[发明专利]一种基于深度学习的深海养殖平台动力响应分析方法

权利要求书

1.一种基于深度学习的深海养殖平台动力响应分析方法，其特征在于具有以下步骤：

(1)通过数值模拟的方法，计算已设定工况下模型的动力响应结果，并将各工况以及对应结果组成数据库；数值模拟过程中，所述的深海养殖平台模型的控制方程为大变形动态有限元分析方程：

式中，δ为节点位移增量向量；^t+ΔtQ是节点荷载向量；为等效单元的节点力向量；为小位移情况下的单元刚度矩阵，是单元初位移刚度矩阵，是单元初应力刚度矩阵；以及由下式表示：

其中，₀D是材料本构矩阵，G为剪切模量，v为泊松比，和为第二类Piola-Kirchhoff应力矩阵和向量，ε为等效单元应变矩阵；

和分别表示线型应变和非线性应变和位移的转换矩阵：

N_k表示为等效单元的形函数，且

Q为结构受到的外载荷，包括重力载荷、浮力和水动力；其中，水动力荷载包含波浪荷载以及水流荷载，针对波浪荷载采用修正的Morison方程，单元受到的波浪力沿u，w，v三个方向的分量表述为：

其中，和是水质点速度分量；和是微元的速度分量；和是水质点的加速度分量；和是微元的加速度分量；ρ是水的密度；V₀是结构单元的排水体积；A_u，A_w和A_v是结构微段水下部分沿三个方向的投影面积；C_D和C_m分别是拖更力系数和附加质量力系数；

(2)使用数据库的80％数据构成训练集进行BP神经网络的学习和训练，并采用20％的数据构成测试集进行BP神经网络的检验；

采用的深度学习模型为误差反向传播算法神经网络模型；BP神经网络由输入层、隐藏层和输出层构成，层与层之间全连接，同一层之间的神经元无连接；在BP神经网络中，数据的传递方向从输入层开始，经隐藏层之后逐层向后传播；训练连接权值时，会从输出层开始，经过隐藏层向前修正网络的连接权值；

BP神经网络中，训练数据中x作为输入，z作为输出，输入神经元个数为I，隐藏神经元个数为J，输出神经元个数为K的一个三层前馈神经网络；其中y为隐藏层，隐藏层第j个神经元的阈值用b_j表示，输出层第k个神经元的阈值用b_k表示，输入层第i个神经元与隐藏层第j个神经元之间的连接权值用w_ij表示，隐藏层第j个神经元与隐藏层第k个神经元之间的连接权值用w_jk表示，隐藏层的输入用X_j表示，输出层的输入用Y_k表示；则隐藏层的计算结果y_j与由BP网络输出层的输出结果Z_k由公式(8)～(11)确定：

y_j＝f(X_j+b_j) (8)

Z_k＝f(Y_k+b_j) (9)

这里f采用Sigmoid函数作为激活函数，函数表达式见(12)；Sigmoid函数的值域为(0,1)，该函数光滑且非线性，广泛应用于BP神经网络当中；

在BP神经网络中，如果BP神经网络输出结果Z_k与训练数据的输出z_k差别过大，会进行误差的反向传递，采用梯度下降法将误差按权重逐层分配并重新计算连接权值；

输出层到隐藏层的连接权值调整计算见式(13)～(17)；在用(13)求出隐藏层到输出层的连接权值调整值Δw_jk时，应按照公式计算输出结果的均方误差E_k，求出E_k对w_jk的偏微分；其中，η为神经网络的学习率；

w_jk←w_jk+Δw_jk (13)

同理，隐藏层到输入层的连接权值调整计算按式(18)～(20)计算：

w_ij←w_ij+Δw_ij (18)

Δw_ij＝ηθ_ix_i (19)

将波浪的有效波高和平均周期、流速以及波浪与海流的夹角作为输入指标，缆绳受力最大值、深海养殖平台六自由度运动特征值作为输出指标。