一种用于海岸结构适应气候变化的人工智能方法:来自地中海案例研究的见解

《Journal of Marine Science and Engineering》:An Artificial Intelligence Approach for Coastal Structures Adaptation to Climate Change: Insights from a Case Study in the Mediterranean Sea Nerea Portillo Juan, Javier Olalde Rodríguez, Vicente Negro Valdecantos, Jose María del Campo and Peter Troch

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  人工智能(AI)模型在海洋与海岸工程中的应用日益受到重视,在波浪气候分析与传播方面展现出与传统方法相当的性能。然而,其在气候变化影响与适应研究中的应用仍有限,特别是针对海岸防护结构的设计与升级。为填补这一空白,本研究聚焦于开发一种基于人工智能的框架,以支持防波

  
人工智能(AI)模型在海洋与海岸工程中的应用日益受到重视,在波浪气候分析与传播方面展现出与传统方法相当的性能。然而,其在气候变化影响与适应研究中的应用仍有限,特别是针对海岸防护结构的设计与升级。为填补这一空白,本研究聚焦于开发一种基于人工智能的框架,以支持防波堤对未来气候条件的适应。研究人员实施了一种结合人工神经网络(ANNs)与遗传算法(GAs)的混合方法,开发了两个基于前馈神经网络的模型,并将其应用于瓦伦西亚港北防波堤的不同断面,具体包括一个直立式断面和一个混合式防波堤。结果表明,在2050年未来气候情景下,为确保足够的结构性能,需要将堤顶高程增加最高达1.2米,同时加强护面层。分析还强调了极端事件的关键作用,约60%的模型误差集中在波浪条件的上90百分位。总体而言,所提出的混合ANN-GA框架表现出非常强的性能,在计算时间上比仅使用ANN的模型实现了30至40倍的效率提升。这些发现强调了适应气候变化对海岸结构的必要性,并确认了基于AI的模型作为气候韧性海岸工程有效工具的潜力,同时突出了准确表征极端波浪条件的重要性。
**论文解读:基于人工智能的海岸结构气候变化适应方法——以地中海案例研究为例**

**研究背景与问题提出**

海岸生态系统和基础设施是受气候变化威胁最严重的系统之一。气候变化已对保护海岸线的财产和结构造成损害,预计未来极端事件和洪水将更加频繁和剧烈。在此不确定性背景下,研究人员投入大量精力研究气候变化对未来海岸生态系统的影响。现有文献大多关注气候变化对海岸线演变的影响,但针对港口及其适应气候变化的研究相对匮乏。在港口适应气候变化的研究中,涉及多个子主题,包括洪水风险评估、港口运营性评估、战略方法以及海岸结构研究。然而,关于海岸结构自身适应气候变化的结构与水力性能研究,仍存在大量知识不确定性,且研究数量远少于其他子领域。部分研究采用复杂数值模型评估防波堤性能,但此类模型计算成本极高,限制了其应用。近年来,人工智能(AI)模型在海洋工程中展现出超越传统方法的潜力,尤其在海洋天气预测与表征方面成果显著,但在海岸结构适应研究中的应用几乎为零。本研究旨在填补这一空白,提出一种基于AI的混合框架,结合三级可靠性分析(蒙特卡洛模拟)与人工神经网络(ANNs),以高效、低成本的方式支持海岸结构适应气候变化。该研究在《Journal of Marine Science and Engineering》上发表。

**主要关键技术方法**

研究人员采用了一种混合人工智能方法,结合人工神经网络(ANNs)和遗传算法(GAs)。首先,利用西班牙波浪气候数据(瓦伦西亚浮标和沿海瓦伦西亚浮标的小时级有效波高Hs、谱峰周期Tp和方向Dir记录)进行波浪气候统计与相关性分析,并通过SWAN数值模拟和AI模型将波浪从深水传播至防波堤趾部。其次,收集西班牙地中海沿岸18个防波堤的结构数据,对直立式和混合式防波堤进行概率表征,采用蒙特卡洛模拟生成1000组防波堤配置,并通过物理过滤获得结构一致的数据集,与波浪情景组合形成约200万个案例。进一步,基于God公式、Van der Meer公式、Goda-Takashi波荷载公式及EurOtop手册等经验公式计算结构性能指标(滑动安全系数、块体损伤、越浪量)。最后,构建前馈神经网络(FFNN)模型,采用Levenberg-Marquardt算法优化,并通过遗传算法(GA)优化网络权重,最终得到针对直立式和混合式防波堤的两个ANN-GA模型。

**研究结果**

**3.1. 瓦伦西亚港案例研究**
研究人员将模型应用于瓦伦西亚港北防波堤的两个关键断面(直立式堤头与混合式堤身末端),评估了2035年和2050年475年重现期的波浪情景。通过分析滑动安全系数、所需堤顶高程增加量及护面层重量增加量,得出以下结论:
- 直立式防波堤:在初始设计条件下无需增加高度,但在更高波浪和更长周期情景下,堤顶高程需增加最高达1.2米。波浪周期对直立式防波堤影响显著,即使波高适中,长周期也可能导致大幅高程增加。
- 混合式防波堤:所需高度增加量较小(约0.4米),且对波浪条件变化不敏感,但波浪周期同样关键。护面层重量增加最高达1吨,尤其在高波高和高周期条件下。
- 研究结果强调了为适应气候变化调整海岸结构的必要性,并指出极端风暴(如2018年Emma、2020年Gloria、2021年Filomena)的频发加剧了经济与社会影响。

**3.2. AI模型见解与指导**
研究人员对模型性能进行了深入分析:
- 两个模型均表现出低误差和高相关系数(直立式防波堤r=0.98,混合式防波堤r=0.87),但混合式防波堤模型因结构行为更复杂,误差略高且计算时间更长。
- 与仅用于波浪传播的AI模型相比,结构适应模型的复杂度显著增加:计算成本提高约100倍,相关系数降低约0.1。
- 输入参数数量对计算时间影响显著:每增加一个输入,计算时间增加15%至50%。因此,进行敏感性分析和相关性分析以选择关键变量至关重要。
- 混合AI模型(ANN-GA)相比传统试错法,计算时间减少30至40倍。
- 模型误差分析显示,约60%的累积误差集中在波浪条件的上90百分位,表明数据驱动模型在极端条件下的外推能力有限,需要特别注意极端事件的数据预处理和模型改进。
- 该框架具有可转移性,但需针对特定场址进行校准和微调。

**讨论与结论总结**

讨论部分强调:AI模型在海岸工程中应用有限,但潜力巨大。混合模型在降低计算成本方面效果显著,但需注意复杂模型对数据质量和数量的高要求。误差主要源于极端波浪条件,建议未来研究改进数据预处理和极端案例的建模。此外,在气候变化研究中应采用概率方法,并充分考虑波浪周期对结构安全的影响。本研究的主要局限性在于:模型训练基于经验公式输出而非实测数据,且对极端事件的处理有待加强。

研究结论翻译如下:人工智能是当今领先技术之一,在许多科学领域,基于AI和其他数据驱动的模型正成为传统方法的有力替代。尽管这些方法在众多领域快速发展,但海洋与海岸工程进展较慢。AI驱动模型潜力巨大,可提供计算效率、准确性和性能的提升。本文首次探索了一种基于ANN和GA的新AI方法,用于定制海岸结构以适应气候变化。该模型的多项突破包括:混合模型(组合AI技术与优化算法)使模型开发效率提高30至40倍;在海岸结构适应研究中,模型复杂性增加,输入变量众多,敏感性分析对减少计算时间至关重要;约60%的误差集中在90百分位,极端情况需更仔细审查。未来研究应专注于改进数据预处理策略,并使用实验和现场数据评估模型鲁棒性。在瓦伦西亚港的具体案例中,建议将堤头(直立式防波堤)的堤顶高程提高1.2米,堤身第四段(混合式防波堤)提高约0.4米,并加强混合式防波堤的护面层。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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