章 亮 俞孟蕻 袁 偉

（江蘇科技大學電子信息學院 鎮(zhèn)江 212100）

1 引言

疏浚工程是在水下利用特定的機械挖掘泥沙、沙子或巖石，以擴大和加深挖掘區(qū)域。在國家的大力支持下，耙吸式挖泥船以其自航、自挖、自裝、自卸等優(yōu)點在疏浚工程建設(shè)中發(fā)揮著重要作用。人們對耙吸式挖泥船的性能、效率、自動化水平和環(huán)保水平有越來越高的要求。提高挖泥船的性能和效率已成為挖泥船工作的重點［1～5］。

艏吹是耙吸式挖泥船常用的填土施工方法之一，主要用于近海深海取砂和近岸造陸。如長江口區(qū)域圈圍工程，斯里蘭卡科倫坡南港集裝箱碼頭工程和科特迪瓦阿比讓港口擴建項目。耙吸挖泥船艏吹作業(yè)方式在疏浚工程中得到了廣泛的應(yīng)用［6～8］。

但是針對兩流的復雜性，艏吹的機理復雜性，影響艏吹的控制因素眾多，難以對艏吹進行機理分析和準確預(yù)測。江帥等［9］分析了耙吸挖泥艏吹工業(yè)過程，并推薦了泥泵輸送揚程-流量特性公式以及管道輸送摩阻損失經(jīng)驗公式。李明志等［10］開發(fā)了基于基礎(chǔ)數(shù)據(jù)庫、面向工程、結(jié)合各種常用計算方法的耙式吸式挖泥船艏樓吹氣計算分析軟件，并用工程數(shù)據(jù)進行了驗證。為此本文提出了一種基于Nadam 優(yōu)化算法的多層門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（GRU）對耙吸挖泥船艏吹產(chǎn)量進行預(yù)測，如圖2 所示。

2 耙吸挖泥船艏吹作業(yè)過程

自航耙吸挖泥船的艏吹過程主要由泥艙、泥泵和管道三個部分組成，艏吹的管道如圖1 所示。自航耙吸挖泥船在裝泥點將泥沙裝入泥艙運送到卸泥點，打開海底引水閥，將海水引入管道，疏通管道。打開高壓沖水裝置，并利用液壓裝置打開抽艙門讓泥沙混合物進入抽艙管道，和海水混合，利用泥泵將吸入泥漿進入艏吹口。艏吹口和管道連接到卸泥點，管道長度在1000m左右。這個過程是一個非常復雜的過程，它需要控制7組14個抽艙門的開啟度，泥泵、高壓沖水泵的轉(zhuǎn)速等，同時還要考慮管道的固液兩相流等問題，因此很難直接觀察這一過程這個過程是一個非常復雜的過程，它需要控制7 組14 個抽艙門的開啟度，泥泵、高壓沖水泵的轉(zhuǎn)速等，同時還要考慮管道的固液兩相流等問題，因此很難直接觀察這一過程。

圖1 耙吸挖泥船

圖2 流程圖

根據(jù)實際經(jīng)驗分析，對于同一艘耙吸式挖泥船來說，艏吹的排泥管道的泥沙混合物密度和流量決定艏吹疏浚實際產(chǎn)量。挖泥船產(chǎn)量可以表示為：

其中：Qs為產(chǎn)量，Qm為泥漿體積流量，Cvd為固體輸送體積濃度。

在實際情況中泥沙的粒徑、工作的環(huán)境對于艏吹的產(chǎn)量預(yù)測都會有很大的影響，因此，作業(yè)數(shù)據(jù)的分析和建模也有其局限性。本文僅分析相同挖泥條件下抽艙門開度、抽艙門的開度、泥泵的轉(zhuǎn)速、海底引水閥的開度、沖洗策略等的工作狀態(tài)對艏吹產(chǎn)量的影響，如圖3所示。

圖3 抽艙模型

3 艏吹產(chǎn)量預(yù)測模型

3.1 GRU神經(jīng)網(wǎng)絡(luò)原理

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）對于時間序列的數(shù)據(jù)具有很好的處理能力，對非線性、多步預(yù)測問題可以取得很好的預(yù)測效果，因此采用循環(huán)神經(jīng)網(wǎng)絡(luò)對耙吸挖泥船進行產(chǎn)量預(yù)測模型的構(gòu)建［10］。GRU 神經(jīng)網(wǎng)絡(luò)與普通的循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入層與輸出層結(jié)構(gòu)一樣，不同之處在于其隱含層的內(nèi)部結(jié)構(gòu)。GRU 神經(jīng)網(wǎng)絡(luò)引入了兩種門函數(shù)，即更新門和重置門［11～12］。

GRU網(wǎng)絡(luò)的前向傳播公式如下所示：

在上述公式中，Xt為隱含層的輸入、Ht是輸出，Yt為輸出層的輸出，而Rt是隱含層結(jié)構(gòu)中重置門輸出，Zt是更新門輸出，是候選記憶單元輸出。

3.2 Nadam優(yōu)化算法

Nadam（Nesterov-accelerated Adaptive Moment Estimation）就是將Adam 和Nesterov 的動量結(jié)合起來［9］，結(jié)合Adam 和NAG（Nesterov accelerated gradient），為了在Adam 中加入NAG，將NAG 梯度更新公式變?yōu)?/p>

4 實驗結(jié)果和分析

耙吸挖泥船艏吹產(chǎn)量預(yù)測模型的數(shù)據(jù)來自于2017 年11 月“新?；?”號耙吸挖泥船在廈門港進行作業(yè)時的施工數(shù)據(jù)。

模型通過對過去10 個時刻樣本數(shù)據(jù)的學習來對當未來兩個時刻的耙吸挖泥船艏吹產(chǎn)量進行預(yù)測。因為模型采用過去10 個時刻的樣本數(shù)據(jù)作為輸入，每個時刻樣本數(shù)據(jù)擁有18 個不同的參數(shù)，因此第一部分輸入層的節(jié)點個數(shù)為18；GRU 層節(jié)點數(shù)為256；模型輸出為流量與密度。對模型進行分批訓練，每批訓練樣本數(shù)量為20 個，模型訓練迭代次數(shù)為100。通過Nadam 優(yōu)化算法調(diào)整模型參數(shù)，降低損失函數(shù)。最后利用測試集數(shù)據(jù)進行驗證，并且評價預(yù)測結(jié)果。

分別采用Adam 算法和Nadam 算法對優(yōu)化效果進行比較。模型測試集和訓練集的訓練誤差遞減曲線如圖4 和圖5 所示。Nadam 算法和Adam 算法的損失函數(shù)值在前60 次迭代中減小，在以后的迭代中保持穩(wěn)定。經(jīng)過迭代，Nadam 算法基本穩(wěn)定，模型收斂。Nadam 算法比Adam 算法的誤差更小，訓練效果更好。

圖4 測試集訓練誤差下降曲線

建立模型后，將其與RNN 神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行比較，并分別進行訓練和測試。然后，從預(yù)測結(jié)果中隨機選取連續(xù)數(shù)據(jù)，并與實際值進行比較。對比結(jié)果如圖6和圖7所示。

圖6 艏吹泥泵出口流量預(yù)測圖

圖7 艏吹泥泵出口濃度預(yù)測圖

從圖中可以清晰的看出GRU 預(yù)測模型預(yù)測效果更佳。神經(jīng)網(wǎng)絡(luò)模型基本學習到了耙吸挖泥船艏吹時7 組14 個抽艙門的開啟度，泥門的轉(zhuǎn)速，高壓沖水泵的轉(zhuǎn)速等和流量、濃度之間的規(guī)律，相較RNN 神經(jīng)網(wǎng)絡(luò)，GRU 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更接近實際值。

以均方根誤差（RMSE）和平均百分比誤差（MAPE）對模型進行比較。RMSE 和MAPE 值越大，預(yù)測效果越差。

表1 通過比較兩種模型的均方根誤差和相對誤差值，可以清楚地看到，GRU 預(yù)測模型的誤差更小，預(yù)測效果更準確。

表1 艏吹產(chǎn)量預(yù)測誤差

5 結(jié)語

1）以大量數(shù)據(jù)為基礎(chǔ)，訓練出來的GRU 神經(jīng)網(wǎng)絡(luò)比RNN 神經(jīng)網(wǎng)絡(luò)的RMSE 和MAPE 值更小，預(yù)測效果越好，可以更好地預(yù)測耙吸挖泥船艏吹泥泵出口處的流量和濃度，從而預(yù)測到泥泵出口處的產(chǎn)量。

2）以GRU 神經(jīng)網(wǎng)絡(luò)為優(yōu)化對象，Nadam 算法的優(yōu)化效果好于Adam算法，誤差更小，更穩(wěn)定。