魏凯(1984-), 男, 副教授, 主要从事深水大跨桥梁研究, E-mail:
Wei Kai (1984-), associate professor, main research interest: sea-crossing bridge, E-mail:
中国跨海桥梁多建于近岸岛礁海域,桥址区的波浪要素随时空演变复杂。桥址区波高的准确推算对于桥梁结构设计和施工组织具有十分重要的意义。提出一种基于外海环境预报数据的近岸岛礁桥址区波高人工神经网络(ANN)推算模型,并以平潭海峡公铁两用大桥桥址海域为研究对象,运用ANN算法中常用的BP神经网络对外海海洋预报台提供的波高、风速数据以及在桥址区实测波高数据进行训练,建立二者之间的映射关系及ANN推算模型。为验证推算模型的可行性和有效性,运用上述模型对桥址区连续80 d的海浪波高进行推算,通过对比前人模型和实测数据发现,推算波高和实测波高的变化趋势基本吻合,均方根误差满足预测要求,获得了理想的预测效果。研究表明,提出的波高ANN推算模型可以利用外海预报信息进行近岸岛礁桥址区的波高推算,且建模过程较为简单。
Sea-crossing bridges in China are mainly built in nearshore island area where wave condition varies spatially. The accurate estimation of the wave height in the bridge site is of great significance for bridge design and construction organization. An artificial neural network (ANN) estimation model of wave height in nearshore island area was developed based on open ocean environmental forecasting data. Pingtan Strait sea-crossing bridge site was selected as the research object. The BP neural network commonly used in the ANN was adopted to train the data provided by the open ocean forecasting station and the measured wave height data in the bridge site area. In order to verify the feasibility of the model, the wave height in the bridge site for 80 consecutive days was estimated. By comparing the results of previous model and the measured data, it is found that the trend of the estimation and the measured value is generally consistent. The root mean square error satisfies the prediction requirements and the ideal prediction effect is obtained. The research showed that the proposed ANN estimation model can use the open ocean forecasting information to effectively estimate the wave height of the nearshore island area for sea-crossing bridge with a relatively simple modeling process.
中国跨海桥梁多建于风大浪高的近岸岛礁海域,在施工和运营期间常常面临恶劣的极端海洋环境。其中,波浪是影响跨海桥梁结构设计、施工安全和组织安排的关键环境要素之一[
中国《港口与航道水文规范》(JTS 145—2015)[
鉴于ANN算法的上述优势,本文提出基于外海海域风浪预报数据,运用ANN算法建立外海预报数据与桥址区海域实测数据的对应关系,进而进行桥址区波高推算的方法。以平潭海峡公铁两用大桥桥址海域为例,根据外海预报和桥址区实测数据,采用本文方法建立桥址区波高推算模型,并结合现场实测以及对比前人方法,验证上述模型的有效性。
ANN是人工智能领域中一种重要的计算机算法,可以对人脑进行仿真模拟,建立一种类似神经元相互连接的网络模型,对信息进行处理和非线性转换。作为目前应用最为广泛和成熟的ANN算法之一,BP神经网络的主要特点是信号前向传递,误差反向传递。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阈值,从而使预测输出不断逼近期望输出。
根据文献[
BP神经网络中,
式中:
式中:
式中:
网络连接权值表达为
式中:
网络节点阈值表达为
通过迭代计算确定网络连接权值
根据BP神经网络训练原理,近岸岛礁桥址区波高推算模型的建模流程主要包括:
1) 外海、桥址区环境资料准备 通过海洋预报台等收集外海海域预报数据(包括外海海域预报最小风级、最大风级、最小波高、最大波高、风向),通过在桥址区建立测站,对近岸岛礁桥址区海域波高数据进行实测。
2) 输入数据选择 根据外海海域预报数据和近岸岛礁桥址区实测数据,建立外海环境与近岸岛礁桥址区波高相关性关系。选择与桥址区波高数据相关性较强的外海环境数据作为输入数据,为桥址区海域海浪波高推算做准备。
3) 数据预处理 在使用样本数据训练之前,对样本数据进行预处理,即归一化。归一化处理指的是对网络输入和输出数据进行一定的映射变换,将其一一映射到[-1, 1]的区间内。
4) BP神经网络训练 采用外海海域预报数据(下文中简称“外海海域预报值”)以及桥址区海域实测的波高数据(下文中简称“桥址海域实测值”),运用BP神经网络算法,对外海海域预报值和桥址海域实测值进行训练,建立二者之间的网络关系。
5) 建立推算模型 通过训练好的ANN,使用外海海域新的预报值,推算出桥址区海域的海浪波高(下文简称“桥址海域推算值”)。后期将桥址海域推算值和桥址海域新的实测值进行对比,判断推算的准确性。如果二者接近,则认定推算成功,模型可信;如果二者不接近,则需要在输入数据中补充新的观测数据,重新进行步骤3)~4)训练BP模型。
为实现上述算法,可利用Matlab软件内置的神经网络工具箱(Neural Net Toolbox),根据
波高推算模型建模流程
Modeling process of wave height estimation model
图 2所示)做为算例海域。目前,作者掌握的数据包含从2015年1月1日至2016年3月28日共计426 d的外海波高和桥址区波高数据。其中,外海海域预报值来源于福建省海洋预报台网站(www.fjmf.gov.cn)提供的由闽中海域浮标测得的风级、日最大波高等数据。桥址区波高、风速数据则通过在平潭海峡公铁两用大桥6#施工平台附近(东经119.6度,北纬25.7度)建立测站实测得到,测试仪器及数据处理方法详见文献[
测点位置示意图
Location of the measuring point
桥址海域实测日最大波高与闽中海域预报波高相关性
Correlation between the maximum daily measured wave height and the maximum forecasting wave height
桥址区海域实测日最大波高与闽中海域预报风级相关性
Correlation between the maximum daily measured wave height and the maximum forecasting wind level
考虑到数据量有限,算例将首先采用2015年1月1日至2015年12月31日共346 d的数据作为样本进行神经网络训练;ANN模型建立后,再采用该模型推算2016年1月1日至2016年3月28日共80 d的桥址区日最大波高。
将外海海域每天的风级、风向和波高的大小即外海海域预报最小风级、最大风级、最小波高、最大波高、风向5个因素作为输入向量。近岸岛礁桥址区海域每天的最大波高作为网络的输出向量。
采用3层网络结构的BP网络,分别是输入层、隐含层、输出层。输入层的节点数量
式中:
推算均方根误差与隐节点数关系
Relationship between root mean square error and hidden node number
隐节点数 | 均方根误差/m |
04 | 0.53 |
06 | 0.50 |
08 | 0.52 |
10 | 0.66 |
根据
BP网络的训练过程是一个不断对实测值拟合的过程,每一次拟合都会产生一组训练值,网络计算出训练值和实测值的均方误差向着拟合均方误差减小的方向发展。最终,网络训练的均方误差为0.016 2。
网络训练值与实测值对比图
Comparison between network training value and measured value
利用训练好的ANN推算模型,将2016年1月1日至2016年3月28日共80 d的福建省海洋预报台外海预报数据(波高、风速)输入到训练好的ANN中进行推算,得到桥址区80 d的波高,见
网络的推算波高与实测波高对比
Comparison between estimated network value and measured value
Deo等[
不同方法下指定误差范围内推算值比例对比
Comparison of proportion of the estimated values within the specified error range based on different methods
误差范围/m | 比例对比/% | |
基于风速数据的预测模型[ |
基于外海预报的推算模型(本文) | |
[-1.0, 1.0] | 88 | 95 |
[-0.5, 0.5] | 59 | 76 |
[-0.3, 0.3] | 36 | 56 |
总的来说,推算波高与实测波高变化趋势基本一致,可满足工程建设的需求。在桥梁施工过程中,可以利用福建省海洋预报台每天发布的闽中海域预报资料和ANN算法对桥址区海域波高进行推算,即本文提出的波高推算模型可以利用外海预报信息有效地进行近岸岛礁桥址区的波高推算,可为大桥后期的施工组织安排和施工安全预警提供指导。
提出了基于外海环境预报的近岸岛礁桥址区波高ANN推算模型,以平潭海峡大桥桥址区为研究对象,分析了闽中海域风速、风向、波高等预报数据和桥址区海域实测波高数据,主要结论如下:
1) 提出的波高ANN推算模型可以利用外海环境预报信息进行近岸岛礁桥址区的波高推算。
2) 通过与前人方法和实测数据对比,采用本模型推算得出的近岸岛礁桥址区波高与实测波高的变化趋势基本吻合,均方根误差较小,且精度高于前人ANN模型。
3) 提出的ANN推算模型可以较为准确地模拟波高变化趋势,但由于影响波高变化因素较多,包括风速、风压、海洋洋流运动、海床平面分布、地形地貌特征等,波高变化具有随机性,尤其当极端事件如台风等产生时,模型对波高特别是极端值的推算效果有待提高。使用更长时间的样本以及增加输入层变量是提高ANN模型推算精度的一种有效途径。
4) 算例选择了操作较为简单、发展较为成熟的BP神经网络建立波高ANN推算模型。考虑到近岸岛礁桥址区实际波浪要素的复杂性,未来还可采用其他人工智能算法,进一步提高推算效率和精度。
XU G J, CAI C S. Numerical investigation of the lateral restraining stiffness effect on the bridge deck-wave interaction under Stokes waves [J]. Engineering Structures, 2017, 130: 112-123.
XU G J, CAI C S, HAN Y. Investigating the characteristics of the solitary wave-induced forces on coastal twin bridge decks [J]. Journal of Performance of Constructed Facilities, 2016, 30(4): 04015076.
10.1007/978-3-642-37270-4_93.]]>
毛科峰, 陈希, 王亮.岛屿岛礁海域海浪能谱模型研究进展[J].海洋学报, 2014, 36(5): 161-169.
MAO K F, CHEN X, WANG L. Research progress of spectral wave mode of archipelago or reef ocean region [J]. Acta Oceanologica Sinica, 2014, 36(5): 161-169.(in Chinese)
魏凯, 梁春明, 徐博.台风灾害下复杂海域桥址区波高特性研究[J].防灾减灾工程学报, 2018, 38(1): 124-130.
WEI K, LIANG C M, XU B. Wave height characteristics at bridge site in the complex coastal area under typhoon disasters [J]. Journal of Disaster Prevention and Mitigation Engineering, 2018, 38(1): 124-130. (in Chinese)
港口与航道水文规范: JTS 145—2015[S].北京: 人民交通出版社, 2015.
Code of hydrology for harbour and waterway: JTS145-2015[S]. Beijing: People's Transportation Press, 2015. (in Chinese)
TI Z L, WEI K, QIN S Q, et al. Numerical simulation of wave conditions in nearshore island area for sea-crossing bridge using spectral wave model [J]. Advances in Structural Engineering, 2018, 21(5): 756-768.
魏凯, 徐博, 李义强.基于实测水压力的跨海桥梁围堰波浪力计算[J].桥梁建设, 2018, 48(3): 50-54.
WEI K, XU B, LI Y Q. Calculation of wave loads on cofferdams for sea-crossing bridge based on field measurement of hydraulic pressure [J]. Bridge Construction, 2018, 48(3): 50-54. (in Chinese)
冯卫兵, 施凌.复杂地形条件下的工程波要素确定[J].水运工程, 2008(3): 4-8, 36.
FENG W B, SHI L. Determination of design wave elements under complicated topographical condition [J]. Port & Waterway Engineering, 2008(3): 4-8, 36. (in Chinese)
TI Z L, ZHANG M J, WU L H, et al. Estimation of the significant wave height in the nearshore using prediction equations based on the response surface method [J]. Ocean Engineering, 2018, 153: 143-153.
DESHMUKH A N, DEO M C, BHASKARAN P K, et al. Neural-network-based data assimilation to improve numerical ocean wave forecast [J]. IEEE Journal of Oceanic Engineering, 2016, 41(4): 944-953.
LONDHE S N, SHAH S, DIXIT P R, et al. A coupled numerical and artificial neural network model for improving location specific wave forecast [J]. Applied Ocean Research, 2016, 59: 483-491.
ZANUTTIGH B, FORMENTIN S M, BRIGANTI R. A neural network for the prediction of wave reflection from coastal and harbor structures [J]. Coastal Engineering, 2013, 80: 49-67.
CASTRO A, CARBALLO R, IGLESIAS G, et al. Performance of artificial neural networks in nearshore wave power prediction [J]. Applied Soft Computing, 2014, 23: 194-201.
DEO M C, JHA A, CHAPHEKAR A S, et al. Neural networks for wave forecasting [J]. Ocean Engineering, 2001, 28(7): 889-898.
JAIN P, DEO M C. Neural networks in ocean engineering [J]. Ships and Offshore Structures, 2006, 1(1): 25-35.
齐义泉, 张志旭, 李志伟, 等.人工神经网络在海浪数值预报中的应用[J].水科学进展, 2005, 16(1): 32-35.
QI Y Q, ZHANG Z X, LI Z W, et al. Application of artificial neural network to numerical wave prediction [J]. Advances in Water Science, 2005, 16(1): 32-35. (in Chinese)