CN115540828A - 一种基于壁面传感器的内波预报方法 - Google Patents
一种基于壁面传感器的内波预报方法 Download PDFInfo
- Publication number
- CN115540828A CN115540828A CN202211115616.4A CN202211115616A CN115540828A CN 115540828 A CN115540828 A CN 115540828A CN 202211115616 A CN202211115616 A CN 202211115616A CN 115540828 A CN115540828 A CN 115540828A
- Authority
- CN
- China
- Prior art keywords
- wave
- data
- internal
- wall
- internal wave
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000005514 two-phase flow Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于壁面传感器的内波预报方法,首先获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率等参数;将内波参数带入数值求解器中求解DJL方程,构建内波的初始流场;在Fluent中进行计算设置;在航行体壁面上布置传感器测点并传输数据,在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存;采用卷积神经网络,将输入的数据转化为双通道图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据;将航行体相对波谷的坐标和波幅作为标签;最终对卷积神经网络进行训练,训练完成后实现对内波的预报。本发明能够实现通过传感器对内孤立波的实时预报,对保证航行体的安全运行有极大的工程应用价值。
Description
技术领域
本发明属于水下探测技术领域,具体涉及一种内波预报方法。
背景技术
内孤立波在海洋中普遍存在,其波幅可达150米,波长绵延数公里,但是在水面上仅能显示出微弱的起伏,不易察觉。当水下航行器遭遇内孤立波时,将在短时间内被拉下或卷起,改变水下航行器的运动轨迹,极易导致水下航行器的“坠毁”,因此给水下航行器的运行带来了严重威胁。
目前针对内孤立波的预测主要有两种方法,卫星遥感技术和区域观测。利用合成孔径雷达进行内孤立波的预报是目前最常采用的方法,具体的原理如下:内孤立波本身的剪切流场会调制海面波,这会引起海洋表面的辐聚和辐散,从而改变了海面的粗糙度,这在SAR遥感图像中会显示出明暗相间的条纹,因此内波预报的重点就在于如何在图像中识别这些条纹。对于区域观测,常常借助温深仪和各种快速密集取样调查仪器,借助考察船进行定点观测,由于内波的形成与地形、潮汐等有关,因此通过长期观测可以得到该区域内波的产生规律,为内孤立波的预报提出一定的参考。然而,对于上述的两种预报方法,存在着以下的不足:
(1)对于遥感图像预报,由于全球海域面积广阔,很难同时处理海量的图像数据,其次由于拍摄的图像质量很难保证,很多时候明暗条纹并不明显,这对图像处理的方法提出了挑战。
(2)对于区域观测,需要的时间过长,因此投入的财力物力巨大。另外,该方法研究的区域面积有限,只能给出固定位置的内波产生规律。
发明内容
为了克服现有技术的不足,本发明提供了一种基于壁面传感器的内波预报方法,首先获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率等参数;将内波参数带入数值求解器中求解DJL方程,构建内波的初始流场;在Fluent中进行计算设置;在航行体壁面上布置传感器测点并传输数据,在Fluent 中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存;采用卷积神经网络,将输入的数据转化为双通道图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据;将航行体相对波谷的坐标和波幅作为标签;最终对卷积神经网络进行训练,训练完成后实现对内波的预报。本发明能够实现通过传感器对内孤立波的实时预报,对保证航行体的安全运行有极大的工程应用价值。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1:获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数;
步骤2:将步骤1获得的内波参数带入数值求解器中求解DJL方程,构建内波的初始流场;
步骤3:根据设定的计算域通过网格生成软件划分网格;
步骤4:制作Fluent进程文件;
步骤5:在Fluent中进行计算设置,包括物理模型的选取、参数的设定;
步骤6:在航行体壁面上布置传感器测点并传输数据,在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存;
步骤7:编写批处理bat文件,在一个算例计算完成后自动进行下一个算例的计算;
步骤8:将步骤6得到的ASCII数据转化成一个列表,提取出需要位置的参数,转化为二维矩阵;对于多个算例,整合成一个三维张量作为卷积神经网络的输入数据储存;
步骤9:采用卷积神经网络,将输入的数据转化为双通道图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据;将航行体相对波谷的坐标和波幅作为标签;
步骤10:对卷积神经网络进行训练,训练完成后实现对内波的预报。
优选地,所述步骤2具体如下:
求解DJL方程获得内波的流场数据,密度连续分层下全非线性DJL方程表示如下:
其中:η为垂向位移,H代表数值水槽的水深,c代表波速,z代表纵向坐标,N代表浮频率;
其中,ρ1和ρ2分别代表上下层的密度,zpyc是密跃层中心位置,dpyc是密跃层厚度的一半;当上述参数都被确定时,造波时还要考虑有效势能APE,当改变APE时,内波的波幅波长都随之而改变:
其中l代表计算域长度,H1代表计算域宽度,g代表重力加速度。
优选地,所述网格生成软件为ICEM。
优选地,所述步骤5中物理模型的选取具体如下:
内波的湍流模型采用标准k-ε模型;壁面函数采用标准壁面函数;在对连续密度分层模拟时,采用两相流模型mixture来代替;对航行器进行六自由度运动模拟时,开启6DOF模型;对流和扩散项的梯度模型采用least-squares-cell-based法;采用二阶迎风格式求解湍流的动量、体积分数、湍动能和湍耗散率;时间离散采用二阶隐式格式。
优选地,所述卷积神经网络为ResNet、AlexNet、VGGNet、GoogleLeNet之一。
优选地,卷积神经网络训练时采用的优化器为Adam优化器。
本发明的有益效果如下:
本发明在水下航行体遭遇内孤立波时,能够实现通过传感器监测到的水动力信号对内孤立波的实时预报,对保证航行体的安全运行有极大的工程应用价值。
附图说明
图1为本发明流程图。
图2为本发明实施例表示求解DJL方程获得的流场图。
图3为本发明实施例表示航行体的周围计算网格图。
图4为为本发明实施例内波与航行体相对的x位置预测结果。
图5为为本发明实施例内波与航行体相对的y位置预测结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
针对现有技术预报方法的不足,本发明提出了一种全新的基于传感器的内波预报方法,以解决内孤立波的实时预报问题,是对内波预报方法的重要补充。
一种基于壁面传感器的内波预报方法,包括如下步骤:
步骤1:获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数;
步骤2:将步骤1获得的内波参数带入数值求解器中求解DJL方程,构建内波的初始流场;
步骤3:根据设定的计算域通过网格生成软件划分网格;
步骤4:制作Fluent进程文件;
步骤5:在Fluent中进行计算设置,包括物理模型的选取、参数的设定;
步骤6:在航行体壁面上布置传感器测点并传输数据,在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存;
步骤7:编写批处理bat文件,在一个算例计算完成后自动进行下一个算例的计算;
步骤8:将步骤6得到的ASCII数据转化成一个列表,提取出需要位置的参数,转化为二维矩阵;对于多个算例,整合成一个三维张量作为卷积神经网络的输入数据储存;
步骤9:采用卷积神经网络,将输入的数据转化为双通道图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据;将航行体相对波谷的坐标和波幅作为标签;
步骤10:对卷积神经网络进行训练,训练完成后实现对内波的预报。
具体实施例:
1、由于海洋内波随时间和空间随机的变化,因此需要在较长时间内快速密集地取样。观测中最常用的是能同时兼测温度、电导率和深度等的锚系自容式海流计或者同时测温度、盐度和深度的仪器。观测的时间通常持续数月,此方式可以获得实际海洋情况下的内波数据。在本发明中,观测数据的来源可以通过有关单位获取或者通过现有的发表文献中获取。将真实的层化海洋结构看成三层的三明治结构,分别为上下层密度相对稳定的区域和中间的密跃层区域。在进行数据处理中,最重要的测量上下层的密度值、密度跃层的厚度以及密度跃层中心所在位置等参数,密度跃层的厚度可以通过浮频率的分布得到。
2、根据观测或者文献获得到当地海域内波参数后,可以通过求解DJL方程获得内波的流场数据,密度连续分层下全非线性DJL方程表示如下:
η=0 at|x|→∞
其中:η为垂向位移,H代表数值水槽的水深,c代表波速,z代表纵向坐标, N代表浮频率。
上述的ρ1和ρ2分别代表上下层的密度,zpyc是密跃层中心位置,dpyc是密跃层厚度的一半。当上述参数都被确定时,造波时还要考虑有效效势能APE,当改变APE时,内波的波幅波长都随之而改变。
其中l代表计算域长度,H代表计算域宽度,g代表重力加速度,z代表竖直方向的笛卡尔坐标。
3、在完成步骤2后,此时获得了多个所需的内孤立波流场数据,为了后续的CFD 计算过程,此时需要根据设定的计算域大小划分网格。在进行CFD计算时,由于要对航行体的运动进行仿真,因此需要考虑重叠网格,最终需要通过网格生成软件ICEM 进行网格划分,最终获得前景网格与背景网格。
4、Fluent的进程文件(Journal File)后缀为.jou,它是Fluent的命令集合,内容利用Scheme语言写成。本方法通过在图形界面中设置各项求解参数,***会自动记录求解的设置,通过操作和命令的输入,自动生成进程文件。单击Fluent界面下File→ Write→Start Journal命令,此时***开始记录进程文件,此时进行相关的设置,当设置完成后,点击Stop Journal,此时会终止进程。此步骤的生成为后续批量计算提供了可能,在改变相应参数进行模拟时只需改变.jou文件中的某个数就可达成。
5、在进程文件开始记录后,此时在Fluent进行相关的计算设置。在本计算中湍流模型采用标准k-ε模型,标准k-ε模型是在工业应用中被广泛使用的模型,其计算收敛性与精确性都十分符合工程计算的要求。由于本问题属于高雷诺数问题,因此壁面函数采用标准壁面函数。在对连续密度分层模拟时,采用两相流模型mixture来代替。对航行器进行六自由度运动模拟时,开启6DOF模型。初始化时流场数据选择步骤2获得的DJL内波场的数据,通过Fluent可以识别的ip文件形式进行插值到Fluent进行流场初始化。对于计算方法的选择,对流和扩散项的梯度模型采用least-squares-cell- based法。PRESTO!格式用于在单元表面插值压力。采用二阶迎风格式求解湍流的动量、体积分数、湍动能和湍耗散率。时间离散采用二阶隐式格式。上述方案保证了计算的二阶精度。
6、该步骤需要在航行体壁面上布置相应的传感器并进行数据传输,通过在Fluent的export命令将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存。没一个时间步保存一次,由于ASCII格式的文件所占内存很小,因此该方法是可行的。由于在保存的过程中每个节点都有对应的笛卡尔坐标,因此很容易找到相应的传感器位置。此外,当航行体发生偏转时,这些节点在ASCII文件中的相对位置是不发生改变的,因此只需要在一开始就确定好位置,后续的提取工作可以通过python后处理程序进行处理。
7、上述的CFD计算过程只是针对一个算例,而机器学习需要大规模数据进行训练,因此多个case的计算是需要的。此时bat批处理就极其重要,它可以在一个算例计算完成后自动进行下一个case的计算,从而实现计算机的不间断工作,这极大的节省了时间。当双击批处理文件时,***就会调用cmd.exe按照该文件中各个命令出现的顺序逐个的运行他们。
8、当批处理程序运行完成后,所有case计算产生的ASCII文件全部被保存在文件夹中,此时数据是杂乱的、冗余的,因此需要编写相应的python程序进行结果后处理。Python有强大的数据整合功能,此步骤运用python中的pandas库,将每一个ASCII 文件转化成一个列表,提取出需要位置的参数,转化为二维的矩阵,对于多个case,将他们整合成一个三维张量作为神经网络的输入数据储存起来。
9、上一步骤中,我们得到了输入数据,由于本方法采用的是监督学习过程,因此数据需要相应的标签,将航行体相对波谷的坐标,波幅等作为标签给定。在训练之前给定固定的种子,在numpy中进行随机打乱。在进行神经网络的搭建时,由于卷积神经网络在提取图像特征上具有出色的表现,因此本发明采用卷积神经网络的方法。将输入的数转化为一个双通道的图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据。卷积神经网络包括卷积层、线性激活层、池化层以及全连接层等,本方法可以采用现有的成熟的深度学习框架进行搭建,如ResNet,AlexNet,VGGNet, GoogleLeNet等。
10、神经网络的训练过程需要选择合适的优化器,经过分析发现Adam具有实现简单、计算高效、能够自动调整学习率等,因此在很多情况下Adam算作默认的工作性能比较优秀的优化器,因此本发明采用Adam优化器。对有训练时epoch的数量,当数量过多时容易引发过拟合,而数量太少又会产生欠拟合,这都会对模型的预测产生影响,因此在进行选择时需要进行相应的敏感性分析,即选择合理的评价标准,对不同数量epoch下的预测结果进行分析,选择最优的epoch数量。
通过以上步骤,基于壁面传感器的水下航行体对内波的预报方法被提出,在水下航行体遭遇内孤立波时,实现通过传感器监测到的水动力信号对内孤立波的实时预报,这对保证航行体的安全运行有极大的工程应用价值。
Claims (6)
1.一种基于壁面传感器的内波预报方法,其特征在于,包括如下步骤:
步骤1:获取内波的密跃层厚度、密度跃层中心所在位置、上下层密度值、波幅、浮力频率参数;
步骤2:将步骤1获得的内波参数带入数值求解器中求解DJL方程,构建内波的初始流场;
步骤3:根据设定的计算域通过网格生成软件划分网格;
步骤4:制作Fluent进程文件;
步骤5:在Fluent中进行计算设置,包括物理模型的选取、参数的设定;
步骤6:在航行体壁面上布置传感器测点并传输数据,在Fluent中将节点上的压力和壁面剪应力上的数据以ASCII数据的形式保存;
步骤7:编写批处理bat文件,在一个算例计算完成后自动进行下一个算例的计算;
步骤8:将步骤6得到的ASCII数据转化成一个列表,提取出需要位置的参数,转化为二维矩阵;对于多个算例,整合成一个三维张量作为卷积神经网络的输入数据储存;
步骤9:采用卷积神经网络,将输入的数据转化为双通道图像格式,一个通道储存压力数据,另一个通道储存壁面剪应力数据;将航行体相对波谷的坐标和波幅作为标签;
步骤10:对卷积神经网络进行训练,训练完成后实现对内波的预报。
3.根据权利要求1所述的一种基于壁面传感器的内波预报方法,其特征在于,所述网格生成软件为ICEM。
4.根据权利要求1所述的一种基于壁面传感器的内波预报方法,其特征在于,所述步骤5中物理模型的选取具体如下:
内波的湍流模型采用标准k-ε模型;壁面函数采用标准壁面函数;在对连续密度分层模拟时,采用两相流模型mixture来代替;对航行器进行六自由度运动模拟时,开启6DOF模型;对流和扩散项的梯度模型采用least-squares-cell-based法;采用二阶迎风格式求解湍流的动量、体积分数、湍动能和湍耗散率;时间离散采用二阶隐式格式。
5.根据权利要求1所述的一种基于壁面传感器的内波预报方法,其特征在于,所述卷积神经网络为ResNet、AlexNet、VGGNet、GoogleLeNet之一。
6.根据权利要求1所述的一种基于壁面传感器的内波预报方法,其特征在于,卷积神经网络训练时采用的优化器为Adam优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211115616.4A CN115540828A (zh) | 2022-09-14 | 2022-09-14 | 一种基于壁面传感器的内波预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211115616.4A CN115540828A (zh) | 2022-09-14 | 2022-09-14 | 一种基于壁面传感器的内波预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115540828A true CN115540828A (zh) | 2022-12-30 |
Family
ID=84728093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211115616.4A Pending CN115540828A (zh) | 2022-09-14 | 2022-09-14 | 一种基于壁面传感器的内波预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115540828A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313587A (zh) * | 2023-11-28 | 2023-12-29 | 西北工业大学 | 一种内孤立波与背景剪切流相互作用模拟方法及其*** |
CN117521556A (zh) * | 2023-11-27 | 2024-02-06 | 中国民用航空飞行学院 | 一种内孤立波影响下潜艇姿态预测方法 |
-
2022
- 2022-09-14 CN CN202211115616.4A patent/CN115540828A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521556A (zh) * | 2023-11-27 | 2024-02-06 | 中国民用航空飞行学院 | 一种内孤立波影响下潜艇姿态预测方法 |
CN117313587A (zh) * | 2023-11-28 | 2023-12-29 | 西北工业大学 | 一种内孤立波与背景剪切流相互作用模拟方法及其*** |
CN117313587B (zh) * | 2023-11-28 | 2024-02-06 | 西北工业大学 | 一种内孤立波与背景剪切流相互作用模拟方法及其*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230160939A1 (en) | Fault diagnosis method and apparatus for submarine cable, and device | |
CN115540828A (zh) | 一种基于壁面传感器的内波预报方法 | |
CN109543356A (zh) | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 | |
GB2547816A (en) | Actually-measured marine environment data assimilation method based on sequence recursive spare filtering three-dimensional variation | |
CN115082809B (zh) | 一种基于遥感影像大数据的潮滩演变监测新方法 | |
CN117198330B (zh) | 一种声源识别方法、***及电子设备 | |
CN113420440B (zh) | 一种基于海洋垂直结构的涡旋识别方法 | |
CN112949178A (zh) | 基于深度学习的海面风场风速智能预测预报***、计算机设备、存储介质 | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能*** | |
Janas et al. | Application of a convolutional neural network for mooring failure identification | |
CN106777949B (zh) | 一种基于再分析数据的海浪波向的长期趋势预测方法 | |
Song et al. | A review of artificial intelligence in marine science | |
CN105022856B (zh) | 预测高弯度曲流河储层内部结构的储层建模方法 | |
CN117076893B (zh) | 一种基于长短期记忆神经网络的声速分布预报方法 | |
Romano-Moreno et al. | Wave downscaling strategies for practical wave agitation studies in harbours | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
Donne et al. | Wave height quantification using land based seismic data with grammatical evolution | |
CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及*** | |
Kulik et al. | Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery | |
JP2021189134A (ja) | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 | |
CN111428420A (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
Du et al. | Neural network models for seabed stability: a deep learning approach to wave-induced pore pressure prediction | |
JP7499137B2 (ja) | 地震時諸現象統合評価モデル生成方法、地震時諸現象統合評価モデル生成装置、地震時諸現象統合評価方法、及び、地震時諸現象統合評価装置 |
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 |