基于LSTM的軟剛臂單點(diǎn)系泊力預(yù)測(cè)方法研究

韓 宇，黃國良，李 鵬

(中海油能源發(fā)展股份有限公司采油服務(wù)分公司 天津300452)

0 引言

FPSO(Floating Production Storage and Offloading Unit)在我國渤海灣有著廣泛的應(yīng)用。FPSO不同于一般的船舶，本身沒有動(dòng)力系統(tǒng)，通?？肯挡聪到y(tǒng)定位在某一固定海域，在惡劣的海況下不可以完全避航，因此荷載是其主要的設(shè)計(jì)指標(biāo)之一。但是系泊系統(tǒng)對(duì)環(huán)境荷載的承載能力是有限的，在極端惡劣情況下需要進(jìn)行解脫來避免受到永久性破壞，這時(shí)對(duì)系泊力的預(yù)報(bào)就顯得十分重要。要準(zhǔn)確地預(yù)報(bào)系泊力，需考慮FPSO與系泊系統(tǒng)之間的耦合作用，還需要準(zhǔn)確估算系統(tǒng)的黏性阻尼，目前的水動(dòng)力學(xué)理論數(shù)值分析還不能很好地解決這些難題。對(duì)于模型實(shí)驗(yàn)，過小的模型會(huì)存在嚴(yán)重的縮比效應(yīng)，而水池實(shí)驗(yàn)對(duì)環(huán)境要素的模擬也存在諸多不足，故模型實(shí)驗(yàn)的結(jié)果也不盡如人意。尤其對(duì)于渤海的FPSO，由于渤海水深基本在40 m 左右，屬于淺水，對(duì)FPSO運(yùn)動(dòng)、受力的預(yù)報(bào)還要考慮淺水波非線性的影響，而目前對(duì)淺水效應(yīng)的力學(xué)機(jī)理研究還不成熟，基于理論數(shù)值分析和模型實(shí)驗(yàn)的系泊力預(yù)報(bào)都存在一定的局限性。

通過對(duì)現(xiàn)場(chǎng)實(shí)測(cè)的淺水FPSO系泊力及其影響要素進(jìn)行分析，發(fā)現(xiàn)系泊力和多個(gè)要素間存在復(fù)雜的關(guān)系。常用的分析方法，由于模型的多元性和非線性，對(duì)數(shù)據(jù)的完備性以及工程人員的理論水平要求較高，預(yù)報(bào)過程繁瑣復(fù)雜，預(yù)報(bào)精度也難以保證。因此，找到一種精度較高，使用簡便的系泊力預(yù)報(bào)模型就成為工程實(shí)踐中的現(xiàn)實(shí)問題。

人工神經(jīng)網(wǎng)絡(luò)由于有聯(lián)想記憶、分類識(shí)別、優(yōu)化計(jì)算、非線性映射等功能，從20世紀(jì)90年代開始廣泛應(yīng)用于船舶與海洋工程預(yù)報(bào)領(lǐng)域。多位學(xué)者應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了受隨機(jī)波浪力作用下的海洋平臺(tái)的振動(dòng)主動(dòng)控制等研究。因此，擬將數(shù)值數(shù)據(jù)作為學(xué)習(xí)樣本，建立人工神經(jīng)網(wǎng)絡(luò)模型，通過調(diào)整函數(shù)的擴(kuò)展速度、對(duì)樣木進(jìn)行預(yù)處理和改進(jìn)學(xué)習(xí)算法等措施，提高學(xué)習(xí)效率和預(yù)報(bào)精度。

1 長短期記憶神經(jīng)網(wǎng)絡(luò)模型(LSTM)

長短期記憶(Long Short-Term Memory，LSTM)

網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個(gè)變體，可以有效地解決簡單循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度爆炸或消失問題。LSTM網(wǎng)絡(luò)的循環(huán)單元結(jié)構(gòu)計(jì)算過程為：①首先利用上一時(shí)刻的

外部狀態(tài)ht-1和當(dāng)前時(shí)刻的輸入xt，計(jì)算出3個(gè)門，以及候選狀態(tài)c~t；②結(jié)合遺忘門ft和輸入門it來更新記憶單元ct；③結(jié)合輸出門ot，將內(nèi)部狀態(tài)的信息傳遞給外部狀態(tài)ht。

圖1 LSTM循環(huán)單元結(jié)構(gòu)Fig.1 Cycle element structure of LSTM

循環(huán)神經(jīng)網(wǎng)絡(luò)中的隱狀態(tài)h 存儲(chǔ)了歷史信息，可以看作是一種記憶(memory)。在簡單循環(huán)網(wǎng)絡(luò)中，隱狀態(tài)每個(gè)時(shí)刻都會(huì)被重寫，因此可以看作是一種短期記憶(short-term memory)。在神經(jīng)網(wǎng)絡(luò)中，長期記憶(long-term memory)可以看作是網(wǎng)絡(luò)參數(shù)，其中隱含從訓(xùn)練數(shù)據(jù)中學(xué)到的經(jīng)驗(yàn)，且更新周期要遠(yuǎn)遠(yuǎn)慢于短期記憶。而在LSTM 網(wǎng)絡(luò)中，記憶單元c 可以在某個(gè)時(shí)刻捕捉到某個(gè)關(guān)鍵信息，并有能力將此關(guān)鍵信息保存一定的時(shí)間間隔。記憶單元c 中保存信息的生命周期要長于短期記憶h，但又遠(yuǎn)遠(yuǎn)短于長期記憶，因此稱之為長的短期記憶(long short-term memory)。

2 單點(diǎn)系統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)

在實(shí)船與數(shù)值模型一致性檢驗(yàn)后，首先開展軟剛臂系泊FPSO在時(shí)域中的耦合分析，得到FPSO運(yùn)動(dòng)與軟剛臂受力實(shí)例，形成系泊力樣本庫；然后，按工況將FPSO位移(六自由度：縱蕩，橫蕩，垂蕩，橫搖，縱搖，艏搖)作為原始特征值(用于神經(jīng)網(wǎng)絡(luò)輸入)，軟剛臂各節(jié)點(diǎn)受力作為原始標(biāo)簽值(用于神經(jīng)網(wǎng)絡(luò)輸出)，分成訓(xùn)練集和檢驗(yàn)集。將訓(xùn)練集通過長短時(shí)神經(jīng)網(wǎng)絡(luò)模型(LSTM)訓(xùn)練出對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)權(quán)重和偏置系數(shù)庫，通過檢驗(yàn)集校驗(yàn)神經(jīng)網(wǎng)絡(luò)系數(shù)庫的準(zhǔn)確度和響應(yīng)時(shí)間。

在分析中，F(xiàn)PSO船體與軟剛臂分別編號(hào)，為方便識(shí)別，分別設(shè)置“1”代表FPSO船體，“2”代表右系泊腿，“3”代表左系泊腿，“4”代表軟鋼臂，“5”代表系泊塔架(圖2)。

圖2海洋石油113 FPSO模型示意圖Fig.2 Sketch of HYSY 113 FPSO model

為保障訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)估算值準(zhǔn)確且訓(xùn)練過程快，在訓(xùn)練集的選取中，需要訓(xùn)練數(shù)據(jù)的覆蓋面足夠廣(大致包含所在工況下FPSO船體與軟剛臂運(yùn)動(dòng)的可能情況)、足夠均勻(該工況下所有的運(yùn)動(dòng)響應(yīng)都應(yīng)有足夠的數(shù)據(jù)量進(jìn)行描述，避免對(duì)個(gè)別極值造成“淹沒”)。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集以數(shù)值模型數(shù)據(jù)為主，對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)的檢驗(yàn)集以數(shù)值模型數(shù)據(jù)為主，對(duì)檢驗(yàn)好的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證的驗(yàn)證集以實(shí)測(cè)數(shù)據(jù)為主。

2.1 單點(diǎn)系泊神經(jīng)網(wǎng)絡(luò)基本模型建立

深度學(xué)習(xí)的目的在于發(fā)掘FPSO運(yùn)動(dòng)、環(huán)境條件和系泊力的內(nèi)在關(guān)系，并將這種關(guān)系通過系數(shù)矩陣的方式進(jìn)行表達(dá)。在使用中，先搭建基本的模型，初步調(diào)整神經(jīng)網(wǎng)絡(luò)的構(gòu)架，通過對(duì)比選擇較好的神經(jīng)網(wǎng)絡(luò)層數(shù)、每層的神經(jīng)網(wǎng)絡(luò)單元個(gè)數(shù)、激活函數(shù)、正則化方法等，再通過調(diào)整訓(xùn)練集的原始特征值，對(duì)數(shù)據(jù)進(jìn)行認(rèn)為的特征提取等方式進(jìn)一步提高估算效果，通過挖掘數(shù)據(jù)特征而不是對(duì)神經(jīng)網(wǎng)絡(luò)的構(gòu)架進(jìn)行挖掘來提高神經(jīng)網(wǎng)絡(luò)的估算效果。

本次建立神經(jīng)網(wǎng)路模型的版本及環(huán)境為：系統(tǒng)win10；顯卡NVIDIA GeForce CTX 1080 Ti；CUDA 10.0；cuDNN 10.0；Anaconda 環(huán)境管理器64位；Packages Python3.6；Tensorflow 2.0。

核心函數(shù)為：tensorflow.keras.layers.LSTM()，在tensorflow 框架下，設(shè)定長短時(shí)神經(jīng)網(wǎng)絡(luò)單元。其中，激活函數(shù)取tanh；reuse設(shè)置為Ture，范圍內(nèi)重用變量；前面幾層的LSTM 神經(jīng)元中return_sequences 設(shè)置為Ture，最后一層設(shè)置為False，是否返回所有序列狀態(tài)的輸出；dropout 取0.2，recurrent_dropout 取0.2，訓(xùn)練中每次更新參數(shù)時(shí)隨機(jī)丟棄神經(jīng)元比例，只有LSTM層設(shè)置；forget_bias_init 取one，遺忘門偏置的初始化函數(shù)；inner_activation 取hard_sigmoid，內(nèi)部單元激活函數(shù)；state_is_tuple接受和返回狀態(tài)設(shè)置為Ture；kernel_regularizer 取 keras.regularizeers.l2(0.01)，對(duì)該層中權(quán)值進(jìn)行正則化；activity_ regularizer 取keras.regularizers.l1(0.001)，對(duì)該層中輸出進(jìn)行正則化；dtype設(shè)置為tf.float32；initial_state

設(shè)置為init_state，用于權(quán)重和投影矩陣的初始化。

添加輸入層和輸出層，建立長短時(shí)神經(jīng)網(wǎng)絡(luò)的基本模型，輸入神經(jīng)元個(gè)數(shù)和輸出神經(jīng)元個(gè)數(shù)根據(jù)所需輸出數(shù)據(jù)界定，后續(xù)進(jìn)行說明。輸入輸出層：權(quán)值以均值為0、方差為1進(jìn)行初始化，偏置以參數(shù)0.1進(jìn)行初始化。隱藏層：初始化通過tf.global_variables_ initializer 函數(shù)設(shè)定。

2.2 單點(diǎn)系泊數(shù)據(jù)歸一化

輸入輸出數(shù)據(jù)的歸一化處理可以避免一些不必要的數(shù)值問題。不同的輸入輸出數(shù)據(jù)往往具有不同的量綱和單位，如在本次的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建中，輸入的6自由度中，有位移，也有轉(zhuǎn)角，對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，可以消除各數(shù)據(jù)間的量綱影響，使各數(shù)據(jù)間具有可比性。

常用于時(shí)域數(shù)據(jù)處理的歸一化方法有最大-最小標(biāo)準(zhǔn)化、Z-score 標(biāo)準(zhǔn)正態(tài)化等。

最大-最小標(biāo)準(zhǔn)化是對(duì)原始數(shù)據(jù)進(jìn)行線性轉(zhuǎn)換，將原始值映射到區(qū)間[0，1]之間。

式中：x 表示原始值；xmin和 xmax分別是該數(shù)據(jù)長度下的最大值和最小值；x′表示歸一化后的值。

Z-score標(biāo)準(zhǔn)正態(tài)化是基于原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行的數(shù)據(jù)標(biāo)準(zhǔn)化，經(jīng)標(biāo)準(zhǔn)化后的數(shù)據(jù)，其均值為0，方差為1。

式中：x 表示原始值；μ表示該數(shù)據(jù)長度下的均值；σ表示該數(shù)據(jù)長度下的方差；x′表示歸一化后的值。

2.3 特征提取方法

對(duì)輸入的數(shù)據(jù)進(jìn)行分析，從統(tǒng)計(jì)的角度，可以看出其大致服從正態(tài)分布；從直觀的角度看，其大致可以視為由高頻和低頻共同組合而成(圖3)。

因此，針對(duì)該FPSO運(yùn)動(dòng)響應(yīng)的單點(diǎn)系泊力計(jì)算中，提出了對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，采用一階矩和二階矩的特征提取方法，從數(shù)值上描述其在所處的時(shí)間段中波動(dòng)的唯一性。

圖3 輸入數(shù)據(jù)船體x 方向運(yùn)動(dòng)情況Fig.3 Input data of ship motion in direction x

一階矩和二階矩的提取方法為：

式中：E ( X15)表示第15個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)對(duì)應(yīng)的一階矩的值；E(X215)表示第15個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)對(duì)應(yīng)的二階矩的值；X1, X2,…,X15分別表示第1，2，…，15個(gè)時(shí)間節(jié)點(diǎn)上經(jīng)歸一化處理后的值；E ( Xn)表示第n個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)對(duì)應(yīng)的一階矩的值；E ( X2n)表示第n個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)對(duì)應(yīng)的二階矩的值；f1()表示求一階矩的函數(shù)；f2()表示求二階矩的函數(shù)。

之所以選取15個(gè)時(shí)間節(jié)點(diǎn)，是因?yàn)?個(gè)高頻的波動(dòng)周期長度均值在20 s左右。再將第n個(gè)時(shí)間節(jié)點(diǎn)上的船體6自由度數(shù)據(jù)與一階矩、二階矩進(jìn)行組合：

式中：Xn表示第n個(gè)時(shí)間節(jié)點(diǎn)上，船體的6自由度；表示第n個(gè)時(shí)間節(jié)點(diǎn)上，船體的6自由度與一階矩、二階矩。

3 軟剛臂單點(diǎn)系統(tǒng)深度學(xué)習(xí)

動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)訓(xùn)練和檢驗(yàn)的數(shù)據(jù)來源于數(shù)值計(jì)算，采用OrcaFlex 軟件在時(shí)域下計(jì)算FPSO船體與軟剛臂的動(dòng)態(tài)響應(yīng)。選取的環(huán)境海況為：波高3.4 m，周期8.4 s，波向100°，風(fēng)速18 m/s，風(fēng)向115°，流速1.34 m/s，流向115°，模擬時(shí)間10800 s。

在深度學(xué)習(xí)過程中，選取數(shù)值穩(wěn)定后1～8000 s的運(yùn)動(dòng)時(shí)程響應(yīng)數(shù)據(jù)作為動(dòng)態(tài)訓(xùn)練集，用于訓(xùn)練動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)；選取8000～8500 s 的運(yùn)動(dòng)時(shí)程響應(yīng)數(shù)據(jù)作為動(dòng)態(tài)檢驗(yàn)集(圖4)。在完成訓(xùn)練動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型后，將其用于檢驗(yàn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的估算效果。

圖4訓(xùn)練集原始特征值(FPSO 6自由度)Fig.4 Original characteristic value of training set(6 DOF of FPSO)

訓(xùn)練集和驗(yàn)證集中的數(shù)據(jù)需要經(jīng)過歸一化處理和數(shù)據(jù)特征提取2個(gè)步驟。FPSO運(yùn)動(dòng)特征(6自由度)經(jīng)2個(gè)步驟處理后作為神經(jīng)網(wǎng)絡(luò)的輸入值，軟剛臂受力經(jīng)2個(gè)步驟處理后作為神經(jīng)網(wǎng)絡(luò)的輸出值。未處理時(shí)，將FPSO的運(yùn)動(dòng)特征(6自由度)稱為原始特征值，將軟剛臂受力稱為原始標(biāo)簽值(圖5)，經(jīng)歸一化處理后稱歸一化后特征值和歸一化后標(biāo)簽值，經(jīng)數(shù)據(jù)特征提取后稱神經(jīng)網(wǎng)絡(luò)輸入值和神經(jīng)網(wǎng)絡(luò)輸出值。神經(jīng)網(wǎng)絡(luò)計(jì)算出的結(jié)果還需要進(jìn)行反歸一化操作后，才能與原始標(biāo)簽值進(jìn)行比較，將神經(jīng)網(wǎng)絡(luò)計(jì)算出的結(jié)果稱為神經(jīng)網(wǎng)絡(luò)輸出值(未反歸一化)，將神經(jīng)網(wǎng)絡(luò)輸出值進(jìn)行反歸一化操作后的結(jié)果稱為神經(jīng)網(wǎng)絡(luò)估算值(反歸一化后)。

按Z-score 標(biāo)準(zhǔn)正態(tài)化方法對(duì)原始特征值和原始標(biāo)簽值進(jìn)行歸一化處理，消除各數(shù)據(jù)間的量綱影響。將數(shù)據(jù)處理為均值為0、方差為1的值。

圖5訓(xùn)練集原始標(biāo)簽值(2號(hào)系泊腿與船體、Yoke頭張力等)Fig.5 Original label value of training set(number 2 mooring leg，hull and tension of yoke head)

圖6 訓(xùn)練集歸一化后特征值(FPSO 6自由度)Fig.6 Characteristic value of training set after normalization(6 DOF of FPSO)

按特征提取方法對(duì)歸一化后特征值從統(tǒng)計(jì)的角度進(jìn)行人為的一階矩二階矩的特征提取，以描述每個(gè)數(shù)據(jù)在其所處時(shí)程階段上的波動(dòng)特征，并將其與歸一化后的特征值整合，作為神經(jīng)網(wǎng)絡(luò)輸入值訓(xùn)練神經(jīng)網(wǎng)絡(luò)(圖6)。

神經(jīng)網(wǎng)絡(luò)計(jì)算出的數(shù)據(jù)對(duì)應(yīng)的是輸出值，需要進(jìn)行反歸一化操作，乘方差加上均值，加上量綱，將其轉(zhuǎn)化為對(duì)應(yīng)原始標(biāo)簽值的神經(jīng)網(wǎng)絡(luò)估算值(圖7)。

圖7 訓(xùn)練集歸一化后標(biāo)簽值(2號(hào)系泊腿與船體、Yoke頭張力等)Fig.7 Characteristic value of training set after normalization(number 2 mooring leg，hull and tension of yoke head)

選取右系泊腿和船體在縱蕩方向的受力進(jìn)行分析。使用訓(xùn)練集訓(xùn)練好神經(jīng)網(wǎng)絡(luò)后，采用2種方法對(duì)神經(jīng)網(wǎng)絡(luò)的計(jì)算效果進(jìn)行檢驗(yàn)：①直接將原始數(shù)據(jù)標(biāo)簽值和神經(jīng)網(wǎng)絡(luò)估算值進(jìn)行對(duì)比；②原始數(shù)據(jù)標(biāo)簽值和神經(jīng)網(wǎng)絡(luò)估算值的4種統(tǒng)計(jì)參數(shù)對(duì)比。

將訓(xùn)練集作為輸入，帶入神經(jīng)網(wǎng)絡(luò)檢驗(yàn)結(jié)果。其目的是檢驗(yàn)神經(jīng)網(wǎng)絡(luò)再次遇見與訓(xùn)練集相同的數(shù)據(jù)時(shí)，是否有能力準(zhǔn)確計(jì)算出精確的結(jié)果(圖8)。

對(duì)預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)計(jì)算，采用4種統(tǒng)計(jì)方法，統(tǒng)計(jì)結(jié)果包括基于時(shí)程響應(yīng)的平均值誤差、標(biāo)準(zhǔn)差誤差、極值誤差和擬合度，統(tǒng)計(jì)結(jié)果如表1所示。

圖8單工況下FPSO動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型自檢計(jì)算結(jié)果Fig.8 Self-check result of FPSO dynamic neural network model under single condition

表1神經(jīng)網(wǎng)絡(luò)模型自檢結(jié)果統(tǒng)計(jì)值Tab.1 Statistics of self-check result of FPSO dynamic neural network mode l

表1中右系泊腿和船體間x 方向張力(kN)在平均值誤差和擬合度上有較大誤差，原因是其均值較接近0，在分母較小時(shí)，平均值計(jì)算容易出現(xiàn)較大的值。該結(jié)果表明該動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)遇見和訓(xùn)練集相同的數(shù)據(jù)時(shí)，該神經(jīng)網(wǎng)絡(luò)計(jì)算出的結(jié)果非常精確。

4 結(jié)論

利用長短期記憶神經(jīng)網(wǎng)絡(luò)和浮體系統(tǒng)耦合數(shù)值模型建立了軟剛臂單點(diǎn)系泊系統(tǒng)受力的實(shí)時(shí)預(yù)測(cè)模型。在應(yīng)用中取得了較好的結(jié)果，形成結(jié)論如下：

①LSTM 模型適合處理軟剛臂單點(diǎn)系泊系統(tǒng)的時(shí)序性數(shù)據(jù)，準(zhǔn)確度較高。

②LSTM 模型層數(shù)增加沒有明顯改進(jìn)預(yù)測(cè)的準(zhǔn)確度，在模擬中，在Keras 中設(shè)置的units數(shù)量對(duì)結(jié)果的精度改進(jìn)較大。

③在LSTM模型多層的堆疊中，應(yīng)當(dāng)設(shè)置return_sequences為True，以便將前一層的輸出體現(xiàn)到下一層中。

④針對(duì)模擬中的過擬合現(xiàn)象，通過dropout 參數(shù)舍棄部分?jǐn)?shù)據(jù)，增強(qiáng)正則化，有利于模擬結(jié)果準(zhǔn)確度的提高。