CN116202492A - 一种基于高低频分离的随船波浪测量方法 - Google Patents
一种基于高低频分离的随船波浪测量方法 Download PDFInfo
- Publication number
- CN116202492A CN116202492A CN202310182079.3A CN202310182079A CN116202492A CN 116202492 A CN116202492 A CN 116202492A CN 202310182079 A CN202310182079 A CN 202310182079A CN 116202492 A CN116202492 A CN 116202492A
- Authority
- CN
- China
- Prior art keywords
- frequency
- low
- platform
- wave
- neural network
- 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
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
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Fluid Mechanics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提供一种基于高低频分离的随船波浪测量方法,包括:开展针对浮式海洋平台的水动力模型实验,建立海洋工程模型试验数据集,对数据集中的数据进行预处理;建立波面升高线性计算模型,进行波面升高线性推算;将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络;实时监测训练过程,分别选取各自表现最优的神经网络参数,分别作为计算真实波面升高的高频计算模型和低频计算模型;将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,得到浮式平台所在位置处的真实波面升高。
Description
技术领域
本发明涉及船舶与海洋工程技术领域,具体地,涉及一种基于高低频分离的随船波浪测量方法。
背景技术
随着近年来复杂的深海环境条件及超强台风的频繁出现对深海装备的安全性提出了严重挑战,对海洋环境波浪,特别是极端波浪的测量对我国海洋仪器装备研发、深海探测、海洋资源利用等方面具有十分重要的意义。然而,目前常规的波浪测量手段在此方面均存在一定局限性,亟需开展海洋环境波浪测量新技术的研发。
目前,海洋结构物周围波浪信息的测量主要利用固定在结构物舷侧的测波雷达实现,然而这种测量方法获取的是测量位置处的平台气隙响应,除了入射波信息外,其中包含了平台自身运动因素以及波浪-结构物相互作用过程中的复杂非线性因素,存在精度不高的问题。
因此,需要开发一种利用高低频分离提升波浪测量精度,并且利用数据驱动和深度学习的方法实现随船波浪精确测量的方法。
发明内容
针对现有技术中的缺陷,本发明的目的在于提供一种可实现对浮式海洋平台所在位置波面升高精确测量的基于高低频分离的随船波浪测量方法。
为解决上述问题,本发明的技术方案为:
一种基于高低频分离的随船波浪测量方法,包括以下步骤:
开展针对浮式海洋平台的水动力模型实验,建立海洋工程模型试验数据集,对数据集中的数据进行预处理;
建立波面升高线性计算模型,进行波面升高线性推算;
将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络;
实时监测训练过程,对高频部分神经网络和低频部分神经网络的各参数和超参数开展敏感性分析,分别选取各自表现最优的神经网络参数,分别作为计算真实波面升高的高频计算模型和低频计算模型;
将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,结合高频和低频神经网络模型的计算结果得到浮式平台所在位置处的真实波面升高。
优选地,所述模型试验数据包括平台六自由度运动响应数据、测点处相对波面升高数据以及入射波数据,所述数据预处理包括不规则波试验中测得的相对波面升高时历、平台六自由度运动响应时历以及入射波时历。
优选地,所述平台六自由度运动响应数据包括纵荡、横荡和垂荡三个线运动以及横摇、纵摇和艏摇三个角运动。
优选地,所述建立波面升高线性计算模型,进行波面升高线性推算的步骤具体包括:建立波面升高线性计算模型,通过平台六自由度运动计算相对波面升高测点所在位置处垂向运动,结合测得相对波面升高对该位置波面升高进行线性推算。
优选地,根据平台六自由度运动响应以及气隙测点位置(Xp,Yp,Zp)与平台中心位置处(Xc,Yc,Zc)的相对坐标,利用空间运动坐标转换计算公式计算测点位置处的垂向位移,计算公式为:
优选地,利用计算的测点位置处垂向位移,结合该位置气隙响应数据,经过数据同步后,根据线性方法推算出该位置的波面升高,推算公式为:其中,a0表示所述平台在静水状态下的气隙值,at(t)表示所述平台的动态气隙响应,λ表示平台在波浪作用下其横摇和纵摇角对波浪测量带来的影响系数,λ计算公式为:
优选地,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络的步骤具体包括:对波面升高线性推算结果进行高低频分离处理将波面升高线性推算分解为高频部分和低频部分,对六自由度运动响应进行高低频分离处理将运动响应分解为高频部分和低频部分,对入射波时历进行高低频分离处理将入射波分解为高频部分和低频部分。
优选地,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络的步骤具体还包括:建立低频部分的人工神经网络,以波面升高线性推算低频信号和平台六自由度运动低频响应为输入,以模型试验的入射波低频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重。
优选地,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的人工神经网络的步骤具体还包括:建立高频部分的人工神经网络,以波面升高线性推算高频信号和平台六自由度运动高频响应为输入,以模型试验的入射波高频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重。
优选地,所述将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,结合高频和低频神经网络模型的计算结果得到浮式平台所在位置处的真实波面升高的步骤具体包括:分别将浮式海洋平台的实时运动响应数据和气隙响应数据进行高低频分离,将低频信号传入低频神经网络模型,将高频信号传入高频神经网络模型,经过推算并将结果相加,得到浮式平台所在位置处的真实波面升高。
与现有技术相比,本发明方法利用浮式海洋平台水动力模型试验数据,基于高低频分离方法,分别建立高频和低频部分的人工神经网络,从而对影响波面升高测量精度的波浪-结构物非线性效应进行实时解算,实现对浮式海洋平台所在位置波面升高的精确测量。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例提供的基于高低频分离的随船波浪测量方法流程框图;
图2为本发明实施例提供的基于高低频分离的随船波浪测量方法示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
具体地,本发明提供一种基于高低频分离的随船波浪测量方法,如图1和图2所示,所述方法包括以下步骤:
S1:开展针对浮式海洋平台的水动力模型实验,建立海洋工程模型试验数据集,对数据集中的数据进行预处理;
具体地,开展针对浮式海洋平台的水动力模型实验,建立海洋工程模型试验数据集,对数据集中的数据进行预处理1,所述数据预处理1主要包括不规则波试验中测得的相对波面升高时历4、平台六自由度运动响应时历3以及入射波时历2。
所述平台六自由度运动响应数据包括纵荡、横荡和垂荡三个线运动以及横摇、纵摇和艏摇三个角运动。
S2:建立波面升高线性计算模型,进行波面升高线性推算;
建立波面升高线性计算模型,通过平台六自由度运动计算相对波面升高测点所在位置处垂向运动5,结合测得相对波面升高对该位置波面升高进行线性推算6;
具体地,根据平台六自由度运动响应以及气隙测点位置(Xp,Yp,Zp)与平台中心位置处(Xc,Yc,Zc)的相对坐标,利用空间运动坐标转换计算公式计算测点位置处的垂向位移,计算公式为:其中Surgep,Swayp,Heavep和Surgec,Swayc,Heavec分别表示气隙测点位置和平台重心位置处的纵荡、横荡和垂荡运动,转换矩阵M表示为:
进一步地,利用计算的测点位置处垂向位移,结合该位置气隙响应数据,经过数据同步后,根据线性方法推算出该位置的波面升高,推算公式为:其中,a0表示所述平台在静水状态下的气隙值,at(t)表示所述平台的动态气隙响应,λ表示平台在波浪作用下其横摇和纵摇角对波浪测量带来的影响系数,可由下式进一步计算得到:/>
S3:将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络;
具体地,对波面升高线性推算结果进行高低频分离处理7,将波面升高线性推算分解为高频部分和低频部分;对六自由度运动响应进行高低频分离处理8,将运动响应分解为高频部分和低频部分;对入射波时历进行高低频分离处理9,将入射波分解为高频部分和低频部分;
建立低频部分的人工神经网络10,以波面升高线性推算低频信号和平台六自由度运动低频响应为输入,以模型试验的入射波低频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重12。
建立高频部分的人工神经网络11,以波面升高线性推算高频信号和平台六自由度运动高频响应为输入,以模型试验的入射波高频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重12。
S4:实时监测训练过程,对高频部分神经网络和低频部分神经网络的各参数和超参数开展敏感性分析,分别选取各自表现最优的神经网络参数,分别作为计算真实波面升高的高频计算模型和低频计算模型;
S5:将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,结合高频和低频神经网络模型的计算结果得到浮式平台所在位置处的真实波面升高。
具体地,根据训练好的低频计算模型和高频计算模型,分别将浮式海洋平台的实时运动响应数据和气隙响应数据进行高低频分离,将低频信号传入低频计算模型14,将高频信号传入高频计算模型13,经过推算并将结果相加,得到浮式平台所在位置处的真实波面升高。
与现有技术相比,本发明方法利用浮式海洋平台水动力模型试验数据,基于高低频分离方法,分别建立高频和低频部分的人工神经网络,从而对影响波面升高测量精度的波浪-结构物非线性效应进行实时解算,实现对浮式海洋平台所在位置波面升高的精确测量。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于高低频分离的随船波浪测量方法,其特征在于,所述方法包括以下步骤:
开展针对浮式海洋平台的水动力模型实验,建立海洋工程模型试验数据集,对数据集中的数据进行预处理;
建立波面升高线性计算模型,进行波面升高线性推算;
将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络;
实时监测训练过程,对高频部分神经网络和低频部分神经网络的各参数和超参数开展敏感性分析,分别选取各自表现最优的神经网络参数,分别作为计算真实波面升高的高频计算模型和低频计算模型;
将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,结合高频和低频神经网络模型的计算结果得到浮式平台所在位置处的真实波面升高。
2.根据权利要求1所述的基于高低频分离的随船波浪测量方法,其特征在于,所述模型试验数据包括平台六自由度运动响应数据、测点处相对波面升高数据以及入射波数据。
3.根据权利要求2所述的基于高低频分离的随船波浪测量方法,其特征在于,所述平台六自由度运动响应数据包括纵荡、横荡和垂荡三个线运动以及横摇、纵摇和艏摇三个角运动。
4.根据权利要求1所述的基于高低频分离的随船波浪测量方法,其特征在于,所述建立波面升高线性计算模型,进行波面升高线性推算的步骤具体包括:建立波面升高线性计算模型,通过平台六自由度运动计算相对波面升高测点所在位置处垂向运动,结合测得相对波面升高对该位置波面升高进行线性推算。
7.根据权利要求1所述的基于高低频分离的随船波浪测量方法,其特征在于,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络的步骤具体包括:对波面升高线性推算结果进行高低频分离处理将波面升高线性推算分解为高频部分和低频部分,对六自由度运动响应进行高低频分离处理将运动响应分解为高频部分和低频部分,对入射波时历进行高低频分离处理将入射波分解为高频部分和低频部分。
8.根据权利要求7所述的基于高低频分离的随船波浪测量方法,其特征在于,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的神经网络的步骤具体还包括:建立低频部分的人工神经网络,以波面升高线性推算低频信号和平台六自由度运动低频响应为输入,以模型试验的入射波低频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重。
9.根据权利要求7所述的基于高低频分离的随船波浪测量方法,其特征在于,所述将波面升高线性推算结果和平台六自由度运动响应分别进行高低频分离,将信号分解为高频信号和低频信号,并分别建立处理高频数据和低频数据的人工神经网络的步骤具体还包括:建立高频部分的人工神经网络,以波面升高线性推算高频信号和平台六自由度运动高频响应为输入,以模型试验的入射波高频信号为目标值,计算损失函数并利用优化算法进行监督学习,更新神经网络模型权重。
10.根据权利要求1所述的基于高低频分离的随船波浪测量方法,其特征在于,所述将浮式海洋平台所处位置处的实时运动响应数据和气隙响应数据经过高低频分离后分别输入高频神经网络模型和低频神经网络模型,结合高频和低频神经网络模型的计算结果得到浮式平台所在位置处的真实波面升高的步骤具体包括:分别将浮式海洋平台的实时运动响应数据和气隙响应数据进行高低频分离,将低频信号传入低频神经网络模型,将高频信号传入高频神经网络模型,经过推算并将结果相加,得到浮式平台所在位置处的真实波面升高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182079.3A CN116202492A (zh) | 2023-02-27 | 2023-02-27 | 一种基于高低频分离的随船波浪测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182079.3A CN116202492A (zh) | 2023-02-27 | 2023-02-27 | 一种基于高低频分离的随船波浪测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116202492A true CN116202492A (zh) | 2023-06-02 |
Family
ID=86512540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310182079.3A Pending CN116202492A (zh) | 2023-02-27 | 2023-02-27 | 一种基于高低频分离的随船波浪测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116202492A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851760A (zh) * | 2024-03-07 | 2024-04-09 | 青岛哈尔滨工程大学创新发展中心 | 一种基于频带预处理的波浪智能预报模型优化方法及*** |
-
2023
- 2023-02-27 CN CN202310182079.3A patent/CN116202492A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851760A (zh) * | 2024-03-07 | 2024-04-09 | 青岛哈尔滨工程大学创新发展中心 | 一种基于频带预处理的波浪智能预报模型优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109900256B (zh) | 一种自适应海洋移动声层析***和方法 | |
CN107145647B (zh) | 一种船舶海面风速、风向测量数据偏差校正方法 | |
CN111241740B (zh) | 一种fpso软刚臂受力快速准确的计算方法 | |
CN112598113A (zh) | 一种基于自组织竞争型神经网络的海洋声速剖面获取方法 | |
CN109345875A (zh) | 一种提高船舶自动识别***测量精度的估计方法 | |
CN108008099A (zh) | 一种污染源定位方法 | |
CN116202492A (zh) | 一种基于高低频分离的随船波浪测量方法 | |
CN116502478B (zh) | 一种基于海底地形监测的自提升平台下桩辅助决策方法 | |
CN110457795A (zh) | 基于神经网络的高层建筑物风致位移状态评估方法 | |
CN109579850A (zh) | 基于对水速度辅助惯导的深水智能导航方法 | |
CN109738902A (zh) | 一种基于同步信标模式的水下高速目标高精度自主声学导航方法 | |
CN1776555A (zh) | 基于模糊自适应算法的船舶动力定位控制方法 | |
Jiao et al. | Predictions of wave induced ship motions and loads by large-scale model measurement at sea and numerical analysis | |
CN110703205A (zh) | 基于自适应无迹卡尔曼滤波的超短基线定位方法 | |
CN114692520A (zh) | 一种面向多场景的无人艇虚拟仿真测试平台及测试方法 | |
CN116242584A (zh) | 基于bp神经网络的浮式海洋平台随船波浪测量装置 | |
CN116805028B (zh) | 一种基于浮体运动响应的波面反演方法及*** | |
Yao et al. | Motion and load prediction of floating platform in South China Sea using deep learning and prototype monitoring information | |
Cademartori et al. | A review on ship motions and quiescent periods prediction models | |
Mu et al. | Time-varying encounter angle trajectory tracking control of unmanned surface vehicle based on wave modeling | |
CN116242323A (zh) | 一种浮式海洋平台随船波浪测量方法 | |
CN114218860A (zh) | 一种基于机器学习的激光雷达测风运动补偿方法和*** | |
CN110767322B (zh) | 一种基于响应面模型的海洋浮式平台热点应力推算方法 | |
Bisinotto et al. | Assessment of Sea State Estimation With Convolutional Neural Networks Based on the Motion of a Moored FPSO Subjected to High-Frequency Wave Excitation | |
Xu et al. | Prediction of Total Force and Moment of Ship Based on Improved BP Neural Network |
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 |