基于神经网络和遗传算法的系泊线长度参数优化.docVIP

基于神经网络和遗传算法的系泊线长度参数优化 （哈尔滨工程大学 深海工程技术研究中心哈尔滨 150001） 针对多成分系泊线三段长度如何取值的问题，采用一种基于神经网络和遗传算法对深海多成分锚泊系统长度进行优化。应用AQWA软件计算多点系泊FPSO，其时域结果直接用于训练BP神经网络。从而利用神经网络的非线性映射功能构建替代AQWA锚泊时域计算，大大缩短了优化所需的时间。以FPSO最小平面运动值为目标函数，锚链破断强度作为约束条件，采用遗传算法优化系泊长度。计算结果表明，与传统设计的锚泊长度相比，优化后FPSO在各个浪向下纵荡横荡值均能减少20%以上。 关键词：中图分类号：U661.31 文献标码：A Mooring Length Optimization Based on Neural Network and Genetic Algorithm SUN Li-ping, ZHANG Wei, AI Shang-mao (Deepwater Engineering Research Center, Harbin Engineering University, Harbin 150001, China) Abstract: Neural networks genetic algorithms are used to optimize three segments length of mooring. Taking the results calculated by AQWA-DRIFT to train neural networks, which can simulate AWQA time-domain calculating by using nonlinear mapping function of neural networks. It can reduce time consumption compared to traditional software iteration method. Establishment mathematical model of how to set up three segments length of mooring, taking the minimum horizontal value of FPSO as the objective function and the rupture strength of mooring as constraint conditions, sets the segment length of mooring as optimization variable and optimizing this mathematical model by using genetic algorithm. Results show that surge and sway value of FPSO can reduce at least 20% in every wave direction compared to traditional three segments length setting of mooring. Key words: mooring; neural networks; genetic algorithms; parameter optimization 0 引言 随着人们对油气资源的需求越来越大，近海油气资源的日益枯竭，FPSO运用水深也越来越深。而随着水深的增加，锚泊系统对于浮式生产平台的重要性也越来越引起人们的关注。锚泊系统主要通过提供回复力来降低平台的水平运动，把平台限制在一个相对固定的位置。一个经过优化后的锚泊系统可以更好地限制平台的运动。 锚泊系统可优化变量很多，包括锚泊线幅角﹑锚泊线个数﹑锚点位置以及预张力等等。国内外专门研究锚泊系统优化的文章并不是很多。余龙和谭家华[1]根据深水多成分锚泊线悬链线方程，提出了多目标函数的多成分锚泊线优化模型，但是只考虑了锚泊线静态特性，并没考虑平台的动力响应。王宽[2]采用遗传算法和神经网络算法对锚链方位角和抛锚距离进行优化，证明了算法的可行性，但其优化参数多，数据量大，神经网络仿真误差较大。Mehdi Shafieefar等[3]采用遗传算法，通过对MIMOSA软件的不断迭代，对单一成分的锚泊线长度和幅角优化，虽然准确性较高，但要耗费大量的时间。Matthias Brommundt等[4]运用频域分析的方法对半潜式浮式风机系泊系统优化，优化结果较好。Bruno da Fonseca Monteiro等[5]首先建立了系泊线干重湿重轴向刚度以及最小破