[發明專利]一種多要素耦合條件下海上樁基沖刷預測方法

在審

• 申請號: 202211470820.8
• 申請日: 2022-11-23
• 公開（公告）號: CN115759203A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 王晨陽;左殿軍;朱玉德;楊云平;王建軍;胡瑞更;李延偉;喬華倩
• 申請（專利權）人: 交通運輸部天津水運工程科學研究所
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/08;G06F30/20;G06Q50/06
• 代理公司: 北京東方盛凡知識產權代理有限公司 11562
• 代理人: 許佳

1.一種多要素耦合條件下海上樁基沖刷預測方法，其特征在于，包括：

獲取環境數據并構建深度學習模型，其中所述深度學習模型采用DNN網絡模型；

獲取訓練樣本；基于訓練樣本通過遷移學習方式對所述深度學習模型進行訓練，得到預測模型，通過預測模型對所述環境數據進行預測，得到海上樁基沖刷深度預測結果。

2.根據權利要求1所述的方法，其特征在于：

所述環境數據包括樁基海床形狀數據及波流數據，所述樁基海床數據包括樁基形狀數據、海床形狀數據、沉積物尺寸數據、砂土粒徑數據、水深數據及Froude數；所述波流數據包括波浪速度、水流速度、沖擊角數據、波高、波數、波周期及波浪KC系數。

3.根據權利要求1所述的方法，其特征在于：

所述訓練樣本包括通過先驗知識獲取的仿真數據，室內模擬數據及實測歷史數據，其中所述先驗知識包括針對海上沖刷預測的不同算法。

4.根據權利要求3所述的方法，其特征在于：

對所述深度學習模型進行訓練的過程包括：

基于所述仿真數據對所述深度學習模型進行訓練，生成理論模型；

基于室內模擬數據通過特征遷移學習方式對所述理論模型進行訓練，得到模擬模型；

基于實測歷史數據通過特征遷移學習及結構遷移學習方式對所述模擬模型進行訓練，得到預測模型。

5.根據權利要求1所述的方法，其特征在于：

得到預測模型之后還包括：

對預測模型進行測試，其中獲取預測模型的性能指標，對所述性能指標進行判斷，若所述性能指標合格，則使用合格的預測模型對所述環境數據進行預測；所述性能指標不合格，則增加實測歷史數據的樣本數量對所述預測模型進行訓練，直到所述預測模型的性能指標合格。

6.根據權利要求1所述的方法，其特征在于：

獲取訓練樣本之后，對所述訓練樣本進行預處理，得到預處理后的訓練樣本，基于預處理后的訓練樣本對深度學習模型進行訓練；其中所述預處理包括缺失值填補及標準化處理。

7.根據權利要求1所述的方法，其特征在于：

對所述深度學習模型進行訓練的過程中，采用梯度下降法更新深度學習模型的網絡參數。

8.根據權利要求4所述的方法，其特征在于：

生成理論模型的過程包括：

對仿真數據中的不同算法對應的訓練樣本進行整合；根據所述不同算法中的變量個數對所述訓練樣本進行排序，通過排序后的訓練樣本依次對所述深度學習模型進行訓練，得到理論模型。