OC4漂浮式风电平台的水弹性响应及波浪载荷研究

漂浮式风电平台在波浪中的摇晃运动会导致塔架根部产生很大的弯矩,极大地威胁平台结构安全。同时流体的附连水质量效应对平台塔架结构的动响应有着较为显著的影响,因此充分考虑这种流固耦合效应有利于更加准确地评估平台塔架的结构动响应。采用三维频域线性水弹性方法计算塔架在流体作用下的结构共振频率特征以及各阶模态振动的主坐标响应特性,然后通过弹性模态叠加法获得塔架的弯矩载荷。并结合概率学手段,预报了短期极限海况下塔架弯曲载荷响应,为新一代漂浮式风电平台结构安全性评估和方案设计提供了技术支撑。     

基于波浪能的浮式装备随体供电技术研究

随着我国海洋开发向深远海方向发展,各类海洋装备长时间工作于深远海域,能源供给极不方便,迫切需要一种便捷的能源供给方式。针对上述需求,提出了一种可内置于海洋浮式装备的波浪能转换装置,以海洋浮式装备为载体,依靠载体在波浪作用下的垂荡运动获取波浪能,由于惯性波浪能转换装置的振子在弹簧的作用下产生振动,驱动动力输出(PTO)系统做功,将波浪能转换为电能。基于流体力学基本原理, 建立了浮体与波浪能装置的耦合运动学模型和能量转换数学模型,分析不同参数对 RAO 和 CWR 的影响。通过优化分析,本文所提出的基于惯性原理的双共振波浪能转换装置能量转换效率最高可达 45%以上,可有效地应用于海洋浮式装备,具有可观的应用前景。     

拖曳式CTD测量技术研究

拖曳式CTD剖面仪是国家863支持的项目之一。文章叙述了拖曳式CTD的意义,介绍了拖曳式CTD的现状并与传统CTD剖面仪进行了对比分析。同时,探讨了拖曳式CTD剖面仪存在问题与发展趋势。     

基于统计分析的半潜式平台气隙预报方法研究

以浮式半潜平台为研究对象,针对影响气隙结果的波浪非线性效应进行研究分析。通过分析平台气隙响应特性,确保平台在极端海况下的安全性。首先通过数值计算与模型试验,对一座浮式半潜平台在极端海况下的气隙响应进行计算与测量;进一步对平台附近18个典型位置的波面升高响应进行统计分析与概率分布拟合处理;最终求得反映各处波浪非线性强度的非线性因子∂值,并与OTG-13规范中的建议值对比讨论。结果发现∂的计算值与建议值并不完全一致,由于波浪受平台运动及平台结构扰动影响,平台下浮体附近处波浪非线性效应较强,计算值较建议值大,需要重点考虑分析。相应地,距离平台结构较远位置处的计算结果与建议值一致。     

基于水动力性能的TLP结构选型研究

为了解决四种典型结构型式的张力腿平台在中国南海荔湾气田极端海况条件下的选型问题,采用新的相似原则以保证平台的设计拥有相同的相似条件。这些相似条件确保了四种平台具有相似的水动力性能和系泊性能。考虑平台和系泊系统包括顶张紧式立管(TTRs)、钢悬链式立管(SCRs)及筋腱之间的耦合效应,运用动态时域耦合分析方法计算得到平台的动力响应,并通过对比不同结构型式的平台在作业、极限及生存工况下的运动响应以得到最优水动力性能平台。文中还分别对四种张力腿平台的动态响应、筋腱受力、气隙分析和动晕环境条件进行对比分析,分析结果为实际工程提供参考。     

基于三轴加速度的波浪测量技术研究

以浮标为载体,以TMS320C6416型DSP处理器、三轴加速度传感器、电子罗盘为硬件电路核心,利用加速度频域二次积分的波高计算方法以及三轴加速度倾角补偿电子罗盘的波向测量方式,进行海洋波浪要素测量技术研究,获取了某一海域不同时段的波浪特征值。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响。一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战性。针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,重点采用基于深度学习的LSTM与CNN融合方法,挖掘环境因子的时序依赖,发现序列数据的局部特征,对赤潮发生进行预报。在厦门一号和厦门二号数据集中,本方法在预报未来12 h内的赤潮情况时,RMSE、MAE误差分别达到0.521 8、0.504 3。通过协同对比模型进一步确定赤潮发生的预报概率,在两个数据集上的最终预报准确率分别为67.58%和63.49%。本研究为赤潮的分析预报提供了探索经验,证明了将深度学习方法应用于赤潮预报的可行性。     

基于深度学习的赤潮发生预报方法研究

赤潮作为海洋灾害,对海洋渔业、生态、经济,以及人类生产、生活造成了严重影响.一直以来,赤潮受到研究者的广泛关注,但由于它的形成机制比较复杂,使得赤潮预报极具挑战.针对赤潮预报的研究问题,本文收集了厦门海域赤潮发生前后的海洋监测数据,结合皮尔逊相关系数、散布矩阵、复相关系数方法,分析多环境因子与赤潮发生多要素的关联情况,...     

基于深度学习的海温观测数据质量控制应用研究

基于国家海洋信息中心质量控制后的西太平洋10度方区约100万站次温盐实测历史调查资料,对经过26种严格质量控制方法的综合海温质量符进行分类分析,首次将深度学习技术应用于海洋数据质量控制多分类(multiclass classification)算法与应用研究.通过人工合成少数类样本和加权损失函数方法减少多数类的频率来降...     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

深水平台二阶波浪力研究综述

回顾了近几年来深海平台二阶波浪力的研究成果。对几种典型深海平台结构二阶波浪力研究作了详细的阐述,包括理论分析、数值计算和实验验证等。最后指出目前该领域主要研究方向,作为进一步研究的参考。     

深海平台立柱周围波浪非线性爬升研究进展

随着深海油气田的不断开发,各种适应深海环境的浮式平台陆续涌现。多数深海平台通过立柱支撑上层甲板,波浪沿柱体表面的爬升效应极为明显,大大增加了强非线性砰击和越浪的危险,甚至将导致平台局部结构以及相关设备的破坏。因此,波浪爬升效应在平台设计及结构安全性方面具有重要的意义,并成为平台水动力研究的热点问题之一,是平台气隙预报的一个重要方面。介绍波浪爬升效应在平台设计阶段的重要性,分析波浪爬升的成因和影响因素,就目前国际上相关研究情况及进展进行了详细的阐述,并提出了这一课题未来研究方向的有关建议。     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式WRF预报数据和ERA5再分析资料,利用机器学习方法对WRF预报场的风场、温度、气压进行预报订正。采用ERA5作为真值,与原始WRF预报相比,利用随机森林模型可以将预报结果整体均方根误差降低44%以上,利用深度神经网络模型可以将预报结果整体均方根误差降低34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

深水中极限波峰下速度场快速算法

基于五阶斯托克斯规则波理论,提出了一种快速求解深水极限波峰下速度场的数学模型.研究中,按照上跨零点和下跨零点的方法由计算或实测的极限波浪波面时间历程确定包含极限波峰的相邻两个周期的平均值为五阶斯托克斯规则波的波浪周期,然后根据极限波峰反推确定波浪入射波幅.通过与已有的数值结果和实验数据对比,验证了所建立的数值模型可以快速准确的计算出极限波峰下的速度场,相比其他模型,更适合于工程应用.     

等效水深截断的深海平台混合模型试验方法研究

以工作水深为320 m的转塔式FPSO为例,研究了等效水深截断的混合模型试验方法。选择截断水深为160 m,先后进行了截断水深系统和全水深系统模型试验,并进行了相应截断水深试验的数值重构和全水深系统的数值计算。结果证明混合模型试验技术是切实可行的,可用于深海平台的模型试验。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。