一种多要素耦合条件下海上桩基冲刷预测方法技术

本发明专利技术公开一种多要素耦合条件下海上桩基冲刷预测方法，包括：获取环境数据并构建深度学习模型，其中所述深度学习模型采用DNN网络模型；获取训练样本；基于训练样本通过迁移学习方式对所述深度学习模型进行训练，得到预测模型，通过预测模型对所述环境数据进行预测，得到海上桩基冲刷深度预测结果。通过上述技术方案，本发明专利技术能够根据先验知识及相关模拟及实测数据作为迁移学习的数据基础训练生成预测模型，进而通过预测模型对冲刷深度进行有效预测。效预测。效预测。

【技术实现步骤摘要】
一种多要素耦合条件下海上桩基冲刷预测方法


[0001]本专利技术涉及桩基冲刷预测
，特别涉及一种多要素耦合条件下海上桩基冲刷预测方法。

技术介绍

[0002]由于海上的丰富风能资源及技术的可行性等相关因素，发展出了海上风电场技术，海上风电场技术主要以海上风机为基础，通过不同结构及设备进行支撑，以底部固定式支撑为主要固定方式，其中底部固定式支撑中的单桩固定方式通过单桩基础进行固定，单桩基础由一个钢桩构成，安装在海床以下的位置，其安装深度由海床地面的类型决定。单桩基础有力地将风塔伸到水下及海床内。这种基础的一大优点是不需整理海床。但是，桩基需要防止海流对海床的冲刷。在冲刷过程中，基桩周围会出现冲坑，进而出现削弱桩基承载力，降低基础自振频率，影响结构疲劳寿命等问题。所以对于海上基桩冲刷的预测对于前期的基桩安装设计及后期的养护具有重要意义。现有技术中通过不同经验公式对其冲刷深度进行计算及预测，由于其冲刷问题的复杂性及不确定性，多数的经验公式通过问题简化后进行得到，不同的经验公式与实际冲刷问题的求解存在一定差异，且未对其参数之间的耦合性进行考虑，同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多要素耦合条件下海上桩基冲刷预测方法，其特征在于，包括：获取环境数据并构建深度学习模型，其中所述深度学习模型采用DNN网络模型；获取训练样本；基于训练样本通过迁移学习方式对所述深度学习模型进行训练，得到预测模型，通过预测模型对所述环境数据进行预测，得到海上桩基冲刷深度预测结果。2.根据权利要求1所述的方法，其特征在于：所述环境数据包括桩基海床形状数据及波流数据，所述桩基海床数据包括桩基形状数据、海床形状数据、沉积物尺寸数据、砂土粒径数据、水深数据及Froude数；所述波流数据包括波浪速度、水流速度、冲击角数据、波高、波数、波周期及波浪KC系数。3.根据权利要求1所述的方法，其特征在于：所述训练样本包括通过先验知识获取的仿真数据，室内模拟数据及实测历史数据，其中所述先验知识包括针对海上冲刷预测的不同算法。4.根据权利要求3所述的方法，其特征在于：对所述深度学习模型进行训练的过程包括：基于所述仿真数据对所述深度学习模型进行训练，生成理论模型；基于室内模拟数据通过特征迁移学习方式对所述理论模型进行训练，得到模拟模型；基于实测历史...

【专利技术属性】
技术研发人员：王晨阳，左殿军，朱玉德，杨云平，王建军，胡瑞更，李延伟，乔华倩，
申请(专利权)人：交通运输部天津水运工程科学研究所，
类型：发明
国别省市：