基于CFD的机器学习方法用于海底管道冲刷形态预测

《Ocean Engineering》:CFD-driven machine learning scheme for submarine pipeline scour profile prediction

【字体: 大 中 小 】 时间:2025年12月07日 来源:Ocean Engineering 6.3

编辑推荐:

  修宗祥|罗晨伟|高文|刘乐军|王阳|施冰|迟万青|郭兴森中国自然资源部第一海洋研究所,青岛摘要海底管道下方的局部冲刷可能导致自由跨度形成,而过大的跨度会严重威胁管道的使用寿命和运行安全。传统的经验公式无法准确预测管道的冲刷形态,而现有的数值模拟或机器学习方法主要关注平衡冲刷深度。

  修宗祥|罗晨伟|高文|刘乐军|王阳|施冰|迟万青|郭兴森中国自然资源部第一海洋研究所,青岛摘要海底管道下方的局部冲刷可能导致自由跨度形成,而过大的跨度会严重威胁管道的使用寿命和运行安全。传统的经验公式无法准确预测管道的冲刷形态,而现有的数值模拟或机器学习方法主要关注平衡冲刷深度。不过,关于冲刷形态预测的研究仍然有限。与平衡冲刷深度相比,冲刷形态能更准确地描述与管道疲劳反应及防护设计相关的局部形态变化。这类预测可为工程师提供主动的风险评估依据以及管道应急管理的参考。本研究探讨了基于计算流体动力学驱动的机器学习模型在预测海底管道冲刷形态方面的可行性,将CFD的物理真实性与数据驱动模型的预测效率相结合。通过模拟得到了152组数据,用于训练(90%)和测试(10%)机器学习模型。研究采用了五种基于树的算法——决策树回归、随机森林回归、极端梯度提升、轻量级梯度提升机以及分类提升算法——来构建冲刷形态预测模型。这些模型在关键形态区域取得了出色的预测精度(误差范围小于±0.1米)。此外,还进行了对比分析,以评估这五种机器学习算法的性能差异。结果表明,随机森林回归的预测性能最佳(测试集:决定系数为0.89015,平均平方误差为0.04239米,均方根误差为0.05632米),其预测误差比决策树回归低19.6%。XGBoost、CatBoost和轻量级梯度提升机的预测性能则处于中等水平。引言在海上石油天然气作业中,海底管道是重要的运输基础设施。然而,它们容易受到波浪和水流引起的局部冲刷,从而导致自由跨度的形成。过大的自由跨度会削弱管道的结构完整性,加速疲劳损伤,甚至引发管道破裂事故。因此,大量研究致力于探讨海底管道的冲刷机制。许多学者通过物理实验和数值建模来研究冲刷的发展过程,进而提出了用于预测平衡冲刷深度的经验公式。不过,这些公式在不同水动力条件下的适用性有限,而且每次数值模拟都需要较长的计算时间,这些限制影响了它们在时间敏感的工程中的应用。近年来,机器学习领域的进步推动了大量关于预测管道周围局部冲刷特性的研究,取得了良好的效果。Kazeminezhad等人(2010年)和K?z?l?z等人(2015年)采用人工神经网络来预测波浪引起的海底管道冲刷深度,在某些水动力条件下,其性能优于传统经验方法。但由于人工神经网络的可解释性不如传统经验公式,研究人员开始探索其他机器学习算法。Etemad-Shahidi等人(2011年)开发了M5'模型树,用于在清水和泥沙环境条件下预测冲刷深度。这种方法在保持类似预测精度的同时,具有更高的可解释性。Azamathulla等人(2011年)提出了一种基于线性遗传编程的冲刷深度预测模型。通过比较分析,发现自适应神经模糊推理系统与传统方法的性能相比,线性遗传编程更具优势。Najafzadeh等人(2014年)将群决策方法网络应用于管道冲刷预测,其精度高于传统经验公式,且误差更小。Hu等人(2021年)对三种机器学习方法(GA-BP神经网络、RBF和SVM)进行了比较分析,以预测管道的平衡冲刷深度,并将来流角度作为关键参数。他们的研究结果表明GA-BP是最有效的算法。Xiu等人(2024年)采用决策树回归模型来预测海底管道的平衡冲刷深度和冲刷坑宽度,取得了优异的预测效果。除了海底管道冲刷预测之外,机器学习算法还被广泛用于估算其他水利结构中的冲刷深度。基于树的算法和集成模型被广泛应用于预测桥墩的冲刷深度,其性能优于传统经验公式。此外,基于神经网络的算法也被用于预测单桩基础的冲刷深度。Ghumman等人(2024年)评估了人工智能和经验公式在考虑不同影响因素时预测桥墩周围冲刷深度的性能。Murtaza等人(2025年)分析了各种人工智能技术在预测桥梁结构周围冲刷深度时的局限性及解决方案。目前,机器学习在冲刷预测中的应用大多集中在单一特征值(平衡冲刷深度或宽度)的预测上,而全面预测冲刷形态则相对较少。这一研究空白对于海底管道的应急管理具有重要意义。与仅预测平衡冲刷深度相比,冲刷形态能更准确地描述与管道疲劳反应及防护设计相关的局部形态变化。平衡冲刷深度仅代表最大的局部侵蚀程度,而冲刷形态则能展现整体坑体形态、床面剪应力分布以及沉积物输运状况。忽视冲刷形态会导致遗漏诸如冲刷宽度、坡度、不对称性、自由跨度长度以及沉积区等关键信息,而这些信息对于分析海底管道的水动力机制和结构稳定性至关重要。因此,预测平衡冲刷形态有助于更准确地描述冲刷过程,提高管道稳定性评估的可靠性。在实际工程中,完整的冲刷形态描述能够提供更为全面且具有前瞻性的风险信息,这对于优化管道安装方案以及为施工提供有力参考具有重要意义。此外,准确的冲刷形态预测还为设计有效的防护措施提供了科学依据。本研究旨在探讨基于计算流体动力学驱动的机器学习模型在预测海底管道冲刷形态方面的可行性。具体而言,通过高精度的CFD模拟生成训练数据,以捕捉流体力学、沉积物输运和管道几何形状之间的复杂相互作用。随后,利用多种机器学习算法,包括决策树回归、随机森林回归、XGBoost、轻量级梯度提升机以及分类提升算法,建立水动力条件与相应冲刷形态之间的数据驱动映射关系。这种集成方法结合了CFD的物理真实性和数据驱动模型的预测效率,从而提高疲劳评估的准确性,优化防护设计,并为海上工程中的主动风险管理提供支持。本研究的亮点在于:(1)这是首次尝试预测管道的冲刷形态,与仅预测平衡冲刷深度相比,冲刷形态能更准确地描述与管道疲劳反应及防护设计相关的局部形态变化。这类预测能为工程师提供更全面的主动风险评估依据以及管道应急管理的参考;(2)基于CFD驱动的机器学习方案在精度、计算效率和经济性之间取得了良好平衡,非常适合实际工程应用,弥补了传统经验公式无法预测管道冲刷形态的不足。章节节选数值方法本研究采用了商业CFD软件FLOW-3D来构建和模拟海底管道周围局部冲刷的数值模型。由于k?ω模型在预测近壁流和复杂分离现象方面表现优异,而这些现象对于准确估算冲刷深度至关重要,因此选择了该模型。与标准k?ω模型相比,k?ω模型能更好地解析边界附近的湍流剪应力,从而提高预测的可靠性。数值模型构建本研究使用CFD软件FLOW-3D对海底管道的局部冲刷进行了模拟。选择FLOW-3D是因为它在模拟沉积物冲刷过程方面具有经过验证的能力和工程可靠性。该软件配备了经过行业检验的沉积物输运模块以及高效的预处理/后处理功能,既保证了物理真实性,又具备工程应用的实用性。图2展示了计算域,管道位于中心位置,周边为研究区域。机器学习模型在本部分,我们开发了一种基于机器学习的模型,用于预测海底管道的局部冲刷形态。模型开发包括数据集准备、评估指标选择以及预测性能分析。图5展示了冲刷形态预测模型的开发流程。预测结果的准确性图6、图7、图8、图9、图10和图11分别展示了在六个测试案例中,五种机器学习模型(决策树回归、随机森林回归、XGBoost、轻量级梯度提升机以及分类提升算法)预测的局部冲刷形态与数值模拟结果之间的对比。对比结果显示,所有模型的预测性能都非常出色。每个测试案例的详细结果见表2。如图6(a)–9(a)和10(a)所示,决策树回归模型的预测精度偏差较大。结论本研究探讨了基于CFD驱动的机器学习模型在预测海底管道冲刷形态方面的可行性。通过使用经过验证的CFD数值模型,根据实际环境参数进行了152次模拟。这些模拟得到的数据集被用于机器学习预测。此外,还对不同基于树的算法(决策树回归、随机森林回归、XGBoost、轻量级梯度提升机以及分类提升算法)的预测性能进行了比较和分析。所预测的管道冲刷形态为……CRediT作者贡献声明修宗祥:写作——审稿与编辑、写作——初稿撰写、可视化、验证、监督、资金获取、正式分析、数据整理、概念构思。罗晨伟:写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件应用、方法论、正式分析、数据整理。高文:写作——审稿与编辑、数据整理。刘乐军:写作——审稿与编辑、监督工作。王阳:写作——审稿与编辑、资金获取工作。施冰:……利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了国家关键研发计划(项目编号分别为2022YFC2803800和2024YFC2815400)、中国国家自然科学基金(项目编号为41876066)以及自然资源综合调查中心科技创新基金(项目编号KC20230017)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号