (zh) | 一种变电站接地网腐蚀诊断预警方法及*** | |
| CN109086804A (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
| CN102981104A (zh) | 海底电缆在线监测方法 | |
| Wang et al. | The replacement of dysfunctional sensors based on the digital twin method during the cutter suction dredger construction process | |
| CN115876288A (zh) | 一种基于大数据的电子仪表故障分析方法及*** | |
| CN113447762A (zh) | 一种海上风电场海缆故障位置定位***及其工作方法 | |
| Tang et al. | Sensing technologies and artificial intelligence for subsea power cable asset management | |
| CN115017822B (zh) | 一种海上风电桩基础及海缆一体化监测方法 | |
| US20130285828A1 (en) | Submarine data relay system and method | |
| CN115014571B (zh) | 一种海底电缆风险事件识别***及方法 | |
| CN204286386U (zh) | 基于地脉动测量的桥墩冲刷监测*** | |
| CN113654974A (zh) | 一种海上风电单桩基础腐蚀状态的评估方法及监测*** | |
| Yu et al. | i4OilSpill, an operational marine oil spill forecasting model for Bohai Sea | |
| CN107422680A (zh) | 一种张力腿平台现场监测管理***、方法 | |
| CN114693151A (zh) | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 | |
| Ge | The application of the wireless sensor network on port wharf structure health monitoring | |
| Li et al. | Damage Identification of Mooring System for Offshore Structure with Automated Machine Learning | |
| Kaliyaperumal et al. | Design, analysis and installation of offshore instrumented moored data buoy system | |
| CN117744454B (zh) | 一种海工结构的等效冲刷深度预测方法及*** | |
| Aliev et al. | Digital technology and systems for generating and analyzing information from deep strata of the Earth for the purpose of interference monitoring of the technical state of major structures | |
| Chen et al. | Application of BP artificial neural network in structure damage identification | |
| CN215340149U (zh) | 一种海上风电场海缆故障位置定位*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |