基于卷積網絡的浮式平臺人員舒適度評價

姚驥， 武文華， 于思源

(大連理工大學 工業裝備結構分析國家重點實驗室，遼寧 大連 116024)

半潛式生產平臺由于其甲板面積大、穩性好、造價低等優點，在深海油氣開發中有著廣泛的應用。在惡劣的環境下工作，半潛式平臺呈現出強非線性和非平穩特性等復雜動力狀態，對人員的作業和生活帶來威脅。因此分析半潛式平臺在環境荷載作用下的舒適度問題具有一定的現實意義。

目前，很多學者對海洋環境荷載及海洋結構物的動力學性能開展了研究。在海洋環境荷載研究方面，Takbash等[1]從長期衛星記錄中利用極值分析方法分析全球風速和有義波高數據集，分析超過閾值的峰值，并證明極值分析受初始分布方法和平均條件的局限。在結構動力學性能研究方面，NG等[2]基于勢流理論和莫里森公式，運用數值分析和試驗分析的方法對半潛式平臺的運動響應進行了研究；Yilmaz等[3]應用頻域和時域分析方法對半潛式平臺運動響應進行了模擬分析。

近年來，人們對振動環境下人員作業的舒適度的影響越發關注。Muksian等[4]為研究坐姿人體生物力學特性，建立了六自由度和二自由度模型。Matsumoto等[5]對豎向振動下人體站姿振動特性進行了研究。Boileau等[6]對車輛駕駛員在垂直驅動機械阻抗特性在0.625～10 Hz進行測量，并建立了基于試驗數據的四自由度模型。Chang等[7-8]對振動周期為0.1～0.25 Hz的高層建筑水平振動引起的振動舒適度進行了研究，并給出了基于水平振動加速度的五級舒適度標準。宋志剛[9]提出基于煩惱率模型的工程結構振動舒適度評價方法。但是，目前對海洋半潛式平臺六自由度運動響應對人員舒適度的影響及其預測的研究較少。

本文基于卷積網絡，結合現場實測數據，開展半潛式平臺人員舒適度評價研究。首先，利用分形學理論和統計分析的方法，提取了實測荷載數據的特征參數，降低了輸入荷載的維數；同時，將平臺運動描述為六自由度剛體運動，利用中心差分法和矢量疊加理論結合ISO6897-1984(E)標準，給出適用于半潛式平臺人員舒適度評價指標；基于卷積網絡，提出了半潛式平臺人員舒適度評價方法。

1 海洋環境荷載混合特征參數提取

1.1 海洋荷載信息原型監測

自2011年起，文獻[10]在“南海挑戰號”半潛式平臺(NHTZ FPS)建立了現場監測系統，并對其環境荷載要素、浮體運動響應以及系泊系統力學性能進行實時監測。圖1給出了該現場監測系統示意圖。

圖1 “南海挑戰號”FPS 現場監測系統

其中環境監測系統主要測量風參數(風速、風向)、海流參數(流速、流向)和波浪參數(波高、周期和壓力)。

為了更好地研究環境荷載對平臺人員舒適度的影響，選取適當的環境荷載參數十分關鍵。

1.2 計盒維數與Hausdorff維數

分形維數是測量對象自相似性的一種數學工具，可以用來分析一組不規則的時間序列數據，數據的隨機性越大分形維數越大。傳統的分形維數分為兩大類，即計盒維數和Hausdorff維數。

計盒維數表示為：

D=2-H

(1)

Hausdorff維數表示為：

(2)

對于風速時間序列{xi}，i=1,2,…，取某一時間段τ=tn-t1, 其域值R(τ)為：

(3)

標準差S(τ)為：

(4)

(5)

分形維數具體計算步驟為：采用時間序列{xi}計算標準差S(τ)和累計偏差A(τ,tj)，由累計偏差計算出域值R(τ)，然后由式(1)和(2)得出計盒維數和Hausdorff維數。

1.3 混合特征參數選取

表1給出了海洋環境荷載監測信息及采樣頻率。

表1 海洋環境監測信息

本文人員舒適度指標依據國際標準化組織給出的ISO6897-1984(E)的準則，該標準以人體在海洋浮式平臺等工作區域工作至少10 min為前提，因此選取10 min的荷載信息作為一個荷載樣本，并選取表2所示混合特征參數作為荷載樣本信息參數。

其中風速及壓力荷載特征參數選取統計特征參數，可以直觀地反映該時間段內風速與壓力的變化范圍及平均強度；同時選取分形維數作為特征參數，可以反映該時間段內的風速及壓力的隨機程度及復雜特性。

表2 環境荷載樣本特征參數

波高、周期、流速、流向選取實測數據的最大采樣頻率作為特征參數。該樣本集混合特征參數包含分形維數、統計值以及力學特征參數，可以較為全面地包含海洋環境荷載特性。

2 半潛式平臺作業人員舒適度指標

2.1 半潛式平臺響應信息原型監測

響應監測系統主要通過INS / GPS的組合系統測量浮體的六自由度。由于NHTZ FPS遠離陸地，缺乏基站作為參考點，因此采用基于星際差分原理的DGPS測量橫蕩、縱蕩和垂蕩運動，INS(慣性導航系統)用于測量浮體的橫搖、縱搖和艏搖運動。

2.2 人員舒適度指標評價方法

振動舒適度標準給出了振動環境下容許的振動加速度水平，根據標準給出的限值，只要知道結構的振動加速度，就可以判斷出建筑結構的振動水平是否滿足舒適度標準的要求[11]。

國際標準化組織針對海洋平臺人員舒適度問題提出了ISO6897舒適度標準[12]。圖2繪出了人員舒適度標準曲線圖。該標準適用于頻率為0.063～1 Hz且人員所處時間不低于10 min的情況。

圖2 ISO6897舒適度標準

曲線A：操作限，超過此限人員無法進行任何工作且對人體造成損害。

曲線B：舒適限，超過此限人員明顯感到眩暈等不舒適感。

曲線C：平均振感閾值，人員剛好感覺到振動。

曲線D：人體振感下限，低于此限人員幾乎無法感覺到振動。

2.3 平臺運動加速度的確定

將平臺上部結構的六自由度運動簡化為剛體運動，包括沿x、y、z軸的平動及繞x、y、z軸的轉動，如圖3所示。

圖3 平臺六自由度運動

1)平動加速度。

設平臺上一點P(x0,y0,z0)，利用中心差分法求解其沿x、y、z3個方向的平動速度：

(6)

(7)

(8)

式中：vx,t、vy,t、vz,t分別為t時刻P點沿x、y、z方向的平動速度；Dx,t、Dy,t、Dz,t分別為平臺t時刻的橫蕩、縱蕩、垂蕩；τ為采樣間隔。

同樣對速度進行中心差分，得到P點沿x、y、z3個方向的平動加速度：

(9)

(10)

(11)

式中ax,t、ay,t、az,t為P點沿x、y、z方向的平動加速度。

此時，P點的平動加速度為：

atran,t=ax,ti+ay,tj+az,tk

(12)

2)轉動加速度。

利用中心差分法求解轉動角速度：

(13)

(14)

(15)

式中：ωx,t、ωy,t、ωz,t分別為t時刻P點繞x、y、z軸轉動的角速度；θx,t、θy,t、θz,t分別為平臺t時刻橫搖、縱搖、艏搖的角度；τ為采樣間隔。

轉動加速度由法向加速度及切向加速度2部分構成。法向加速度為：

(16)

(17)

(18)

式中：an,x,t、an,y,t、an,z,t為t時刻P點繞x、y、z轉動的法向加速度；Rx、Ry、RZ為3個方向的回轉半徑：

Rx=-y0j-z0k

(19)

Ry=-x0i-z0k

(20)

Rz=-x0i-yoj

(21)

切向加速度與轉動的角加速度有關，因此首先利用中心差分法求解角加速度：

(22)

(23)

(24)

此時，切向加速度為：

(25)

(26)

(27)

t時刻P點運動的全加速度為：

at=atran,t+an,x,t+an,y,t+an,z,t+atan,x,t+atan,y,t+atan,z,t

(28)

2.4 人員舒適度指標計算

對于式(28)得到的平臺任一點加速度時間序列at，取10 min時間間隔，切分為{a1,a2,…,ai,…,an}，依次對其進行頻域分析：

(29)

式中Fi(ω) 為ai的頻譜。

計算得到頻率對應的幅值：

i=1,2,…，n

(30)

加速度頻率范圍較大，因此采用1爭鋒頻率劃分成幾個段落，每個段落成為頻帶或頻程。頻率的中心頻率為：

(31)

式中：fu和fd為該頻帶的上限和下限頻率。其中：

fu=2mfd

(32)

當m=1/3時，成為1/3倍頻程。

并根據ISO6897給出的1/3倍頻程頻率范圍及中心頻率進行劃分。將每個頻帶中所有的加速度響應幅值相加并平均，并與ISO6897-1984(E)給出的人員舒適度分界線進行對比分析，得到人員舒適度指標。

3 基于卷積神經網絡的人員舒適度評價

3.1 卷積神經網絡模型

作為一種深度學習方法，卷積神經網絡屬于深度前饋神經網絡。卷積神經網絡的設計選擇局部連接，符合生物神經元的稀疏響應特性，這樣可以大大降低網絡模型的參數規模，對訓練數據量的依賴性降低[13]。卷積神經網絡應用有監督梯度下降方法得到模型的參數，經過訓練后的網絡模型具有特征提取與識別的能力。

如圖4所示，卷積神經網絡由輸入層、卷積層、池化層、全連接層與輸出層構成。卷積層與池化層在卷積神經網絡的前幾層交替出現，全連接層靠近輸出層。

圖4 卷積神經網絡結構

卷積神經網絡的輸入一般為二維輸入x。卷積層使用卷積核對輸入x進行處理，可以學習到魯棒性較高的特征[14]。卷積是一種重要的線性計算，可以表示為：

h(i)=conv(h(i-1),w(i),′method′)

(33)

式中：w(i)為第i層卷積核的權重向量；h(i)為第i層卷積神經網絡輸出；conv(·)為表示卷積核和第i-1層輸出的卷積計算；method為表示卷積類型(方法)，常用包括3種Full卷積、Same卷積、Valid卷積。

池化層一般在卷積層之后，本質上，池化層執行空間或特征類型的聚合，降低空間維度，主要目的是：1)減少計算量，刻畫平移不變特性；2)使下一層級的參數有效減少，有效抑制過擬合風險[15]。

卷積神經網絡對輸入的數據經過卷積層與池化層的特征提取和降維操作后，將得到的特征數據輸入全連接層，對原始數據進行預測或分類工作。

3.2 人員舒適度評價研究

選取監測期間某3天實測信息進行模型建立。表3給出了該監測期間的海況信息，由該3天海況信息可以看出，最大風速為17.1 m/s，最小風速為0 m/s，最大浪高為6.38 m/s，最小浪高為0.30 m/s。分別對應著7級風～0級風和7級海況～2級海況，可以看出，該監測期間海況較為復雜，較能反映工作人員在臺期間的所受典型海況。

表3 數據集統計信息

將實測荷載信息進行特征參數提取，并將每10 min特征參數作為一個輸入樣本，共包含97個參數，為了便于卷積神經網絡的輸入，以補0的方式將輸入樣本參數擴展為144個。樣本數為432，其中360個樣本作為訓練集，72個樣本作為檢驗集。

選取點(4,3,0)處位置進行加速度計算，如圖5所示，該位置位于平臺塔架底部附近，為日常施工區域，該點的人員舒適度指標具備較高的工程價值。但本方法不局限于某一位置的人員舒適度研究，而是可以對平臺任一位置進行計算。

基于ISO6897規定的舒適度標準給出該位置處人員舒適度指標。圖6繪出了人員舒適度指標分布圖。

由圖7所示，A以上未有樣本點存在，說明樣本選取時間未發生五年一遇的極端海況。將曲線A與B之間的點設為Ⅱ級預警情況。將曲線B、C之間的點設為Ⅰ級預警情況，人員可能稍有頭暈等情況。將曲線C以下的點設正常工作狀態，人員基本感覺不到晃動。

圖5 點(4,3,0)所在位置

圖6 人員舒適度指標分布

圖7 訓練準確率變化

將人員舒適度指標作為輸出樣本，利用卷積網絡進行訓練。首先將輸入樣本矩陣變換成12×12的格式進行輸入，卷積層數為2，第1個卷積層卷積核大小為2×2，卷積核數為8，池化層大小為2×2，池化方式采用最大池化；第2個卷積核大小為2×2，卷積核數為64，池化層大小為2×2，池化方式為最大池化。全連接層數為2，節點數分別為100、3。選用交叉熵代價函數進行訓練，訓練次數為10 000次。

圖7和圖8分別給出了準確率和損失值變化曲線，其中損失值計算采用交叉熵損失函數：

(34)

由準確率變化圖集最終檢驗準確率可以看出，當訓練次數為5 000次時，準確率已經達到97.69%，最終10 000次訓練完成時，準確率達到99.77%，檢驗集準確率為100%。可以看出基于卷積神經網絡對于平臺工作人員舒適度指標的預測結果較為準確，且計算成本較低。

圖8 損失圖變化

3.3 不同方法結果對比分析

同時，采用深度神經網絡和單隱藏層BP神經網絡構建荷載特征參數與人員舒適度指標的關系。圖9、10分別繪出了不同方法準確率和損失值變化對比圖。

圖9 不同方法訓練準確率對比

圖10 不同方法損失值對比

由圖9可以看出，DNN與BP均出現局部收斂的問題，而卷積神經網絡有效地避免了局部收斂的問題，訓練準確率達到99.77%。

表4給出了最終訓練準確率對比結果。由對比結果可以看出，相同訓練次數下，卷積神經網絡預測結果準確率達到100%，DNN與BP神經網絡預測結果準確率僅為79%。

表4 不同方法準確率對比

4 結論

1)本文基于分形維數及統計分析，利用實測荷載信息，給出了用于分析平臺人員舒適度的荷載混合特征參數選取的方法。

2)本文對于平臺運動特性進行分析，采用了中心差分與矢量疊加法結合ISO6987標準，利用頻域分析法推導人員舒適度指標。

3)基于卷積神經網絡方法構建人員舒適度評價模型。該模型可以很好的對于平臺工作人員作業進行指導。