圆形重力式深水网箱受灾破坏机理分析(2)
2 数据处理方法
本文采用BP神经网络算法,以第1节数值计算得到的数据为样本,对数据进行训练,建立了受灾因子(波高、周期、水深及周长)和重力式深水网箱结构受损(锚绳张力的最大值、容积保持率的最小值及浮架应力最大值)的定量关系,进而利用灰色关联度识别重力式深水网箱的受灾破坏主控因子。
2.1 BP神经网络算法[12]
风暴潮对重力式深水网箱的致灾破坏是一个复杂的非线性的问题,如果每一种工况都采用第1节所述的水动力数值方法,费时费力,效率低下,无法实现快速预警。本文通过建立BP神经网络表达非线性关系。该方法省时、快速、效率高,能够快速计算出重力式深水网箱在波浪作用下的水动力响应,从而实现风暴潮对重力式深水网箱致灾破坏的预警。
BP神经网络的层与层之间靠神经元实现权连接,而层内神经元之间并没有联系。典型的BP神经网络包括输入层、隐含层和输出层,BP神经网络算法能实现大规模并行计算,并有很强的自适应学习能力,是一种集合了推理学习、知识表达、联想记忆的模型。其优点表现在能够快速识别多指标、大样本数据、容错和推理性很强。以神经网络算法独有的优势,可以较好地解决重力式深水网箱受灾破坏这类多因素、不确定和非线性问题,其优点主要表现在以下几个方面。
(1) BP神经网络寻找输入与输出之间的关系主要是根据所提供的训练数据,而并非依据主观的判断,从而降低了人为主观的影响。
(2) 重力式深水网箱的受灾破坏过程中指标之间存在复杂的非线性关系,这恰恰是BP神经网络算法所擅长的,模型依靠输入层、隐含层和输出层的内在关系,在风暴潮下可以对重力式深水网箱的致灾破坏进行预警。将n个受灾因子输入到输入层,隐含层处理这些信息后传到输出层,输出值Y即重力式深水网箱所遭受到的结构破坏。在确定输入信息时,力求全面、客观、真实地反映风暴潮对重力式深水网箱致灾破坏的主要因素,从而得到相对准确的评价值。本文中,由于该非线性函数输入层有4个输入参数,输出层有一个输出参数,隐含层包括5个节点,所以BP神经网络的结构为4-5-1。
2.2 灰色关联度[12]
任何系统都是由因素组成,因素之间的关系复杂。灰色关联度法就是利用一定的方法理清系统中各个因素的主要关系,找出影响最大的因素。系统中两个因素之间关联性大小的量度叫作关联度,如果两者在系统发展过程中相对变化基本一致,则认为两者关联度大,反之,两者关联度较小。
灰色关联度法通过计算第i个对象的第k个指标的关联系数θi(k),利用简单的加权求和思想计算指标的灰色关联度。关联系数越大,说明与最优指标越接近,则待评价对象的评价值越高。而重力式深水网箱的受灾破坏是一个发展变化的复杂过程,层次复杂,结构关系模糊,指标数据呈现不完全和不确定。目前,由于技术方法、统计等原因,网箱的受灾破坏数据不仅样本少,还存在着一定的误差、缺失、模糊等问题。因此运用灰色关联度方法分析深水网箱受灾破坏进行综合评价是比较合适的。具体分析步骤如下。
(1) 确定分级指标。设n个数据序列形成如下矩阵:
其中m为指标的个数
(2) 确定参考数列。参考数列应该是一个理想的比较标准,可以以各种指标的最优值(或最劣值)构成参考数列,记作:
(3) 对指标数据进行无量纲化。无量纲化后的数据列形成如下矩阵:
常有的无量纲方法有均值法、初值化法。
其中,均值法
初值法
i=0,1,…,n;k=1,2,…,m
(4) 逐个计算每个被评价对象指标序列与参考序列对应元素的绝对值,即│x0(k)-xi(k)│(k=1,…,m,i=1,…n),确定│x0(k)-xi(k)│与│x0(k)-xi(k)│。
(5) 计算关联系数。
式中,k=1,…,m,ρ为分辨系数,在(0,1)内取值,通常ρ取0.5。
(6) 计算关联度。对各评价对象分别计算其指标与参考序列对应元素的关联系数的均值,以反映各个评价对象与参考序列的关联关系,即关联度:
即关联度最高的因子为主控因子。
3 算 例
3.1 计算工况
研究中选取的网箱规格、尺寸及水文资料都是以温州南麂岛附近的海域的实际调研情况为样本。本研究中选取了周长分别为40,60 m及80 m的圆形重力式深水单体网箱,系泊方式为4点系泊,计算水深分别为20,22 m及23 m,计算了其在规则波浪作用下的水动力响应。计算工况如表1所示。
文章来源:《海洋工程》 网址: http://www.hygczz.cn/qikandaodu/2020/1209/464.html
上一篇:序 言
下一篇:环保喷砂工艺在海洋工程中的应用