基于機器學習算法的海洋平臺結構整體安全度評估

唐德才

(四川交通職業技術學院 航運工程系，四川 成都 611130)

0 引 言

作為海上油氣生產與作業的工程結構物，海洋平臺的體積龐大，結構復雜，并且應用過程中受各類隨機荷載與突發性極端環境等威脅[1]。在此環境下，海洋平臺結構受到顯著影響，令海洋平臺結構的整體安全度下降[2]。海洋平臺結構整體安全度下降將會導致顯著的經濟損失，同時還會導致海洋環境受到破壞[3]。因此對海洋平臺結構整體安全進行評估，對于提升海洋平臺工程安全控制具有重要意義。

彭子祥等[4]在構建結構安全評估模型過程中，以貝葉斯網絡概率圖理論為基礎構建評估模型，通過機器學習算法訓練模型參數，獲取最終評估結果，該方法在實際應用過程中魯棒性較差。潘友鵬等[5]采用有限元方法對建筑結構安全度進行評估，該方法使用過程中需消耗大量的時空資源。楊紹坤等[6]從建筑結構承受載荷與塑性極限載荷2 個角度出發評估結構安全度。該方法使用過程中過度依賴數據，若數據存在偏差，則評估結果產生顯著誤差。針對上述問題，提出基于機器學習算法的海洋平臺結構整體安全度評估方法，保障海洋平臺結構安全，延長海洋平臺使用壽命。

1 海洋平臺結構整體安全度評估方法

1.1 海洋平臺結構整體安全度評估指標體系構建

基于層次全息建模理論，從環境、技術狀態、功能模塊等6 個角度出發，共選取22 個評估指標構建海洋平臺結構整體安全度評估指標體系，如表1 所示。基于層次全息建模理論構建海洋平臺結構整體安全度評估指標體系，不僅能夠全部了解影響海洋平臺結構整體安全度的各種因素，還能夠更深度地了解海洋平臺不同側面的信息。

表 1 海洋平臺結構整體安全度評估指標體系Tab. 1 Overall safety assessment index system of offshore platform structure

在海洋平臺結構整體安全度評估指標體系構建完成后，采集各評估指標相關數據，并對所采集數據進行預處理。預處理過程如下：

s表示時間窗寬度，設定s值，在海量海洋平臺結構整體安全度評估指標數據中，將固定s內數據視為觀測窗口，采集窗口內的海洋平臺結構整體安全度評估指標數據作為歷史數據，采用窗口外的數據作為增量數據。基于數據處理過程獲取海洋平臺結構整體安全度評估指標數據規律，由此判斷所采集的數據內是否存在異常與缺失問題；利用數據清洗與轉換等處理方法將所采集的指標數據屬性改變為滿足聚類標準的屬性。利用迭代數據分類建模方法提升數據質量[7]，基于預處理后的數據評估海洋平臺結構整體安全度。

1.2 評估等級標準

將海洋平臺結構整體安全度評估等級劃分為5 個級別[8]，如表2 所示。

表 2 海洋平臺結構整體安全度評估等級劃分Tab. 2 Classification of overall safety assessment of offshore platform structure

1.3 基于機器學習算法的評估模型

在構建海洋平臺結構整體安全度評估模型時，采用機器學習算法中的卷積神經網絡模型。該模型由卷積層、池化層、全連接層與分類層共同組成。

1）卷積層

卷積層操作的主要目標是對2 個不同評估指標在某區間內相乘后再求和。將海洋平臺結構整體安全度評估指標數據作為卷積層輸入，利用卷積層采集海洋平臺結構整體安全度評估指標數據特征，卷積處理后所獲取的海洋平臺結構整體安全度評估指標數據特征是將卷積核作為在上一層初始指標數據特征計算得到，以l表示卷積權，則利用式(1)能夠描述當前卷積層所得的評估指標數據特征：

2）池化層

以卷積層輸出作為池化層輸入，由此能夠對該層神經元數量產生約束，實現海洋平臺結構整體安全度評估指標數據降維的目的。池化層內，海洋平臺結構整體安全度評估指標數據的輸入與輸出數量具有一致性，利用式(2)能夠獲取池化層神經元輸出：

3）全連接層

該層的主要功能為連接網絡模型內的各層。ci表示偏置向量，利用式(3)描述該層內不同神經元的輸出：

式中，g()和V分別表示激活函數與輸入權矩陣。

4）分類層

該層內采用Softmax 函數作為分類器，利用該分類器實現海洋平臺結構整體安全度等級的準確劃分，針對輸入的海洋平臺結構整體安全度評估指標數據y來說，可通過式(4)描述利用Softmax 函數評估不同海洋平臺結構整體安全度評估指標數據相應的等級概率：

式中，q表示海洋平臺結構整體安全度評估指標數據，y屬于評估等級j的概率。

概率最大的評估等級即為海洋平臺結構整體安全度評估等級。

2 研究結果

為驗證本文方法的實際評估性能，選取位于我國渤海灣的9 個海洋平臺為研究對象，其中包含鉆井平臺、采用平臺、生活支持平臺與動力平臺等。研究對象的設計年限為20 年，整體分為是樁、四腿導管架和上部組塊3 個部分。

2.1 數據預處理測試

數據預處理過程是研究對象結構整體安全度評估的基礎。利用數據資源利用率分析評估指標數據預處理效果，兩者之間呈正比例相關，且數據資源利用率越高，基于評估指標數據所得評估結果精度越高。通常情況下，評估指標數據資源利用率達到70%即可獲取較為準確的評估結果。圖1 為本文方法預處理后評估指標數據資源的利用率。可知，采用本文方法對研究對象結構整體安全度評估指標數據實施預處理，在迭代次數達到6 次的條件下，評估指標數據資源利用達到85%左右，并在其后持續保持穩定狀態。由此說明利用本文方法能夠實現較好的數據處理效果，從而獲取更高精度的評估結果。

圖 1 數據資源利用率評價結果Fig. 1 Evaluation results of data resource utilization

2.2 評估結果

圖2 為本文方法對9 個研究對象的結構整體安全度進行評估所得結果。可得，3 號研究對象的安全度評估等級最低，為較為危險；而5 號研究對象的安全度評估等級最高，為安全。剩余7 個研究對象中3 個研究對象安全度評估結果為較為安全，4 個研究對象的安全度評估結果為一般安全。同時本文方法所得評估結果與各研究對象實際安全情況完全一致。由此能夠說明本文方法能夠準確評估研究對象結構整體安全度。

圖 2 研究對象結構整體安全度評估結果Fig. 2 Overall safety assessment results of the research object structure

2.3 應用效果分析

根據圖2 評估結果，對嚴重影響研究對象結構整體安全度的因素進行針對性整改。采用本文方法對整改后的研究對象實施二次評估，并將評估結果與圖2的評估結果進行對比，所得結果如圖3 所示。可知，針對嚴重影響研究對象結構整體安全度的因素進行整改后，研究對象的安全度評估等級整體呈現出顯著提升的趨勢。其中一次評估結果為較為危險的3 號研究對象和一次評估結果為一般安全的9 號研究對象，二次評估結果安全度提升了2 個等級。以上結果能夠說明本文方法能夠提升研究對象結構整體安全度，延長研究對象使用壽命。

圖 3 兩次安全度評估結果對比情況Fig. 3 Comparison of secondary safety assessment results

3 結 語

本文研究基于機器學習算法的海洋平臺結構整體安全度評估方法，利用機器學習算法中的卷積神經網絡構建評估模型，準確輸出海洋平臺結構整體安全度評估結果。本文模型評估過程中所使用的評估指標主要考慮海洋平臺的使用，未考慮冰、波浪等工況對海洋平臺荷載的影響，在后續研究過程中將針對此類內容豐富評估指標體系。