《Ocean Engineering》：Intelligent forecasting of motion responses of offshore floating wind turbines based on artificial intelligence
范晨红|拉新义|冯然|弗兰克·奥雷尔·利库法克·姆德马亚|徐刚
江苏科技大学船舶与海洋工程学院，镇江，212100，中国
摘要
准确预测浮式风力涡轮机平台在波浪作用下的运动响应对其设计优化和性能评估至关重要。本文提出了一种基于神经网络模型的智能预测方法，该方法结合了卷积层模块、双向LSTM和多头自注意力机制，用于分析四柱式浮式风力涡轮机平台在规则波和不规则波条件下的俯仰和纵摇数据。文章首先讨论了数值水池的构建，并通过数值模拟验证了波浪生成、传播和消散方法的有效性。通过预测浮式风力涡轮机平台在三种不同运行条件下的运动响应数据（具有不同的预测提前时间），验证了模型预测的效率和准确性，证明了预测结果的高精度。这为海上浮式风力涡轮机的实时运动响应提供了一种快速且成本效益高的预测解决方案，具有重要的理论意义和工程价值。
引言
在现代海洋工程和航运行业中，预测海上结构的运动响应至关重要，尤其是在复杂和动态的海洋环境中，海上结构受到波浪、风、潮汐和洋流的共同影响（Cheng等人，2019年）。因此，如何准确预测海洋结构需要进一步研究。
数值水池是一种基于数值计算方法模拟海浪和水池波动现象的实验平台。传统的波浪水池往往受到波浪生成、控制和测量精度等因素的限制。随着数值模拟技术的发展，现在无需进行大规模的物理实验即可提供精确的数据，大大降低了成本。例如，Wang等人（2011年）利用有限元理论解决了拉普拉斯方程，并建立了一个完全非线性的三维数值水池。William Finnegan等人（FINNEGAN和GOGGINS，2012年）使用振荡板模拟了基于纳维-斯托克斯（N-S）方程的波浪水池。Guillaume Ducrozet等人（DUCROZET等人，2012年）采用改进的高阶谱方法模拟了不规则和聚焦波浪。Liu等人（Liu和Lin，2008年）结合时间步长确定和边界元方法，基于物理波浪水池模型建立了数值水池。S.F. Baudic、A.N. Williams和A. Kareem（Baudic等人，2001年）采用混合欧拉-拉格朗日边界元方法对完全非线性波浪的生成、传播和吸收进行了建模。
目前，海上风电的装机容量在亚太和欧洲地区高度集中。多年来，国际上一直在进行关于海上浮体运动响应预测的研究。在传统流体力学方法方面，Wiener（Wiener，1950年）在1949年提出了一种静态统计预测方法。然而，这种方法非常复杂，实际应用难度较大。20世纪60年代，Kaplan（Kaplan，1968年）引入了卷积方法用于预测船舶运动，但由于缺乏合适的核函数和精确的波高测量函数，其效果有限。同时，Sider（Sidar和Doolin，1983年）等人将卡尔曼滤波器方法引入预测，实现了船舶的实时预测。时间序列分析是另一种传统的预测方法，与流体力学方法相比，它更简单且应用范围更广。Fleishman（Fleishman，1978年）在1978年提出了自回归移动平均（ARMA）模型。目前，时间序列分析方法大多是线性预测模型。对于非线性时间序列模型，由于复杂性和适应性等问题，它们难以应用于海洋平台的运动响应预测。
随着人工智能技术的快速发展，神经网络在解决复杂非线性问题方面展现出了巨大潜力（Fan等人，2025年）。通过结合先进的神经网络模型，可以实现更准确的海上结构运动预测，从而为航运和海上作业提供科学依据，提高安全性和效率。近年来，人工智能技术越来越多地应用于造船和海洋工程领域。Diao等人（2024年）提出了一种基于ResCNN-LSTM的智能预测方法，利用自回归方法预测海上平台的运动响应，取得了非常好的预测结果。Liu等人（2024年）将EMD算法与ResCNN网络相结合，有效解决了在不同海洋条件下预测精度不足的问题。Zhu等人（2025年）结合了完全集成的经验模态分解进行信号分解，以及在BBG系统中使用双向门控循环单元进行鲁棒特征提取，保留了多源数据的丰富性并增强了智能预测能力。此外，Shi等人（2023年）提出了一种多输入LSTM（MI-LSTM）神经网络方法来预测浮式海上风力涡轮机的短期运动响应。Liu等人（2020a）通过研究船舶运动记录中的隐藏依赖性，探索了基于脉冲响应函数（IRF）和自相关函数（ACF）的输入向量空间优化方法。为了解决LSTM模型在优化方面的局限性，He等人（2024年）提出了一种耦合特征LSTM神经网络模型，用于在不同海况下预测船舶运动姿态，六自由度耦合特征模型显示出显著的准确性优势。Ouyang等人（2024年）利用LSTM算法为复杂水域中的无人水面船开发了智能辅助控制设计，实现了至少30秒的实时预测，从而支持无人水面船的海上作业。
本研究提出了一种新的神经网络框架，该框架结合了卷积层、双向LSTM和多头自注意力机制，用于智能预测浮式风力涡轮机平台的运动响应。为了克服传统物理模拟的局限性，使用CFD软件建立了一个高保真度的数值水池，并通过收敛性分析验证了所采用的数值方法。所提出的模型在规则波和不规则波条件下对平台运动进行了自回归预测。对不同预测提前时间的影响研究表明，该模型表现出强大的适应性和卓越的泛化能力，适用于非常短期的预测。因此，这项工作为海上浮式结构的实时运动预测提供了一种高效且高精度的替代方案。
部分摘录
数值水池模拟
数值水池是一种通过计算建模来模拟波浪行为的工具。通过建立数值水池，可以在规则波和不规则波条件下对浮式风力涡轮机进行模拟，从而为智能预测提供基础数据。
浮式风力涡轮机平台运动响应预测
预测提前时间显著影响浮式风力涡轮机平台运动响应的预测准确性和效率。过短的预测提前时间可能无法捕捉运动响应的特征，而过长的预测提前时间则可能导致计算速度变慢和误差增加。本文使用历史运动数据来预测未来的运动响应，有效地适应了高实时性的要求
结论
本文建立了一个用于浮式风力涡轮机平台的三维数值波浪水池，并对影响波浪生成准确性的三个因素进行了收敛性分析：网格大小、时间步长和消波区的长度。通过提出一种基于卷积层模块、双向LSTM和多头自注意力的智能预测模型，该模型分析了四浮筒式浮式风力涡轮机平台在规则波条件下的俯仰和纵摇数据
作者贡献声明
范晨红：撰写——原始草稿、方法论、数据整理、概念化。拉新义：撰写——审稿与编辑、数据整理、概念化。冯然：形式分析、概念化。弗兰克·奥雷尔·利库法克·姆德马亚：调查、概念化。徐刚：撰写——审稿与编辑、资金获取、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本工作得到了江苏科技大学海洋装备与技术研究院协同创新中心（XTCX202402）的支持。
