随着陆地与近海资源日趋紧张，深远海区域正逐渐成为能源、养殖与交通运输等多个海洋产业的关键发展空间。特别是在可再生能源方面，深远海风电因具备更稳定的风资源和更少的空间限制，被认为是实现碳中和目标的重要途径之一[1]；与此同时，海上浮式油气[2]、养殖浮体[3]等装备也在加速向深海拓展，为人类带来不可或缺的能源和食物，并推动了海洋经济高质量发展。各类海上浮式结构物是这些深远海工程得以实施的关键载体和基础，其长期运行于复杂的风、浪、流和冰等耦合环境中，必须应对极端环境载荷及其引发的非线性动力响应挑战。一旦海上浮式结构物发生结构失效，如常见的强度破坏、屈曲失稳和疲劳断裂等，将带来巨大的人员伤亡、经济损失和严重的环境污染，例如1980年挪威半潜式钻井浮体Alexander L. Kielland号倾覆事故造成123名船员遇难[4]，平台全损理赔约3.2亿挪威克朗，打捞与翻转费用约2.5亿挪威克朗；所幸事故发生时该平台没有连接石油井，所以没有发生井喷，未大范围污染环境，该事故引发了整个北海油气行业的监管变革。因此，准确预测浮式结构物在波浪、风和洋流等耦合作用下的动力响应，不仅可以提前识别潜在失效风险，优化整体和局部设计，避免高昂的停产与修复成本，还能最大限度地降低环境污染风险，保障海洋生态和相关产业的可持续发展。
海上浮式结构物的动力响应高度复杂，首先其需要承受风浪流等多种外部环境荷载的共同作用，即使在常用的平稳随机过程假设下，其频谱特性和非Gauss特性也会直接影响浮体的运动频率和幅度；其次，浮体通过和附属结构柔性或刚性连接构成多体系统，各自由度间存在强耦合效应，其固有模态会随着作业状态的变化而变化，即所谓的多体动力耦合；此外，系泊系统在大幅位移和大应变情况下表现出明显的几何非线性和材料非线性，其恢复力与位移关系呈非线性且具有时变特性，难以用线性模型准确描述，进一步加深了动力响应的非线性特征，使得整个浮式结构物在海洋环境中的运动、载荷、极值估算和疲劳损伤评估均存在诸多挑战。海上浮式结构物动力响应的传统计算主要通过基于势流理论的频域分析(边界元法求解辐射和衍射问题)[5]、时域耦合分析(Cummins方程)、经验公式法(Morison方程)、计算流体动力学以及基于有限元或模态叠加的耦合动力学分析[6]。另外，通常将频域或时域方法和极值理论相结合来计算海上浮式结构物的动力响应极值；频域或时域疲劳分析结合S-N曲线和Miner累积损伤理论对疲劳损伤进行评估的方法也被广泛采用。频域方法效率更高，但在高非线性、强耦合场景下精度受限。在实际工程中，常常采用“频域筛选+时域验证”的思路，即先用频域法对大量工况进行快速评估，筛选出关键工况，然后针对这些关键工况用时域法进行精细评估，这样既保证了设计效率又满足了精度要求。
近年来，得益于传感技术、计算能力与大数据的快速发展，人工智能(artificial intelligence, AI)正被广泛引入诸多新兴交叉领域中[7]。在海洋工程领域，其应用已覆盖波高极值预测[8]、脐带缆优化设计[9]、风机损伤诊断[10]和风电场数字孪生[11]等多个环节。进一步地，该技术已深入海上浮式结构物的全寿命周期，涵盖了动力响应预测、运维监测、故障诊断、寿命评估、设计与运维策略优化等多个方向[12-13]，推动了海洋工程领域的技术革新。AI能够处理和分析大量非结构化数据，如传感器采集的实时信息、历史运行数据等，从中提取有价值的模式和趋势，提高决策的准确性。通过机器学习方法可以对浮体在复杂海洋环境下的动力响应进行高精度预测，有助于提前识别潜在风险，支持自适应控制系统的开发，提高了浮式结构物的安全性和作业效率[14]。基于AI的预测模型具有自适应、非线性拟合与快速预测等能力，能够有效弥补传统数值建模的局限，推动海上浮式结构物动力学建模向“数据驱动”或“数据-物理融合”方向发展。
在上述应用中，动力响应预测作为连接结构安全评估和控制策略制订的关键环节，成为AI重点介入的研究方向之一。本文将系统梳理近年来AI在海上浮式结构物动力响应预测方面的主要应用与研究进展，尤其关注其在响应时序、极值与疲劳预测等关键预测任务中的技术路径、模型方法以及适用场景，涵盖油气、船舶与风电等常见海上浮式结构物，具体如图 1所示。同时，本文对当前面临的主要挑战和未来发展方向进行探讨，以期为相关研究和工程实践提供参考。
1 AI在海上浮式结构物响应时序预测中的应用
1.1 时序预测常用方法和关键环节
海上浮式结构物动力响应时序预测是指在环境激励未实际作用或难以直接观测时，采用一些方法对浮式结构物的运动与载荷进行估算，其目的在于保障结构安全、优化设计和提升经济效益等。常用的动力响应时序预测方法总结如表 1所示，大致可归纳为5大类，可根据具体工况、数据可得性和实时性要求灵活选取。传统的动力响应时序预测方法高度复杂且难以实时更新，而基于AI的时序预测可利用历史或实时监测数据自动提取关键特征，实现对复杂动力学过程的快速和自适应建模，显著降低了计算成本。
表 1 动力响应时序预测的常用方法及其优缺点 |
| 类别 | 代表性方法 | 优点 | 缺点 |
| 数值仿真 | 边界元、有限元方法 | 物理意义清晰、可处理高度非线性及耦合效应 | 计算量大，耗时长 |
| 状态空间/滤波 | Kalman滤波 | 实时性好、可处理噪声和不确定性 | 对模型和噪声统计假设敏感 |
| 人工智能 | 长短时记忆网络 | 自动提取复杂非线性特征 | 需要大量标注数据，可解释性较差 |
| 概率统计 | 有源自回归模型 | 模型结构简单、理论成熟 | 对强非平稳性或非线性响应效果差 |
| 混合方法 | 物理信息神经网络 | 综合各方法优点、提高精度 | 体系复杂，需协调不同模块 |
如图 2所示，基于AI的时序预测信息流主要包含输入、AI预测方法和输出3个关键环节。因为简单的输出既不影响方法的可迁移性，又可减少训练量，所以输出的通常是预测对象的估计值，或经简单处理后即可获得预测对象的估计值。因此，目前学者们所提的方法主要针对输入和AI预测方法这2个关键环节，如对输入进行一些预处理、对AI预测方法进行优化等。AI预测方法为AI领域的学者的专长，海洋工程领域的学者则在动力学分析、信号分析和优化设计等方面更为擅长，AI和海洋工程的学科交叉有利于产生“1+1>2”的提质效果。下文主要梳理输入和预测方法这2个环节的相关研究。
1.2 AI应用情况分析
1.2.1 动力响应时序预测
海上浮式结构物通常装有全球定位系统或惯性测量单元等装置来监测浮体的姿态，易于获取并积累大量可靠的浮体运动数据。因此，利用历史浮体运动数据预测其未来运动是一种直观且易于实现的思路。Guo等[15]与Yang等[16]利用船舶的历史运动数据，分别基于门控循环单元(gated recurrent unit, GRU)深度学习模型和储层计算(reservoir computing, RC)的机器学习方法构建了短期运动预测框架，可实现对未来一至多个波浪周期内运动的高精度预测。在工程实践中，通常会对各类海上浮式结构物周边海域的环境因素进行实时监测，如波高、风速和流速等，以满足结构设计、安全运营和运动控制等多方面需求。波浪是引发浮式结构物运动的主要因素，因此利用其时序特征作为输入对浮体运动进行预测是合理的。李昊波等[17]基于半潜浮体的物理模型试验，采集了大量浪高与浮体运动数据，据此构建并训练了长短时记忆(long short-term memory, LSTM)模型，可基于波浪时序进行浮体短期运动预测。如上所述，浮体运动数据易于获取，因此可联合浮体运动数据和波浪信息以提高预测的全面性和准确性，例如He等[18]基于卷积神经网络(convolutional neural network, CNN)和GRU的混合预测模型，以浮体运动和波浪时历为输入，对浮式风机(floating offshore wind turbine, FOWT)的运动进行了短期预测；Yin等[19]将波高、波速、波加速度及浮体运动作为输入通过双向长短时记忆网络(Bi-LSTM)对FOWT运动进行了短期预测；Guo等[20-21]利用LSTM神经网络结合历史运动与未来波浪，实现了多波周期内浮体运动的高精度预测，并分析了其在噪声环境下的鲁棒性与泛化能力。
对于某些重点关注的海上浮式结构物，不仅需要监测其浮体运动和附近的风浪信息，还会对一些关键节点的内力进行监测，如导缆孔处的系泊张力。以浮式基础为隔离体可以发现，系泊张力对于浮式基础而言为外力，也是限制浮式结构物运动的重要因素。因此，一些研究进一步将系泊张力、浮体运动和环境时历一起输入预测模型，显著提升了短期运动预测精度，例如Shi等[22]在多输入LSTM(MI-LSTM)模型中以浮体运动、波浪时历和系泊张力为输入，相较于单输入LSTM模型和多输入一维CNN，MI-LSTM模型在预测准确度和结果稳定性上均有提升，且在考虑二阶水动力作用时依然保持鲁棒性；Deng等[23]通过主成分分析选取浮体运动、风速、浪高和系泊张力这4类信号作为输入特征，构建了自注意力增强的LSTM(SA-LSTM)模型，在风-浪耦合条件下能更好地捕捉长时程依赖，实现对浮体运动的高精度预测。现有研究通过在输入中添加引起浮体运动的环境时历或与浮体运动息息相关的荷载，增强输入的充分性、提高预测的准确性。鉴于AI的“黑盒”特性，需通过消融实验验证所添加输入特征的有效性。
对于配备张力传感器的海上浮式结构物，长期的监测将会产生大量的系泊张力数据。为此，Yuan等[24-25]和Cheng等[26]基于中国南海“深海一号”浮体的实测系泊张力数据，提出了多种方法对半潜式浮体系泊张力进行预测。然而，水下张力传感器成本高、安装复杂且寿命有限，使得基于实测张力的预测方法成本较高。因此，研究者们正积极探索替代方案以降低监测系统的复杂度和成本。近年来，针对系泊张力难以直接测量的问题，多项研究提出利用易于测得的浮体运动来预测不易获得的系泊张力，如Li等[27]以浮式生产储卸油装置(floating production, storage and offloading unit，FPSO)的运动作为LSTM模型的输入，实现了随机波浪环境下单点系泊张力的高效实时预测；Payenda等[28]分别将FOWT的运动时历输入GRU、LSTM与Bi-LSTM模型，比较三者在系泊张力预测中的性能，结果表明Bi-LSTM模型在预测精度和收敛速度上最优；Qiao等[29]基于LSTM模型以船舶运动为输入对系泊线张力和倾斜角进行实时预测，通过添加船舶运动的一、二阶中心矩改善输入数据的特征，优化后的模型在不同海况下均能高精度预测系泊线张力和倾角。利用浮体运动预测系泊张力的基本流程如图 3所示，需要注意在训练和验证阶段仍然需要系泊张力数据，而实测数据获取困难，因此当前研究多依赖数值仿真获取系泊张力数据。
与浮体运动预测类似，预测系泊张力的输入特征可以不仅限于系泊张力或浮体运动。Yang等[30]先将原始张力信号分解为低频分量和波频分量，再分别与船舶纵荡运动历史时序一起输入到2个子RC模型中进行训练，最终将两路预测结果叠加得到未来的张力时程。Yang等[30]以2个船舶模型试验数据验证了该方法在80 s预测期内的高精度表现，并且在预测精度和计算效率上均显著优于LSTM模型。Hu等[31]提出了一种变分模态分解(variational mode decomposition, VMD)和MI-LSTM相结合的FOWT系泊线张力短期预测方法，通过数值仿真获得台风风速、波高与浮体运动等时序数据，将系泊张力信号通过VMD分解为5个本征模态函数，将波高、台风风速和浮体运动作为MI-LSTM的外部输入进行多输入建模，并对各本征模态分别预测后重构，显著提高了预测精度。与浮体运动预测类似，相关研究需要对“仅用浮体运动”与“浮体运动+其他信号”这2种输入方案的效果进行对比分析，以评估其他信号的添加对系泊张力预测效果的影响。
除了针对浮体运动和系泊张力的预测，还有研究者借助AI对风机叶片变形和动态电缆内力进行预测。Deng等[32]提出了一种针对大尺度浮式垂直轴风力涡轮机叶片变形的混合预测模型，该模型结合了动力学理论的松弛耦合垂直轴风机仿真工具SVST和人工神经网络(artificial neural network, ANN)。首先利用SVST模块计算叶片关键节点的弹性变形，以此作为输入，接着由ANN模块预测其余节点的变形，从而在保证预测精度的前提下，将总计算时间缩减约60%，该方法为高效研究浮式风机叶片动态行为提供了新思路。Liu等[33]提出了一种基于LSTM的多任务集成预测模型，利用浮体运动实时预测FOWT动态电缆在多个疲劳敏感位置处的张力和弯矩时序响应。为了提高预测精度，额外添加在拱形弯曲处的三自由度运动作为输入，使模型在正常运行海况与极端海况下均实现了超过95%的拟合度，展示了基于数字孪生的电缆健康监测与实时预警的良好应用前景。
1.2.2 结构混合试验
在结构混合试验中，动力响应的时序预测具有重要的应用价值。当试验水池无法容纳经缩尺后的系泊系统(如超深水的浮式油气平台)时，可采用主动截断手段，仅在试验池内保留浮体及截断后的一段锚链，其余部分由数值计算、机械装置在线实现[34]，但该手段计算量大、难以实现实时模拟。为此，Christiansen等[35]构建了ANN以实时预测系泊张力，从而实现截断系泊混合试验中制动器的快速加载，输入的数据包含了历史浮体运动和系泊张力，为主动截断试验的实时控制提供了可行方案。在浮式风机模型试验中，Froude相似和Reynolds相似的矛盾目前仅能通过混合模型试验予以解决。浮式风机的混合模型试验大致分为2种，即漂浮基础和风轮分别作为数值子结构，如图 4所示，但这需要对浮体运动和风轮所受气动载荷进行快速实时计算，通常以牺牲精度为代价，简化数值模型以提高计算效率[36]。基于AI的动力响应时序预测可在短时间内实现高精度估算，为混合试验中的实时计算提供了解决方案，例如Jiang等[37]以浮体运动和实时风速为输入，利用有源自回归(autoregressive with exogenous inputs, ARX)模型构建了实时推力预测模型，为实验室“软件在环”测试提供了实时推力指令；Rajiv等[38]则将塔基弯矩和波浪时历作为Gauss过程元模型的输入，输出浮体的六自由度运动，实现了低计算成本下的实时仿真代理。
1.2.3 时序预测性能优化
将时序预测模型和信号处理方法合理结合能获得更好的预测效果。部分相关文献总结如表 2所示。Kumar等[39]通过分离系泊张力的低频和波频分量，将前者近似为准静态张力，后者由ANN预测，成功实现了基于导缆孔运动的系泊缆张力预测。Wang等[40]提出了一种低频附加波频响应(low-frequency adds wave-frequency responses, LAWR)的方法来预测系泊张力。将浮式结构物的六自由度运动响应和相应的系泊缆张力分解为低频和波频部分，分别作为2个LSTM子模型的输入和输出。通过叠加输出的低频和波频张力获得总系泊缆张力，与使用全局响应训练的LSTM模型的系泊张力预测结果进行对比，精度大幅提高。随后，更为成熟的信号分解算法被各国学者引入到时序预测中。浮体运动或系泊张力对应的功率谱通常包含多个模态，可以利用小波变换(wavelet transformation, WT)、经验模态分解(empirical mode decomposition, EMD)、VMD或其变体(如表 2中的完全集成经验模态分解与自适应噪声(CEEMDAN))等算法将输入、输出信号分解为若干个窄带的子信号，以降低信号的非线性和非平稳性，然后用多个子神经网络分别对分解后的各分量进行预测并叠加预测结果得到最终输出 [24, 26, 31, 41-44]。结果表明时序预测模型与信号处理相结合的方式提高了预测精度和鲁棒性，具有很好的实用价值。
表 2 基于AI的时序预测模型与信号处理结合的案例 |
| 案例来源 | 数据来源 | 方法简称 | 模型预测的子信号 | 预测对象 |
| 文[39] | 数值仿真 | ANN | 系泊张力的低频和波频分量 | 系泊张力 |
| 文[40] | 数值仿真 | LAWR | 系泊张力的低频和波频分量 | 系泊张力 |
| 文[24] | 现场实测 | VMD-CNN-BiLSTM | 系泊张力的本征模态函数 | 系泊张力 |
| 文[26] | 现场实测 | CEEMDAN-CLL | 系泊张力的本征模态函数 | 系泊张力 |
| 文[31] | 数值仿真 | VMD-MI-LSTM | 系泊张力的本征模态函数 | 系泊张力 |
| 文[41] | 现场实测 | EEMD-CNN-LSTM-CQALO | 浮体运动的本征模态函数 | 浮体运动 |
| 文[42] | 模型试验 | VMD-CPM | 浮体运动的本征模态函数 | 浮体运动 |
| 文[43] | 数值仿真 | EMD-EWT-TF-LSTM | 浮体运动的本征模态函数及其EWT子带 | 浮体运动 |
| 文[44] | 现场实测 | WT-LSTM | 系泊张力不同频段的子带 | 系泊张力 |
注：CLL为卷积神经网络-长短期记忆网络及长短期记忆网络(CNN-LSTM & LSTM), EEMD为集合经验模态分解(ensemble empirical mode decomposition), CPM为组合预测模型(combined prediction model)，EWT为经验小波变换(empirical wavelet transformation), TF为时频(time-frequency)。 |
物理规律的嵌入也能使时序预测神经网络拥有更好的表现。Li等[48-49]提出了一种基于时-频物理信息的深度学习模型，用于半潜式平台运动的短期预测。在神经网络模型中引入短时Fourier变换和水动力传递函数，通过频域模块、时域模块分解并重构运动信号，实现对浮体纵摇、垂荡和纵荡运动的多时间步预测，结果表明所提模型明显优于传统LSTM模型，尤其在小样本情形下表现更优，且对未知海况具有良好的泛化能力，证明了该时频模型在实时监测和设计评估中的应用潜力。该方法通过Fourier变换和ANN学习了一个“非线性水动力传递函数”，具有一定的物理可解释性，因此其泛化能力也更优，类似于目前热门的物理信息神经网络(physics-informed neural networks, PINN)。通过将物理方程(常微分或偏微分方程)嵌入神经网络结构并构成损失函数的额外项，PINN可以在有限的数据情况下更精确地建模和预测海上风机的复杂行为[50]。纯神经网络模型响应迅速，但可解释性差；而纯物理模型可解释性优，但响应缓慢。PINN的概念提出已久，但目前主要应用于固定式结构物[50-52]，这主要是因为浮式结构物对应的物理信息远比固定式结构物的复杂(水动力计算、浮体与系泊耦合等)。物理信息带来可解释性的同时也引入了计算量，致使PINN的响应较慢。将神经网络和物理信息高效结合的思路之一是引入重点关注且能高效处理的物理信息，从而在一定程度上克服PINN响应慢的问题。
1.3 现有研究工作评述
对于海上浮式结构物的动力响应，浮体和系泊的动力响应尤为重要。因此，目前的预测工作多集中于浮体运动和系泊导缆孔张力，也积累了大量源自数值仿真、模型试验和现场实测的数据集。然而，针对浮体及其关键结构(如浮筒、立柱和塔筒)内力的时序预测研究仍较为匮乏，上述物理量对于结构强度和疲劳的影响十分显著。此外，针对系泊其他关键节点处内力的预测也几乎尚未开展，如锚链-钢缆-锚链这种形式的混合系泊，应重点关注其过渡连接位置处的受力[53]。
神经网络的输出大多是预测对象的估计值，输入则不加以限定，可以是单输入也可以是多输入，后者并不一定比前者拥有更好的预测精度。例如，卫慧等[54]基于LSTM模型对FOWT平台运动进行了极短期预测，对网络结构、输入特征和输入时长3个不确定因素进行了敏感性分析，发现纵摇信号的添加会降低纵荡的预测精度。刘飞飞[55]采用深度学习预测浮式结构物的运动响应，研究了不同海况、数据量、预测步长和输入参数对运动响应预测效果的影响，结果表明添加波浪时历作为输入对于预测浮体运动具有一定帮助。目前关于多输入的选择对预测精度的影响的相关研究较少，需通过消融实验验证输入信号的必要性，明确哪些信号的添加对预测目标有利是极为重要的，这不仅能为工程实践提供理论指导，还能充分发挥数据的内在价值。
虽然目前可以通过信号处理和优化算法等手段优化预测模型的表现，但时序预测中仍然存在4个关键问题亟待解决：
2) 预测模型的泛化性差。现有预测模型只能对一些同源(域内或域内插值)的测试集拥有较好的预测效果，因此纯数据驱动的时序预测方法难以在实际工程中得到应用。数据驱动与物理模型相结合的方法则拥有更优的泛化性和可解释性，但也存在一定的困难，因为不恰当地引入物理信息将会增大模型的计算量并失去实时性。
3) 目前的预测模型多为确定性模型。该类模型在训练完成后对给定的输入只会输出一个点估计，并不会自带任何置信区间或分布信息，难以进行可靠性评估。
4) 目前的预测模型能基于历史数据对当前或未来的动力响应给出精确的短期预测，但在捕捉极端事件方面依然存在一定的局限性[59]。这主要是因为极端事件的样本不足、成因复杂，AI难以学习，而且常用损失函数不关注尾部误差。
2 AI在海上浮式结构物响应极值预测中的应用
2.1 极值预测常用方法和基本流程
极值预测包括短期极值预测和长期极值预测，二者在工程实践中互为补充：前者保障日常运行安全与高效决策，后者构筑设计基础与极端风险防控框架。海上浮式结构物极值预测的常用方法和基本流程如图 5所示。
对于频域极值估算方法，需要注意此处的响应传递函数并非描述从单位外力输入到响应输出的传递关系，即结构动力学中的传递函数，属于结构固有特性[60]，而是描述从单位环境输入(波幅或者风速脉动等)到响应输出的传递关系，其包含了“从单位环境输入到外力输出”和“从单位外力输入到响应输出”2层传递关系。当这2层传递关系均为线性时，才可获得线性的响应传递函数，此时该函数表征系统的固有特性，与环境输入无关。例如当波浪为主要外部荷载且波浪力采用线性势流理论求解时，此时从单位波幅输入到一阶势流力输出的传递函数(即荷载RAO)是线性的，与输入的波幅无关。此时，可通过波浪谱和线性的响应传递函数快速得到各海况下的响应谱。然后根据随机过程的极值理论(如Rayleigh、Gumbel分布等[61])估计短期极值。但由于细长杆件受到Morrison力或风机叶片受到气动拖曳力和升力等，从单位环境输入到外力输出的传递关系是非线性时变的，即使线性化后也会与环境输入相关，并非固有特性。以结构气动荷载计算为例进行说明如下：假设瞬时风速V(t)为平均风速Vm和小幅湍流脉动v(t)之和，则
气动荷载Faero(t)与瞬时风速的平方成正比，则
若v(t)较小，忽略其二次小量[v(t)]2后，气动荷载的动态部分Faerodyn(t)近似为
其中B为包含空气密度、迎风面积、阻力系数等的常数项。将式(3)变换至频域，则
2.2 AI应用情况分析
随着AI在海洋工程领域非线性问题中的应用，基于AI的响应极值预测能实现从环境荷载参数直接到响应极值的高效预测。本文总结并分析了部分AI与极值预测相结合的研究成果(见表 3)，受上述频域极值估算方法的限制，现有研究多将AI与时域极值估算方法结合。
表 3 AI在浮式结构物动力响应极值预测中的应用总结 |
| 文献来源 | 方法简称 | 模型输入 | 模型输出 |
| 文[64] | LSTM | 环境的分形维数和分布拟合参数等 | 浮体运动短期极值 |
| 文[65-66] | MLP | 环境参数 | 浮体运动短期极值 |
| 文[67] | GA-BP/SVM/GP | 环境参数 | 浮体运动和系泊张力的短期平均值和标准差 |
| 文[68] | MLP | 环境参数 | 系泊张力短期极值 |
| 文[69] | GA-BP/Kriging | 环境参数 | 浮体运动、系泊张力、塔基弯矩和叶根弯矩短期极值所拟合的GPD分布参数 |
| 文[70] | IFORM-MLFF | 环境参数 | 长重现期海况下的叶根弯矩、塔基弯矩和系泊张力的短期极值 |
| 文[71] | ANN-ISMCS | 环境参数 | 代表性短期海况下的系泊张力极值、全长期分析获得的长期极值 |
| 文[72] | PCE-ISMCS | 环境参数 | 代表性短期海况下的浮体纵荡极值、全长期分析获得的长期极值 |
注：GPD为广义Pareto分布(generalized Pareto distribution)；GA为遗传算法(genetic algorithm)；BP为反向传播(back propagation)，此处代指BP神经网络；SVM为支持向量机(support vector machine)；GP为Gauss过程(Gaussian process)；MLP为多层感知器(multilayer perceptron)；IFORM为逆一阶可靠度方法(inverse first order reliability method)，MLFF为多层前馈(multilayer feedforward)，此处代指MLFF神经网络；ISMCS为重要性采样Monte Carlo模拟(importance sampling Monte Carlo simulation)，PCE为多项式混沌展开(polynomial chaos expansion)，此处代指基于PCE的高效代理模型。 |
短期极值预测主要是在有限时间窗口内对结构响应的最大值进行快速估计，适用于实时监控和应急决策，如海上风电安装。Yao等[64]基于原位原型监测数据，以10 min为窗提取海洋环境载荷的分形维数和分布拟合参数等作为混合特征，输入LSTM模型以回归预测半潜式平台六自由度运动的极值；随后利用CNN对预测极值和早期预警指标进行映射，实现对极端运动的快速风险判别，能够为平台日常运营中的运动预测和预警提供有效指导。Cotrim等[65-66]提出了一种名为NeuroSim的神经网络元模型框架，基于2003—2010年巴西近海不同环境时段的数据(约1.8万条，每条3 h)进行数值仿真得到相应FPSO运动时序数据并进行学习，构建出14个吃水区间下的模型，每个区间包含4个MLP，以10个预处理环境变量为输入，预测最大横摇角、重心偏移和系泊导缆孔处的平行和垂直最大位移，该框架在保持预测精度的同时显著缩短了计算时间，体现出了持续在线学习和数字孪生监测应用的扩展方向和前景。Jiang等[67]通过模型试验修正OrcaFlex数值模型，并基于此构建了风、浪、流3种环境载荷下的高精度动力响应数据库，将风速、有义波高和流速3个环境参数作为输入，采用SVM、GP和GA优化的BP神经网络(GA-BP)3种机器学习方法进行预测，结果表明GP模型在纵荡、纵摇和系泊线张力平均值和标准差的预测中均优于GA-BP和SVM，为FOWT动力响应的低成本实时监测和安全评估提供了一个有效工具。Li等[68]基于MLP针对浅水FPSO-软刚臂系泊系统的系泊线张力展开了短期极值预测研究，首先通过数值仿真进行了一系列敏感性分析并确定了有义波高、波周期、风速、风向、流速及吃水深度等输入参数；随后，针对渤海海况生成了19 440组数值仿真数据用于训练和测试，构建了优化的MLP模型，结果表明该模型可为FPSO系泊安全监测提供高效、可靠的张力极值预测工具。
不同于直接对响应极值进行预测，Zhao等[69]通过数值仿真构建了FOWT在复杂环境荷载下动力响应数据库，采用峰值超越阈值(peaks over threshold, POT)方法提取响应极值并以GPD拟合其分布参数；随后基于GA-BP和Kriging模型(GP回归)分别训练和预测了3个GPD分布参数。研究发现，通过将样本按风速区间分组并对各参数选择最优模型可显著提高预测精度、大幅节省计算资源，这为FOWT的快速极端响应预测和设计评估提供了一条高效可行的思路。
Wang等[70]提出了一种基于ANN的快速预测FOWT短期极值响应的方法，首先利用IFORM从西班牙BiMEP现场观测数据中选取长期代表性海况(如50 a一遇极端海况)；随后构建MLFF神经网络，以风速、湍流强度、有义波高和谱峰周期为输入，以叶根弯矩、塔基弯矩和系泊张力的极值为输出，对网络结构和训练算法进行了系统优化与敏感性分析。结果表明，该模型在保证高预测精度的同时，显著降低了计算成本，可为浮式风机安全评估提供高效、可靠的极值响应预测工具。
需要强调的是，上述50 a一遇极端海况下的极值并非长期极值。长期极值是考虑所有可能的海况及其发生概率，在较长时间段(如20 a、50 a或100 a)内可能出现的最大响应值，通常通过对所有海况的短期极值进行加权平均得到。正如文[73]所述，全长期分析(full long-term analysis, FLTA) 适用于获取受波浪、风和水流等随机环境荷载影响的海洋结构的长期设计动力响应。该方法被广泛应用于结构分析和可靠性设计，并已被DNV等设计标准采纳为一种正式的评估方法[74]。FLTA首先将环境参数的长期行为离散为一系列短期稳态海况，并以联合概率分布表示，然后对所有短期海况下的短期响应进行概率卷积以获得多年响应的估计值，因此短期极值预测的准确性会对长期极值预测的准确性产生重要影响。Gonzalez等[71]提出了一种将ANN和ISMCS相结合的高效方法，该方法首先利用ISMCS在重现期为10 000 a的环境等高线内生成代表性短期海况样本，随后训练一个以环境参数为输入、以FPSO系泊的短期张力极值Gumbel分布参数为输出的ANN代理模型，以此取代耗时的非线性时域数值仿真。结果表明，即使使用少量训练样本，该模型也能在FLTA中准确预测系泊线的百年一遇最可能极值，显著降低了计算负担。Lim等[72]针对系泊浮式结构物长期极端纵荡响应的预测问题，通过构建以海况参数为输入、短期纵荡极值为输出的PCE模型来替代计算成本高昂的Monte Carlo模拟。结果表明，一个三阶多项式且训练样本充足的PCE模型能够以高出3个数量级的效率，准确估算出与大规模Monte Carlo模拟相当精度的长期极值响应，进一步结合重要性采样(importance sampling, IS) 技术，使PCE代理模型的结果更加稳健和准确，为浮式结构物的长期极值分析提供了一种高效可行的替代方法。严格来说，PCE代理模型并不属于AI，但在构建代理模型以替代复杂物理模型的核心理念上，其与ANN代理模型是高度一致的。环境等值线方法(environmental contour method, ECM)也是一种常用的长期响应评估方法，通过如IFORM方法[70]构建环境等值线，选取关键、有限的环境条件以近似长期极端响应，从而显著减少了计算量，但其精度有限、一般用于初步设计阶段，且对于海上风机这种复杂系统需继续改进以提高预测精度[75]，考虑到算力和AI的蓬勃发展，本文不展开讨论此种方法。
2.3 现有研究工作评述
与时序预测不同的是，极值预测的对象不仅包含了常见的浮体运动和系泊张力，也包含了尤为关键的塔基和叶根弯矩等内力；与时序预测类似的是，目前极值预测研究多以纯数据驱动方法为主，此类方法对数据依赖性高、并且只能进行域内预测或插值式的域内预测，泛化性较差。因此，急需引入物理规律(如极值概率模型)及其他提升极值预测模型性能的方法。此外，目前的预测模型普遍缺乏不确定性量化，难以直接用于可靠度分析。
当前的极值预测工作大多为短期极值预测，这主要是因为短期极值的获取较为容易，而长期极值的获取需先通过FLTA对数千甚至上万种海况分别做短期仿真以获得每种海况下的短期极值样本，这种逐案分析的工作量巨大且效率较低，显然不可取。因此需对高维环境空间进行合理、可靠的抽样来选取代表性环境条件，并借助AI强大的非线性问题处理能力以攻克长期极值预测这一难题。
3 AI在海上浮式结构物疲劳预测中的应用
3.1 疲劳预测常用方法和基本流程
大多数海上浮式结构物长期遭受风、波浪和海流引起的各种随机载荷，需对长期运行过程中的累积载荷循环进行评估，预测结构的累积疲劳损伤或剩余寿命，指导运维和维修计划。海上浮式结构物疲劳预测的常用方法和基本流程如图 6所示。
线性的频域疲劳分析计算量小，无需生成响应时历，但若存在非线性荷载或系统、宽带或非Gauss响应时，容易增大误差、增加耗时；目前，非线性频域法中，在给定一个非Gauss双模态应力功率谱下，Gao等[78]所提出的功率谱分割法是最为精确的，如式(6)所示。
其中：$ \bar{D}_{\text {total }}$ 为总疲劳损伤率；$ \frac{(2 \sqrt{2})^k}{2 {\rm{ \mathsf{ π}}} C} \cdot \varGamma\left(1+\frac{k}{2}\right)$ 为基于Rayleigh窄带与单矩方法的前置因子，其中k为S-N指数，C为材料常数；λ2/kLF，λ2/kHF分别为低频和高频分量的2/k阶谱矩，λ2/kLF&HF为低频和高频分量之间的耦合项。但是，这种方法对专业知识储备有较强的依赖性，不易于在工程实践中推广。
时域疲劳损伤计算虽然同样耗时，但适合处理非线性系统和非Gauss的随机载荷和动力响应。尽管计算机的软、硬件性能一直在升级，但用于疲劳评估的时域分析仍然需要较高的计算成本。此外，长期累积疲劳损伤还需要考虑数千甚至上万种的风、浪、流载荷海况组合。随着AI在海洋工程领域非线性问题中的应用深化，基于AI的疲劳损伤预测能够实现从环境参数到疲劳损伤的高效预测。
3.2 AI应用情况分析
当浮式结构物受到不可忽略的风载或Morrison力作用时，如2.1节所述，从单位激励输入到应力输出的传递函数即使通过线性化后也会与环境参数相关，而非固有特性。为此，Kim等[79]提出了一种基于ANN与叠加模型的浮式风力机支撑结构疲劳分析方法，通过建立ANN模型近似求得风速-频率的修正因子，结合叠加模型重点捕捉应力谱峰值区域的特性，显著减少了传统时域模拟的计算量。案例验证表明，该方法在10 MW半潜式风力机疲劳预测中有效平衡了计算效率与准确性，最大预测误差控制在35%以内，该方法有助于解决频域分析中风速变化引起的应力传递函数非线性修正难题，但未考虑变桨控制等因素，因此适用范围有待拓展。对于海上行驶的船舶，其主要外部荷载为波浪力，如2.1节所述，此时图 6所示的应力传递函数可近似为线性的传递函数，可采用传统的频域方法对疲劳损失进行计算。Lang等[80]基于一艘跨大西洋航行的2800TEU集装箱船的全尺度监测数据，开发了一种利用船舶垂荡和纵摇运动数据驱动的机器学习模型XGBoost用于疲劳评估，并将其与频域疲劳计算方法进行了对比研究。作为对比基准，研究采用了基于实测应力的雨流计数法计算疲劳损伤。结果表明，传统的频域方法在高海况下会显著高估疲劳损伤，而XGBoost的预测则更准确，这为船舶在真实海况下的疲劳寿命监测与评估提供了一种更为可靠的工具。然而，该工作没有考虑利用ANN构建非线性的应力传递函数来评估疲劳损伤。
海上浮式结构物在服役过程中长期受随机风、波浪等环境荷载作用，其结构响应往往表现为宽带而非Gauss，导致图 6所示的频域分析中的谱法疲劳模型(如Dirlik、Tovo-Benasciutti)精度不足。为此，Yuan等[81]基于ANN对非Gauss宽带随机过程的疲劳进行预测，构建了一个以谱带宽参数、非Gauss指标和材料S-N曲线斜率为输入、Tovo-Benasciutti权重因子为输出的BP神经网络，比传统频域方法与非Gauss校正方法表现出更高的预测精度，大幅降低了计算成本并具备良好的工程应用潜力，但这种方法需要已知应力或内力的功率谱。如2.1节所述，图 6中从环境输入到应力输出的传递函数通常具有非线性特性，即使线性化后也与环境参数有关，因此难以用频域方法得到应力功率谱，需要根据现场实测或数值仿真得到应力的功率谱及其偏度、峰度等参数，所以该方法实质上并不比时域疲劳分析方法占优。表 4主要总结了AI与时域疲劳分析相结合的方法，这些方法可直接从环境参数中得出结构关键位置的应力、内力分布或疲劳损伤，更易于为实际工程所用。
表 4 AI在浮式结构物动力疲劳损伤预测中的应用 |
| 文献来源 | 方法简称 | 模型输入 | 模型输出 |
| 文[79] | ANN-Dirlik模型(频域方法) | 环境参数 | 相应海况下的风载应力传递函数修正因子和短期疲劳损伤 |
| 文[80] | XGBoost | 船舶垂荡和纵摇运动数据 | 船体短期疲劳损伤和长期累积疲劳损失 |
| 文[82-83] | MLFF& (叠加法/分段法/矩法) | 环境参数 | 相应海况下的系泊张力的概率分布参数/离散概率密度值/统计矩值 |
| 文[84] | LHS-RSM | 环境参数 | 结构关键位置的短期疲劳损伤和长期累积疲劳损伤 |
| 文[85] | C-vine copula-Sobol & (ANN/Kriging模型) | 环境参数 | 结构关键位置的短期疲劳损伤和长期累积疲劳损伤 |
| 文[86-87] | AK-DA | 环境参数 | 结构关键位置的短期疲劳损伤和长期累积疲劳损伤 |
浮式结构物系泊线在低频漂移与高频波浪叠加作用下呈现宽频特性，传统时域疲劳分析虽较为精确但计算量大、耗时久。Li和Choung[82]提出了一种基于ANN的高效预测方法，构建的MLFF神经网络以环境参数为输入、121个张力区间为输出。结果表明，该方法能高精度地预测未参与训练的海况张力分布，但因S-N曲线的非线性特性，疲劳损伤预测存在微小误差，这为复杂海洋环境下系泊疲劳分析提供了数据驱动的新思路，但需进一步优化以提高可靠性和实用性。随后，Li等[83]研究对比了多Gauss分布叠加法、分段法、矩法这3种高效预测系泊张力分布的ANN。结果表明，矩方法在预测疲劳损伤时与时域结果一致性最佳，且计算效率显著提升，为海洋工程结构疲劳评估提供了一个兼顾精度和效率的新方案。
需要注意的是，Li等[82-83]的方法都是针对某个具体海况下的系泊张力分布(对应短期疲劳损伤)。如图 6所示，长期累积疲劳损伤是与海况散布图有关的，涉及大量海况下的短期疲劳损伤计算。为此，Müller等[84]针对FOWT的疲劳损伤评估提出了一种基于响应面模型(response surface model, RSM)的新方法：首先利用拉丁超立方抽样(Latin hypercube sampling, LHS)生成不同风速、湍流强度、波高和波周期的海况样本，并对FOWT在这些海况下进行FAST时域仿真；然后采用ANN对损伤当量载荷(damage equivalent load, DEL)进行回归拟合，构建连续的疲劳响应面；最后结合海况的概率分布，对不同风机控制模式下的DEL进行加权计算，得到全寿命周期的疲劳损伤估计。该方法显著降低了仿真次数和计算成本，但回归模型的不确定性仍需进一步研究和优化。Li和Zhang[85]提出了一种基于C-vine copula模型和代理模型(ANN和Kriging)评估FOWT长期疲劳损伤的方法, 研究首先利用C-vine copula模型建立了6个风浪环境参数之间的多变量依赖关系，利用Sobol序列在六维环境参数空间中均匀采样，生成代表性海况用于训练和验证代理模型，再通过ANN和Kriging模型预测不同海况下关键结构位置的短期疲劳损伤，最终结合海况概率分布得出长期疲劳损伤，从而在降低计算成本的同时保持较高的准确性。
除了对高维环境参数空间均匀采样来减少仿真样本量，更为可靠且高效的做法是让模型主动从海况图中筛选出最值得仿真的海况并开展疲劳计算。Ren等[86]提出了一种基于Kriging模型的主动学习方法(adaptive Kriging damage assessment, AK-DA)，并对FOWT的锚泊索链进行了长期累积疲劳损伤评估，首先在预设的风浪海况网格上进行少量高保真数值仿真，构建初始代理模型；然后通过主动学习不断补充关键样本，将预测累积疲劳损伤的相对误差控制在1%以内。通过上述“少量初始+针对性增样”的策略，AK-DA在保证精度的前提下，显著节省计算资源和时间。随后，Ren等[87]又将该方法用于海上风电机组在多个结构部位的长期疲劳损伤评估，并创新性地引入了基于风速区间的多点富集策略，并行化选取重要海况样本，显著提升了多部位疲劳预测效率。结果显示该方法可将计算成本降低至原来的1/20以下，且最大预测误差低于5%，为海上风电结构设计中的多点疲劳评估提供了一种高效可靠的方法。
3.3 现有研究工作评述
与时序和极值预测类似，应用于疲劳预测的多数ANN均未引入不确定性估计，不适合风险评估的工程应用。与短期极值预测类似，求解某个海况下的结构关键位置的疲劳损伤易于实现，但长期累积疲劳损伤的评估较为复杂，涉及数千甚至上万种海况下的短期疲劳损伤计算。因此，寻找通过少量样本仿真来推断长期累积疲劳损伤的策略尤为重要。一种思路是先离散全域，然后借助代理模型(RSM/Kriging/ANN等)快速计算短期疲劳损伤，最后按联合概率分布加权，这既保证了覆盖荷载空间，又符合真实联合分布，因此被广泛采用。另一种思路是采用“先少量、多迭代”的主动学习方法，通过设计主动学习函数仅对最具价值的海况进行数值仿真，从而大幅削减模拟次数。上述2种思路对时域和频域疲劳分析通用。
目前AI在海上浮式结构物疲劳分析中的应用主要集中于时域疲劳谱分析，而在频域疲劳分析中的应用研究较少，这主要是因为环境荷载的非线性导致频域疲劳分析方法受限于从环境输入到应力输出的非线性传递函数，使得应力传递函数受环境输入影响。若考虑风机的伺服控制，还将进一步增强动力系统的非线性。因此AI与海上浮式结构物频域疲劳分析相结合的研究工作较少。
如图 6所示，时域疲劳分析方法中最耗时的环节为全耦合分析和有限元计算，在1.2节中提出了许多时序预测的方法来代替全耦合分析和有限元计算。因此，可以考虑通过时序预测方法快速得到相应海况下的应力时历，然后计算相应海况下的疲劳损伤。然而，长期累积疲劳损伤需考虑数千甚至上万种海况，时序预测的泛化性又较差，所以如何通过较少的时序预测模型覆盖海量海况，是值得探究的问题，采用数据驱动与物理信息的融合或许是一条可行路径。
4 结论
本文分析总结了人工智能(AI)在海上浮式结构物动力响应预测领域的研究与应用进展。目前的研究大多针对平稳随机过程，而非不具统计规律性的瞬态过程。对于油气平台、浮式生产储卸油装置和浮式风机等海上浮式结构物的响应时序、响应极值和疲劳损伤预测，AI为现有问题引入新的解决方法的同时，也伴生了新的挑战，例如当前的预测模型缺乏物理可解释性、训练域外的泛化能力不足和不确定性量化缺失等。此外，现有研究针对不同时序预测方法进行了较多的对比，但针对极值预测或疲劳预测方面的对比研究不足。最后，若要真正发挥AI在海洋工程领域的优势，必须立足于工程实际，以具体问题为导向，获得更多的现场数据，切实服务于海洋工程的高质量发展。主要结论如下：
1) 在响应时序预测方面，AI能基于历史数据对当前或未来的动力响应给出较为精确的短期预测，但在捕捉极端事件和高阶非线性方面依然存在一定的局限性。目前的研究主要针对浮体运动和系泊导缆孔张力，对结构关键节点处的内力关注较少，而这些内力对结构强度和疲劳分析至关重要。其次，关于时序预测模型多输入的选择对预测精度的影响研究尚不充分，明确何种信号有助于提高常见预测目标的预测性能，是具有理论价值和实践意义的研究方向。再者，纯数据驱动的方法对训练数据过度依赖、难以应用于复杂多变的实际海况，须结合物理模型以提高其泛化性和可解释性。
2) 在响应极值预测方面，AI可基于环境参数对海上浮式结构物的响应极值进行较为准确的预测。但与时序预测类似，目前极值预测的工作主要是纯数据驱动的短期极值预测，只能实现域内预测或插值式的域内预测，泛化性和可解释性较差；仅依赖AI给出的“点估计”容易导致冗余设计或低估风险，亟待引入物理规律和不确定性评估以提升极值预测模型的性能。同时，针对结构可靠度的长期极值预测的研究较少，这与其涉及海量工况有关，建议结合可靠度理论、借助智能的抽样手段和代理模型等技术来攻克此类难题。需强调的是，海上浮式结构物的响应极值属于高阶统计量，不易收敛，需验证其收敛性后才能用于模型的训练和应用。
3) 在疲劳损伤预测方面，AI能基于环境参数对海上浮式结构物的疲劳损伤给出较为精准的预测。但与长期极值预测类似，长期疲劳损伤涉及海量工况下的短期疲劳损伤计算，因此急需形成利用少量样本推断长期疲劳损伤的策略。其次，AI在海上浮式结构物极值估算和疲劳分析中的应用多与时域方法结合；受环境荷载等非线性因素的影响，频域方法因应力传递函数的非线性和时变性而与AI的结合受限。再者，数据驱动与物理信息相结合的时序预测模型有望替代耗时的常规数值仿真，从而加速时域极值估算和疲劳分析的流程，但同样需要引入不确定性估计以提升预测的可靠性。
未来研究应致力于将物理模型与数据驱动方法深度融合，以提升模型的可解释性和域外泛化能力。同时，需发展集成不确定性量化的预测框架，以支持可靠度设计与风险评估。AI与数字孪生技术的结合有望推动实时化、工程化的全生命周期智能预测与管理。建立统一的数据标准与验证流程，将是实现技术落地应用的关键。
