基于深度学习的浮式海上风机混合系泊系统张力与疲劳监测研究

《Journal of Marine Science and Engineering》:Deep Learning-Based Monitoring of Tension and Fatigue in a Hybrid Mooring System of a Floating Offshore Wind Turbine

【字体: 大 中 小 】 时间:2026年09月30日 来源:Journal of Marine Science and Engineering 3.2

编辑推荐:

  : 浮式海上风机(FOWTs)的系泊完整性监测受到海底张力传感器成本高且可靠性有限的制约。本研究开发了一种深度学习框架,仅依据平台六自由度(6-DOF)运动即可预测15 MW半潜式浮式海上风机混合聚酯-锚链系泊系统的动态张力。研究人员基于台湾新竹近海海况生成了

  
: 浮式海上风机(FOWTs)的系泊完整性监测受到海底张力传感器成本高且可靠性有限的制约。本研究开发了一种深度学习框架,仅依据平台六自由度(6-DOF)运动即可预测15 MW半潜式浮式海上风机混合聚酯-锚链系泊系统的动态张力。研究人员基于台湾新竹近海海况生成了全耦合OrcaFlex仿真数据库,并在仿真层面采用聚类分层方法进行数据划分。研究比较了长短期记忆网络(LSTM)、双向长短期记忆网络(BiLSTM)和卷积神经网络-长短期记忆网络(CNN-LSTM)三种架构,并将预测张力经雨流计数法和Miner准则处理以评估疲劳损伤。在测试集上,三种模型的决定系数(R2)均超过0.999,其中BiLSTM精度最高,均方根误差(RMSE)为11.15 kN,尽管聚酯段具有非线性轴向刚度。预测结果对随机波浪实现不敏感,且在对训练中未包含的海况和载荷方向下仍保持精度。将该框架应用于台风KRATHON的实测条件(风向与波向最大偏差达54°)时,LSTM和BiLSTM对模拟张力的一日累积疲劳损伤复现误差约在4%以内。当运动输入含相关测量噪声时,张力误差约增大一倍。研究人员建议将BiLSTM用于离线监测,单向LSTM用于实时预测。
论文解读
一、研究背景与问题
全球气候减缓的紧迫需求推动浮式海上风机(FOWTs)成为可再生能源发展的前沿方向。与局限于浅水近岸区域的固定式结构不同,FOWTs可部署于水深超过60 m的海域,全球70%–80%的海上风能资源集中于此。然而,FOWTs面临运维(O&M)挑战,运维成本约占全生命周期成本的36.6%,是浮式海上风电场最大的单项成本来源。在所有子系统中,系泊系统因其水下布置、大动态载荷范围和恶劣海上环境中可达性受限而尤其难以检测和维护。历史记录显示,疲劳约占系泊失效原因的24%,与腐蚀联合时升至35%,而极端张力事件导致的失效仅约占1%。在系泊缆的薄弱位置中,导缆孔区域尤为关键,波频疲劳损伤在导缆孔连接处通常最高,因此行业标准做法是将导缆孔视为疲劳寿命评估的控制位置。
浮式风机系泊系统日益采用合成纤维绳段,因其低水中重量和高柔顺性。混合或半张紧系泊系统采用聚酯等合成纤维绳可缓解峰值张力,且合成纤维具有优异的张力-张力疲劳性能和抗腐蚀性。传统系泊完整性监测依赖集成于系泊系统的测力传感器或应变计,但水下传感器安装成本高、技术要求高且易受环境退化影响。一种具有操作吸引力的替代方案是通过平台运动间接测量,因为六自由度平台动力学可在甲板层采用成熟的低成本技术测量。关键挑战在于建立可观测平台运动与不可达系泊缆张力之间的可靠映射。
现有深度学习研究多集中于损伤检测或分类,而非覆盖完整运行包络的连续张力预测,且鲜有研究涉及包含非线性轴向刚度行为的合成纤维绳混合系泊系统。
二、研究内容与结论
本研究针对上述空白,开发了一种深度学习框架,仅利用平台六自由度运动预测15 MW半潜式FOWT混合聚酯-锚链系泊系统的动态张力。框架包含三个阶段:数值仿真阶段,将ANSYS AQWA频域水动力系数与OrcaFlex时域动态分析耦合,生成平台运动与系泊张力响应数据库;模型训练阶段,提取六自由度运动和三个系泊张力作为输入与目标,在仿真级、聚类分层评估下训练并比较LSTM、BiLSTM和CNN-LSTM三种架构;疲劳评估阶段,将预测张力经雨流计数和Miner准则处理获得各系泊缆累积疲劳损伤。该框架使系泊张力和疲劳预测无需水下传感器即可实现,减少全数值仿真需求,支持FOWT运维。
研究结果表明:测试集上三种模型R2均超过0.999,BiLSTM精度最高(RMSE为11.15 kN);精度在三种海况聚类中保持一致,包括张力幅值最大的风暴条件;对训练中未包含的海况和载荷方向,精度保持与测试集相当;预测对随机波浪实现不敏感;在台风KRATHON条件下,LSTM和BiLSTM对一日累积疲劳损伤的预测与模拟值偏差约4%,CNN-LSTM低估8.6%;当运动输入含相关测量噪声时,张力误差约增大一倍。
三、关键技术方法
研究人员采用的主要技术方法包括:频域水动力分析(ANSYS AQWA求解三维势流理论下的波浪-结构相互作用);时域全耦合仿真(OrcaFlex中风机-平台-系泊系统耦合动态响应模拟);系泊缆集总质量有限元建模(链段线性弹性、聚酯段采用Syrope框架实现非线性静态-动态刚度公式);K-means聚类海况分类(按有效波高和谱峰周期分为风浪、涌浪、风暴三类);仿真级分层数据划分(8:1:1比例);三种深度学习架构(LSTM、BiLSTM、CNN-LSTM)训练与比较;雨流计数法与Palmgren-Miner线性损伤累积准则的疲劳评估。样本数据来源于台湾新竹数据浮标2000至2023年长期波浪与风记录,共80种海况、24个载荷方向、1920个载荷工况。
四、研究结果
4.1 模型性能比较
测试集上BiLSTM误差最低(RMSE为11.15 kN),CNN-LSTM为12.24 kN,LSTM为12.30 kN,三种模型R2均超过0.999,平均偏差均小于0.3 kN。与线性回归(RMSE为177.05 kN)和前馈网络(RMSE为68.43 kN)相比,序列模型优势显著,表明循环结构对张力预测不可或缺。按海况聚类分别考察,BiLSTM在每个聚类中均取得最低RMSE,归一化RMSE显示三种模型对涌浪聚类复现最精确。
4.2 对未见海况的泛化能力
研究人员选取训练网格之外的7种海况组合,每种在6个未见载荷方向下仿真,共42个工况。三种模型R2均高于0.9995,RMSE在9.94至12.15 kN之间,平均偏差在1.1 kN以内,表明精度反映对站点运行包络内条件的泛化而非对训练海况的记忆。
4.3 波浪种子变异性鲁棒性
从测试集每个聚类选取2个代表性海况,各用3个不同波浪种子重新仿真。各海况下归一化RMSE的标准差均小于均值的十分之一,表明预测精度是模型本身属性而非特定波浪实现的产物,且BiLSTM在每种海况下均保持最低归一化RMSE。
4.4 台风KRATHON条件下的疲劳评估
将框架应用于2024年10月2日台风KRATHON过境期间的24小时逐时海况,该事件中风向与波向平均偏差29°、最大偏差54°,与训练数据中同向加载不同。BiLSTM误差最低(RMSE为8.41 kN),LSTM为9.84 kN,CNN-LSTM为11.83 kN。疲劳评估中,2号系泊缆损伤最大,LSTM和BiLSTM对日累积损伤预测偏差分别为0.54%和1.80%,CNN-LSTM低估8.96%;三缆平均偏差LSTM为4.10%、BiLSTM为3.82%、CNN-LSTM为8.56%。
4.5 测量噪声敏感性
将相关测量噪声施加于运动输入(平动0.10 m、转动0.10°),无噪声训练模型RMSE从11至12 kN退化至约25 kN。采用输入噪声训练可恢复部分精度至19至22 kN,但无噪声输入下误差升至16.8至17.8 kN。噪声条件下BiLSTM仍最准确(19.3 kN)。
五、讨论与结论
讨论部分指出,BiLSTM的优势源于其双向处理能力,如同平滑器优于因果滤波器,但代价是引入最长一个窗口长度(360 s)的延迟,因此适用于记录历史的离线后处理,而单向LSTM适合实时预测。CNN的卷积前端未改善预测,其张力幅值复现不足导致最大雨流范围减小,经损伤与范围的立方关系放大后产生最大疲劳低估,建议在完整性评估中对预测损伤施加至少1.15倍的安全系数。研究局限性包括:仅评估导缆孔链段的张力-张力疲劳,未解析面外弯曲、腐蚀磨损和链-聚酯连接;测量误差仅表示为随机噪声,未涵盖真实GNSS和IMU记录中的慢漂移、缺失样本和通道间时间偏移;耦合模型仅与参考平台固有周期验证,缺乏可比混合系泊构型的模型试验直接对比。
结论部分总结:测试集上三种模型R2均超过0.999,BiLSTM RMSE为11.15 kN;精度在三种海况聚类中一致,且在对训练中未包含的海况和载荷方向下保持;预测对随机波浪实现不敏感;台风KRATHON条件下LSTM和BiLSTM对一日疲劳损伤预测偏差约4%,CNN-LSTM低估8.6%,建议施加1.15倍安全系数;相关测量噪声使张力误差约增大一倍,输入噪声训练可部分恢复;该框架无需水下传感器即可从平台运动预测系泊张力和疲劳损伤,BiLSTM推荐用于离线监测,单向LSTM适用于实时预测。
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