[發明專利]一種海底管道沖刷深度的預測方法

在審

• 申請號: 202010818851.2
• 申請日: 2020-08-14
• 公開（公告）號: CN111950790A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 胡軻;白興蘭
• 申請（專利權）人: 浙江海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/27;G06K9/62;G06N3/04;G06N3/12;G06F113/14;G06F113/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 賈森君

1.一種海底管道沖刷深度的預測方法，其特征在于，包括：

S1：獲取影響海底管道沖刷深度的工況數據，以及對應工況數據下的實際沖刷深度，所述工況數據包括海流入射角度、流速、管道距離未擾動海床距離、泥沙粒徑、水深和泥沙密度；

S2：根據工況數據建立沖刷深度的無量綱方程；

S3：根據無量綱方程構建神經網絡模型并輸入樣本數據；

S4：根據樣本數據對神經網絡模型進行遺傳算法訓練，并根據訓練結果進行網絡仿真構建預測模型；

S5：將工況數據輸入預測模型獲取該工況下的沖刷深度預測值。

2.如權利要求1所述的一種海底管道沖刷深度的預測方法，其特征在于，所述步驟S2中，無量綱方程具體為：

其中，無量綱方程的系數組中：α°為海流入射角度；e為管道距離未擾動海床距離；D為管徑；Fr為弗勞德數；θ為希爾茲數；d₅₀為泥沙粒徑。

3.如權利要求2所述的一種海底管道沖刷深度的預測方法，其特征在于，所述樣本數據為包含第一預設組數的，由工況數據獲得的無量綱方程系數組的集合。

4.如權利要求1所述的一種海底管道沖刷深度的預測方法，其特征在于，所述步驟S3包括以下步驟：

S31：輸入樣本數據并歸一化，設置神經元參數；

S32：設置遺傳算法參數，并構建區域描述器和初始種群；

S33：根據無量綱方程構建神經網絡模型，并設置訓練參數。

5.如權利要求4所述的一種海底管道沖刷深度的預測方法，其特征在于，所述

神經元參數包括：初始隱層神經元個數、輸入層神經元個數、輸出層神經元個數、輸入層到隱層的權值個數、隱層到輸出層的權值個數、待優化的變量個數；

遺傳算法參數包括：個體數目、遺傳代數、變量的二進制位數、代溝、交叉概率、變異概率；

訓練參數包括：訓練次數、訓練目標、學習速率、網絡激活函數。

6.如權利要求5所述的一種海底管道沖刷深度的預測方法，其特征在于，所述步驟S4中，遺傳算法訓練包括步驟：

S41：隨機生成初代的權值和初始閾值，并帶入遺傳算法中；

S42：對權值和閾值進行選擇、交叉、變異處理，獲得新一代的權值和閾值；

S43：將新的權值和閾值輸入神經網絡模型中進行測試，獲得測試網絡誤差并存儲；

S44：重復步驟S42-S44進行遺傳算法訓練，并在權值和閾值的代數達到遺傳代數后從存儲中選擇最小網絡誤差對應的權值和閾值作為最優權值和閾值；

S45：將最優權值和閾值帶入遺傳算法，并利用神經網絡模型通過網絡仿真構建預測模型。

7.如權利要求3所述的一種海底管道沖刷深度的預測方法，其特征在于，所述步驟S5前，還包括步驟：

S46：選取第二預設組數的樣本數據，根據預測模型獲取預測沖刷深度并與對應的實際沖刷深度比對。

8.如權利要求1所述的一種海底管道沖刷深度的預測方法，其特征在于，所述步驟S5中，得到沖刷深度預測值為無量綱值，因此還包括步驟：

S51：將無量綱沖刷深度預測值反歸一化為實際沖刷深度值。