基于LSTM-AM神经网络的水下软钢臂动态系泊力估算.pdf

基于LSTM-AM神经网络的水下软钢臂动态系泊力估算

摘要

系泊张力的监测对浮式生产储卸油装置(FloatingProductionStorageOffloading,

FPSO)单点系泊系统的安全、运行和维护具有重要意义。现有的系泊力监测方法包括：

有限元分析方法直接计算系泊力，基于静力平衡、悬链线理论等静态方法计算系泊受力，

在系泊线顶端安装拉力传感器监测系泊受力。然而有限元方法计算速度慢，不适用于随

机变化的实际海况，静力平衡方法的诸多假设影响了系泊力监测的准确性，将传感器安

装在水面以下严重缩短了其使用寿命。为实现快速、准确的监测FPSO的系泊受力，采

用基于注意力机制(AttentionMechanism,AM)的长短时记忆(Long-shortTimeMemory,

LSTM)神经网络(LSTM-AM)对水下软钢臂系泊系统的系泊受力进行研究。

将数值模拟、注意力机制、LSTM神经网络结合，针对水下软钢臂系泊系统，提出

了一种应用深度学习算法通过浮体的运动响应估算浮体系泊受力的方法。以短期海况的

数值模拟数据作为神经网络的训练和测试数据，由于浮体的运动响应和系泊受力在数量

级和单位上存在较大差异，采用最大值最小值归一化方法对其进行处理。为使神经网络

模型能够更好的学习到输入数据的特征，提出了一、二阶中心矩的特征提取方法。由于

浮体的运动响应（六自由度运动）对系泊受力的影响不同，因此在LSTM神经网络中加

入特征注意力机制，使神经网络关注横、纵荡运动。定义了神经网络模型估算性能的评

判指标，对神经网络模型的时间窗口长度、隐藏层数量、每个隐藏层神经元数量、优化

算法进行研究，确定了水下软钢臂系泊力估算的最优模型。从环境因素角度出发，确定

了神经网络模型对有义波高、谱峰周期、风速、流速、波向、流向、风向等因素的估算

区间，并通过对估算区间的划分得到训练集海况的数据库。为证明LSTM-AM神经网络

估算水下软钢臂系泊系统系泊力的准确性，从多个角度对测试集海况的估算性能进行研

究。

研究结果表明，当环境载荷之间存在方向差时，水下软钢臂系泊系统两条系泊腿的

张力不同，采用静力平衡法监测水下软钢臂的系泊受力不可行；加入注意力机制能够有

效提高LSTM神经网络的估算精度；按照估算区间划分训练集，能够完全覆盖FPSO整

个运行周期内可能遇到的海况；通过案例分析证明，可以应用LSTM-AM神经网络通过

FPSO的运动响应来估算系泊受力。

关键词：系泊力估算；FPSO；单点系泊系统；LSTM-AM神经网络；水下软钢臂

I

基于LSTM-AM神经网络的水下软钢臂动态系泊力估算

Abstract

Itissignificanttomonitorthemooringtensionforthesafety,operationandmaintenance

ofsinglepointmooringsystemoffloatingproduction,storageandoffloadingunit(FPSO).The

existingmooringmonitoringmethodsinclude:calculationofmooringtensionbyfiniteelement

analysismethod,calculationofmooringtensionbystaticmethodssuchasstaticbalanceand

catenarytheory,andinstallationoftensionsensoratthetopofmooringlinetomonitormooring

tension.However,thecalculationspeedoffiniteelementmethodisslow,anditisnotsuitable

fortheactualseastatewithrandomchanges.Manyassumption