【技术实现步骤摘要】
本专利技术涉及人工智能领域，特别是涉及一种基于人工智能的生态友好型柱群防波堤构建方法及系统。
技术介绍
1、防波堤作为人工掩护沿海港口的重要组成部分，能够阻断波浪的冲击力、围护港池、维持水面平稳，以保护港口免受恶劣天气的影响；同时，防波堤还能为港口提供安全保障，确保港口的水位稳定，满足船舶停泊、装卸作业和出入航行的需求。现有方法主要是通过波浪模拟分析和结构稳定性分析来确定防波堤的柱群相对排布距离，包括利用物理模型或数值模拟软件，对波浪在防波堤前的传播、反射和绕射进行模拟，以及对柱群结构进行稳定性分析，通过计算不同排布距离下柱群的受力情况，确定最优的排布方案，以确保结构的稳定性和安全性。
2、然而，波浪在防波堤前的传播、反射和绕射过程是一个复杂的物理现象，受到多种因素的影响，现有模型的精度和分辨率难以捕捉所有关键的物理现象，导致模拟结果与实际情况存在差异；并且在对柱群结构进行稳定性分析时，需要考虑多种外部荷载的作用，这些荷载的计算本身就是一个复杂的问题，需要准确的波浪数据和结构参数，这些因素都可能导致分析结果的不准确性；因此，目前还存在防波堤施工成本和难度大的问题，难以降低施工难度和筹备时间，且无法在节省成本的同时提高柱群防波堤的消波减浪效果。
技术实现思路
1、本专利技术提供一种基于人工智能的生态友好型柱群防波堤构建方法及系统，以解决难以确定最佳柱群相对排布距离，以克服防波堤工程的消波减浪效果欠佳的问题。
2、将目标海域的波浪相关数据输入预测模型进行预测，并
3、其中，所述预测模型是根据波浪参数数据的特征集对初始预测模型进行学习训练而建立；所述特征集是通过将所述波浪参数数据的物理衍生特征与原始特征进行融合而建立；所述初始预测模型是基于所述目标海域的波浪参数数据和机器学习技术，通过内循环来融合若干参数特征的权重，以及根据外循环过程中的知识迁移度量值而建立。
4、本专利技术通过粒子群优化算法能够在整个解空间中寻找潜在的最优解；同时，通过局部寻优过程，算法能够不断逼近最优解，提高解的质量。并且，粒子群优化算法的多目标优化函数是通过最小化波浪对柱群的冲击效应和最大化柱群的稳定性系数而建立，该优化目标直接针对防波堤工程的关键性能指标，使得优化结果更加符合实际需求。对于预测模型而言，通过融合波浪参数数据的物理衍生特征与原始特征以构建特征集，这种特征融合技术能够更全面地反映波浪数据的特性和规律，提高模型的预测准确性。内循环通过融合若干参数特征的权重，优化了模型对波浪数据的处理和分析能力；这种优化使得模型能够更准确地捕捉波浪数据的细微变化，提高预测的精度。外循环过程中的知识迁移度量值被用于进一步调整和优化模型，这有助于模型更好地利用历史数据和经验知识，提高其在不同海域的适用性，从而保证了模型预测的准确性。
5、相比于现有技术，本专利技术在内循环中，模型可以通过融合若干参数特征的权重来优化对波浪数据的处理和分析能力；在外循环中，模型能够根据知识迁移度量值进一步进行调整和优化，以适应不同海域的波浪特性；并且，利用粒子群优化算法强大的全局搜索能力，能够在整个解空间中寻找潜在的最优解，因此能够解决难以确定最佳柱群相对排布距离，以克服防波堤工程的消波减浪效果欠佳的问题。
6、作为优选方案，所述初始预测模型是基于所述目标海域的波浪参数数据和机器学习技术，通过内循环来融合若干参数特征的权重，以及根据外循环过程中的知识迁移度量值而建立，具体为：
7、获取所述目标海域的所述波浪参数数据；
8、按时间窗口将所述波浪参数数据划分为若干子集，得到由所述若干子集构成的元学习任务集；
9、在所述元学习任务集中，对若干内部网络模型进行内循环训练，并对模型前向传播过程中的若干参数特征权重进行融合，得到若干中间模型；其中，所述若干内部网络模型是基于所述波浪参数数据，根据机器学习技术而建立；
10、基于所述若干中间模型和参数指标集对元学习器进行训练，并根据训练结束后的所述元学习器输出所述初始预测模型；其中，所述参数指标集是根据查询集性能稳定性指标、任务间知识迁移度量值和元学习权重调整因子而建立。
11、本优选方案在元学习任务集中对内部网络模型进行内循环训练，有助于模型充分学习数据中的信息，提升模型的泛化能力。利用若干中间模型和根据查询集性能稳定性指标、任务间知识迁移度量值和元学习权重调整因子建立的参数指标集，可以对元学习器进行训练，该方式能够综合考虑多个方面的信息，使元学习器更加全面和准确地学习数据的特征。
12、作为优选方案，对若干内部网络模型进行内循环训练，并对模型前向传播过程中的若干参数特征权重进行融合，得到若干中间模型，具体为：
13、对所述若干内部网络模型进行内循环训练，并在模型的前向传播过程中，通过特征融合权重学习机制控制模型学习不同特征之间的相对重要性，并对不同特征进行特征融合；其中，所述特征融合是通过将每个特征视为图神经网络中的一个节点，并通过边表示特征之间的关系以进行融合的；
14、在模型的输出端，度量预测距离分布与实际距离分布之间的相似性，得到当前迭代轮次的损失值；
15、基于所述当前迭代轮次的损失值进行梯度计算，得到损失函数相对于模型参数的梯度；
16、在所述内循环训练的每一次迭代中，基于自适应学习率调整公式动态调整学习率；
17、根据所述梯度和调整后的所述学习率对所述若干内部网络模型进行参数更新，若所述若干内部网络模型的当前迭代轮次达到预设的迭代次数或损失值收敛到预设的阈值以下，则将训练后的所述若干内部网络模型定义为所述若干中间模型。
18、本优选方案通过将每个特征视为图神经网络中的一个节点，并利用边表示特征之间的关系进行融合，这种方法能够有效地捕捉特征之间的复杂关联和相互作用，该融合方式比传统的线性组合或简单拼接更为灵活和强大，有助于提升模型的预测性能。在模型的前向传播过程中，通过特征融合权重学习机制控制模型学习不同特征之间的相对重要性，使得模型能够自动调整各特征的权重，从而更加关注对预测结果有重要影响的关键特征，进一步提高模型的准确性和鲁棒性。在模型的输出端，度量预测距离分布与实际距离分布之间的相似性，得到当前迭代轮次的损失值，这种损失值度量方式能够直观地反映模型的预测性能，为后续的梯度计算和参数更新提供可靠的依据。
19、作为优选方案，所述自适应学习率调整公式，具体为：
20、
21、其中，和分别是上一次迭代和本次迭代时的学习率，是学习率衰减系数，是一个预设正数，和分别是损失函数在参数和参数处的梯度。
22、作为优选方案，所述参数指标集是根据查询集性能稳定性指标、任务间知识迁移度量值和元学习权重调本文档来自技高网...
【技术保护点】
1.一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，包括：
2.如权利要求1所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述初始预测模型是基于所述目标海域的波浪参数数据和机器学习技术，通过内循环来融合若干参数特征的权重，以及根据外循环过程中的知识迁移度量值而建立，具体为：
3.如权利要求2所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，对若干内部网络模型进行内循环训练，并对模型前向传播过程中的若干参数特征权重进行融合，得到若干中间模型，具体为：
4.如权利要求3所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述自适应学习率调整公式，具体为：
5.如权利要求2所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述参数指标集是根据查询集性能稳定性指标、任务间知识迁移度量值和元学习权重调整因子而建立，具体为：
6.如权利要求5所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述任务间知识迁移度量值，具体为：
7
8.如权利要求1所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，基于粒子群优化算法对模型预测结果进行寻优，得到有关最佳柱群相对排布距离的最终模型预测结果，具体为：
9.如权利要求1所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述特征集是通过将所述波浪参数数据的物理衍生特征与原始特征进行融合而建立，具体为：
10.一种基于人工智能的生态友好型柱群防波堤构建系统，其特征在于，包括预测模块；
...【技术特征摘要】
1.一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，包括：
2.如权利要求1所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述初始预测模型是基于所述目标海域的波浪参数数据和机器学习技术，通过内循环来融合若干参数特征的权重，以及根据外循环过程中的知识迁移度量值而建立，具体为：
3.如权利要求2所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，对若干内部网络模型进行内循环训练，并对模型前向传播过程中的若干参数特征权重进行融合，得到若干中间模型，具体为：
4.如权利要求3所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述自适应学习率调整公式，具体为：
5.如权利要求2所述的一种基于人工智能的生态友好型柱群防波堤构建方法，其特征在于，所述参数指标集是根据查询集性能稳定性指标、任务间知识迁移度量值和元学习权重...
【专利技术属性】
技术研发人员：周忠兵，李天宇，于哲阳，梁嘉琪，刘玄，林奕姿，杨蕙，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。