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 3: 36 - 47

DOI: https://doi.org/10.11978/2024177

海洋工程

半潜式浮式风机基础水动力特性及系泊系统张力特性预测

  • 李天阔 , 1 ,
  • 屈科 , 1, 2, 3 ,
  • 李晓涵 1 ,
  • 王傲宇 1 ,
  • 王超 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, 主要从事计算流体力学、海岸工程、海洋工程。email:

李天阔(2004—), 男, 本科生, 主要从事波浪水动力研究。email:

Copy editor: 林强

收稿日期: 2024-09-13

  修回日期: 2024-11-19

  网络出版日期: 2024-11-25

基金资助

国家重点研发计划课题(2022YFC3103601)

省级大学生创新创业训练计划(S202410536097)

收起

The hydrodynamic characteristics and the prediction of mooring system tensions for a semi-submersible floating wind turbine foundation

  • LI Tiankuo , 1 ,
  • QU Ke , 1, 2, 3 ,
  • LI Xiaohan 1 ,
  • WANG Aoyu 1 ,
  • WANG Chao 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: LIN Qiang

Received date: 2024-09-13

  Revised date: 2024-11-19

  Online published: 2024-11-25

Supported by

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

The Provincial Undergraduate Training Program for Innovation and Entrepreneurship(S202410536097)

Fold

摘要

全球气候变化导致我国沿海区域极端海况频发, 引起海上半潜式浮式风机基础大幅度运动, 造成系泊缆出现松弛—张紧现象, 严重缩短系泊系统使用寿命, 影响风机平台整体作业安全。为实现对系泊系统高效精准且低成本的安全预警, 提出了应用全神经网络根据波浪状况预测系泊缆张力、海上浮式风机基础的运动响应及载荷的方法。先通过数值模拟构建了极端海况条件下波浪高度以及半潜式浮式风机基础载荷和运动响应的数据库, 再应用全连接神经网络方法对数据进行学习及预测, 结果显示: 对系泊缆的张力、风机基础的运动响应和载荷预测精度分别达到99.57%、98.91%和99.79%, 证明该方法对系泊系统预测的可行性与可靠性, 为海上风机超前安全预警的实际应用提供参考。

关键词： 半潜浮式平台; 系泊系统; 全神经网络; 深度学习; 动态响应

本文引用格式

李天阔 , 屈科 , 李晓涵 , 王傲宇 , 王超 . 半潜式浮式风机基础水动力特性及系泊系统张力特性预测[J]. 热带海洋学报, 2025 , 44(3) : 36 -47 . DOI: 10.11978/2024177

Abstract

Climate change has caused frequent extreme sea conditions in China's coastal regions. This has resulted in significant dynamic movements of the semi-submersible floating wind turbine foundation at sea, leading to the slack-tension phenomenon of the mooring cables. This phenomenon greatly reduces the service life of the mooring system and poses a safety risk to the overall operation of the wind turbine platform. In order to achieve an efficient, accurate and low-cost safety warning for mooring systems, this paper proposes a method which uses a fully connected neural network to predict the load, dynamic response and tension characteristics of the mooring system based on wave conditions. Using numerical simulation, a database of wave heights and the load and motion response of the foundation of a semi-submersible floating wind turbine under extreme sea conditions was constructed, and then based on which a fully connected neural network method was used to learn and make predictions. The results showed that the prediction accuracy of the tension in the mooring cables, the motion response and the load of the wind turbine foundation reached 99.57%, 98.91% and 99.79%, respectively, which proved the feasibility and reliability of the method for predicting the safety of mooring systems and provided reference for the practical application of advanced safety warning for offshore wind turbines.

Key words： semi-submersible floating platform; mooring system; fully connected neural network; deep learning; dynamic response

近年来, 全球气候变化导致我国沿海地带台风活动愈发频繁。鉴于我国沿海大陆架的水深大致位于50~200m, 海上风电建设普遍采纳半潜式浮动风机的设计方案。在这种极端海洋环境下, 半潜式浮式风机的基础经常会经历剧烈的位移, 导致系泊缆绳出现交替的松弛与紧绷状态, 表现为零张力与冲击性张力交替出现, 其张力峰值可能是预张力的数倍甚至十几倍。这种状况会缩短系泊系统的使用期限, 进而对风机平台的整体作业安全产生严重影响。因此, 系统研究极端海况条件下半潜式浮式风机基础水动力特性和系泊系统张力特性及其智能快速预测方法具有重要的工程应用和科学研究价值。
在极端海况条件下, 保障海上浮式风机的稳固性是系泊结构设计的核心环节。现阶段, 系泊系统研究领域关注的焦点议题涉及: 系泊结构的计算与分析框架、系泊材料的非线性属性研究、系泊在松弛与紧绷状态下的动态分析、系泊与浮体相互作用导致的系泊拉力变化、系泊系统的阻尼效应探究以及海底地貌对系泊结构性能的作用影响。Vassalos等(2004)探究了系泊缆的轴向分段线性弹性特性, 运用集中质量模型, 将系泊缆的底部固定, 并在顶部施加周期性振动以研究其张力的变化, 证实了在缆绳出现松弛与紧绷交替时, 系泊缆张力中会含有高频分量。张素侠 等(2008)对系泊缆的冲击载荷进行研究, 发现当缆绳产生冲击载荷时, 张力曲线变得陡峭并出现多倍响应频率成分。唐友刚 等(2009)利用集中质量法对深海系泊缆在动载荷作用下的张力变化进行了研究, 指出当系泊缆顶端的激励频率与幅度达到一定阈值时, 缆绳会出现周期性的松弛与紧绷状态, 并引发冲击载荷。王瑞华 等(2020)建立下端锚固、上端做简谐运动的带浮筒悬链线系泊缆运动微分方程, 分析几种不同参数的浮筒对深水系泊缆张力的影响, 证明浸没式浮筒可有效抑制系泊缆松弛—张紧现象的出现。仲凡 等(2024)设计海上浮式风电场的共享系泊系统, 通过对比传统系泊系统与共享系泊系统的系泊响应, 发现混合缆系泊张力明显小于锚链系泊张力, 为浮式风机纤维系泊系统中缆绳系泊方式与选型提供新选择。Lu等(2011)对水下浮动隧道的系泊缆在波浪影响下产生的松弛以及由此引发的冲击张力现象进行了研究, 发现随着波高的增加, 系泊缆会从紧绷状态过渡到松弛—张紧的交替状态, 并伴随产生冲击张力。系泊张力与平台运动响应的预测在海上漂浮式风机中对于确保安全运行、材料保护、降低维护成本、维持电网稳定性及降低能耗等具有关键性意义。通过对系泊系统的张力变化进行精准预测, 可以提前发现潜在的安全隐患, 从而及时采取必要措施以确保风机的平稳运行。
近年来随着计算机硬件的不断发展, 深度学习技术已经在计算机视觉、自然语言处理等多个领域实现了重大突破, 并不断推动各行各业科技水平的提升。机器学习的起源可以追溯到早期的McCulloch-Pitts人工神经单元模型, 但由于当时理论支持不足以及计算机性能有限等原因, 并未受到应有的关注。随后, 随着梯度反向传播(back propagation, BP)算法在处理非线性分类问题上的有效性得到验证, 卷积神经网络、循环神经网络以及长短期记忆网络等依次在图像识别、时序预测等领域取得巨大成功。为深度学习的应用提供了坚实的理论和技术基础。在这样的发展趋势下, 深度学习在流体动力学领域也实现了飞跃性的进展。Wang等(2022)和Qiao等(2021)采用了基于长短期记忆(long short-term memory, LSTM)模型的方法, 实现了对漂浮式平台系泊张力的实时预测。在此研究中, 漂浮式基础平台的运动响应数据被视为输入, 而系泊张力响应则作为输出结果。平台的运动变化不仅直接影响风机的性能, 还会对风机所处的环境条件产生重要影响。因此, 通过准确预测平台的运动响应, 能够为优化风机的控制策略提供支持, 从而确保风机在不同运动环境中依然能够保持良好的运行状态。在该背景下, Shi等(2023)采用多输入LSTM神经网络的方法, 直接应用于漂浮式风机基础平台的短期运动响应预测。该模型在预测海上风机组运动时展现出卓越的性能, 具备出色的预测准确性和良好的泛化能力, 从而在一定程度上为海上风机的安全性和稳定性提供了有效的短期预测支持。全连接神经网络作为目前深度学习基础模型之一, 它是通过梯度的反向传播来实现参数的更新的。BP算法是用于训练全连接神经网络的一种广泛使用的方法。通过计算输出层的误差, 并将误差反向传播到隐藏层的神经元, 从而调整网络中的权重和偏置, 以最小化损失函数, 实现对网络的训练。近些年来, 全连接神经网络方法逐渐在海岸工程的各个领域展现出良好的应用前景。杜君峰 等(2022)提出了一种基于贝叶斯正则化BP神经网络算法的深海浮式平台系泊系统疲劳损伤评估方法, 探讨了波浪气象变化对深海浮式平台系泊缆全寿命周期内疲劳损伤的影响规律, 既保证了疲劳损伤评估的准确性, 又提高了计算效率。然而, 采用全连接神经网络方法预测极端海况条件下半潜式浮式风机基础水动力特性及系泊系统张力特性的研究还很不充分。

1 数值模型

1.1 控制方程

REEF3D数值模型的控制方程是三维不可压缩纳维-斯托克斯(Navier-Stokes)方程。质量守恒定律与动量守恒定律构成了推导N-S方程的理论基础。
由连续性方程来表示质量守恒定律:
$\frac{\partial {{u}_{i}}}{\partial {{x}_{i}}}=\text{0}$
式中, 在笛卡尔坐标系x-y-z内, xi代表方向坐标, 而ui则是该方向上相应的速度矢量。
而动量守恒定律源自牛顿第二定律F=ma, 这里将动量方程写为
$\frac{\partial {{u}_{i}}}{\partial t}+\frac{\partial {{u}_{i}}{{u}_{j}}}{\partial {{x}_{i}}}=\frac{\partial }{\partial {{x}_{i}}}(\mu \frac{\partial {{u}_{i}}}{\partial {{u}_{j}}})-\frac{\text{1}}{\rho }\frac{\partial p}{\partial {{x}_{i}}}$
式中, μ为动力黏度系数, ρ为流体密度, p为压力, uj为流体速度矢量在j方向的分量。将两式联立, 可形成雷诺平均Navier-Stokes方程(RANS方程):
$\frac{\partial {{u}_{i}}}{\partial t}+{{u}_{j}}\frac{\partial {{u}_{i}}}{\partial {{x}_{j}}}=\frac{\text{1}}{\rho }\frac{\partial p}{\partial {{x}_{i}}}+\frac{\partial }{\partial {{x}_{j}}}\left[ \left( v+{{v}_{t}} \right)\left( \frac{\partial {{u}_{i}}}{\partial {{x}_{j}}}+\frac{\partial {{u}_{j}}}{\partial {{x}_{i}}} \right) \right]+{{g}_{i}}$
式中, t为时间, ν和νt为运动黏度和湍流黏度, gi为重力加速度矢量。式中的左端第一项是速度随时间的变化, 第二个是对流项, 这两项合起来构成了惯性力; 方程右端的第一项表示压力, 第二项表示黏性力, 第三项表示外力。

1.2 湍流模型

数值模型中湍流的模拟计算主要采用三种方法: 直接数值模拟(direct numerical simulation, DNS)、大涡模拟(large eddy simulation, LES)以及雷诺Navier-Stokes模拟(reynolds average Navier-Stockes, RANS)。本研究采用k-omega(k-ω)两方程湍流模型作为RANS方程的封闭解, 其标准形式的控制方程如下:
$\frac{\partial k}{\partial t}+{{u}_{j}}\frac{\partial k}{\partial {{x}_{j}}}=\frac{\partial }{\partial {{x}_{j}}}\left[ \left( v+\frac{{{v}_{t}}}{{{\sigma }_{k}}} \right)\frac{\partial k}{\partial {{x}_{j}}} \right]+{{P}_{k}}-{{\beta }_{k}}k\omega $
$\frac{\partial \omega }{\partial t}+{{u}_{j}}\frac{\partial \omega }{\partial {{x}_{j}}}=\frac{\partial }{\partial {{x}_{j}}}\left[ \left( v+\frac{{{v}_{t}}}{{{\sigma }_{\omega }}} \right)\frac{\partial \omega }{\partial {{x}_{j}}} \right]+\frac{\omega }{k}\alpha {{P}_{k}}-{{\beta }_{k}}{{\omega }^{2}}$
式中, xj为方向坐标, uj为该方向上相应的速度矢量, t为时间, k为湍流动能, ω为特定的耗散率, Pk为湍流产生率, α、βk、β、σ、σω为经验系数, 分别取$\frac{\mathrm{5}}{\mathrm{9}}$、$\frac{\mathrm{9}}{\mathrm{100}}$、$\frac{\mathrm{3}}{\mathrm{40}}$、2、2。

1.3 自由表面

REEF3D利用高精度的Level-Set水平集法来捕捉自由表面, 该方法通过定义有符号距离函数的零水平集$\varphi \left( \bar{x},t \right)$来实现, 从而获取相应的流场信息。相关的控制方程如下式:
$\frac{\partial \varphi }{\partial t}+{{u}_{j}}\frac{\partial \varphi }{\partial {{x}_{j}}}=\text{0}$
式中, $\varphi $是水平集函数, $\frac{\partial \varphi }{\partial t}$表示水平集函数对时间t的偏导数, 描述了水平集函数随时间的变化率; uj表示速度矢量。其中$\varphi \left( x,t \right)$满足关系式:
$\varphi(x, t)=\left\{\begin{array}{c}x>0, x \in \text { 水 } \\x=0, x \in \text { 交界面 } \\x<0, x \in \text { 空气 }\end{array}\right.$

1.4 数值离散

REEF3D使用有限差分方法(finite difference methods)对控制方程进行离散化处理。在均匀规则网格上, 这种有限差分方法可以通过采用高阶格式来提高计算精度。REEF3D使用浸没边界法(ghost-cell immersed boundary method, GCIBM)来克服不规则的计算域所引起计算工作量增大的问题(Berthelsen et al, 2008), 处理波浪与结构物相互作用时的复杂交界面。

1.5 6DOF算法

6 DOF算法是用于描述浮体处于被动型运动的运动形态。对于波浪作用下的运动浮体, 其表面方向i上的受力Fi, e通过压力p和粘性应力张量τ来确定:
$F_{i, e}=\int_{\Omega}\left(-n_{i} p+n_{i} \tau\right) \mathrm{d} \Omega$
式中, ni表示单位法向量的分量, Ω为离散的表面积。浮体的重心到浮体网格原点的距离rcg为:
${{r}_{\text{cg}}}=\frac{\text{1}}{m}\int{_{V}}r{{\rho }_{\text{a}}}\text{d}V$
式中, r指的是在贴体坐标系中, 从浮体表面到浮体网格原点的距离; 若贴体网格坐标系的原点设置在浮体重心, 则r表示的是每个浮体表面单元到浮体重心的间距; m是浮体的质量, ρa是浮体的密度, V是浮体的体积。
力矩Li, e计算公式如下:
$L_{i, e}=\int{ }_{\Omega} r\left(n_{i} p+n_{i} \tau\right) \mathrm{d} \Omega$
式中, Ω为离散的表面积, 通过狄拉克函数进行计算:
$\mathrm{d} \Omega=\int \delta(\varphi)|\nabla \varphi| \mathrm{d} x$
式中, $\delta (\varphi )$为狄拉克函数, $\left| \nabla \varphi \right|$表示梯度的模长。
浮体位置与方向η通过位置矢量和欧拉角计算:
$\eta =\left( {{x}_{\text{cg}}},{{y}_{\text{cg}}},{{z}_{\text{cg}}},\varphi,\theta,\psi \right)$
式中:$\left( {{x}_{\text{cg}}},{{y}_{\text{cg}}},{{z}_{\text{cg}}} \right)$表示物体位置的位置矢量, $\left( \varphi,\theta,\psi \right)$表示物体方向的欧拉角。
计算惯性矩时可简化成流体惯性系和浮体非惯性系。力和力矩在流体惯性坐标系中计算, 当浮体非惯性坐标系的原点与浮体重心重合, 惯性力矩I通过以下矩阵计算:
$I=\left[ \begin{matrix} {{I}_{x}} & \text{0} & \text{0} \\ \text{0} & {{I}_{y}} & \text{0} \\ \text{0} & \text{0} & {{I}_{z}} \\\end{matrix} \right]=\left[ \begin{matrix} mr_{x}^{\text{2}} & \text{0} & \text{0} \\ \text{0} & mr_{y}^{\text{2}} & \text{0} \\ \text{0} & \text{0} & mr_{z}^{\text{2}} \\\end{matrix} \right]$
其中, rx、ry、rz分别为在x、y、z方向上计算点与浮体重心之间的距离。
在浮体的非惯性坐标系中, 力和力矩可以通过变换矩阵$J_{\text{1}}^{-\text{1}}$来表示:
${{a}_{\text{fb}}}=\left[ \begin{matrix} \text{c}\psi \text{c}\theta & \text{s}\psi \text{c}\theta & -\text{s}\theta \\ -\text{s}\psi \text{c}\varphi +\text{s}\varphi \text{s}\theta \text{c}\psi & -\text{c}\psi \text{c}\theta +\text{s}\varphi \text{s}\theta \text{c}\psi & \text{s}\varphi \text{c}\theta \\ \text{s}\theta \text{s}\psi +\text{c}\varphi \text{s}\theta \text{c}\psi & -\text{s}\varphi \text{c}\psi +\text{s}\varphi \text{s}\theta \text{c}\psi & \text{c}\theta \text{s}\varphi \\\end{matrix} \right]{{a}_{\text{c}}}=J_{\text{1}}^{-\text{1}}{{a}_{\text{c}}}$
其中, s、c分别表示sin、cos; afb示浮体非惯性参考系中的矢量; ac示流体惯性参考系中的矢量。
浮体运动方程通过力Fi(包括3个分量: Fx、Fy、Fz)和力矩K、M、N以及转动惯量的逆矩阵$J_{\text{1}}^{-\text{1}}$来计算:
${{F}_{i}}=J_{\text{1}}^{-\text{1}}{{F}_{i,e}}=\left[ x,y,z \right]$
${{L}_{i}}=J_{\text{1}}^{-\text{1}}{{L}_{i,e}}=\left[ K,M,N \right]$

1.6 准静态模型

本研究采用准静态方法模拟计算浮式平台的系泊系统。该方法不考虑波浪和流的影响、忽略锚链的垂直运动。求解的思路是将平台的运动分解成若干时间步(刘超, 2007)。在每个时间步内, 假定锚泊系统处于 静力平衡状态, 并通过这种静力平衡来求解方程的相关参数(高言乐, 2020)。

2 数值验证

2.1 聚焦波的生成与传播演变验证

Ning等(2009)在长69m、宽3m、高1.5m的水槽中开展了聚焦波的生成与传播演变过程研究。水深h=0.5m, 聚焦位置距离推波板xF=11.4m。为了降低数值模拟的计算负荷、缩短计算时间并提升计算效率, 将数值水槽长度设定为24.0m、高度设为1.0m, 聚焦位置分别设置在xF=7.5m、xF=7.2m处, 聚焦时间为tF=10s, 具体参数见表1。
表1 聚焦波参数设置

Tab. 1 Focused wave parameter setting

工况 参数
HF/m T/s xF/m tF/s
N1 0.0626 1.20 7.5 10.0
N2 0.1750 1.25 7.2 10.0
图1为数值计算的实际聚焦点与实验中测量位置处的水位时程曲线对比。如图1a 所示, REEF3D计算的聚焦波波面形状、聚焦位置和聚焦时间均与实验数据相吻合。对于HF=0.1750m的情况, 当有效波高较大时, 由于波浪之间的强非线性作用, 聚焦波的实际聚焦点一般会略微向后移动(Bihs et al, 2017), 实际聚焦时间也略有不同。由图1a可以看出, 数值计算中的实际聚焦点xF=7.5m与实验数据的自由水面高程对比, 结果吻合较好, 证明了开源REEF3D数值模型计算聚焦波产生及传播演变过程的准确性和可靠性。
图1 实际聚焦位置数值模拟水位与试验数据对比

Fig. 1 Comparison of numerically simulated water level with test data in actual focused position

2.2 规则波作用下三维浮体系泊系统验证

基于聚焦波可以由多组规则波在给定位置和给定时间线性叠加(易振宇 等, 2021), 本文数值模拟了规则波与三维浮箱系泊系统复杂的相互作用过程, 并将计算得到的纵荡(surge)、纵摇(pitch)、垂荡(heave)运动与Wu等(2019)的实验数据进行了对比, 验证了6DOF算法以及准静态系泊系统的有效性和可靠性。
数值模型水槽的计算域与Wu等(2019)所做的物理模型一致, 如图2所示。定义了一个全局坐标系x-y-z, 数值水槽长10m, 宽1m, 高0.8m, 初始静止水深设置为0.5m, 入射波波高为h=0.12m, 周期为T=2.0s。箱体为矩形, 长度0.20m, 宽度0.20m, 高度0.132m, 质量为3.16kg, 浮箱的中心位置距离推波板3.5m。自由浮动时, 浮箱吃水为0.0786m, 大约60%的箱体高度被淹没。数值水槽中放置6个浪高仪, 位置见图2。
图2 三维浮箱实验布置图

Fig. 2 Three-dimensional floating tank experiment layout

由图3、4可知, 数值计算结果与实验数据吻合较好, 证明了6DOF算法以及准静态系泊系统的有效性和可靠性。其中图4中, 纵荡、垂荡运动获得了满意的一致性, 而纵摇运动存在一些差异, 其原因可能由箱体侧面的边界层建模和数值波浪水槽设置造成。系泊缆张力与实验结果的对比如图5所示。由于这是对称的系泊系统, 其他系泊缆所受的张力是相似的。从图4、5可以看出, 采用的模型对箱体纵摇运动的低估, 导致数值计算得出了稍小的张力。通过上述对比分析, 可以看出REEF3D数值计算结果与Wu等(2019)的实验研究结果吻合度较高, 因此本文的数值模型可以较准确地模拟出浮体在系泊系统下的运动响应特性。
图3 实际聚焦位置数值模拟水位与实验数据对比

Fig. 3 Numerical simulation of actual focused position compared with experimental data

图4 浮箱的纵荡、纵摇、垂荡运动数值与实验数据对比

Fig. 4 Comparison of surge, pitch and heave motions of floating tank with experimental data

图5 1号、3号系泊缆张力与实验数据对比

Fig. 5 Comparison of tension of No. 1 and No. 3 mooring cables with experimental data

3 半潜式浮式风机基础水动力特性

3.1 无横撑(braceless)浮式平台与系泊系统参数

本文的研究对象是无横撑的半潜型浮式平台基础。如图6所示, 其柱由浮筒而不是撑杆连接, 可能是降低海上风机设计复杂性和建造成本的更好解决方案。无横撑半潜式平台具体设计参数见表2。
图6 无横撑平台侧视图(左)和上视图(右)

Fig. 6 Braceless platform side view (left) and top view (right)

表2 无横撑平台的主要设计参数

Tab. 2 Main design parameters of braceless platform

参数 设计参数
中心柱直径/m 6.5
侧柱直径/m 6.5
浮筒高度/m 6
浮筒宽度/m 9
侧柱圆心到中心柱圆心长度/m 41
浮筒长度/m 45.5
侧柱高度/m 34
中心柱高度/m 44
作业吃水/m 30
排水体积/m3 10555
浮体总重量/kg 9738000
计算域设置为长方体, 水深设置为设计水深200m, 水槽尺寸为: (0m∶240m)×(0m∶200m)×(0m∶250m), 浪高仪位置为(90, 100)。为保证平台运行安全, 无横撑半潜型浮式平台使用三条悬链系泊缆进行锚固, 系泊缆之间以120°角定位, 每条系泊缆均在水深18m处连接到平台的侧柱上。系泊系统的详细参数见表3、表4。
表3 系泊系统的主要设计参数

Tab. 3 Main design parameters of mooring system

参数 设计参数值
相邻系泊缆的夹角 120°
系泊点距离自由水面的距离/m 200
导缆孔距离自由水面的距离/m 18
系泊缆的原始长度/m 835.5
系泊缆的直径/m 0.0766
系泊缆的等效线密度/(kg·m-1) 45.5
表4 系泊缆导缆孔(a-c)和锚固点(A-C)的全局坐标

Tab. 4 Global coordinates of mooring guide holes (a-c) and anchor points (A-C)

位置 x/m y/m z/m
导缆孔a 144.25 100.0 182.0
导缆孔b 77.875 138.322 182.0
导缆孔c 77.875 61.778 182.0
锚固点A 937.6 100.0 0.0
锚固点B -318.8 825.4 0.0
锚固点C -318.8 -625.4 0.0
依据无横撑半潜型浮式平台和环境条件, 为研究不同波浪要素(有效波高、谱峰周期)对半潜型浮式平台的影响, 本论文共设计了50组计算工况, 详见表5。
表5 计算工况

Tab. 5 Calculation conditions

工况编号 有效波高HS/m 谱峰周期TP/s 工况编号 有效波高HS/m 谱峰周期TP/s
1 1 10 26 13.5 10
2 1.5 10 27 14 10
3 2 10 28 14.5 10
4 2.5 10 29 3 12
5 3 10 30 5 12
6 3.5 10 31 5.5 12
7 4 10 32 6 12
8 4.5 10 33 7 12
9 5 10 34 7.5 12
10 5.5 10 35 8 12
11 6 10 36 8.5 12
12 6.5 10 37 9 12
13 7 10 38 9.5 12
14 7.5 10 39 10 12
15 8 10 40 10.5 12
16 8.5 10 41 11 12
17 9 10 42 11.5 12
18 9.5 10 43 3 14
19 10 10 44 5 14
20 10.5 10 45 7 14
21 11 10 46 7.5 14
22 11.5 10 47 8 14
23 12 10 48 3 8
24 12.5 10 49 5 8
25 13 10 50 7.5 8

3.2 不同波浪要素对浮式风机平台的水动力特性分析

有效波高HS作为影响浮式平台安全运行的重要参数, 对浮式平台的水动力学特性和运动响应有着较大的影响, 共采取有效波高HS =3、7.5、10、12m四种情况, 以探明不同有效波高HS对浮式平台水动力特性的影响规律。
在图7中, 依次展示了HS =3、7.5、10、12m相应的聚焦波与浮式平台相互作用时流场的速度云图。通过不同有效波高的速度云图对比可知, 最大波峰处的流速最大, 并且随着有效波高HS的增大, 最大波峰处的流速逐渐增大, 作用在浮式平台上的波浪所蕴含的波能也越大。
图7 不同波高条件下聚焦波与浮式平台作用的速度云图

Fig. 7 Velocity cloud map of the effect of focused wave on floating platform under different wave heights

图8展示了不同有效波高HS下浮式平台运动响应的时程曲线对比。如图所示, 在不同有效波高HS条件下, 浮式平台的纵荡、垂荡、纵摇运动随时间的变化对比在趋势上基本相似。但随着有效波高HS增大, 浮式平台纵荡和纵摇运动增大。如图9所示, 系泊缆张力出现极值的时刻与垂荡运动的出现极值的时刻基本一致, 且随着有效波高的增大, 系泊缆张力变化幅度在极值处增大。
图8 有效波高对浮式平台运动的影响

Fig. 8 Effect of effective wave heights on floating platform motion

图9 有效波高对系泊缆张力的影响

Fig. 9 Effect of effective wave heights on mooring cable tension

为研究谱峰周期TP对浮式平台水动力及运动响应的影响, 选取了3种不同的谱峰周期(Tp=10、12、14s)展开了研究。其中有效波高HS =7.5m, 水深h=200m。
图10给出了不同谱峰周期TP对浮式平台运动响应的影响。由图10可知, 随着谱峰周期TP的增大, 浮式平台的纵荡值更大, 纵摇值更小, 而垂荡值变化幅度基本相似。由图11可知, 浮式平台迎浪面的1号系泊缆张力随着谱峰周期TP的增大而减小, 而后端的2号系泊缆张力变化趋势相反。
图10 谱峰周期对浮式平台运动的影响

Fig. 10 Effect of spectral peak periods on floating platform motion

图11 谱峰周期对系泊缆张力的影响

Fig. 11 Effect of spectral peak periods on mooring cable tension

4 神经网络和运行环境配置以及预测评价指标

全连接神经网络作为经典的神经网络模型之一, 其显著特点是其强大的非线性建模能力, 网络结构通过多层的神经元连接和激活函数的非线性变换, 能够捕捉并学习输入数据中的复杂模式和特征, 从而对复杂问题进行有效建模。近些年来, 陆续有学者将全连接神经网络算法应用于浮式系统动力响应预报相关的研究。张德庆等将某深海半潜式生产平台的系泊系统作为研究对象, 采用基于附加动量法的反向传播(BP)神经网络, 构建了漂浮式平台运动及系缆张力等动力响应统计值的预测模型(张德庆 等, 2021)。研究结果显示, 在常规作业海况和极端生存海况下, 该基于神经网络算法的预测模型能够稳定且准确地预测深海漂浮式系统的动力响应。王春 等(2015)基于神经网络算法的海上风机结构状态监测研究, 证明了神经网络用于海上风机结构体系在线监测的可行性。因此本文将基于全连接神经网络实现极端波浪的波高对海上浮式风机基础的运动响应和载荷以及系泊缆张力的建模, 从而实现通过极端波浪的波高对浮式风机基础的运动响应和载荷, 以及系泊缆张力的评估。
全神经网络的训练过程简单直观、通用性强、理论基础完善。本研究中, 数值模拟中浪高仪记录的波高数据将作为神经网络的输入特征, 浮式风机基础运动响应和载荷以及系泊缆的张力将作为输出特征。图12为全神经网络的训练流程图, 展示了第k次迭代的过程, 其中来自浪高仪记录的波高数据被用作神经网络的输入。每次迭代时, 首先进行前向传播, 输入数据将按照网络结构从输入层经过隐藏层(多个隐藏层依次传递)到输出层进行计算, 生成输出结果。该输出结果与对应的真实标签数据进行比较, 随后通过损失函数计算当前迭代的损失值。接着, 模型通过反向传播算法计算损失函数相对于网络参数的梯度, 并使用这些梯度信息沿着梯度下降方向优化损失。Adam优化器负责根据这些梯度信息更新网络的内部参数, 从而获得第k次迭代后的模型。随后, 神经网络进行验证集评估, 将一部分数据(验证集)用于监控模型的性能。在每个迭代或者每隔一定的迭代次数后, 将模型应用于验证集, 如果计算验证集上的损失函数或评估指标优于之前迭代结果, 则当前的模型被保存为最佳模型。当训练完成后, 预测工况的输入特征将被传入保存的最佳模型中, 模型将利用多次迭代优化得到的最佳参数进行输出预测。
图12 全神经网络的训练流程图

Fig. 12 Training flow chart of fully connected neural network

本研究使用的神经网络是基于谷歌的Tensorflow.keras库搭建的(https://github.com/keras-team/keras), 预测实验在Python 3.8以及Nvidia Rtx3070 laptop环境下进行的, 模型的执行是在运行Windows 10的桌面计算机操作系统上执行的。在神经网络中本文使用了Relu (rectified linear unit)作为激活函数(Nair et al, 2010; Lecun et al, 2015), Adam (adaptive moment estimation)作为优化器(Kingma et al, 2017), MSE (mean squared error)作为损失函数, 详细的参数如表6所示。
表6 神经网络运行环境配置 Tab. 6 Configuration of neural network operating environment
模型 参数类型 参数配置
全连接神经网络 激活函数 Relu
优化器 Adam
损失函数 MSE
丢弃层数量 2
隐藏层数量 6
隐藏层神经元数量 64
迭代次数 10000
批次大小 512

5 训练结果

5.1 预测结果分析

首先, 本文设置了50组涵盖不同谱峰周期、不同波高的聚焦波工况。本文将工况1—41作为训练数据用于模型训练, 而工况42则被保留用作预测。在预测过程中, 以浪高仪记录的数据作为输入, 来预测系泊缆的张力。图 13a展示了预测结果。可以看到神经网络准确地预测了系泊缆的张力和张力变化, 证明在只改变的谱峰周期、波高情况下使用少量的样本进行训练, 全神经网络就能达到比较好的预测效果。为了进一步验证神经网络对系泊缆张力预测稳定性与可行性, 将训练数据减半, 用工况3—23作为训练数据, 其中工况18作为预测数据来验证测试神经网络预测的稳定性。结果表明图13b, 在使用极少量数据的情况下, 神经网络仍能达到较好的预测效果, 这证明了神经网络具有良好的泛化能力。即使是数据量较少的特征, 神经网络也能做出较为准确的预测。
图13 系泊缆的张力预测结果

a. 以工况1—41作为训练数据, 工况42作为预测数据; b. 以工况3—23作为训练数据, 工况18作为预测数据

Fig. 13 Neutral network predicted tensions of mooring cable

极端海况条件下, 当波浪力与环境多变载荷(如阵风、漫漂力、海流力等)耦合时, 使平台的纵荡和垂荡运动发生了一个瞬态的巨幅响应同时系泊缆张力也随平台的运动发生了一个瞬态的巨幅响应。从而系泊缆的张力出现冲击力, 而冲击张力是引起系泊断缆的原因之一 。因此, 对海上浮式风机基础运动响应的预测和荷载的预测也是必要的。按照之前的训练策略, 将工况1—50作为训练数据用于模型训练, 而工况35则被保留用作预测。图14a展示了预测结果, 神经网络较准确地预测出浮式风机基础纵荡的变化幅度与趋势, 为进一步验证神经网络对浮式风机基础运动响应的稳定性, 将工况训练数据1—28作为训练数据, 工况26用来保留预测, 结果如图14b, 在训练数据较少的情况下, 浮式风机基础垂荡预测值与观测值有较明显的误差, 但垂荡的变化幅度与峰值仍然十分接近, 所以神经网络对运动响应的预测有良好的稳定性。
图14 海上浮式风机基础运动响应预测结果

a. 以工况1—50作为训练数据, 工况35作为预测数据; b. 以工况1—28作为训练数据, 工况26作为预测数据

Fig. 14 Neural network predicted motion responses of offshore floating wind turbine foundation

在此基础上, 通过神经网络预测能够实现波浪状况对相关荷载的预测, 从而可以对海上浮式风机基础荷载进行评估。传统方法在不使用相关设备的情况下难以收集到相关荷载数据, 然而通过神经网络方法在避免使用相关设备的情况下就能得到海上风机基础荷载数据。使用工况3—26对海上浮式风机基础做载荷的预测, 工况19用来保留预测, 图15a、b分别是纵向、竖向所受荷载, 可见对于荷载这样较复杂的变化幅度, 神经网络仍能获得较精准的预测。
图15 海上浮式风机基础载荷预测结果

a. 纵向; b. 竖向

Fig. 15 Neural network predicted loads of offshore floating wind turbine foundation

综上所述, 全神经网络对于系泊缆的张力、海上浮式风机基础运动响应和载荷都能达到较吻合的预测结果, 能系统揭示极端波况作用下半潜式浮式风机基础水动力载荷和运动响应的演变规律, 阐明半潜式浮式风机基础系泊系统的破坏机理, 为我国海上风电设计提供重要的参考和技术支持。

5.2 误差分析

表7展示了预测误差情况, 总体来看, 所有预测案例的拟合优度值(goodness of fit, R²)都非常高, 表明模型在预测上表现良好。观察表中预测案例图13a、13b可以发现, 均方根误差(root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)较于系泊缆预测数据量级较小, 同时对比两个数据, 可知神经网络对于系泊缆的张力预测结果较好且更多的数据提高了模型的泛化能力和准确性。由表中预测案例图14a、14b可以发现神经网络对于海上浮式风机基础运动响应的预测结果与模拟结果有着不错的拟合程度, 理论上预测案例14a应该会产生更好的结果, 这可能是因为全神经网络层数过多、神经元数量过大, 导致模型拟合了训练数据中的噪声和异常值, 从而使预测结果的误差增大。显然, 预测案例图13b、14b所示随时间增大, 预测值和观测值之间的误差增大, 这是因为当样本数量较少时, 模型容易出现过拟合现象。过拟合意味着模型过度学习了训练数据中的噪声和特定模式, 而没有很好地捕捉到数据的一般规律, 随着时间或者训练轮次的增加, 模型会更加深入地拟合训练数据中的这些特殊情况, 使得预测值与观测值之间的误差增大。由表中预测案例图15a、15b可知, 在少量且相同训练数据下误差接近且拟合度较高, 证明了神经网络对于海上浮式风机基础载荷预测的稳定性与可行性。
表7 神经网络预测误差情况

Tab. 7 Neural network predicted errors

预测案例 RMSE MAE R2
图13a 5.7207384 4.4730477 0.99571687
图13b 6.565532 4.3595 0.9739415
图14a 0.29001784 0.22374631 0.9727198
图14b 0.0922789 0.068423904 0.98917085
图15a 2.670674 2.109916 0.9979997
图15b 2.9917114 2.5716374 0.9897062

6 结论

综上所述, 半潜式浮式风机基础不同波浪要素(有效波高HS、谱峰周期TP)作用下水动力特性的研究以及搭建全连接神经网络模型, 对系泊缆的张力、海上浮式风机基础运动响应和载荷的预测, 揭示极端波况作用下半潜式浮式风机基础水动力载荷和运动响应的演变规律, 证明全神经网络对系泊系统预测的可行性与可靠性。主要结论如下。
1)不同有效波高HS影响下, 半潜式浮式平台的纵荡、垂荡、纵摇运动随时间的变化趋势基本相似。随着有效波高HS增大, 浮式平台纵荡和纵摇运动增大, 垂荡变化幅度小。系泊缆张力出现极值的时刻与垂荡运动的出现极值的时刻基本一致, 且随着有效波高的增大, 系泊缆张力变化幅度在极值处增大。
2)不同谱峰周期TP影响下, 半潜式浮式平台的纵荡、垂荡、纵摇运动相位差较明显。随着谱峰周期TP增大, 浮式平台纵荡值增大, 纵摇值减小, 垂荡值变化幅度基本相似。浮式平台迎浪面的1号系泊缆张力随着谱峰周期TP的增大而减小, 而后端的2号系泊缆张力变化趋势相反。
3)通过搭建全连接神经网络模型, 成功实现对系泊缆的张力、半潜式浮式风机基础运动响应和载荷的预测。使用MAE、RMSE、R2三个指标对神经网络的预测结果进行有效的模型评估, 从预测结果可以看到, 使用少量训练数据条件下, 全连接神经网络对系泊缆的张力、风机基础运动响应和载荷预测精度分别达到97.39%、98.91%和99.79%; 增加训练数据条件后, 对系泊缆的张力预测精度提升到99.57%, MAE、RMSE由6.56、4.35降低到5.72、4.473, 证明了深度学习方法在海上风机超前安全预警方面的可行性, 更完善、更具有泛化能力和应用价值的模型和方法将是接下来的研究方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
杜君峰, 王顺坤, 张德庆, 等, 2022. 基于神经网络模型的波候变化影响下深海系泊缆疲劳损伤评估[J]. 船舶力学, 26(8): 1189-1198.

DU JUNFENG, WANG SHUNKUN, ZHANG DEQING, et al, 2022. Fatigue damage assessment of deep-sea mooring lines under the influence of wave climate change based on neural network model[J]. Journal of Ship Mechanics, 26(8): 1189-1198 (in Chinese with English abstract).

[2]
高言乐, 2020. 风浪联合作用下Braceless半潜式风机动力特性分析[D]. 大连: 大连理工大学.

GAO YANLE, 2020. Dynamic characteristics analysis of braceless semi-submersible offshore wind turbine under the combined wind and wave conditions[D]. Dalian: Dalian University of Technology (in Chinese with English abstract).

[3]
刘超, 2007. 海洋工程锚泊系统计算与分析[D]. 武汉: 武汉理工大学: 1-55.

LIU CHAO, 2007. The calculation and analysis of mooring system[D]. Wuhan: Wuhan University of Technology: 1-55 (in Chinese with English abstract).

[4]
马刚, 何栗兴, 张旭, 等, 2022. 向变极端相干阵风下浮式风机系泊线断裂风险因素分析[J]. 风机技术, 64(3): 57-62.

MA GANG, HE LIXING, ZHANG XU, et al, 2022. Hazardous factor analysis of mooring fracture in floating offshore wind turbine under extreme coherent gust with direction change[J]. Chinese Journal of Turbomachinery, 64(3): 57-62 (in Chinese with English abstract).

[5]
唐友刚, 张若瑜, 程楠, 等, 2009. 集中质量法计算深海系泊冲击张力[J]. 天津大学学报, 42(8): 695-701.

TANG YOUGANG, ZHANG RUOYU, CHENG NAN, et al, 2009. Analysis of snap tension of deep water mooring with lumped mass method[J]. Journal of Tianjin University, 42(8): 695-701 (in Chinese with English abstract).

[6]
王春, 陆义超, 邢占清, 等, 2015. 基于神经网络算法的海上风机结构状态监测研究[J]. 中国水利水电科学研究院学报, 13(5): 344-351.

WANG CHUN, LU YICHAO, XING ZHANQING, et al, 2015. Research of offshore wind turbine status monitoring based on neural network algorithm[J]. Journal of China Institute of Water Resources and Hydropower Research, 13(5): 344-351 (in Chinese with English abstract).

[7]
王瑞华, 张素侠, 刘习军, 2020. 浸没式浮筒对系泊缆松弛-张紧特性的影响研究[J]. 应用力学学报, 37(2): 543-549, 926.

WANG RUIHUA, ZHANG SUXIA, LIU XIJUN, 2020. Study on the effect of submersed buoy on the taut-slack characteristics of the mooring line[J]. Chinese Journal of Applied Mechanics, 37(2): 543-549, 926 (in Chinese with English abstract).

[8]
易振宇, 蒋昌波, 屈科, 等, 2021. 聚焦波浪在浅堤上传播变形高精度数值模拟研究[J]. 海洋工程, 39(1): 32-42.

YI ZHENYU, JIANG CHANGBO, QU KE, et al, 2021. High-resolution numerical simulation of focused wave propagation and deformation on submerged breakwater[J]. The Ocean Engineering, 39(1): 32-42 (in Chinese with English abstract).

[9]
张德庆, 王超, 杜君峰, 2021. 基于人工神经网络算法的深海浮式系统动力响应预报方法[J]. 中国造船, 62(1): 123-132.

ZHANG DEQING, WANG CHAO, DU JUNFENG, 2021. A novel method for predicting dynamic response of deep-sea floating system based on artificial neural network[J]. Shipbuilding of China, 62(1): 123-132 (in Chinese with English abstract).

[10]
张素侠, 唐友刚, 林维学, 等, 2008. 水下缆绳松弛-张紧过程的冲击张力实验研究[J] 中国造船, 49(增刊2): 385-390.

ZHANG SU XIA, TANG YOU GANG, LIN WEI XUE, et al, 2008. Experimental investigation of marine cable snap tension in taut-slack condition[J]. Shipbuilding of China, 49(Special 2): 385-390 (in Chinese with English abstract).

[11]
仲凡, 连宇顺, 郑金海, 等, 2024. 不同材质共享缆绳对浮式风电场系泊响应的影响[J]. 中国舰船研究, 19(4): 59-70.

ZHONG FAN, LIAN YUSHUN, ZHENG JINHAI, et al, 2024. Effects of shared lines with different materials on mooring response of the floating wind farm[J]. Chinese Journal of Ship Research, 19(4): 59-70 (in Chinese with English abstract).

[12]
BERTHELSEN P A, FALTINSEN O M, 2008. A local directional ghost cell approach for incompressible viscous flow problems with irregular boundaries[J]. Journal of Computational Physics, 227(9): 4354-4397.

[13]
BIHS H, CHELLA M A, KAMATH A, et al, 2017. Numerical investigation of focused waves and their interaction with a vertical cylinder using REEF3D[J]. Journal of Offshore Mechanics and Arctic Engineering, 139(4): 041101.

[14]
KINGMA D P, BA J, 2017. Adam: A Method for Stochastic Optimization[J/OL]. arXiv:1412.6980v9 (2017-01-30)[2024-09-13]. https://arxiv.org/abs/1412.6980.

[15]
LECUN Y, BENGIO Y, HINTON G, 2015. Deep learning[J]. Nature, 521(7553): 436-444.

[16]
LU WEI, GE FEI, WANG LEI, et al, 2011. On the slack phenomena and snap force in tethers of submerged floating tunnels under wave conditions[J]. Marine Structures, 24(4): 358-376.

[17]
NING D Z, ZANG J, LIU S X, et al, 2009. Free-surface evolution and wave kinematics for nonlinear uni-directional focused wave groups[J]. Ocean Engineering, 36(15/16): 1226-1243.

[18]
QIAO DONGSHENG, LI PENG, MA GANG, et al, 2021. Realtime prediction of dynamic mooring lines responses with LSTM neural network model[J]. Ocean Engineering, 219: 108368.

[19]
SHI WEI, HU LEHAN, LIN ZAIBIN, et al, 2023. Short-term motion prediction of floating offshore wind turbine based on Muti-input LSTM neural network[J]. Ocean Engineering, 280: 114558.

[20]
VASSALOS D, HUANG SHAN, KOUROUKLIS A, 2004. Experimental investigation of snap loading of marine cables[C/OL]. Toulon:The International Society of Offshore and Polar Engineers, [2024-09-13]. https://publications.isope.org/proceedings/ISOPE/ISOPE%202004/volume2/2004-jsc-122.pdf

[21]
NAIR V, HINTON G E, NAIR V, et al, 2010. Rectified linear units improve restricted Boltzmann machines[C]// Proceedings of the 27th International Conference on International Conference on Machine Learning. Haifa: ACM: 807-814.

[22]
WANG ZIMING, QIAO DONGSHENG, YAN JUN, et al, 2022. A new approach to predict dynamic mooring tension using LSTM neural network based on responses of floating structure[J]. Ocean Engineering, 249: 110905.

[23]
WU MINGHAO, STRATIGAKI V, TROCH P, et al, 2019. Experimental study of a moored floating oscillating water column wave-energy converter and of a moored cubic box[J]. Energies, 12(10): 1834.

Options
文章导航

/

〈 〉