章 亮 俞孟蕻 袁 偉

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212100）

1 引言

疏浚工程是在水下利用特定的機(jī)械挖掘泥沙、沙子或巖石，以擴(kuò)大和加深挖掘區(qū)域。在國家的大力支持下，耙吸式挖泥船以其自航、自挖、自裝、自卸等優(yōu)點在疏浚工程建設(shè)中發(fā)揮著重要作用。人們對耙吸式挖泥船的性能、效率、自動化水平和環(huán)保水平有越來越高的要求。提高挖泥船的性能和效率已成為挖泥船工作的重點［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陸。如長江口區(qū)域圈圍工程，斯里蘭卡科倫坡南港集裝箱碼頭工程和科特迪瓦阿比讓港口擴(kuò)建項目。耙吸挖泥船艏吹作業(yè)方式在疏浚工程中得到了廣泛的應(yīng)用［6～8］。

但是針對兩流的復(fù)雜性，艏吹的機(jī)理復(fù)雜性，影響艏吹的控制因素眾多，難以對艏吹進(jìn)行機(jī)理分析和準(zhǔn)確預(yù)測。江帥等［9］分析了耙吸挖泥艏吹工業(yè)過程，并推薦了泥泵輸送揚(yáng)程-流量特性公式以及管道輸送摩阻損失經(jīng)驗公式。李明志等［10］開發(fā)了基于基礎(chǔ)數(shù)據(jù)庫、面向工程、結(jié)合各種常用計算方法的耙式吸式挖泥船艏樓吹氣計算分析軟件，并用工程數(shù)據(jù)進(jìn)行了驗證。為此本文提出了一種基于Nadam 優(yōu)化算法的多層門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（GRU）對耙吸挖泥船艏吹產(chǎn)量進(jìn)行預(yù)測，如圖2 所示。

2 耙吸挖泥船艏吹作業(yè)過程

自航耙吸挖泥船的艏吹過程主要由泥艙、泥泵和管道三個部分組成，艏吹的管道如圖1 所示。自航耙吸挖泥船在裝泥點將泥沙裝入泥艙運(yùn)送到卸泥點，打開海底引水閥，將海水引入管道，疏通管道。打開高壓沖水裝置，并利用液壓裝置打開抽艙門讓泥沙混合物進(jìn)入抽艙管道，和海水混合，利用泥泵將吸入泥漿進(jìn)入艏吹口。艏吹口和管道連接到卸泥點，管道長度在1000m左右。這個過程是一個非常復(fù)雜的過程，它需要控制7組14個抽艙門的開啟度，泥泵、高壓沖水泵的轉(zhuǎn)速等，同時還要考慮管道的固液兩相流等問題，因此很難直接觀察這一過程這個過程是一個非常復(fù)雜的過程，它需要控制7 組14 個抽艙門的開啟度，泥泵、高壓沖水泵的轉(zhuǎn)速等，同時還要考慮管道的固液兩相流等問題，因此很難直接觀察這一過程。

圖1 耙吸挖泥船

圖2 流程圖

根據(jù)實際經(jīng)驗分析，對于同一艘耙吸式挖泥船來說，艏吹的排泥管道的泥沙混合物密度和流量決定艏吹疏浚實際產(chǎn)量。挖泥船產(chǎn)量可以表示為：

其中：Qs為產(chǎn)量，Qm為泥漿體積流量，Cvd為固體輸送體積濃度。

在實際情況中泥沙的粒徑、工作的環(huán)境對于艏吹的產(chǎn)量預(yù)測都會有很大的影響，因此，作業(yè)數(shù)據(jù)的分析和建模也有其局限性。本文僅分析相同挖泥條件下抽艙門開度、抽艙門的開度、泥泵的轉(zhuǎn)速、海底引水閥的開度、沖洗策略等的工作狀態(tài)對艏吹產(chǎn)量的影響，如圖3所示。

圖3 抽艙模型

3 艏吹產(chǎn)量預(yù)測模型

3.1 GRU神經(jīng)網(wǎng)絡(luò)原理

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對于時間序列的數(shù)據(jù)具有很好的處理能力，對非線性、多步預(yù)測問題可以取得很好的預(yù)測效果，因此采用循環(huán)神經(jīng)網(wǎng)絡(luò)對耙吸挖泥船進(jìn)行產(chǎn)量預(yù)測模型的構(gòu)建［10］。GRU 神經(jīng)網(wǎng)絡(luò)與普通的循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層結(jié)構(gòu)一樣，不同之處在于其隱含層的內(nèi)部結(jié)構(gòu)。GRU 神經(jīng)網(wǎng)絡(luò)引入了兩種門函數(shù)，即更新門和重置門［11～12］。

GRU網(wǎng)絡(luò)的前向傳播公式如下所示：

在上述公式中，Xt為隱含層的輸入、Ht是輸出，Yt為輸出層的輸出，而Rt是隱含層結(jié)構(gòu)中重置門輸出，Zt是更新門輸出，是候選記憶單元輸出。

3.2 Nadam優(yōu)化算法

Nadam（Nesterov-accelerated Adaptive Moment Estimation）就是將Adam 和Nesterov 的動量結(jié)合起來［9］，結(jié)合Adam 和NAG（Nesterov accelerated gradient），為了在Adam 中加入NAG，將NAG 梯度更新公式變?yōu)?/p>

4 實驗結(jié)果和分析

耙吸挖泥船艏吹產(chǎn)量預(yù)測模型的數(shù)據(jù)來自于2017 年11 月“新海虎8”號耙吸挖泥船在廈門港進(jìn)行作業(yè)時的施工數(shù)據(jù)。

模型通過對過去10 個時刻樣本數(shù)據(jù)的學(xué)習(xí)來對當(dāng)未來兩個時刻的耙吸挖泥船艏吹產(chǎn)量進(jìn)行預(yù)測。因為模型采用過去10 個時刻的樣本數(shù)據(jù)作為輸入，每個時刻樣本數(shù)據(jù)擁有18 個不同的參數(shù)，因此第一部分輸入層的節(jié)點個數(shù)為18；GRU 層節(jié)點數(shù)為256；模型輸出為流量與密度。對模型進(jìn)行分批訓(xùn)練，每批訓(xùn)練樣本數(shù)量為20 個，模型訓(xùn)練迭代次數(shù)為100。通過Nadam 優(yōu)化算法調(diào)整模型參數(shù)，降低損失函數(shù)。最后利用測試集數(shù)據(jù)進(jìn)行驗證，并且評價預(yù)測結(jié)果。

分別采用Adam 算法和Nadam 算法對優(yōu)化效果進(jìn)行比較。模型測試集和訓(xùn)練集的訓(xùn)練誤差遞減曲線如圖4 和圖5 所示。Nadam 算法和Adam 算法的損失函數(shù)值在前60 次迭代中減小，在以后的迭代中保持穩(wěn)定。經(jīng)過迭代，Nadam 算法基本穩(wěn)定，模型收斂。Nadam 算法比Adam 算法的誤差更小，訓(xùn)練效果更好。

圖4 測試集訓(xùn)練誤差下降曲線

建立模型后，將其與RNN 神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行比較，并分別進(jìn)行訓(xùn)練和測試。然后，從預(yù)測結(jié)果中隨機(jī)選取連續(xù)數(shù)據(jù)，并與實際值進(jìn)行比較。對比結(jié)果如圖6和圖7所示。

圖6 艏吹泥泵出口流量預(yù)測圖

圖7 艏吹泥泵出口濃度預(yù)測圖

從圖中可以清晰的看出GRU 預(yù)測模型預(yù)測效果更佳。神經(jīng)網(wǎng)絡(luò)模型基本學(xué)習(xí)到了耙吸挖泥船艏吹時7 組14 個抽艙門的開啟度，泥門的轉(zhuǎn)速，高壓沖水泵的轉(zhuǎn)速等和流量、濃度之間的規(guī)律，相較RNN 神經(jīng)網(wǎng)絡(luò)，GRU 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更接近實際值。

以均方根誤差（RMSE）和平均百分比誤差（MAPE）對模型進(jìn)行比較。RMSE 和MAPE 值越大，預(yù)測效果越差。

表1 通過比較兩種模型的均方根誤差和相對誤差值，可以清楚地看到，GRU 預(yù)測模型的誤差更小，預(yù)測效果更準(zhǔn)確。

表1 艏吹產(chǎn)量預(yù)測誤差

5 結(jié)語

1）以大量數(shù)據(jù)為基礎(chǔ)，訓(xùn)練出來的GRU 神經(jīng)網(wǎng)絡(luò)比RNN 神經(jīng)網(wǎng)絡(luò)的RMSE 和MAPE 值更小，預(yù)測效果越好，可以更好地預(yù)測耙吸挖泥船艏吹泥泵出口處的流量和濃度，從而預(yù)測到泥泵出口處的產(chǎn)量。

2）以GRU 神經(jīng)網(wǎng)絡(luò)為優(yōu)化對象，Nadam 算法的優(yōu)化效果好于Adam算法，誤差更小，更穩(wěn)定。