基于牛顿迭代法的潮汐模型高低潮时计算方法*

在由调和分析方法建立了潮汐潮位预报模型后,利用牛顿迭代法给出了一种快速求解潮汐潮位预报模型的高低潮时方法.利用连云港的潮汐潮位预报模型,分别通过不同的求解高低潮时的方法,对潮汐高低潮时进行了预报.计算结果表明,在满足同等精度条件下,求解高低潮时的牛顿迭代法具有计算量小、收敛速度快等优势.     

基于高低潮的优化保形调和分析模型(OCTHM)及算法

通常利用Foreman的高低潮潮汐预报模型,对只有高低潮实测数据的海洋水文站位进行潮汐预报,但在某些组合分潮情况下,在高低潮间会产生抖动现象,这种现象增加了不应有的虚假高低潮,给高低潮时和潮位的预报以及天文潮的整体预报精度造成很大影响。基于定点天文潮曲线变化具有的特性(高、低潮位处一阶导数为零且具有凸、凹性),在只有高低潮数据情况下,给出了建立分段四次多项式插值的优化保形潮汐调和分析模型(OCTHM)的一般方法。利用此模型思想方法,根据江苏省连云港站、上海高桥站的实测高低潮数据,建立了相应站位的优化保形潮汐调和分析预报模型。对有关预报结果进行分析对比,表明OCTHM模型克服了Foreman预报模型的抖动现象,具有其所不具有的保形性,可以较为准确地预报出高低潮时和潮位。     

河口挡潮闸闸下低潮缺失水位修正方法

河口挡潮闸闸下低潮水位资料周期性缺失可能导致闸下潮汐调和分析结果出现偏差,从而直接影响到闸下水位过程的预报精度。针对这一问题,提出了一种闸下低潮缺失水位的修正方法,利用潮汐过程曲线的对称性对低潮缺失水位资料进行初步修正,然后根据调和分析自报结果对修正数据进行迭代更新,直至潮汐调和常数不再变化。验证结果表明,该方法可有效提高闸下水位过程的自报精度,其成果在2014年宁波高背浦闸闸下测站的潮汐预报中得到了良好应用。     

黄骅港传统预报与实测潮位差异分析及潮位实时推算方法

基于黄骅港港池站和航道40+0站的一年期潮位实测资料及该海域的一年期气象资料,对两站传统预报与实测潮位的差异进行了统计分析,对两站的余水位特性及变化规律进行了研究。研究成果表明:(1)黄骅港传统预报潮位与实测潮位存在一定差别,对于黄骅港乘潮时间较长的航道,传统的潮位预报值还不能作为乘潮进出港的依据,因此进行实时潮位遥测遥报是必要的;(2)港池、航道40+0两站之间的余水位变化具有很强的相关性,可以用余水位修正的方法建立这一水域内相关站点之间的潮位推算模型,实现利用岸基遥测遥报潮位实时推算整个航道潮位。     

感潮河段单站等时距水位非线性优化预报模型

目前感潮河段水位预报模型基于当前站水位、上游径流水位和下游海洋潮位数据进行预报,导致预见期受上游来流时间制约、上下游站数据缺失情况下无法进行预报、数据采集成本高等问题。文章假设感潮河段水位由径流因素和潮汐因素共同线性作用,基于单站等时距水位数据,建立了包含一个径流动力修正系数和若干个潮汐调和分潮系数的非线性优化预报模型,并结合曲线拟合最小二乘法、潮汐调和分析法、梯度下降法,给出一个寻优的迭代算法,对模型参数进行优化辨识。模型应用于长江感潮河段部分观测站,水位预报精度较好,具有可行性和实用价值。     

人工神经网络在潮汐数值预报中的应用

潮汐数值预报经过了几十年的发展,但是其预报精度并不能让人十分满意,本文试图将传统的潮汐数值预报模式与近年来发展迅速的人工神经网络相结合,来改进潮汐数值预报的精度。文章建立了一种神经网络系统,采用潮汐数值模式的输出结果作为网络输入,潮位观测资料作为输出,用建立的神经网络进行训练,结果表明人工神经网络可以明显地改进潮汐数值预报的精度。     

基于LSTM神经网络的潮位预报及分析

因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆（Long Short Term Memory,LSTM）神经网络的潮位预报方法,并分别对TPXO 9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站（日照、鲅鱼圈、三亚、北海）的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90、0.001、200。对4个验潮站进行潮位预报,结果表明：当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3～5 cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。     

基于LightGBM算法的潮位预报修正研究

潮汐预报在数学上属于回归预测，是人工智能算法的经典应用领域之一。文章以上海米市渡站点为例，提出了采用LightGBM算法修正调和分析T＿TIDE模型预报潮位的方法。以T＿TIDE模型的预报误差序列作为LightGBM算法的输入层参数，训练得到的LightGBM模型可有效预测T＿TIDE模型后续的短期(48 h内)预报误差，从而对T＿TIDE模型的潮位预报结果进行短期修正。米市渡站测试结果表明，构建的LightGBM模型能将T＿TIDE模型的24 h和48 h预报均方根误差分别降低至0.10 m和0.12 m,相应的±0.30 m合格率都提升至95%以上。但是，LightGBM算法在台风期间对T＿TIDE模型的预报结果存在误修正，台风期间的潮位预报修正有待进一步研究。     

基于图神经网络的水富—宜宾航道多站点水位预报模型

受到岷江、横江影响,向家坝下游水富—宜宾段水位变化特性复杂,干支流间水位、流量数据属于多维时空数据。研究选取spectral temporal graph neural network(StemGNN)时空图神经网络用于向家坝下游多站点水位预报,结果表明：该方法适用于研究区域的多站点水位预报,未来1、8 h模型预报性能较优,在向家坝站、宜宾站、李庄站3处的最大预报误差约为0.5 m。StemGNN特点是能够从输入数据中自动提取河网结构信息,体现研究区域的汇流特性。横江流量对于研究区域水位流量影响较小;向家坝水库水位、横江水位、高场水位代表研究区域前期的水位情况,高场流量作为较大的流量输入,对于研究区域水位流量影响较大。研究成果可为近坝段、支流入汇等水位变化特性复杂河段的多站点水位预报提供新思路。     

长江口徐六泾水文站极值水位研究

在气候变化背景下,极端天气和水位事件频发。为了分析长江口极端潮位的长周期特征,研究基于极值理论相关方法,采用近33 a实测资料对长江口极值潮位趋势性和重现期进行分析,结果表明：长江口徐六泾站年极值水位呈轻微下降趋势,直接原因是大通流量减少导致当地年均海面的下降;区分组模型结果显示,台风“温妮”期间长江口造成的风暴潮位为100 a一遇,而POT模型计算结果仅为60 a一遇,100 a一遇重现期潮位约7.0 m;潮位重现期的计算本质是一种用频率代替概率、从样本推求整体的过程,具有一定不确定性。其意义在于以可获取的数据为基础,计算事件发生的风险率,旨在为工程设计或风险管理提供依据。     

基于LSTM网络的浮式海洋平台运动在线预报研究

海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义.本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报.通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析.结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90％、93％和85％,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报.     

新安江模型在琴江尖山水文站洪水预报中的应用研究

为提高琴江流域洪水预报精度,充分合理利用洪水资源,缓解该流域下游的防洪压力,同时为水库防洪调度以及经济运行提供科学合理的决策依据,文章研究了集总式概念性水文模型新安江模型在该湿润流域的适用性。选取该流域1990至2011年实测数据,利用广东省中小河流洪水预报预警系统平台构建尖山站新安江模型,模型计算时段长为1小时,分析新安江模型在该流域的适用性。结果表明：模型模拟结果可以达到《水文情报预报规范》规定的作业预报精度要求,综合评定本方案为乙级方案,且对于流域内的洪水模拟效果也比较理想,可用于发布正式预报。     

推进器水动力性能数值预报自动化平台PreFluP开发

文章对各种推进器水动力性能数值预报流程进行了标准化研究,结合UG、GAMBIT和FLUENT商用软件的批处理命令,开发了推进器水动力性能数值预报自动化平台PreFluP,该平台可快速预报调距桨、导管、导管桨、吊舱推进器和泵喷推进器水动力性能及船舶阻力性能。该平台各模块均得到了大量的试验验证,具有较高的精度。     

多点乘潮在深水航道设计中的应用

目前航道设计中乘潮水位计算多采用单点潮位资料，该方法对于近岸工程及短航道设计较好，但单点乘潮难以满足深水长航道对于安全性和经济性的迫切需求。多点乘潮的应用能大幅度提升航道设计中乘潮水位的精准度，一方面保障航道通航安全性；另一方面兼顾工程经济性。结合工程实例针对多点乘潮问题展开研究，结果表明：通过建立多点潮位站间的潮位回归方程，借助近岸测站资料推算到航道各段处，可实现单点乘潮为多点乘潮。而多点潮位资料的稀缺是现实问题，条件具备时建议开展多点潮位临时观测，采用潮位拓展方式弥补短期资料长度和精度不足；条件不足时，建议借助数模方法推算潮位，并用实测资料验证模型。     

黄浦江潮汐调和分析与预报

对黄浦江A、B、C等3个站2018年实测潮位调和分析,根据计算结果分析黄浦江潮汐类型;分别对3个站30 d、90 d、180 d、1 a的潮汐资数据行调和分析,分析不同资料长度对调和常数的影响;根据2018年资料分析所得调和常数进行潮汐预报,计算自报余差的均方差,分析预报精度.结果表明:(1)黄浦江测站的潮汐和潮波变形...     

海上平台噪音分析研究

简述了海上平台噪音分析的流程,从几何模型建立、有限元离散、SEA模型建立开始,经过舱室围壁声学处理,到输入数据得到噪音预报,最终得出分析结果,为海上平台噪音分析工作提供了指导作用。     

对转桨水动力性能实时预报方法

为了实现对转桨水动力性能实时预报，基于BP神经网络构建对转桨水动力性能预报模型。首先，采用低阶速度势边界元法建立对转桨水动力性能预报模型，通过调整来流速度和前后桨转速开展对转桨水动力性能多工况计算，从而获得构建神经网络所需的样本空间。建立适用于对转桨水动力性能预报的神经网络架构，通过训练使其具备良好的泛化能力。以某组对转桨为研究对象开展水动力性能实时预报方法研究，结果表明，采用BP神经网络预报模型可获得与边界元法精度相当的预报结果，但该模型与边界元法相比计算所耗时间可以忽略不计，可有效实现对转桨水动力性能实时、快速预报。     

神经网络方法在舰船姿态运动预报中的应用研究

将神经网络应用于舰船姿态运动预报中,利用带有延迟反馈的回归神经网络的暂态、学习效率高、动态映射等优点,提出多输入单输出简化的对角回归神经网络,并给出舰船姿态运动预报模型。在此基础上进行算法收敛性的说明。最后采集15个样本,通过分析样本的平均误差、均方误差和相对误差来说明本文所此采用的算法对舰船纵摇姿态的预报结果有效。为提高预报精度需要将船舶受到的外界干扰融合到模型中,从而可得到理想的预报效果。     

风浪中保证舰船航行安全的水文气象预报自动化系统

简要阐述了大风浪中舰船航行安全与水文气象自动化系统建设的关系，指出，在研讨大风浪中舰船航行安全时，必须注重水文气象自动化系统的建设，即研制船基方式的水文气象预报自动化系统。该系统对于防止大风浪中舰船航行事故具有重要意义；介绍了船基方式水文气象预报自动化系统的总体设计方案，主要分系统的基本内容、功能和特点，系统所解决的主要技术问题。     

二阶灰色神经网络在船舶横摇预报中的应用

为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。