[发明专利]浮式结构物摇荡运动响应预报方法

权利要求书

1.浮式结构物摇荡运动响应预报方法，其特征在于，具体包括以下步骤：

步骤1，根据浮式结构物的初期设计方案和设计工况，确定浮式结构物在各设计工况下的重量、重心和重量分布组合；

步骤2，使用分析软件SESAM、AQWA或HydroSTAR，根据浮式结构物的外形设计和各重量、重心、重量分布组合，分别创建浮式结构物的数值分析模型，所述数值分析模型为浮式结构物吃水线以下的湿表面模型，将数值分析模型划分为正方形网格或近似正方形网格；

步骤3，根据浮式结构物的初期设计结构及作业海域情况，确定浮式结构物遭遇的浪向；

步骤4，在频域内利用势流理论和格林函数求解浮式结构物周围流场的压力分布，进而求解浮式结构物的运动方程，得到各设计工况在任意浪向下的浮式结构物的横摇、纵摇和升沉运动响应传递函数；

步骤5，确定浮式结构物作业海域的有义波高和波浪跨零周期的范围，根据有义波高和波浪跨零周期的范围确定浮式结构物设计的波浪环境参数；

步骤6，根据波浪环境确定浮式结构物作业海域的波浪谱，将浮式结构物作业海域的波浪谱作为响应传递函数的输入，计算得到浮式结构物的摇荡运动响应谱；

在浮式结构物作业海域波浪谱资料缺失时，选择与浮式结构物作业海域波浪环境相似的海域的波浪谱作为响应传递函数的输入，所述相似海域的波浪谱为P-M谱或JONSWAP谱；

步骤7，对摇荡运动响应谱进行统计分析，得到浮式结构物的摇荡运动响应预报值，摇荡运动响应预报值包括：横摇响应预报值、纵摇响应预报值和升沉响应预报值；

步骤8，对摇荡响应预报值进行归纳整理，构建得到浮式结构物的摇荡响应预报数据库；

步骤9，根据浮式结构物摇荡运动响应预报数据库，构造具有一层隐含层的BP神经网络，使用附加动量法和自适应学习速率对BP神经网络进行改进，建立浮式结构物的摇荡运动响应预报BP神经网络模型；

步骤10，将浮式结构物的实际工况和波浪环境输入BP神经网络模型，对浮式结构物的摇荡运动进行预报；

所述步骤4中浮式结构物的运动方程计算过程如下：

步骤41，根据浮式结构物数值分析模型的重量和重心确定关于各坐标轴的惯性矩，不同的重量分布产生不同的惯性矩；

步骤42，根据浮式结构物的重量、重心和重量分布及浪向，利用势流理论和格林函数分析浮式结构物周围流场的压力分布，对压力分布进行积分得到水作用于浮式结构物上的水动力F(ω)，则浮式结构物的摇荡运动响应传递函数如公式(1)所示：

公式(1)中ω表示波浪圆频率，M_s表示浮式结构物的质量，M_a(ω)表示水动力附加质量，i表示复变函数的虚部，C(ω)表示浮式结构物在水里的总阻尼，K表示浮式结构物的刚度，X(ω)表示浮式结构物的运动响应；

所述步骤6中浮式结构物的摇荡运动响应谱S_y(ω)计算如公式(2)所示：

S_y(ω)＝S_x(ω)|X(ω)|² (2)

公式(2)中S_x(ω)为波浪谱，X(ω)为摇荡运动响应传递函数；

所述步骤7中计算浮式结构物的摇荡运动响应值时，首先计算摇荡运动响应基值C，各摇荡运动响应预报值如下：平均摇荡运动响应值为1.25C、三一摇荡运动响应值为2.00C、十一次摇荡运动响应值为2.55C、20次摇荡中最大响应幅值期望值为2.64C、100次摇荡中最大响应幅值期望值为3.23C、500次摇荡中最大响应幅值期望值为3.68C；

所述步骤9构建BP神经网络模型的过程如下：

BP神经网络结构隐含层中的激励函数为：β＞0，其中β为系数，x_I表示摇荡运动响应的输入量，初始化BP神经网络后，将浮式结构物的设计工况、浪向、波浪环境参数以及重量、重心和重量分布组合置于输入层，摇荡运动响应预报值置于输出层，神经网络学习过程置于隐含层，将各组输入量与其对应的摇荡运动响应预报值反复作用于BP神经网络；

使用梯度下降法、反向传播调整BP神经网络的权重和偏置量，BP神经网络的平均误差准则函数如公式(3)所示：

公式(3)中E表示BP神经网络中期望输出量与实际输出量的平均误差，n为表示摇荡运动响应预报次数的变量，1≤n≤N，d_n表示期望输出，即就是利用数值分析模型得到的摇荡运动响应预报值，y_n＝f(Wx_In)表示BP神经网络的实际输出，W表示BP神经网络中所有权值组成的向量，x_In表示第n次摇荡运动响应预报的输入量，E_n表示期望输出与实际输出差值平方的一半；

使用附加动量对BP神经网络的权值进行调整，调整计算如公式(4)所示：

公式(4)中k表示利用摇荡运动响应预报数据库的数据训练BP神经网络的次数，表示第k+1次训练时调整获得的权值，mc为动量因子，取0.95，表示第k次训练时未调整的权值，η表示学习速率，表示输入量为x_I时激励函数的梯度；

使用如公式(5)所示公式对BP神经网络的自适应学习速率进行调节：

公式(5)中SSE表示网络输出总的误差平方和，η表示学习速率，初始学习速率η(0)可任选，η(k+1)表示第k+1次训练时的学习速率，η(k)表示第k次训练时的学习速率，SSE^(k)表示第k次训练时的网络输出误差平方和，SSE^(k-1)表示第k-1次训练时的网络输出误差平方和。