检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2025 , Vol. 44 >Issue 2: 187 - 195

DOI: https://doi.org/10.11978/2024071

海洋工程

基于非静压模型数值模拟与卷积神经网络的滑坡涌浪水动力特性预测

  • 王傲宇 , 1 ,
  • 屈科 , 1, 2, 3 ,
  • 王旭 1 ,
  • 高榕泽 1 ,
  • 门佳 1
展开
  • 1.长沙理工大学水利与环境工程学院, 湖南 长沙 410114
  • 2.洞庭湖水环境治理与生态修复湖南省重点实验室, 湖南 长沙 410114
  • 3.水沙科学与水灾害防治湖南省重点实验室, 湖南 长沙 410114
屈科(1985—), 男, 副教授, 博士, 主要从事计算水动力学及环境流体力学方面研究。email:

王傲宇(1999—), 男, 湖南省常德市人, 硕士研究生, 主要从事深度学习及波浪水动力方面的研究。email:

Copy editor: 殷波 , YIN Bo

收稿日期: 2024-03-27

  修回日期: 2024-05-30

  网络出版日期: 2024-06-13

基金资助

国家重点研发计划课题项目(2022YFC3103601)

收起

The hydrodynamic characteristics prediction of landslide-induced surge waves based on non-hydrostatic model numerical simulation and convolutional neural network

  • WANG Aoyu , 1 ,
  • QU Ke , 1, 2, 3 ,
  • WANG Xu 1 ,
  • GAO Rongze 1 ,
  • MEN Jia 1
Expand
  • 1. School of Hydraulic and Environmental Engineering, Changsha University of Science & Technology, Changsha 410114, China
  • 2. Key Laboratory of Dongting Lake Aquatic Eco-Environmental Control and Restoration of Hunan Province, Changsha 410114, China
  • 3. Key Laboratory of Water-Sediment Sciences and Water Disaster Prevention of Hunan Province, Changsha 410114, China
QU Ke. email:

Copy editor: YIN Bo

Received date: 2024-03-27

  Revised date: 2024-05-30

  Online published: 2024-06-13

Supported by

National Key Research and Development Program of China(2022YFC3103601)

Fold

摘要

海底滑坡作为一种破坏力巨大并且在全世界范围广泛分布的自然灾害, 往往会给人类的生命安全产生巨大的威胁。滑坡产生的巨大涌浪会对海洋建筑物造成严重破坏, 因此迅速预测和评估海底滑坡所能产生的涌浪大小是防灾减灾工作的关键部分, 对海洋资源的开发利用以及人民生命财产安全至关重要。文章以非静压模型(non-hydrostatic wave model, NHWAVE)进行了滑坡涌浪的数值模拟, 得到了不同滑坡产生涌浪的数据, 并以一维卷积神经网络(1-dimensional convolutional neural network, CONV1D)为基础, 训练了滑坡产生涌浪的预测模型。该模型使用了不同测点和不同类型的滑坡数据集进行训练, 并使用平均绝对误差等评价指标对卷积神经网络的预测结果进行评估。在使用少量数据集的条件下, 卷积神经网络能很好地学习到滑坡涌浪的规律, 并且对于数据集中不存在的特征也能预测得到不错的结果, 具有较好的泛化能力。模型训练好之后, 只要实时输入滑坡发生位置自由表面的水位数据, 神经网络就能在短时间内预测出未来下游测点涌浪的时程曲线。通过神经网络预测, 可以提前对灾害进行评估, 从而采取及时有效的应对措施。

关键词： 海底滑坡; 卷积神经网络; 时序预测; 灾害预警

本文引用格式

王傲宇 , 屈科 , 王旭 , 高榕泽 , 门佳 . 基于非静压模型数值模拟与卷积神经网络的滑坡涌浪水动力特性预测[J]. 热带海洋学报, 2025 , 44(2) : 187 -195 . DOI: 10.11978/2024071

Abstract

Submarine landslides, as a natural disaster with immense destructive potential and widespread distribution worldwide, often pose significant threats to the safety of human lives. The massive waves generated by these landslides can cause severe damage to marine structures. Therefore, rapidly predicting and assessing the size of the waves generated by underwater landslides is a crucial part of disaster prevention and mitigation efforts, essential for the development and utilization of marine resources, as well as for the safety of human lives and properties. In this study, numerical simulations of landslide-generated waves were conducted using the non-hydrostatic wave model NHWAVE (a non-hydrostatic wave model) to obtain wave data for different types of landslides. Subsequently, a CONV1D (1-dimensional convolutional neural network) was trained as the prediction model for landslide-generated waves. The model was trained using datasets for various monitoring points and different types of landslides, and evaluation metrics such as mean squared error were employed to assess the prediction performance of the convolutional neural network. The results indicate that, under the condition of using a limited amount of data, the convolutional neural network can effectively learn the patterns of landslide-generated waves. Moreover, it can predict reasonably well even for features that are not uniquely present in the dataset, demonstrating good generalization capability. Once the model is trained, inputting real-time water level data from the location of the landslide occurrence enables the neural network to predict the temporal wave profiles at downstream monitoring points in a short time. By using neural networks for prediction, it is possible to assess disasters in advance and take timely and effective response measures.

Key words： submarine landslide; convolutional neural network; temporal prediction; disaster warning

海底滑坡是一种极端的自然灾害, 它的发生往往伴随着巨大的涌浪波(又称海啸波), 一旦发生将会对水下基础设施造成严重破坏, 从而对海洋资源开发和利用产生严重不利影响(Jiang et al, 2015; Zhao et al, 2016; Rasyif et al, 2019)。海底滑坡灾害在全球各海域广泛分布, 特别是在美国大陆坡、加拿大大陆坡、新英格兰陆坡、挪威外陆架、西非大陆坡、地中海、日本海域和我国南海北部海域等(Gee et al, 2007; 马云, 2014; 贾永刚 等, 2017; Nian et al, 2019)。具体实例包括: 1958 年发生在利图亚湾的滑坡事件、1946年阿留申群岛发生的海底滑坡海啸以及文莱婆罗洲西北陆缘海底滑坡等。在我国辖区4大海域(渤海、黄海、东海和南海)也均有大量海底滑坡群分布, 如黄河口海底滑坡群(杨作升 等, 1994; 贾永刚 等, 2000)、南黄海海底滑坡群(戴晨 等, 2015)、冲绳海槽西部海底滑坡群(刘保华 等, 2005; 胡光海, 2010)和台湾西南部海底滑坡群(Hsu et al, 2008)等。由此可见滑坡灾害对我国的近远海地区的影响十分重大, 特别是近年来我国海洋工程的建设逐渐加快, 因此为了保护海洋建筑物免受海底滑坡灾害的影响, 在我国海洋经济开发与建设相关工程中必须开展有关海底滑坡问题的研究。
本研究通过卷积神经网络训练了一种时序预测模型, 该模型通过数值模拟的滑坡涌浪数据(自由液面时程曲线数据)进行训练, 能够准确地对不同滑坡产生的涌浪大小进行预测, 并且具有良好的泛化能力(Namekar et al, 2009; Graves et al, 2012; Makinoshima et al, 2021)。本文的研究思路是基于先验知识对某一特定地域可能发生的滑坡灾害进行评估, 从而使用少量的训练样本达到不错的预测效果, 并且一维卷积神经网络的计算复杂度较低, 因此, 本文所提出的方法能够大大节省计算资源, 同时也为滑坡涌浪灾害的预警提出了新思路和新方法。

1 数值模型

滑坡涌浪的过程可由不可压缩的纳维-斯托克斯方程控制, 应用非静压单项流模型(non-hydrostatic wave model, NHWAVE)模拟在滑坡的影响下涌浪的产生和传播的过程, 该模型使用的是基于 σ坐标的连续性方程和动量方程, 其守恒形式的表达式为
∂ D ∂ t + ∂ D u ∂ x + ∂ D v ∂ y + ∂ ω ∂ σ = 0
∂ U ∂ t + ∂ F ∂ x + ∂ G ∂ y + ∂ H ∂ σ = S h + S p + S τ + S c
式中: U , F , G , H为通量项, 表达式为
U = D u D v D w           F = D u u + 1 2 g D 2 D u v D u w G = D u v D v v + 1 2 g D 2 D v w           H = u ω v ω w ω
S h为静压力源项, S p为动压力源项, S τ为湍流应力项, S c为拖曳力项, 其表达式为
S h = g D ∂ h ∂ x g D ∂ h ∂ y g D ∂ h ∂ z           S P = − D ρ ∂ P ∂ x + ∂ P ∂ σ ∂ σ ∂ x − D ρ ∂ P ∂ y + ∂ P ∂ σ ∂ σ ∂ y − 1 ρ ∂ P ∂ σ S τ = D S τ x D S τ y D S τ z                 S c = 1 2 D C f ù ù
式中: t是时间(单位: s); x , y , z是笛卡尔坐标; u , v , w是在 x , y , z方向的速度分量。 ω为 σ坐标方向上的速度(单位: m·s-1); σ = z + h / D, z为笛卡尔坐标系下垂直坐标的位置(单位: m), h为