于嵩松，曾二賢，劉文勛，胡 超，張大勇

1.中國(guó)電力工程顧問集團(tuán)中南電力設(shè)計(jì)院有限公司電網(wǎng)工程公司，湖北武漢 430071

2.大連理工大學(xué)工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室，遼寧大連 116023

交變冰力作用下的海洋工程結(jié)構(gòu)冰激振動(dòng)可能引發(fā)多種結(jié)構(gòu)風(fēng)險(xiǎn)，海冰管理是抵御海冰風(fēng)險(xiǎn)的有效手段。國(guó)際上一般采用海冰觀測(cè)、預(yù)測(cè)與結(jié)構(gòu)風(fēng)險(xiǎn)評(píng)價(jià)等方式指導(dǎo)破冰作業(yè)，以期減小海上生產(chǎn)作業(yè)中的海冰威脅?？紤]到我國(guó)海洋冰情環(huán)境的復(fù)雜性與經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰激振動(dòng)風(fēng)險(xiǎn)的特殊性[1-2]，準(zhǔn)確、快速的冰振風(fēng)險(xiǎn)預(yù)測(cè)已成為提升海冰管理效率的關(guān)鍵。

海冰在窄結(jié)構(gòu)前的破碎具有明顯的冰速效應(yīng)、尺寸效應(yīng)與離散性。現(xiàn)階段，局部海域的冰振風(fēng)險(xiǎn)預(yù)測(cè)研究大多采用理論分析手段[3-6]。數(shù)值模型中的初始條件、邊界條件、模型參數(shù)等輸入變量，網(wǎng)格劃分與算力限制，以及冰力模型的簡(jiǎn)化與假設(shè)都將導(dǎo)致理論模型在實(shí)際應(yīng)用中的不確定性。一些學(xué)者提出了統(tǒng)計(jì)預(yù)測(cè)方法[7-9]，然而影響海冰未來(lái)趨勢(shì)的變量較多，各變量之間存在復(fù)雜的非線性相關(guān)關(guān)系，很難建立一個(gè)定義良好的多變量統(tǒng)計(jì)模型。且由于海冰生消的復(fù)雜性，無(wú)論數(shù)值模型還是經(jīng)驗(yàn)?zāi)Ｐ投己茈y同時(shí)滿足局部海域短期冰情的預(yù)測(cè)精度與實(shí)效性需求。

智能計(jì)算作為非線性的動(dòng)態(tài)系統(tǒng)，通過對(duì)樣本的學(xué)習(xí)建立映射關(guān)系，在避免數(shù)值分析中的荷載簡(jiǎn)化與假設(shè)的同時(shí)，有效提升了計(jì)算效率，因此被廣泛應(yīng)用于控制、預(yù)警等對(duì)模型精度與時(shí)效性要求較高的領(lǐng)域[10-12]。本文將智能計(jì)算理論中的人工神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于區(qū)域海冰與經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振風(fēng)險(xiǎn)預(yù)報(bào)，基于現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)，通過建立冰況與環(huán)境信息之間的非線性關(guān)系，提出了一種結(jié)合氣象預(yù)報(bào)、現(xiàn)場(chǎng)監(jiān)測(cè)和反饋型神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振風(fēng)險(xiǎn)短期預(yù)測(cè)模型。該模型可提供約24 h 內(nèi)的結(jié)構(gòu)冰振響應(yīng)預(yù)報(bào)，其目的在于精準(zhǔn)預(yù)測(cè)由嚴(yán)峻冰情引起的經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振風(fēng)險(xiǎn)，以便及時(shí)開展破冰作業(yè)。

1 基于神經(jīng)網(wǎng)絡(luò)算法的冰振風(fēng)險(xiǎn)預(yù)測(cè)方法

人工神經(jīng)網(wǎng)絡(luò)究其本質(zhì)是一個(gè)由大量彼此連接的節(jié)點(diǎn)組成的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)的獨(dú)特結(jié)構(gòu)使其具有儲(chǔ)存知識(shí)和將習(xí)得知識(shí)進(jìn)行表達(dá)的能力。隨著神經(jīng)網(wǎng)絡(luò)算法研究的不斷深入，目前神經(jīng)網(wǎng)絡(luò)存在的模型已多達(dá)幾十種。以機(jī)器學(xué)習(xí)模型的層次與結(jié)構(gòu)劃分，可分為淺層學(xué)習(xí)模型與深度學(xué)習(xí)模型。淺層學(xué)習(xí)的特點(diǎn)在于依靠理論分析與工程經(jīng)驗(yàn)實(shí)現(xiàn)樣本特征的抽取（即預(yù)測(cè)模式與數(shù)據(jù)樣本的建立），神經(jīng)網(wǎng)絡(luò)模型更多負(fù)責(zé)數(shù)據(jù)的分類或預(yù)測(cè)，模型性能更多取決于對(duì)預(yù)測(cè)過程的充分理解[13]。深度學(xué)習(xí)的實(shí)質(zhì)是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，以實(shí)現(xiàn)數(shù)據(jù)特征的自學(xué)習(xí)，從而最終提升分類或預(yù)測(cè)的準(zhǔn)確性。深度學(xué)習(xí)模型具有更多的隱層節(jié)點(diǎn)，對(duì)學(xué)習(xí)的樣本復(fù)雜度要求更高。目前深度學(xué)習(xí)的理論研究還基本處于初步階段，數(shù)據(jù)樣本與計(jì)算資源的投入還不明確[13]?？紤]到冰振預(yù)測(cè)理論的研究進(jìn)展以及冰振預(yù)警計(jì)算資源的限制，本文將淺層神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)的冰振預(yù)測(cè)?，F(xiàn)階段，機(jī)器學(xué)習(xí)算法的發(fā)展已相對(duì)成熟，為實(shí)現(xiàn)智能計(jì)算在冰振預(yù)警中的應(yīng)用，其關(guān)鍵在于建立冰振風(fēng)險(xiǎn)預(yù)警模式，形成可供學(xué)習(xí)的數(shù)據(jù)樣本。

1.1 海冰風(fēng)險(xiǎn)預(yù)警模式

為實(shí)現(xiàn)冰振風(fēng)險(xiǎn)的有效預(yù)測(cè)，針對(duì)性提出了短期海冰風(fēng)險(xiǎn)預(yù)警模型。該預(yù)測(cè)模式結(jié)合了現(xiàn)場(chǎng)監(jiān)測(cè)、天氣預(yù)報(bào)和人工神經(jīng)網(wǎng)絡(luò)方法[14]。如圖1 所示，以氣象預(yù)報(bào)和冰厚、冰速、來(lái)冰方向等現(xiàn)場(chǎng)冰期監(jiān)測(cè)數(shù)據(jù)作為模型的輸入，提取實(shí)測(cè)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振響應(yīng)同步測(cè)量數(shù)據(jù)作為預(yù)測(cè)模型的輸出，建立冰振風(fēng)險(xiǎn)預(yù)測(cè)模型。在工程應(yīng)用中，可依據(jù)現(xiàn)場(chǎng)實(shí)時(shí)采集數(shù)據(jù)，結(jié)合振動(dòng)風(fēng)險(xiǎn)預(yù)警標(biāo)準(zhǔn)，基于模型預(yù)測(cè)值實(shí)現(xiàn)結(jié)構(gòu)冰振風(fēng)險(xiǎn)預(yù)警。采集的結(jié)構(gòu)冰振數(shù)據(jù)可進(jìn)一步用于預(yù)測(cè)模型的修正。

圖1 經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)海冰風(fēng)險(xiǎn)預(yù)警模式

需要說明的是，在本文的模型訓(xùn)練中，將采用現(xiàn)場(chǎng)監(jiān)測(cè)的樣本數(shù)據(jù)代替歷史天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，以避免由天氣預(yù)報(bào)誤差所引起的冰振風(fēng)險(xiǎn)預(yù)測(cè)的不確定性。

1.2 冰情、水文、氣象信息的同步采集

冰情信息是海冰預(yù)測(cè)所需要的重要參數(shù)，由于岸冰影響，局部海域冰情條件隨環(huán)境變化可能出現(xiàn)明顯差異。因此，開展基于現(xiàn)場(chǎng)監(jiān)測(cè)的冰情、環(huán)境要素的同步、連續(xù)測(cè)量是必要的?，F(xiàn)場(chǎng)冰情參數(shù)的連續(xù)測(cè)量一直是國(guó)內(nèi)外海冰研究領(lǐng)域的難點(diǎn)，本文采用畢祥軍[15]與季順迎[16]等開發(fā)的面向渤海冰情條件的圖像測(cè)量技術(shù)，依托高精度攝像頭可實(shí)現(xiàn)微小尺寸的精確測(cè)量，能夠較好地實(shí)現(xiàn)海冰要素與海冰破碎信息的精確獲取。如圖2 所示，將固定焦距的相機(jī)與已知大小的物體進(jìn)行標(biāo)定，得到被測(cè)物體長(zhǎng)度S與圖像上像素長(zhǎng)度s的比值n為：

圖2 海冰參數(shù)的圖像測(cè)量方法

測(cè)得的冰厚h和冰速v的表達(dá)式為：

式中：L為破冰長(zhǎng)度，cm；h'為冰層圖像像素厚度，cm；l為破冰長(zhǎng)度的圖像像素長(zhǎng)度；t為冰層通過破冰長(zhǎng)度的時(shí)間，s。

設(shè)定圖像X軸方向?yàn)?°，標(biāo)定點(diǎn)在開始和結(jié)束圖像中的坐標(biāo)分別為(x1,y1)、(x2,y2)，則可得海冰漂移方向?yàn)椋?/p>

雖然被測(cè)物體與透鏡之間的距離可能與校準(zhǔn)距離不完全相同，但這一距離遠(yuǎn)遠(yuǎn)大于破冰長(zhǎng)度和潮差。因此，其對(duì)測(cè)量結(jié)果的影響可以忽略不計(jì)。

在此基礎(chǔ)上，為實(shí)現(xiàn)海冰預(yù)警信息的完整采集，建立了一套現(xiàn)場(chǎng)多信息監(jiān)測(cè)系統(tǒng)，保證了數(shù)據(jù)采集的完備性、準(zhǔn)確性和可靠性。典型的單平臺(tái)多信息同步采集系統(tǒng)如圖3所示。氣象站在上層甲板記錄氣溫、風(fēng)速和風(fēng)向；在底層甲板邊緣上安裝視頻傳感器，采集平臺(tái)海域的冰厚、速度和方向信息。所有傳感器收集的數(shù)據(jù)被存儲(chǔ)在一個(gè)中心服務(wù)器中，開發(fā)的同步測(cè)量技術(shù)保證了數(shù)據(jù)的準(zhǔn)確性和可靠性。各要素的采集頻率與精度如表1所示。

表1 海冰風(fēng)險(xiǎn)監(jiān)測(cè)要素

圖3 海冰風(fēng)險(xiǎn)要素的多信息現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)

1.3 人工神經(jīng)網(wǎng)絡(luò)

海冰生消是一個(gè)十分復(fù)雜的非線性系統(tǒng)，冰期內(nèi)冰情的變化表現(xiàn)出隨時(shí)間變化的相關(guān)性，又存在氣象、水文條件劇烈變化下的波動(dòng)性。Elman神經(jīng)網(wǎng)絡(luò)作為反饋型神經(jīng)網(wǎng)絡(luò)，在結(jié)構(gòu)上增加了用于構(gòu)成局部反饋的連接層。連接層的延遲單元可以記憶過去的狀態(tài)，并在下一刻與網(wǎng)絡(luò)輸入一起作為隱含層的輸入，使網(wǎng)絡(luò)具有動(dòng)態(tài)記憶。當(dāng)網(wǎng)絡(luò)從初始狀態(tài)開始移動(dòng)時(shí)，網(wǎng)絡(luò)系統(tǒng)總是可以達(dá)到穩(wěn)定的平衡狀態(tài)，因此非常適合時(shí)間序列預(yù)測(cè)問題?？紤]區(qū)域冰情變化特點(diǎn)，本文選取Elman神經(jīng)網(wǎng)絡(luò)方法，開展經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振風(fēng)險(xiǎn)預(yù)測(cè)方法研究。

Elman 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層、承接層與輸出層四個(gè)部分組成，如圖4 所示。輸入層、隱含層和輸出層之間存在常規(guī)連接，隱含層和輸入層之間也存在循環(huán)連接[13,17]。承接層的神經(jīng)元通過接收隱含層神經(jīng)元的反饋信號(hào)來(lái)記住隱含層神經(jīng)元之前的輸出。然后將承接層神經(jīng)元的輸出經(jīng)過延遲和存儲(chǔ)后輸入到隱含層。這種方式使得Elman網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)變得敏感，增強(qiáng)了其對(duì)動(dòng)態(tài)信息的處理能力[18]。

圖4 Elman神經(jīng)網(wǎng)絡(luò)框架

在構(gòu)建Elman 神經(jīng)網(wǎng)絡(luò)模型中，設(shè)定網(wǎng)絡(luò)的外部序列為u(t)，反饋層輸出為yc(t)，網(wǎng)絡(luò)的輸出為y(t)，則網(wǎng)絡(luò)描述為：

式中：f1(·)和f2(·)分別是隱含層和輸出層的傳遞函數(shù)；W、H和A分別為輸入層至隱含層、反饋層至隱含層及隱含層至輸出層的連接權(quán)矩陣。

1.4 模型的訓(xùn)練與驗(yàn)證

神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練應(yīng)確定以下要素：網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)集預(yù)處理、訓(xùn)練算法和停止準(zhǔn)則。通過試錯(cuò)法確定連接層數(shù)、隱含層數(shù)和神經(jīng)元數(shù)。為了提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，在數(shù)據(jù)的預(yù)處理中使用Mapminmax 函數(shù)將樣本數(shù)據(jù)歸一化到[ymin,ymax]范圍內(nèi)。

利用Newelm 函數(shù)訓(xùn)練Elman 網(wǎng)絡(luò)模型，功能代碼可輸入如下：

完成訓(xùn)練過程后，利用試驗(yàn)樣本對(duì)海冰預(yù)報(bào)模型的性能進(jìn)行分析。測(cè)試樣本的輸入來(lái)自天氣預(yù)報(bào)、潮流表和現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)的歷史數(shù)據(jù)，Elman網(wǎng)絡(luò)模型將給出輸出。根據(jù)訓(xùn)練結(jié)果，模型平均預(yù)測(cè)誤差E的計(jì)算公式如下：

式中：n為測(cè)試樣本的數(shù)量，a和b分別表示實(shí)際輸出和模型的預(yù)測(cè)輸出。

2 經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振響應(yīng)預(yù)測(cè)

2.1 模型的輸入與輸出

多年監(jiān)測(cè)研究發(fā)現(xiàn)，冰激振動(dòng)所引發(fā)的導(dǎo)管架平臺(tái)管節(jié)點(diǎn)疲勞失效、上部設(shè)施失效以及作業(yè)人員健康損傷等相關(guān)問題風(fēng)險(xiǎn)性遠(yuǎn)大于承受極端荷載下結(jié)構(gòu)的整體安全問題[2]，平臺(tái)振動(dòng)加速度響應(yīng)信息是經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)失效分析的重要判據(jù)。選取結(jié)構(gòu)振動(dòng)加速度作為冰振響應(yīng)預(yù)測(cè)模型的輸出參數(shù)。模型輸入方面，由于冰速和冰厚的分布是不相關(guān)的隨機(jī)過程，即某一特定冰厚下，各種冰速都可能出現(xiàn)，因此冰況可按冰速和冰厚的組合來(lái)描述。本文將通過對(duì)比冰振統(tǒng)計(jì)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，驗(yàn)證基于人工神經(jīng)網(wǎng)絡(luò)算法的冰振響應(yīng)預(yù)測(cè)模型的性能。

2.2 數(shù)據(jù)樣本

對(duì)渤海某抗冰平臺(tái)開展多年冰振原型測(cè)量[19].選取2013—2014 年、2017—2018 年、2018—2019年的數(shù)據(jù)建立預(yù)測(cè)模型，上述數(shù)據(jù)均由平臺(tái)上的現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)獲得。其中冰情數(shù)據(jù)取每小時(shí)采集3次結(jié)果的平均值作為該時(shí)段特征值；同時(shí)為避免靠船、吊機(jī)等生產(chǎn)活動(dòng)引起的平臺(tái)較大極值振幅影響，取同一水平標(biāo)高下的平臺(tái)振動(dòng)加速度峰值的98%統(tǒng)計(jì)值對(duì)采集的加速度時(shí)程數(shù)據(jù)進(jìn)行清洗[20]。獲得的三年內(nèi)各冰期樣本數(shù)據(jù)的平均與最大冰厚變化并繪制于圖5。其中2014年冬季冰情在近十年間相對(duì)較重，實(shí)測(cè)最大冰層厚度可達(dá)30 cm；2019 年冬季海冰相對(duì)溫和，冬季海冰的持續(xù)時(shí)間僅有12 d。樣本數(shù)據(jù)的冰速頻次分布如圖6（a）所示，最大冰速可達(dá)90 cm/s；根據(jù)圖6（b），得到了作業(yè)區(qū)海冰的主流方向，從而確定了圖像監(jiān)測(cè)攝像機(jī)的監(jiān)測(cè)方向。

圖5 JZ20-2海域每日極值冰厚與平均冰厚的時(shí)間變化

圖6 JZ20-2海域冬季冰情海冰數(shù)據(jù)統(tǒng)計(jì)

2.3 基于海冰參數(shù)的Elman神經(jīng)網(wǎng)絡(luò)冰振預(yù)測(cè)

以2014、2018、2019年現(xiàn)場(chǎng)實(shí)時(shí)監(jiān)測(cè)的共476組數(shù)據(jù)作為樣本，對(duì)24 h 經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振加速度響應(yīng)預(yù)報(bào)模型進(jìn)行訓(xùn)練。訓(xùn)練數(shù)據(jù)的樣本數(shù)量同樣設(shè)置為3年冬季實(shí)測(cè)數(shù)據(jù)中可提取的樣本數(shù)量的最大值。設(shè)置與冰厚、冰速對(duì)應(yīng)的2個(gè)輸入層神經(jīng)元，單層6個(gè)隱含層神經(jīng)元和一個(gè)輸出層神經(jīng)元。承接層神經(jīng)元結(jié)構(gòu)與隱含層相同。設(shè)定網(wǎng)絡(luò)最大訓(xùn)練次數(shù)2 000次，訓(xùn)練誤差目標(biāo)0.01。

對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，同樣使用30 組歷史數(shù)據(jù)檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)性能。根據(jù)訓(xùn)練結(jié)果，得到Elman神經(jīng)網(wǎng)絡(luò)由冰流速和冰厚數(shù)據(jù)預(yù)測(cè)結(jié)構(gòu)振動(dòng)加速度模型中的測(cè)試樣本實(shí)際值、預(yù)測(cè)值對(duì)比如圖7所示，算得預(yù)測(cè)模型平均預(yù)測(cè)誤差為14.77%。結(jié)果表明，Elman 網(wǎng)絡(luò)模型的預(yù)測(cè)精度能夠滿足工程實(shí)際的需要。

圖7 基于Elman神經(jīng)網(wǎng)絡(luò)的24 h冰振響應(yīng)預(yù)測(cè)

在經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振響應(yīng)預(yù)測(cè)的數(shù)值方法中，動(dòng)冰荷載模型被應(yīng)用于不同冰況下的結(jié)構(gòu)動(dòng)力計(jì)算。王延林等[9]通過數(shù)值分析結(jié)果，采用統(tǒng)計(jì)學(xué)方法擬合多組冰況下的結(jié)構(gòu)冰振響應(yīng)數(shù)據(jù)，依托區(qū)域海冰預(yù)報(bào)參數(shù)，實(shí)現(xiàn)渤海導(dǎo)管架平臺(tái)振動(dòng)響應(yīng)的快速預(yù)測(cè)。基于數(shù)值仿真方法，通過統(tǒng)計(jì)分析獲得的平臺(tái)作業(yè)海域冰厚、冰速與典型導(dǎo)管架結(jié)構(gòu)冰振加速度關(guān)系如圖8所示。

圖8 渤海某抗冰平臺(tái)冰振響應(yīng)與海冰參數(shù)的統(tǒng)計(jì)關(guān)系[9]

選取30 組平臺(tái)現(xiàn)場(chǎng)監(jiān)測(cè)冰厚、冰流速和結(jié)構(gòu)振動(dòng)加速度數(shù)據(jù)進(jìn)行誤差分析。依據(jù)圖8中提供的冰厚、冰速與平臺(tái)冰振加速度的線性統(tǒng)計(jì)關(guān)系，得到結(jié)構(gòu)振動(dòng)加速度真實(shí)值和預(yù)測(cè)值如表2 所示，預(yù)測(cè)值的平均預(yù)測(cè)誤差為29.49%。

表2 基于數(shù)據(jù)統(tǒng)計(jì)的振動(dòng)加速度預(yù)測(cè)結(jié)果

相比于Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型14.77%平均預(yù)測(cè)誤差，統(tǒng)計(jì)預(yù)測(cè)模型雖然同樣保證了預(yù)測(cè)的時(shí)效性，但預(yù)測(cè)精度并不理想，一方面是由于統(tǒng)計(jì)預(yù)測(cè)方法未考慮來(lái)冰方向?qū)Y(jié)構(gòu)振動(dòng)造成的影響，另一方面在于在役結(jié)構(gòu)的抗力衰減導(dǎo)致結(jié)構(gòu)振動(dòng)響應(yīng)幅值的增大。相比統(tǒng)計(jì)模型，人工神經(jīng)網(wǎng)絡(luò)模型避免了數(shù)值分析中海冰荷載與結(jié)構(gòu)模型簡(jiǎn)化引起的不確定性，因此相比之下其預(yù)測(cè)精度明顯提升。

2.4 基于冰情環(huán)境條件的Elman 神經(jīng)網(wǎng)絡(luò)冰振預(yù)測(cè)

考慮到海冰參數(shù)預(yù)測(cè)誤差對(duì)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振預(yù)測(cè)精度可能造成的影響，采用氣象、水文與初始冰場(chǎng)等冰情環(huán)境，直接構(gòu)建結(jié)構(gòu)冰振響應(yīng)預(yù)測(cè)模型，理論上顯然更為有利。但與此同時(shí)，基于冰情環(huán)境的冰振預(yù)測(cè)盡管減少了預(yù)測(cè)的中間環(huán)節(jié)，其輸入-輸出關(guān)系卻相對(duì)復(fù)雜，這對(duì)人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力提出了更高要求。為說明兩種預(yù)測(cè)模式在經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)短期冰振風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用效果，本節(jié)將同樣采用上述抗冰平臺(tái)冬季實(shí)測(cè)數(shù)據(jù)，比較兩種預(yù)測(cè)模式的預(yù)測(cè)性能。

以初始風(fēng)向、風(fēng)速、水流向、水流速、溫度與初始冰厚6個(gè)變量的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，以結(jié)構(gòu)振動(dòng)加速度響應(yīng)作為輸出變量。設(shè)置輸入層神經(jīng)元6 個(gè)，單層16 個(gè)隱含層神經(jīng)元和一個(gè)輸出層神經(jīng)元。提取439 組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)樣本數(shù)量同樣為2013—2014 年、2017—2018 年、2018—2019 年冬季實(shí)測(cè)數(shù)據(jù)中可提取的樣本數(shù)量的最大值。網(wǎng)絡(luò)最大訓(xùn)練次數(shù)和訓(xùn)練誤差與目標(biāo)冰情預(yù)測(cè)模型設(shè)置相同。根據(jù)訓(xùn)練結(jié)果，得到Elman 神經(jīng)網(wǎng)絡(luò)由冰情環(huán)境信息直接預(yù)測(cè)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)振動(dòng)加速度模型中的測(cè)試樣本實(shí)際值、預(yù)測(cè)值對(duì)比如圖9所示。預(yù)測(cè)模型平均預(yù)測(cè)誤差為14.57%。部分輸出的真實(shí)值、預(yù)測(cè)值及誤差值情況如表3所示。

表3 基于Elman神經(jīng)網(wǎng)絡(luò)的振動(dòng)加速度預(yù)測(cè)結(jié)果

圖9 基于冰情環(huán)境條件的Elman神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)振動(dòng)加速度預(yù)測(cè)

可以看出，基于冰情環(huán)境的平臺(tái)冰振響應(yīng)直接預(yù)測(cè)誤差與基于海冰厚度、速度的間接預(yù)測(cè)模式差別很小。這說明在冰振預(yù)測(cè)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)能力優(yōu)異。算例中選取的學(xué)習(xí)樣本與構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型能夠較好地滿足經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振預(yù)測(cè)需求，預(yù)測(cè)模式中輸入-輸出關(guān)系的改變對(duì)預(yù)測(cè)性能的影響不明顯。同時(shí)，直接預(yù)測(cè)模式有效避免了冰厚、冰速預(yù)測(cè)中必然存在的誤差。因此，此預(yù)測(cè)模式具備更高的預(yù)測(cè)精度。

3 結(jié)論

本文提出了一種結(jié)合現(xiàn)場(chǎng)監(jiān)測(cè)、環(huán)境預(yù)報(bào)和Elman 神經(jīng)網(wǎng)絡(luò)方法的短期區(qū)域冰振風(fēng)險(xiǎn)預(yù)測(cè)方法，為海上經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)提供了冰振加速度響應(yīng)預(yù)測(cè)能力。基于海冰生消與漂移影響要素分析，提出經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)海冰風(fēng)險(xiǎn)預(yù)警模式；選取反饋型Elman 神經(jīng)網(wǎng)絡(luò)算法用于經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振風(fēng)險(xiǎn)預(yù)測(cè)，明確模型訓(xùn)練流程，并以渤海簡(jiǎn)易抗冰平臺(tái)為例開展實(shí)例分析。通過提取2013—2014 年、2017—2018 年和2018—2019 年冬季的現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)建立預(yù)測(cè)模型，評(píng)估了該方法對(duì)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)冰振響應(yīng)的預(yù)測(cè)精度。

結(jié)果表明，相比統(tǒng)計(jì)模型，Elman 神經(jīng)網(wǎng)絡(luò)模型考慮了來(lái)冰方向差異對(duì)經(jīng)濟(jì)型導(dǎo)管架結(jié)構(gòu)振動(dòng)響應(yīng)造成的影響，避免了數(shù)值分析中海冰荷載與結(jié)構(gòu)模型簡(jiǎn)化的不確定性，基于海冰參數(shù)的冰振響應(yīng)平均預(yù)測(cè)誤差小于15%，滿足工程應(yīng)用需求；基于冰情環(huán)境的平臺(tái)冰振響應(yīng)直接預(yù)測(cè)模式相比海冰參數(shù)的間接預(yù)測(cè)模式，有效避免了冰厚、冰速等冰荷載要素預(yù)測(cè)中的誤差，簡(jiǎn)化了預(yù)測(cè)步驟，且計(jì)算速度可觀，保證了預(yù)測(cè)的快速性、實(shí)時(shí)性，更適于實(shí)際工程應(yīng)用。但與此同時(shí)，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度受到輸入數(shù)據(jù)精度的影響，對(duì)現(xiàn)場(chǎng)監(jiān)測(cè)系統(tǒng)與數(shù)據(jù)的完備性要求較高?？紤]到預(yù)測(cè)過程中可能出現(xiàn)一些異常值，有必要進(jìn)一步引入新方法、新技術(shù)，從而提高預(yù)測(cè)的穩(wěn)定性。