齊越　王鵬偉　趙子帥　張振宇　于通順

文章編號： 10069798（2022）01010307; DOI： 10.13306/j.10069798.2022.01.016

摘要：? 為全面了解海上風電基礎波浪爬升預測的研究進展，準確把握風電基礎波浪爬升預測方法的發(fā)展趨勢，本文以風電基礎波浪爬升的分類標準為出發(fā)點，綜述了國內外研究者關于目前海上風電基礎波浪爬升預測研究中所采用的繞射理論、速度水頭理論及機器學習方法3種波浪爬升預測方法，介紹了各種方法的發(fā)展歷程，并總結了基礎周圍波浪爬高預測的主要研究趨勢。研究結果表明，目前對于單樁基礎波浪爬升預測的研究較為成熟，新型風電基礎波浪爬升的預測以及波浪爬升預測與工程結構可靠度設計相結合是重要的研究趨勢;在采用機器學習方法進行風電基礎波浪爬升預測時，較易獲取波浪爬升的預測公式，但是所生成公式中相對波高、相對水深、散射參數(shù)等輸入參數(shù)的指數(shù)如何與其物理意義相匹配還需進一步研究，且所生成的預測公式中如有分裂值，分裂值處公式的連續(xù)性如何保障也需深入探討。該研究對基礎周圍波浪爬升高度的準確預測及對風電基礎適用水深的確定具有重要意義。

關鍵詞：? 海上風電基礎; 波浪爬升; 預測方法; 可靠度設計

中圖分類號： TM614; P752文獻標識碼： A

我國開發(fā)利用海洋可再生能源的潛力巨大，開發(fā)利用海上風能對搶占能源革命的制高點至關重要。在國家大力發(fā)展清潔能源、助力雙碳目標實現(xiàn)的大背景下，海上風電迎來歷史性的發(fā)展。由于在海上風電場的開發(fā)和建設中，面臨著復雜的海洋環(huán)境條件，如風、浪、潮流、海冰、臺風、甚至地震等影響，因此在海洋環(huán)境作用下，風力機及其支撐結構的安全性及穩(wěn)定性是海上風電研究的重要內容。目前，海上風電基礎形式[1]主要有重力式[23]、單樁[45]、多樁[67]、導管架[89]、吸力桶式[1012]以及漂浮式基礎[1314]。在實際海洋環(huán)境中，無論是固定式基礎還是浮式基礎，當入射波浪傳播至支撐結構物時，支撐結構周圍的自由液面將會發(fā)生明顯變化，即一部分水波繞過支撐結構，繼續(xù)向前傳播，而另一部分受到支撐結構阻礙的水波，將向前傳播的動能轉化為上升的勢能，致使波浪沿著結構物表面迅速向上攀升一定的垂直距離[15]。當波浪爬升效應嚴重時，有可能出現(xiàn)波浪爬升并砰擊到工作平臺或甲板底部的情況，嚴重時會發(fā)生越浪的危險，進一步導致應用設備或甲板局部結構的損壞。因此，波浪爬升高度的研究對于海上風機基礎平臺安全設計具有重要意義，并已成為海洋工程水動力研究的熱點內容[1517]。但目前尚未有專家對波浪爬升預測方法進行系統(tǒng)性討論，以探究各種方法的發(fā)展趨勢，為后續(xù)研究提供指引。基于此，本文對海洋工程基礎波浪爬升現(xiàn)象進行概述，明確波浪爬升高度的定義及分類標準，并對現(xiàn)有的風電基礎波浪爬升預測方法進行總結，詳細闡述應用最廣泛的幾種預測方法。同時，對波浪爬升預測研究的發(fā)展趨勢進行分析。該研究為風電開發(fā)領域的工程技術人員提供了參考依據。

1波浪爬升現(xiàn)象概述

針對入射波浪在結構物上的爬升過程，單鐵兵[16]給出了詳細描述：即入射波遇到結構物時，結構物周圍水體分成兩部分，其中一部分水體繞過結構物向前傳播，另一部分水體開始在結構物表面迅速向上攀升，攀升過程中動能轉化成勢能。在海洋環(huán)境中，波浪爬升高度（Ru）一般被認定為波浪在爬升過程中所達到的最高位置至靜水面的垂直距離。海灘上的波浪爬升如圖1所示，立柱上的波浪爬升如圖2所示。

由于波浪爬升過程比較復雜，在入射波浪與海灘、防波堤或其他結構物作用時，其作用區(qū)域會發(fā)生波浪變形、翻滾、破碎及噴射、甚至砰擊和越浪等強非線性現(xiàn)象，影響波浪爬升高度的確定。J.RAMIREZ等人[17]在研究大尺度細長樁模型試驗中，在樁柱上采用高速攝像機以捕捉最高的爬升現(xiàn)象，同時明確了在不規(guī)則波列中，波浪爬升過程爬升高度的3種不同標準定義，波浪爬升高度的3種標準如圖3所示。

圖3中，標準A（Level A）為厚流層水體的爬升高度;標準B（Level B）為薄流層水體的爬升高度，并伴隨著水汽混摻，即水體不再附著在樁柱體表面，有飛濺水體;標準C（Level C）為最大飛濺水體發(fā)生時的爬升高度。在海上風電基礎波浪爬升的研究中，多以標準A的爬升高度為研究對象，標準B和C在研究波浪爬升時應用較少[17]。

2風電基礎波浪爬升預測方法研究現(xiàn)狀

傳統(tǒng)的單樁基礎是目前全球海上風電場應用最廣泛的基礎形式。近幾十年來，國內外的研究者針對包括單樁基礎在內的風電基礎波浪爬升特征進行了大量研究，繞射理論預測、速度水頭理論預測及機器學習方法預測是應用最廣泛的3種波浪爬升預測方法。

2.1繞射理論預測

早在1954年，R.MCCAMY等人[18]基于線性繞射理論，求解了樁柱附近自由表面的波面方程，并給出了垂直樁柱前方的波浪爬升高度（Ru）估算公式，即

式中，ηmax是自由波面最大的高度;k是波數(shù);a是垂直圓形樁柱的半徑。

波浪爬升高度的估算值與波陡參數(shù)ka和波面的最大值ηmax有關[18]，而T.SARPKAYA等人[19]同樣基于線性繞射理論，提出了單樁基礎周圍自由波面的理論解析方程，即

式中，H（1）′n是第一類漢克爾函數(shù);當n=0時，βn=1，而當n>0時，βn=2（-1）nin;η最大值所對應的結果是爬升高度;H是入射波高;θ是圓柱表面所求波浪爬高的位置相對于迎浪點的轉角。線性繞射理論具有較大的局限性，只適用于波高較小的情況。

D.L.KRIEBEL[2021]基于二階繞射理論，對大尺度垂直圓形樁柱進行大量理論研究，將理論結果與22個模型試驗結果進行對比，發(fā)現(xiàn)二階繞射理論與線性繞射理論相比，其預測準確性具有明顯提升;M.H.KIM等人[2223]也運用不同的方法將線性繞射理論推廣到二階形式，但在計算爬升高度時仍然不是很理想。

2.2速度水頭理論預測

除基于繞射理論的波浪爬升高度預測方法外，速度水頭理論（velocity stagnation head theory，VSHT）在基礎波浪爬升預測中也得到了廣泛應用。速度水頭理論是R.G.HALLERMEIER[24]在研究垂直圓柱形基礎的波浪爬升中，假設在入射波浪波峰處水質點的動能，會通過在波峰液面之上抬升u2/2g的高度，從而轉化成勢能?；诖死碚?，垂直樁柱上波浪爬升高度的估算為

式中，u為波峰處水質點的速度，需選擇合適的波浪理論計算;m為速度水頭系數(shù);g表示重力加速度。

對于波長較長的波浪，波浪爬升高度可選擇孤立波理論進行計算，當m=1時，得到爬升結果較為合理[24]。J.M.NIEDZWECKI等人[25]在進行小尺度垂直樁柱上的規(guī)則波和不規(guī)則波環(huán)境下波浪爬升研究時，發(fā)現(xiàn)在規(guī)則波環(huán)境中可使用線性波浪理論，即采用微幅波理論計算波浪運動要素，速度水頭系數(shù)可取683，與最大波峰液面處的水質點速度相比，當水質點的速度u取靜止水位線上的最大水平速度時，計算結果更準確，當所提出的估算規(guī)則波作用時，垂直樁柱上波浪爬升高度表示為

式中，H為波高。在后續(xù)研究中，文獻[26]使用線性波浪理論計算波浪運動要素，提出張力腿基礎上的波浪爬升預測公式，即

通過與試驗數(shù)據比較發(fā)現(xiàn)，式（5）預測的波浪爬升結果均高于試驗值，因此該公式的應用也有一定的局限性。V.L.DE等人[27]在不規(guī)則波浪作用下，分別進行了不同形式風電基礎波浪爬升高度預測研究，并給出了單樁基礎和錐形基礎上波浪爬升高度（Ru，2%），單樁基礎和錐形基礎的波浪爬升高度分別為

式中，可結合二階斯托克斯波理論用以計算波浪運動要素。

D.MYRHAUG等人[28]將速度水頭理論（m=1）與二階斯托克斯波理論相結合，提出了波浪爬升預測公式，并將計算結果與文獻[27]模型試驗的研究數(shù)據進行比較，發(fā)現(xiàn)此預測結果與文獻[27]試驗數(shù)據吻合程度較好，但是所給出的解析公式仍低估了波浪爬升高度;A.T.LYKKE等人[29]對文獻[27]的模型試驗結果重新進行分析研究，發(fā)現(xiàn)系數(shù)m值在低波陡條件下的波浪環(huán)境中會更大。結合流函數(shù)理論，考慮到對波浪爬升高度的低估，給出在不規(guī)則波環(huán)境中，當?shù)筒ǘ福⊿0p=Hs/（gT2p/2π），Hs為有效波高）為002時，m=56;當高波陡為0035時，m=42。

2.3機器學習方法預測

近幾十年來，機器學習方法被用來預測科學研究中的各種問題[3035]。其中，由J.R.QUINLAN[36]提出，并由WANG Y[37]擴展的M5′模型樹，因為其具有便捷高效和能生成更易理解的公式等優(yōu)點，被廣泛應用到水利工程和海洋工程的研究中，如波浪爬升預測[38]、局部沖刷深度估計[3940]以及波浪荷載計算[41]。此外，M5′模型樹還在模擬水位流量曲線[42]，設計堆石防波堤[43]，模擬懸沙濃度[44]和模擬每日參考作物蒸發(fā)量[45]等方面獲得了成功的應用。M.H.KAZEMINEZHAD等人[46]利用文獻[17，27，29]關于波浪爬升高度的數(shù)據，評估了基于速度水頭理論所發(fā)展的、用于估算垂直樁柱上波浪爬升的半經驗公式。研究發(fā)現(xiàn)，選擇合適的波浪運動理論進行運動要素（自由波面和水質點速度）的確定比較困難，在某些波浪條件下，計算出的波浪爬升高度不準確。因此，文獻[46]探索了一種基于M5′模型樹算法和非線性回歸技術的數(shù)據挖掘方法，通過控制無量綱參數(shù)（輸入參數(shù)），從而預測波浪爬高。對于規(guī)則波浪環(huán)境中垂直樁柱上的波浪爬升高度，其預測公式為

式中，Hm0為有效波高;L0p為深水波長。

L.BONAKDAR等人[47]通過小尺度物理試驗，研究了規(guī)則波作用下細長樁柱上的波浪爬升，發(fā)現(xiàn)文獻[27]和文獻[38]所發(fā)展的公式有較大的局限性。因此，進一步分析了相對波高（H/h）、相對水深（h/L）以及樁長細比（即散射參數(shù)D/L，D為樁柱直徑）與相對爬升（Ru/H）之間的皮爾森相關系數(shù)。此外，即使引入散射參數(shù)作為模型的輸入參數(shù)，分類參數(shù)（H/h）和分裂值（041）與文獻[38]研究中的分類結果仍保持一致。文獻[39]最終提出了在規(guī)則波作用下，垂直樁柱上波浪爬升高度的經驗預測公式為

M5′模型樹等機器學習方法進行波浪爬升高度預測時能夠適應各種數(shù)據量，特別是數(shù)據量相對比較小的情況。作為機器學習方法的一個子類，近幾年深度學習的方法[48]也開始應用到波浪爬升的預測中，但與傳統(tǒng)的機器學習方法相比，深度學習的計算模型對于訓練集的容量要求比較高，需要有大量的訓練數(shù)據才能生成較好的預測結果，這也在一定程度上限制了深度學習方法的應用，而且考慮到深度學習算法所包含參數(shù)的復雜性，其執(zhí)行時間也較傳統(tǒng)的機器學習算法更多。

3波浪爬升預測研究趨勢

1）目前，隨著海上風電場不斷建設，海上風電基礎波浪爬升的預測主要集中于應用最廣泛的單樁基礎，其他風電基礎例如重力式基礎、多樁基礎、筒型基礎以及半潛式基礎前側波浪爬升預測的研究亟待開展。

2）在采用機器學習方法進行風電基礎波浪爬升預測時，較易獲取波浪爬升的預測公式，但所生成公式中相對波高、相對水深、散射參數(shù)等輸入參數(shù)的指數(shù)如何與其物理意義（相對爬升值隨輸入參數(shù)的變化規(guī)律）匹配需進一步研究。另外，在所生成的預測公式中如有分裂值，分裂值處公式的連續(xù)性如何保障也需要深入探討。

3）由于爬升過程的復雜性，用所生成公式估算的爬升具有不確定性。為了在設計或安全評估中考慮這些不確定性，采用一些方法對所開發(fā)的公式進行修正[4950]。因此，在風電基礎設計中，將風電基礎上波浪爬升預測與工程結構可靠度設計相結合，也是風電基礎波浪爬升預測的一個重要發(fā)展方向。

4結束語

風電基礎波浪爬升是入射波浪遇到浸入水中的風電基礎時，水質點的動能轉化成勢能，導致波浪沿基礎表面迅速向上攀升的現(xiàn)象，海上風電基礎波浪爬升的精準預測對于風電基礎設計有重要意義。本論文綜述了目前國內外學者針對海上風電基礎波浪爬升預測的研究進展，研究了不同預測方法的發(fā)展現(xiàn)狀。通過研究發(fā)現(xiàn)，繞射理論、速度水頭理論及機器學習方法是目前應用最廣泛的3種風電基礎波浪爬升預測方法。隨著人工智能算法的不斷進步，機器學習方法應用到波浪爬升預測中是主要的發(fā)展趨勢之一，作為一種新型的機器學習方法，深度學習的計算模型需要有大量的訓練數(shù)據才能生成較好的預測結果。新型風電基礎的不斷出現(xiàn)，適用于新型風電基礎的波浪爬升預測公式的提出、預測公式物理意義的準確表達以及波浪爬升預測與工程結構可靠度設計相結合是3個重要的研究趨勢。

參考文獻：

[1]YU T S， ZHAO Z S， SHI Z Y， et al. Experimental investigation of wave load and runup on the composite bucket foundation influenced by regular waves[J]. Journal of Ocean University of China， 2021， 20（2）： 271284.

[2]黃維平， 尚景宏， 王建豐. 國外海上風力發(fā)電機組基礎結構現(xiàn)狀[C]∥中國可再生能源學會海洋能專業(yè)委員會成立大會暨第一屆學術討論會論文集. 杭州： 中國可再生能源學會海洋能專業(yè)委員會， 2008： 5158.

[3]黃維平. 我國海上風電場開發(fā)面臨的機遇和挑戰(zhàn)及解決方案[C]∥第二屆全國海洋能學術研討會論文集. 哈爾濱： 中國可再生能源學會海洋能專業(yè)委員會， 2009： 8287.

[4]ZHANG Q， TANG G Q， LU L， et al. Scour protections of collar around a monopile foundation in steady current[J]. Applied Ocean Research， 2021， 112： 102718102737.

[5]HUANG M S， LIU L， SHI Z H， et al. Modeling of laterally cyclic loaded monopile foundation by anisotropic undrained clay model[J]. Ocean Engineering， 2021， 228： 108915108927.

[6]朱斌， 姜英偉， 陳仁朋， 等. 海上風電機組群樁基礎關鍵問題的初步研究[J]. 巖土工程學報， 2011， 33（S1）： 9196.

[7]賈獻林， 孫震洲， 鄧忠超. 多樁型水下基礎承載力及結構強度分析[J]. 中國海洋平臺， 2020， 35（6）： 7479.

[8]ZHOU W J， GUO Z， WANG L Z， et al. Simplified tz models for estimating the frequency and inclination of jacket supported offshore wind turbines[J]. Computers and Geotechnics， 2021， 132： 103959103974.

[9]SHITTU A A， MEHMANPARAST A， HART P， et al. Comparative study between SN and fracture mechanics approach on reliability assessment of offshore wind turbine jacket foundations[J]. Reliability Engineering and System Safety， 2021， 215： 107838107852.

[10]于通順， 王海軍. 循環(huán)荷載下復合筒型基礎地基孔隙水壓力變化及液化分析[J]. 巖土力學， 2014， 35（3）： 820826.

[11]于通順. 復合筒型基礎動力響應及沖刷特性研究[D]. 天津： 天津大學， 2014.

[12]于通順， 練繼建， 齊越， 等. 復合筒型風電基礎單向流局部沖刷試驗研究[J]. 巖土力學， 2015， 36（4）： 10151020.

[13]李欣， 張明明， 楊洪磊. 張力腿漂浮式風電機組疲勞載荷智能控制研究[J]. 太陽能學報， 2020， 41（9）： 278286.

[14]黃國燕， 朱敏. 基于狀態(tài)空間的漂浮式風電機組控制策略研究[J]. 太陽能學報， 2021， 42（6）： 337341.

[15]陳偉毅， 高洋洋， 王濱， 等. 基于質量源項造波的海上風電基礎波浪爬升數(shù)值模擬研究[C]∥第十九屆中國海洋（岸）工程學術討論會論文集（上）. 重慶： 海洋出版社， 2019： 266272.

[16]單鐵兵. 波浪爬升的機理性探索和半潛式平臺氣隙響應的關鍵特性研究[D]. 上海： 上海交通大學， 2013.

[17]RAMIREZ J， FRIGAARD P， ANDERSEN T L， et al. Large scale model test investigation on wave runup in irregular waves at slender piles[J]. Coastal Engineering， 2013， 72： 6979.

[18]MCCAMY R， FUCHS R. Wave forces on piles： Diffraction theory[R]. Washington D C： Corps of Engineers Washington D C Beach Erosion Board， 1954.

[19]SARPKAYA T， ISAACSON M， WEHAUSEN J V. Mechanics of Wave Forces on Offshore Structures[J]. Journal of Applied Mechanics， 1982， 49（2）： 466467.

[20]KRIEBEL D L. Nonlinear wave interaction with a vertical circular cylinder. Part I： Diffraction theory[J]. Ocean Engineering， 1990， 17（4）： 345377.

[21]KRIEBEL D L. Nonlinear wave interaction with a vertical circular cylinder. Part II： Wave runup[J]. Ocean Engineering， 1992， 19（1）： 7599.

[22]KIM M H， HUE D K P. The complete secondorder diffraction solution for an axisymmetric body. I： monochromatic incident waves[J]. Journal of Fluid Mechanics， 1989， 200： 235264.

[23]MARTIN A J， EASSON W J， BRUCE T. Runup on columns in steep， deep water regular waves[J]. Journal of Waterway， Port， Coastal， and Ocean Engineering， 2001， 127（1）： 2632.

[24]HALLERMEIER R J. Nonlinear flow of wave crests past a thin pile[J]. Journal of Waterway， Port， Coastal， and Ocean Engineering， 1976， 102（4）： 365377.

[25]NIEDZWECKI J M， DUGGAL A S. Wave runup and forces on cylinders in regular and random waves[J]. Journal of Waterway， Port， Coastal， and Ocean Engineering， 1992， 118（6）： 615634.

[26]NIEDZWECKI J M， HUSTON J R. Wave interaction with tension leg platforms[J]. Ocean Engineering， 1992， 19 （1）： 2137.

[27]DE V L， FRIGAARD P， DE R J. Wave runup on cylindrical and cone shaped foundations for offshore wind turbines[J]. Coastal Engineering， 2007， 54（1）： 1729.

[28]MYRHAUG D， HOLMEDAL L E. Wave runup on slender circular cylindrical foundations for offshore wind turbines in nonlinear random waves[J]. Coastal Engineering， 2010， 57（6）： 567574.

[29]LYKKE A T， FRIGAARD P， DAMSGAARD M L， et al. Wave runup on slender piles in design conditionsModel tests and design rules for offshore wind[J]. Coastal Engineering， 2011， 58（4）： 281289.

[30]BRE F， GIMENEZ J M， FACHINOTTI V D. Prediction of wind pressure coefficients on building surfaces using artificial neural networks[J]. Energy & Buildings， 2018， 158： 14291441.

[31]REICH Y. Machine learning techniques for civil engineering problems[J]. ComputerAided Civil and Infrastructure Engineering， 1997， 12（4）： 295310.

[32]ANTINK C H， BRACZYNSKI A K， GANSE B. Learning from machine learning： prediction of agerelated athletic performance decline trajectories[J]. Springer， 2021， 43（94）： 25472559.

[33]ALMUSTAFA M K， NEHDI M L. Machine learning prediction of structural response for FRP retrofitted RC slabs subjected to blast loading[J]. Engineering Structures， 2021， 244： 112752112766.

[34]ZHU Y B， ZHANG J， WANG G W， et al. Machine learning prediction models for mechanically ventilated patients： analyses of the MIMICIII database[J]. Frontiers in Medicine， 2021， 34： 662340662348.

[35]WIDEN E， RABEN T G， LELLO L， et al. Machine learning prediction of biomarkers from SNPs and of disease risk from biomarkers in the UK biobank[J]. Genes， 2021， 12（7）： 126.

[36]QUINLAN J R. Learning with continuous classes[C]∥Proceedings of the 5th Australian Joint Conference on Artifical Intelligence. Singapore： International Joint Conferences on Artifical Intelligence，? 1992： 343348.

[37]WANG Y， WITTEN I H. Induction of model trees for predicting continuous classes[C]∥Working Paper 96/23. Hamilton： Department of Computer Science， 1997： 128137.

[38]BONAKDAR L， ETEMADSHAHIDI A. Predicting wave runup on rubblemound structures using M5 model tree[J]. Ocean Engineering， 2011， 38： 111118.

[39]ETEMADSHAHIDI A， BONAKDAR L， JENG D S. Estimation of scour depth around circular piers： Applications of model tree[J]. Journal of Hydroinformatics， 2015， 17（2）： 226238.

[40]ETEMADSHAHIDI A， YASA R， KAZEMINEZHAD M H. Prediction of waveinduced scour depth under submarine pipelines using machine learning approach[J]. Applied Ocean Research， 2010， 33（1） ： 5459.

[41]BONAKDAR L， OUMERACI H， ETEMADSHAHIDI A. Wave load formulae for prediction of waveinduced forces on a slender pile within pile groups[J]. Coastal Engineering， 2015， 102： 4968.

[42]BHATTACHARYA B， SOLOMATINE D P. Neural networks and M5 model trees in modelling water leveldischarge relationship[J]. Neurocomputing， 2004， 63： 381396.

[43]ETEMADSHAHIDI A， BONAKDAR L. Design of rubblemound breakwaters using M5′ machine learning method[J]. Applied Ocean Research， 2009， 31（3）： 197201.

[44]KUMAR A R S， OJHA C S P， GOYAL M K， et al. Modeling of suspended sediment concentration at kasol in india using ANN， fuzzy logic， and decision tree algorithms[J]. Journal of Hydrologic Engineering， 2012， 17（3）： 394404.

[45]RAHIMIKHOOB A. Comparison of M5 model tree and artificial neural network′s methodologies in modelling daily reference evapotranspiration from NOAA satellite images[J]. Water Resources Management， 2016， 30（9）： 30633075.

[46]KAZEMINEZHAD M H， ETEMADSHAHIDI A. A new method for the prediction of wave runup on vertical piles[J]. Coastal Engineering， 2015， 98： 5564.

[47]BONAKDAR L， OUMERACI H， EtemadShahidi A. Runup on vertical piles due to regular waves： Smallscale model tests and prediction formulae[J]. Coastal Engineering， 2016， 118： 111.

[48]PENA B， HUANG L. WaveGAN： A deep learning approach for the prediction of nonlinear regular wave loads and runup on a fixed cylinder[J]. Coastal Engineering， 2021， 167： 103902103913.

[49]PILLAI K， ETEMADSHAHIDI A， LEMCKERT C. Wave runup on bermed coastal structures[J]. Applied Ocean Research， 2019， 86： 188194.

[50]YASA R， ETEMADSHAHIDI A. Classification and regression trees approach for predicting currentinduced scour depth under pipelines[J]. Journal of Offshore Mechanics and Arctic Engineering， 2013， 136（1）： 18.

Review of Wave Runup Prediction Method Around Offshore Wind FoundationQI Yue WANG Pengwei ZHAO Zishuai ZHANG Zhenyu YU Tongshun

（1. Shandong HiSpeed Qingdao Development Co.， Ltd.， Qingdao 266100， China;

2. SPIC Energy Technology & Engineering Co.， Ltd.， Shanghai 200233， China;

3. College of Engineering， Ocean University of China， Qingdao 266100， China）Abstract： In order to investigate the research process of wave runup prediction method around offshore wind foundation and obtain the development tendency， the classification standard of wave runup is presented. Three prediction methods such as diffraction theory， velocity stagnation head theory and machine learning method including the development history of every method are introduced and summarized. And the research tendency of the prediction of wave runup around offshore wind foundation is presented. It is shown that the wave runup prediction around pile foundation reaches the mature stage， and the wave runup around novel offshore foundation and the combination between wave runup and structure reliability design should be the future research focus. When predicting wave runup around offshore wind foundation using machine learning method， the prediction formula can be easily obtained， but the index of the input parameters such as relative wave height， relative depth and diffraction parameter should be matched with the physical meanings of these input parameters， and the investigations on the continuity of the formula around the splitting parameter should be conducted if there is splitting parameter in the generated prediction formula. It is of great significance to present accurate wave runup prediction formula and determine the applicable water depth of offshore wind foundation.

Key words： offshore wind foundation; wave runup; prediction method; reliabilitybased desig

收稿日期： 20210801; 修回日期： 20211030

基金項目：? 國家自然科學基金資助項目（52071304）

作者簡介：? 齊越（1988），女，研究生，工程師，主要研究方向為工程施工。

通信作者：? 于通順（1986），男，副教授，主要研究方向為海上風能和波浪能的開發(fā)利用。 Email： tshyu707@ouc.edu.cn