摘 要：海纜剛度是表征海纜截面力學(xué)特性的重要指標(biāo)。精細(xì)數(shù)值模擬方法可考慮層間接觸、摩擦等非線性行為，實現(xiàn)剛度的精確獲取。但在海纜的截面初步設(shè)計中需進(jìn)行不同幾何參數(shù)下剛度的對比分析，這一過程需投入大量的人力物力以完成多個對比模型的建模與計算。依托Nysted海上風(fēng)電工程，建立海纜的有限元模型，采用正交試驗法確定影響海纜抗拉剛度、逆時針抗扭剛度和順時針抗扭剛度的主要因素；將主要影響因素作為粒子群優(yōu)化算法-支持向量回歸模型（PSO-SVR）的特征輸入，分別建立海纜抗拉剛度、逆時針抗扭剛度和順時針抗扭剛度的預(yù)測模型，并對比分析PSO-SVR模型與GRNN神經(jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能。計算結(jié)果表明：導(dǎo)體直徑、鋼絲直徑、鋼絲節(jié)距和鎧裝層數(shù)對海纜剛度的影響較大，而鋼絲彈模對其影響較??；PSO-SVR模型的決定系數(shù)高于0.95且誤差較低，預(yù)測效果均優(yōu)于GRNN神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型，該預(yù)測模型可為海纜結(jié)構(gòu)初步設(shè)計提供技術(shù)支撐。

關(guān)鍵詞：海上風(fēng)電；海纜；剛度；粒子群優(yōu)化；支持向量回歸；正交試驗

中圖分類號：P751" " " " " " " " "文獻(xiàn)標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0505

文章編號：0254-0096（2024）08-0458-08

武漢大學(xué)水資源工程與調(diào)度全國重點(diǎn)實驗室，武漢 430072

0 引 言

在“雙碳”目標(biāo)的推進(jìn)下，控制化石能源總量，構(gòu)建以新能源為主體的新型電力系統(tǒng)，對于生態(tài)文明建設(shè)具有重要意義。在新能源中，風(fēng)電能源因其資源豐富、永不枯竭等優(yōu)點(diǎn)，成為中國能源結(jié)構(gòu)轉(zhuǎn)型的重要發(fā)展方向。而海纜作為海上風(fēng)電工程中電能傳輸?shù)倪B接紐帶，起著關(guān)鍵作用，被譽(yù)為海上風(fēng)電的“生命線”。

在海纜結(jié)構(gòu)的分析和設(shè)計中，抗拉和抗扭剛度是表征截面力學(xué)特性的重要指標(biāo)。目前，獲取海纜剛度的方法有理論方法、試驗方法和數(shù)值方法。對于理論方法，Hruska［1］不考慮螺旋層與內(nèi)核間的接觸及摩擦，將鋼絲及內(nèi)核剛度直接相加作為結(jié)構(gòu)的抗拉剛度；Knapp［2］基于線彈性和平截面假定，提出海纜的拉扭理論模型，給出剛度矩陣的具體表達(dá)式；Witz等［3］假定海纜層間接觸壓力沿長度均勻分布，忽略層間摩擦，采用Love［4］平衡方程和薄壁圓筒理論分別描述螺旋單元和圓柱單元，得到拉扭工況下海纜的荷載-位移關(guān)系；張訓(xùn)誠等［5］不考慮鋼絲纏繞角的變化，假定同一螺旋層中的鋼絲具有相同的變形特性，通過靜力平衡關(guān)系獲得了海纜的抗拉及抗扭剛度。對于試驗方法，Kagoura等［6］對海纜進(jìn)行拉伸試驗，通過獲得的荷載-位移關(guān)系，得到結(jié)構(gòu)的軸向剛度；Vaz等［7］通過室內(nèi)加載試驗，給出不同端部條件下臍帶纜的抗拉、抗扭剛度。對于數(shù)值方法，肖能［8］基于ANSYS對臍帶纜進(jìn)行了分析，采用線-線接觸模擬構(gòu)件間的接觸，將結(jié)構(gòu)剛度的數(shù)值結(jié)果與試驗結(jié)果進(jìn)行對比，證明了數(shù)值方法的可靠性；方潘等［9］為分析不同鋼絲纏繞角和鎧裝層數(shù)下海纜的剛度，在ABAQUS中建立單芯海纜的有限元模型，設(shè)置通用接觸算法，并采用實體單元和梁單元分別模擬圓柱層和鎧裝層，整體結(jié)構(gòu)網(wǎng)格約6萬個；張克超等［10］選用點(diǎn)-點(diǎn)和點(diǎn)-面接觸結(jié)合的方式模擬臍帶纜內(nèi)構(gòu)件間的相互作用，基于ANSYS探討了鋼絲纏繞角和摩擦系數(shù)對臍帶纜抗拉剛度的影響；文獻(xiàn)［5］采用點(diǎn)、線、面、體的遞進(jìn)建模思路，在ANSYS中建立三芯海纜的數(shù)值模型，并采用面-面接觸控制，重點(diǎn)研究影響海纜抗拉和抗扭剛度的因素。

從以上研究可知，理論方法基于特定假設(shè)，難以充分考慮結(jié)構(gòu)內(nèi)的接觸和摩擦；試驗方法需專門的設(shè)備，成本高且耗時長；數(shù)值方法可考慮接觸、摩擦等，實現(xiàn)海纜剛度的精確獲取。但在海纜截面的初步設(shè)計中需進(jìn)行不同幾何參數(shù)下剛度的對比分析，該過程需大量的人力物力以完成多個模型的建模與計算。然而，采用人工智能方法建立的海纜剛度預(yù)測模型可快速獲取不同方案下的結(jié)構(gòu)剛度，從而提高分析效率。為此，本文依托Nysted海上風(fēng)電工程，建立海纜的有限元模型，采用正交試驗法確定影響海纜抗拉剛度、逆抗扭剛度及順抗扭剛度的主要因素；將主要影響因素作為PSO-SVR模型的特征輸入，分別建立海纜抗拉、逆抗扭和順抗扭剛度的預(yù)測模型，并對比分析PSO-SVR模型與GRNN、BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能。

1 理論基礎(chǔ)

1.1 正交試驗法

正交試驗法是一種采用正交表安排和分析多因素試驗的方法，該方法可通過較少的試驗次數(shù)，確定多個因素對某一變量的影響［11］。在根據(jù)正交表安排并計算出試驗指標(biāo)后，可采用方差分析法判斷各因素對試驗指標(biāo)的影響程度［12］。

假設(shè)某正交試驗采用[LM（nk）]正交表，其中[M]、[n]、[k]分別為試驗次數(shù)、因素水平數(shù)和試驗因素數(shù)量，則因素的水平重復(fù)數(shù)[r=M/n]。對于某一試驗指標(biāo)，其試驗結(jié)果為[y1，y2，???，yM]。方差分析的基本步驟如下［13］。

1）計算試驗結(jié)果的總偏差平方和及總自由度。

[ST=i=1M（yi-y）2] （1）

式中：[y]——試驗結(jié)果的平均值。

[fT=M-1] （2）

2）計算每一因素的偏差平方和[Sj]和自由度[fj]。

[Sj=1ri=1nK2ij-1Mi=1Myi2，" j=1，2，???， k] （3）

[fj=n-1，" j=1，2，???，k] （4）

式中：[Kij]——第[j]個因素第[i]個水平的試驗結(jié)果總和。

3）計算誤差平方和[Se]及自由度[fe]。

4）構(gòu)造檢驗統(tǒng)計量[Fj=Sj/fjSe/fe～F（fj， fe）]。在給定顯著性水平[α]下，若[Fj≥F1-α（fj， fe）]，則認(rèn)為該列因素對試驗結(jié)果的影響顯著，否則，認(rèn)為影響不顯著。

1.2 支持向量回歸模型

支持向量機(jī)（SVM）是Vapnik［14］提出的一種監(jiān)督學(xué)習(xí)模型，該模型用于解決小樣本分類（SVC）及回歸（SVR）問題。對于回歸問題，SVR可建立輸入向量與輸出值的函數(shù)關(guān)系：

[f（xi）=ωTxi+b] （5）

式中：[xi]——第[i]個樣本輸入向量，[xi∈Rm]（其中[m]為[xi]的維數(shù)，[i=1，2，???，n]）；[ω]和[b]——擬合系數(shù)。

根據(jù)結(jié)構(gòu)風(fēng)險最小化原理，再采用Lagrange乘子法以及KTT條件，回歸方程[f（xi）=ωTxi+b]的求解可轉(zhuǎn)為如下優(yōu)化問題［15-16］：

[maxα，α*i=1nyi（αi-α*i）-ε（αi+α*i）-12i=1nj=1n（α*i-αi）（α*j-αj）（xi·xj）s.t.i=1n（αi-α*i）=00≤αi，" α*i≤C] （6）

式中：[C]——懲罰系數(shù)；[n]——樣本數(shù)量；[ε]——容忍偏差；[αi、][α*i]——Lagrange系數(shù)；[xj]——第[j]個樣本輸入向量。

求解上述優(yōu)化問題后，可得支持向量回歸模型［17］為：

[f（x）=i-1n（αi-α*i）（x·xi）+b] （7）

式中：[x]——需預(yù)測的樣本輸入向量。

對于非線性回歸，需引入非線性映射函數(shù)[?（x）]，將原始空間的樣本數(shù)據(jù)映射到高維空間，對其進(jìn)行線性回歸。在高維空間中，用核函數(shù)代替樣本輸入向量在映射空間的內(nèi)積運(yùn)算，即[K（xi，xj）=?（xi）·?（xj）]。常見的核函數(shù)包括線性核函數(shù)、多項式核函數(shù)及徑向基核函數(shù)等，其中徑向基核函數(shù)的適應(yīng)能力較強(qiáng)，是一種較好的核函數(shù)［18-19］。因此，本文選擇將徑向基核函數(shù)作為SVR模型的核函數(shù)，其表達(dá)式為：

[K（xi，xj）=exp（-xi-xj2/2σ2）] （8）

式中：[σ]——核函數(shù)參數(shù)。

1.3 基于粒子群優(yōu)化算法的參數(shù)優(yōu)化

SVR模型中超參數(shù)（[C，ε，σ]）的取值需人為給定，且其選擇對模型性能影響較大。為此，一些智能算法如遺傳算法、粒子群算法等用于超參數(shù)的選取，其中粒子群算法尋優(yōu)能力強(qiáng)、收斂快速，應(yīng)用較為廣泛［20］。

PSO算法是Kennedy和Eberhart提出的一種進(jìn)化計算技術(shù)［19］，該算法的基本思想是將搜索空間中每一粒子的位置看作參數(shù)優(yōu)化問題的一個潛在解，通過群體之間的協(xié)作和信息共享不斷調(diào)整粒子的位置和速度，以適應(yīng)度函數(shù)為評價指標(biāo)，最終找到全局最優(yōu)解。基于PSO的SVR參數(shù)優(yōu)化過程如圖1所示。

迭代過程中，每一粒子速度和位置的更新受該粒子歷代最優(yōu)位置和全局最優(yōu)位置的影響［21］，見式（9）。

[Vm+1，i=wVm，i+c1r1（pbest，m，i-xm，i）+c2r2（gbest，m-xm，i）xm+1，i=xm，i+Vm+1，i] （9）

式中：[w]——慣性權(quán)重；[c1]、[c2]——學(xué)習(xí)因子；[r1]、[r2]——（0，1）之間隨機(jī)數(shù)；[xm，i]——第[i]個粒子第[m]代的位置；[pbest，m，i]——第[i]個粒子前[m]代最優(yōu)位置；[gbest，m]——群體前[m]代最優(yōu)位置；[Vm，i]——第[i]個粒子第[m]代的速度。

值得注意的是，在對超參數(shù)進(jìn)行優(yōu)化選取時，通常對訓(xùn)練樣本采用K折交叉驗證法以提高模型的泛化能力，避免出現(xiàn)“過擬合”［20］。

2 計算模型與海纜剛度影響因素分析

2.1 工程背景與海纜結(jié)構(gòu)

丹麥Nysted風(fēng)電場位于波羅的海，該風(fēng)電場由72個額定功率為2.3 MW，額定電壓為0.69 kV的風(fēng)電機(jī)組組成，整體呈平行四邊形排列［22］。每行風(fēng)電機(jī)組由33 kV單芯海纜與變壓器相連，該單芯海纜由銅導(dǎo)體、鎧裝層、外護(hù)套等組成，其結(jié)構(gòu)剖面見圖2。其中，鎧裝層由31根螺旋角為9.2°的圓鋼絲逆時針纏繞組成。

2.2 有限元計算模型

海纜內(nèi)部半導(dǎo)體阻水帶厚度較薄，機(jī)械強(qiáng)度較弱，在計算時可不考慮，其余各層材料及幾何參數(shù)見表1。

在ABAQUS中建立海纜結(jié)構(gòu)的有限元模型，模型軸向長度取1.0 m，采用笛卡爾直角坐標(biāo)系，坐標(biāo)原點(diǎn)位于截面圓心，并定義模型長度方向為[Z]軸正方向，豎直向上為[Y]軸正方向，[X]軸方向由右手螺旋法則確定，螺旋鎧裝層的絞合方向為逆時針方向。海纜結(jié)構(gòu)采用C3D8R實體單元模擬，各結(jié)構(gòu)層均采用線彈性本構(gòu)，模型見圖3a。在模型前后兩端面中心分別設(shè)置參考點(diǎn)[RP-1]和[RP-2]，參考點(diǎn)所有的自由度與端面耦合，將邊界條件及荷載均加在耦合點(diǎn)上，[RP-1]端全自由，[RP-2]全約束，示意圖見圖3b。

由于海纜內(nèi)部涉及大量的接觸，為保證計算效率及精度，選擇EXPLICIT求解器。采用自接觸算法模擬接觸行為，法向硬接觸，切向庫倫摩擦，摩擦系數(shù)取0.2［23］。為降低慣性對計算結(jié)果的影響，荷載采用Smooth Step幅值曲線進(jìn)行加載，時間選為0.01 s。

2.3 基于正交試驗的海纜剛度影響因素分析

為探究影響海纜剛度的主要因素，首先對圖3所示的有限元模型施加不同大小的拉伸及順、逆扭轉(zhuǎn)荷載，不同荷載下海纜各結(jié)構(gòu)層的荷載承載情況見表2。

經(jīng)分析可知，拉伸及扭矩荷載作用下，銅導(dǎo)體及螺旋鎧裝層是海纜的主要承載構(gòu)件，對海纜的剛度有較大的影響，該結(jié)論與先前的研究一致［24］。因此，以當(dāng)前有限元模型為基準(zhǔn)，采用正交試驗法，對銅導(dǎo)體直徑、鋼絲直徑，鋼絲節(jié)距、鎧裝層數(shù)及鋼絲彈模5種因素進(jìn)行分析。5種因素取值范圍的依據(jù)如下所述，各因素均取7種水平，見表3。

1）銅導(dǎo)體的直徑需根據(jù)電纜的額定電流負(fù)載、電壓等級、材料特性以及設(shè)計要求等因素綜合確定，一般在幾毫米到幾十毫米之間。參考《電纜的導(dǎo)體》（GB/T 3956—2008）［25］，取銅導(dǎo)體直徑為0.9～42.2 mm。

2）高壓海底電纜螺旋鋼絲的截面形狀有圓形及扁狀，圓鋼絲的直徑一般為4.0、5.0、6.0、8.0 mm，扁鋼絲的厚度一般為2.0、2.5、3.0 mm［26］。王文超等［27］的研究表明扁狀鎧裝與圓狀鎧裝的截面性能基本一致，為方便建立計算模型，鋼絲統(tǒng)一選用圓狀截面，直徑為2～8 mm。

3）螺旋鋼絲節(jié)距一般為螺旋鎧裝層下圓柱體直徑的10～30倍［26］。本文取為288.5～2104.5 mm。

4）螺旋鎧裝層數(shù)的取值取決于結(jié)構(gòu)機(jī)械性能要求。一般情況下，鎧裝層數(shù)可選1層或雙層，本文適當(dāng)擴(kuò)大鎧裝層數(shù)的取值范圍，取1～7層進(jìn)行研究。

5）鋼材的彈性模量在190～210 GPa之間。

需說明的是，除以上5種因素外，假定其余各層材料及厚度均不變，且相鄰螺旋鎧裝設(shè)置為相反的纏繞方向，每一層鎧裝的鋼絲數(shù)量由式（10）決定。

[n=maxintπarcsinr/（R+r）] （10）

式中：[R]——螺旋鎧裝層下圓柱體半徑；[r]——鋼絲半徑。

假定各因素間無交互作用，基于試驗因素和水平數(shù)量，采用[L49（75）]正交表來安排試驗，并選取海纜抗拉剛度[EA]、順時針抗扭剛度[GIp]及逆時針抗扭剛度[GIp']為試驗指標(biāo)。需說明的是，抗拉剛度/抗扭剛度的大小是通過提取耦合加載點(diǎn)在拉伸/扭轉(zhuǎn)荷載作用下的軸向位移/角位移，再經(jīng)計算獲得。對正交試驗所得的試驗結(jié)果采用方差分析法進(jìn)行分析，分析結(jié)果見表4。方差分析時，選用的顯著性水平為[α1=0.01]，[α2=0.05]和[α3=0.1]，通過[F]分布表查出[F0.99（6，18）=4.01]，[F0.95（6，18）=2.66]，[F0.90（6，18）=2.13]。當(dāng)[Fj][gt;F0.99（6，18）]時，該因素的影響高度顯著，用“***”標(biāo)記；當(dāng)[F0.99（6，18）gt;][Fjgt;] [F0.95（6，18）]時，該因素的影響顯著，用“**”標(biāo)記；當(dāng)[F0.95（6，18）gt;] [Fjgt;][F0.90（6，18）]時，該因素有一定的影響，用“*”標(biāo)記；當(dāng)[F0.95（6，18）gt;][Fj]時，該因素的影響不顯著，無標(biāo)記。

由表3可知，對[EA]而言，導(dǎo)體直徑和鋼絲節(jié)距對其影響高度顯著，鎧裝層數(shù)對其影響顯著，鋼絲直徑對其有一定的影響，鋼絲彈模對其影響不顯著。對[GIp]而言，導(dǎo)體直徑和鎧裝層數(shù)對其影響高度顯著，鋼絲直徑對其影響顯著，鋼絲節(jié)距對其有一定的影響，鋼絲彈模對其影響不顯著。對[GIp']而言，導(dǎo)體直徑、鋼絲直徑和鎧裝層數(shù)對其影響高度顯著，鋼絲節(jié)距對其有一定的影響，鋼絲彈模對其影響不顯著。

綜上，可認(rèn)為導(dǎo)體直徑、鋼絲直徑、鋼絲節(jié)距和鎧裝層數(shù)對海纜剛度的影響較大，因此選擇上述4種因素作為海纜剛度預(yù)測模型的輸入特征。

3 基于PSO-SVR模型的海纜剛度預(yù)測

考慮采用PSO算法優(yōu)選SVR超參數(shù)，分別建立海纜抗拉剛度、逆抗扭剛度及順抗扭剛度的預(yù)測模型。

3.1 數(shù)據(jù)集建立與預(yù)處理

為提高樣本的隨機(jī)性，采用拉丁超立方抽樣方法［28］對4種因素在其取值范圍內(nèi)均勻抽樣，形成100組隨機(jī)組合方案，并同樣以圖3所示的有限元模型為基準(zhǔn)，計算每一方案下海纜的剛度。按8∶2的比例將100組樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集，即隨機(jī)抽取80組作為訓(xùn)練集，剩余20組作為測試集。為消除樣本特征之間的量綱差異，對樣本進(jìn)行歸一化處理，將其映射到［0，1］。

3.2 模型參數(shù)尋優(yōu)結(jié)果

在優(yōu)選超參數(shù)時，對訓(xùn)練集采用10折交叉驗證法，PSO算法種群的大小為30，迭代次數(shù)為100，學(xué)習(xí)因子[c1=c2=2]，慣性權(quán)重范圍［0.7，0.1］，慣性權(quán)重采用線性遞減策略。[C]、[ε]和[σ]的搜索區(qū)間依次是[（0，1000]]、[（0，100]]和[（0，1000]]。選擇訓(xùn)練樣本的平均絕對誤差百分比作為適應(yīng)度

函數(shù)，見式（11），算法收斂條件為連續(xù)15次前后兩次適應(yīng)度值的變化小于10?3。

[f=1ni=1nyi-y*iyi×100%] （11）

式中：[n]——樣本數(shù)量；[yi、][y*i]——樣本輸出真實值和預(yù)測值。

圖4展示了3種剛度預(yù)測模型的適應(yīng)度值隨迭代次數(shù)的變化，可以看出，在迭代的初始階段，適應(yīng)度函數(shù)值迅速變化。對于抗拉剛度預(yù)測模型而言，約經(jīng)過9次迭代后其適應(yīng)度值基本不變，經(jīng)過25次迭代后達(dá)到算法的收斂條件；對于逆抗扭剛度預(yù)測模型而言，約經(jīng)過13次迭代后其適應(yīng)度值基本不變，經(jīng)過30次迭代后達(dá)到算法的收斂條件；對于順抗扭剛度預(yù)測模型而言，約經(jīng)過5次迭代后其適應(yīng)度值基本不變，經(jīng)過27次迭代后達(dá)到算法的收斂條件。最終基于PSO算法得到的最優(yōu)參數(shù)見表5。

3.3 模型預(yù)測效果評價

為全面評價模型的預(yù)測效果，本文基于相同數(shù)據(jù)集，對比分析PSO-SVR模型和GRNN、BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能，神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)見表6。引入決定系數(shù)[R2]、平均絕對誤差[M]和均方根誤差[MR]這3個統(tǒng)計學(xué)指標(biāo)，指標(biāo)的計算公式為：

[R2=1-i=1n（yi-y*i）2i=1n（yi-y）] （12）

式中：[y]——[n]個樣本輸出真實值的平均值。

[M=1ni=1nyi-y*i] （13）

[MR=i=1n（yi-y*i）2/n] （14）

圖5及表7分別為PSO-SVR模型、GRNN和BP神經(jīng)網(wǎng)絡(luò)模型對測試集的預(yù)測情況?？煽闯觯瑢τ?個預(yù)測變量，只有PSO-SVR模型的決定系數(shù)均在0.95以上，且該模型的平均絕對誤差和均方根誤差低于其他模型，表明PSO-SVR模型能較好地擬合海纜結(jié)構(gòu)參數(shù)與剛度之間的非線性關(guān)系，在海纜剛度預(yù)測方面具有更好的泛化能力及更高的預(yù)測精度。綜上，選擇導(dǎo)體直徑、鋼絲直徑、鋼絲節(jié)距和鎧裝層數(shù)4個參數(shù)作為模型特征輸入，利用PSO-SVR模型建立4個結(jié)構(gòu)參數(shù)與海纜剛度間的映射關(guān)系，可快速預(yù)測不同參數(shù)組合下海纜結(jié)構(gòu)的剛度。模型特征輸入的選取及PSO-SVR模型的建立均具有科學(xué)性及有效性。

4 結(jié) 論

本文依托Nysted海上風(fēng)電工程，建立海纜的有限元模型，采用正交試驗法確定影響海纜抗拉剛度、逆時針抗扭剛度及順時針抗扭剛度的主要因素，提出基于PSO-SVR的海纜剛度預(yù)測模型，并對模型的預(yù)測性能進(jìn)行綜合評價。通過本文工作，可得到以下主要結(jié)論：

1）采用正交試驗法可有效地分析影響海纜剛度的主要因素。分析結(jié)果表明，導(dǎo)體直徑、鋼絲直徑、鋼絲節(jié)距和鎧裝層數(shù)對海纜剛度的影響較大，而鋼絲彈模對其影響較小。

2）對比分析PSO-SVR模型和GRNN、BP神經(jīng)網(wǎng)絡(luò)模型對海纜抗拉剛度、逆抗扭剛度及順抗扭剛度的預(yù)測性能。結(jié)果表明，對于3個剛度而言，PSO-SVR模型的預(yù)測效果均更優(yōu)，決定系數(shù)高于0.95且各項誤差均低于GRNN和BP神經(jīng)網(wǎng)絡(luò)模型。

3）基于PSO-SVR算法，以海纜結(jié)構(gòu)參數(shù)為模型特征輸入，建立的剛度預(yù)測模型有較好的泛化能力及較高的精度。該模型能快速獲得不同參數(shù)組合下的海纜剛度，可為海纜結(jié)構(gòu)初步設(shè)計提供技術(shù)支撐。

［參考文獻(xiàn)］

［1］ HRUSKA F H. Calculation of stresses in wire ropes［J］. Wire wire prod， 1951， 26（9）： 799-801.

［2］ KNAPP R H. Derivation of a new stiffness matrix for helically armoured cables considering tension and torsion［J］. International journal for numerical methods in engineering， 1979， 14（4）： 515-529.

［3］ WITZ J A， TAN Z. On the axial-torsional structural behaviour of flexible pipes， umbilicals and marine cables［J］. Marine structures， 1992， 5（2-3）： 205-227.

［4］ LOVE A E H. A treatise on the mathematical theory of elasticity［M］. 4th edition. Cambridge： University Press， 1927.

［5］ CHANG H C， CHEN B F. Mechanical behavior of submarine cable under coupled tension， torsion and compressive loads［J］. Ocean engineering， 2019， 189： 106272.

［6］ KAGOURA T， ISHII K I， ABE S， et al. Development of a flexible" pipe" for" pipe-in-pipe" technology［J］. Furukawa review， 2003， 24： 69-75.

［7］ VAZ M A， AGUIAR L， ESTEFEN S F， et al. Experimental determination of axial， torsional and bending stiffness of umbilical cables［C］//Proceedings of the 17th International Offshore amp; Arctic Engineering Conference. Lisbon， Portygal， 1998.

［8］ 肖能. 水下生產(chǎn)系統(tǒng)臍帶纜截面設(shè)計與分析［D］. 大連： 大連理工大學(xué)， 2011.

XIAO N. Cross-section design and analysis of umbilical cable in subsea production system［D］. Dalian： Dalian University of Technology， 2011.

［9］ FANG P， JIANG X L， HOPMAN H， et al. Mechanical responses of submarine power cables subject to axisymmetric" "loadings［J］." Ocean" "engineering，" "2021， 239： 109847.

［10］ 張克超， 郭海燕， 趙偉， 等. 海洋臍帶纜截面力學(xué)性能分析與數(shù)值模擬［J］. 中國海洋大學(xué)學(xué)報， 2019， 49（增刊1）： 128-134.

ZHANG K C， GUO H Y， ZHAO W， et al. Sectional mechanical properties analysis and numerical simulation of marine umbilical cable［J］. Periodical of Ocean University of China， 2019， 49（S1）： 128-134.

［11］ 張宇. 隧道工程圍巖變形預(yù)測的人工智能方法及集成［D］. 北京： 北京交通大學(xué)， 2009.

ZHANG Y. Artificial intelligence method and integration of surrounding rock deformation prediction in tunnel engineering［D］. Beijing： Beijing Jiaotong University， 2009.

［12］ 伍鶴皋， 于金弘， 石長征， 等. 基于正交試驗法的埋地鋼管參數(shù)敏感性分析［J］. 長江科學(xué)院院報， 2021， 38（8）： 97-103.

WU H G， YU J H， SHI C Z， et al. Sensitivity analysis for parameters of buried steel pipes based on orthogonal test method［J］. Journal of Yangtze River Scientific Research Institute， 2021， 38（8）： 97-103.

［13］ 邰淑彩， 孫韞玉， 何娟娟. 應(yīng)用數(shù)理統(tǒng)計［M］. 武漢： 武漢大學(xué)出版社， 2005.

TAI S C， SUN Y Y， HE J J. Applied mathematical statistics［M］. Wuhan： Wuhan University Press， 2005.

［14］ VAPNIK V N. The nature of statistical learning theory［M］. New York： Springer New York， 1995.

［15］ 張偉， 林莉， 樊俊鈴， 等. 基于PSO-SVR的非均質(zhì)涂層組織均勻性超聲表征［J］. 中國表面工程， 2022， 35（6）： 222-231.

ZHANG W， LIN L， FAN J L， et al. Ultrasonic quantitative characterization of heterogeneous coating microstructure uniformity based on PSO-SVR［J］. China surface engineering， 2022， 35（6）： 222-231.

［16］ 宋威， 劉開云， 梁軍平， 等. 基于免疫多輸出支持向量回歸算法的隧道工程位移反分析新方法［J］. 鐵道學(xué)報， 2022， 44（2）： 126-134.

SONG W， LIU K Y， LIANG J P， et al. New method for back analysis of tunnel displacement based on immune multiple output support vector regression algorithm［J］. Journal of the China Railway Society， 2022， 44（2）： 126-134.

［17］ 張振全， 李醒飛， 楊少波. 基于AR-SVR模型的有效波高短期預(yù)測［J］. 太陽能學(xué)報， 2021， 42（7）： 15-20.

ZHANG Z Q， LI X F， YANG S B. Short-term prediction of significant wave height based on ar-svr model［J］. Acta energiae solaris sinica， 2021， 42（7）： 15-20.

［18］ 馮建英， 賀苗， 李鑫， 等. 基于改進(jìn)MSVR的鮮食葡萄運(yùn)輸過程中環(huán)境因子與感官品質(zhì)建模［J］. 農(nóng)業(yè)工程學(xué)報， 2022， 38（17）： 294-302.

FENG J Y， HE M， LI X， et al. Modeling of environmental factors and sensory quality during transportation of table grapes using improved MSVR［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（17）： 294-302.

［19］ 吳奇， 嚴(yán)洪森. 基于具有高斯損失函數(shù)支持向量機(jī)的預(yù)測模型［J］. 計算機(jī)集成制造系統(tǒng)， 2009， 15（2）： 306-312， 332.

WU Q， YAN H S. Forecasting method based on support vector machine with Gaussian loss function［J］. Computer integrated manufacturing systems， 2009， 15（2）： 306-312， 332.

［20］ 周婷， 金菊良， 李榮波， 等. 基于小波支持向量機(jī)的徑流預(yù)測性能優(yōu)化分析［J］. 水力發(fā)電學(xué)報， 2017， 36（10）： 45-55.

ZHOU T， JIN J L， LI R B， et al. Performance optimization analysis for inflow prediction using wavelet support vector machine［J］. Journal of hydroelectric engineering， 2017， 36（10）： 45-55.

［21］ 黃寶洲， 楊俊華， 盧思靈， 等. 基于改進(jìn)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的波浪捕獲功率預(yù)測［J］. 太陽能學(xué)報， 2021， 42（2）： 302-308.

HUANG B Z， YANG J H， LU S L， et al. Wave capture power forecasting based on improved particle swarm optimization neural network algorithm［J］. Acta energiae solaris sinica， 2021， 42（2）： 302-308.

［22］ BADRAN E A， RIZK M E， ABDEL-RAHMAN M H. Investigation of submarine cable parameters impact on energization" "transients" "in" "offshore" "wind" farms［C］//International Conference on Power Systems Transients.IPST， Delft， The Netherlands， 2011.

［23］ 陸鈺天. 深水柔性立管截面力學(xué)模型與疲勞壽命分析研究［D］. 杭州： 浙江大學(xué)， 2017.

LU Y T. Study on mechanical model and fatigue life analysis" "of" "deep" "water" "flexible" "riser" "section［D］. Hangzhou： Zhejiang University， 2017.

［24］ 陳大勇， 張慧甍， 董小松， 等. 海底電纜抗拉性能數(shù)值分析［J］. 電線電纜， 2021（4）： 19-22.

CHEN D Y， ZHANG H M， DONG X S， et al. Numerical analysis of tensile properties of submarine cables［J］. Wire amp; cable， 2021（4）： 19-22.

［25］ 國家質(zhì)量監(jiān)督檢驗檢疫總局， 中國國家標(biāo)準(zhǔn)化管理委員會. 電纜的導(dǎo)體： GB/T 3956—2008［S］. 北京： 中國標(biāo)準(zhǔn)出版社， 2009.

General Administration of Quality Supervision， Inspection and Quarantine of the People’s Republic of China， Standardization Administration of the People’s Republic of China. Conductors of insulated cables： GB/T 3956—2008［S］. Beijing： Standards Press of China， 2009.

［26］ 龔永超， 何旭濤， 孫建生， 等. 高壓海底電力電纜鎧裝的設(shè)計和選型［J］. 電線電纜， 2011（5）： 19-22.

GONG Y C， HE X T， SUN J S， et al. The design and selection of high-voltage submarine power cable armor［J］. Wire amp; cable， 2011（5）： 19-22.

［27］ 王文超， 張建民， 趙囿林， 等. 扁鋼絲鎧裝光纖復(fù)合海纜拉伸試驗與仿真分析［J］. 高電壓技術(shù)， 2019， 45（11）： 3467-3473.

WANG W C， ZHANG J M， ZHAO Y L， et al. Tension test and simulation analysis on flat-steel-wire-armoured optical fiber" "composite" "submarine" "cable［J］." "High" "voltage engineering， 2019， 45（11）： 3467-3473.

［28］ STEIN M. Large sample properties of simulations using Latin hypercube sampling［J］. Technometrics， 1987， 29（2）： 143-151.

STUDY ON PREDICTION MODEL OF SUBMARINE CABLE

STIFFNESS BASED ON PSO-SVR ALGORITHM

Su Kai，Zhao Xinrui，Zhu Hongze，Cheng Yongguang

（State Key Laboratory of Water Resources Engineering and Management， Wuhan University， Wuhan 430072， China）

Abstract：Submarine cable stiffness is an important index to characterize the cross-sectional mechanical properties. Fine numerical simulation methods can consider nonlinear behaviors such as interlayer contact and friction to obtain the exact stiffness. However， in the preliminary design of the submarine cable cross-section， it is necessary to conduct a comparative analysis of the stiffness under different geometric parameters， which requires a significant amount of manpower and material resources to complete the modeling and calculation of multiple comparative models. This study establishes a finite element model of the submarine cable based on the Nysted offshore wind farm project， and uses the orthogonal test method to determine the main factors influencing the tensile stiffness， counterclockwise torsional stiffness and clockwise torsional stiffness of the submarine cable. Then， the main influencing factors are used as feature inputs of the Particle Swarm Optimization-Support Vector Regression （PSO-SVR） model to establish prediction models for tensile stiffness， counterclockwise torsional stiffness and clockwise torsional stiffness of the submarine cable respectively. Besides， the prediction performance of the PSO-SVR model is compared with the GRNN neural network model and the BP neural network model. The results show that the conductor diameter， steel wire diameter， steel wire pitch and the number of armor layers have more influence on the submarine cable stiffness， while the steel wire elastic modulus has less influence on it. The determination coefficient of the PSO-SVR model is higher than 0.95 and the error is relatively low， and the prediction performance is better than that of the GRNN neural network model and the BP neural network model. This prediction model can provide technical support for the preliminary design of submarine cable structures.

Keywords：offshore wind power； submarine cables； stiffness； particle swarm optimization； support vector regression； orthogonal test