【论文推荐】| 基于深度学习的海洋工程结构位移响应重建方法

论文导读与观点概要

一、研究目的

海洋平台、海上风电基础等海洋工程结构是开发和利用海洋资源与能源的关键设施，通常服役于复杂、恶劣的海洋环境中，长期承受风、浪、流、冰、地震、腐蚀等自然载荷以及船舶撞击等操作载荷的影响。为了预防灾难性事故、延长结构服役寿命，并保障能源开发的可持续性，对海洋工程结构开展连续状态监测已成为不可或缺的手段。位移响应能够直接反映结构的变形状态，是评估结构整体性能和诊断潜在损伤的关键指标，因此，实现对结构位移的高精度、可靠监测具有重要意义。

然而，在海上作业条件下，结构位移难以通过布设传感器直接测量。现有的直接测量法（如拉线式位移计、激光多普勒测振仪、基于计算机视觉的位移重建系统等）面临诸多挑战：在广阔且连续动态变化的海洋环境下，难以寻求固定的传感器安装位置，传感器仅能拾取到被测位置与传感器之间的相对位移，而无法获得被测位置的绝对位移；海上存在明显的海雾、视线遮挡等环境因素干扰，难以实现长期、连续、高精度的振动监测。

相比之下，利用布设在结构上的加速度计获取加速度信号并通过二次积分计算位移是最常用且便捷的方法。然而，加速度信号在采集和传输过程中不可避免地受到噪声污染，同时由于无法直接获得测点的初始速度和位移，二次积分过程中的误差会不断积累放大，导致严重的基线漂移现象，引入虚假的低频趋势，使得重建的位移信号偏离真实值，严重降低了位移估算的精度与可靠性。现有的滤波或信号分解方法（如经验模态分解、频域积分方法等）往往以牺牲部分甚至全部低频信息为代价，而这些低频成分对于结构安全性评估至关重要。

针对上述问题，本文提出了一种基于深度学习的海洋工程结构位移重建方法，利用神经网络的信号特征提取及生成能力，自动建立由加速度概率密度分布到位移概率密度分布的平滑映射，由此实现由实测加速度到结构实际位移的精确重建，为海洋工程结构数字孪生提供解决思路。

二、研究方法

本文提出的位移重建方法核心在于构建从加速度概率密度到位移概率密度的映射关系。由于海洋工程结构的位移响应主要受低频成分主导，而加速度信号则包含显著的高频振动特征，两者在频域特性上存在本质差异，导致概率密度分布存在显著区别，为精确重建带来重大挑战。传统时序预测模型（如循环神经网络、长短期记忆网络等）虽能有效学习单一序列的概率密度分布并利用时序依赖关系进行预测，但其建模能力局限于同分布序列的预测，难以解决跨概率密度分布的映射问题。

为此，本文提出了一种基于连续标准化流（Continuous Normalizing Flow，简称CNF）的位移重建方法。CNF模型是一种基于可逆连续变换的深度生成模型，通过常微分方程表示连续的变量变换，将初始数据分布逐步映射到目标数据分布。在位移重建任务中，加速度信号视为初始分布对应的数据，位移信号为目标分布对应的数据，通过CNF网络模型建立从加速度到位移的非线性映射。

CNF模型采用流匹配（Flow Matching，简称FM）方法进行训练，其核心思想是在给定目标概率路径的情况下，通过回归矢量场来匹配生成的概率路径。本文采用条件流匹配（Conditional Flow Matching，简称CFM）损失函数进行模型优化，并引入广义高斯条件概率路径以简化计算。为有效参数化向量场，本文采用基于U-Net架构的深度神经网络模型，该模型具有编码器-解码器结构，通过跳跃连接将信号浅层与深层特征相结合，从而有效提取不同频率成分主导的加速度及位移信号特征。模型采用端到端的学习方式，输入和输出均为尺寸为64×6×100的张量，分别对应加速度和位移数据。

在数据准备方面，由于现实条件下难以获得海洋工程结构的位移数据，本文首先建立物理模型的有限元模型，通过对数值模型进行瞬态分析产生训练数据集。采用ANSYS软件对四桩腿、五层钢制导管架平台进行建模，在平台甲板边缘施加X方向冲击载荷，根据多组试验数据的模态识别结果，从0.02%至0.10%区间随机选取4个水平的结构阻尼比，与3种激励条件组合成12种仿真工况，共产生1080个信号片段。其中90%的数据作为训练集，剩余数据作为测试集。

三、研究结果

在无噪声的理想条件下，CNF模型在500个训练轮次后达到最大决定系数R²为0.99并保持平稳，表明模型成功建立了模拟加速度与位移数据之间的映射。将加速度测试数据集输入训练好的CNF模型后，预测结果R²达到0.9969，均方误差MSE为3.47×10⁻¹⁰。6个测试位置的重建位移与真实位移高度一致，表明在理想条件下CNF模型能够将加速度准确转变为结构位移。

在物理模型试验验证中，采用Optotrak Certus六自由度非接触式光学测量仪采集结构位移响应，通过二阶中心差分法计算对应的加速度时程，随机选取4组不同激励工况进行位移重建测试。结果表明，4组工况重建位移与实测位移之间的R²值分别为0.9819、0.9799、0.9817、0.9849，均高于0.97，重建位移与实测位移波形高度吻合，表明所提出的方法能够准确地从实测加速度数据重建结构的实际位移。

在不同噪声水平下的对比实验进一步验证了方法的优越性。将本文方法与传统的积分法（结合经验模态分解EMD进行基线移除）在信噪比从25 dB至5 dB的不同噪声条件下进行了对比。结果表明：在无噪声情况下，两种方法的重建效果较为接近；但随着噪声水平增加，CNF方法的重建效果明显优于积分法。在15 dB及以上的中高强噪声条件下，CNF方法的R²值显著高于积分法（如15 dB时CNF法R²为0.9471，积分法仅为0.8593；5 dB时CNF法R²为0.8353，积分法仅为0.4672）。此外，本文提出的方法是一种端到端的方法，可直接将加速度转变为结构位移而无需进行基线移除等额外操作，有效避免了在基线移除过程中需要人工确定哪些低频成分需要被移除的问题，可满足实时响应重建的需求。

四、研究结论

针对海洋工程结构位移响应难以直接测量的问题，提出了一种基于深度学习的位移响应重建方法，实现由实测加速度信号到位移信号的精确重建。采用CNF模型构建加速度与位移概率密度分布之间的映射，通过建立数值模型生成加速度、位移数据进行CNF模型训练，并采用试验监测数据进行方法有效性验证，主要结论如下：

1）构建的CNF模型能够有效学习到加速度与位移概率密度分布之间的映射，从而实现准确的位移响应重建。同时，CNF模型具有良好的噪声鲁棒性，使得提出方法能够将含噪声加速度准确重建为结构位移。

2）实际操作过程中，需要建立有限元模型模拟生成训练数据。尽管建立的数值模型和实际结构存在一定差异，所提出的响应重建方法凭借CNF模型良好的泛化性能，仍能够准确重建真实位移，这大幅减小了实际结构响应重建中的建模难度。

3）所提方法需要建立数值模型以生成训练数据，无法如传统积分法一样可直接应用于任意加速度到位移的转化；但本方法通过仿真数据训练增加了物理约束，有效避免基线漂移，可获得符合物理实际的结果。

研究提出了基于深度学习的海洋工程结构位移重建方法，以CNF作为核心预测模型，在实验室结构上进行了验证。未来也将验证具有更优性能的深度学习模型，同时也将该方法推广到实际工程结构的响应重建中，为海洋工程结构数字孪生提供了解决思路。

相关图表

本文引用格式：王英伟, 赵海旭, 陈同彦, 等. 基于深度学习的海洋工程结构位移响应重建方法[J]. 海洋工程, 2026, 44(4): 86-95.  (WANG Yingwei, ZHAO Haixu, CHEN Tongyan, et al. Deep learning-based displacement response reconstruction method for marine engineering structures[J]. The Ocean Engineering, 2026, 44(4): 86-95.  (in Chinese)）

通信作者简介：徐明强   

徐明强，中国海洋大学工程学院海洋工程系教授、博士生导师，校青年英才工程第一层次人才，长期从事海洋工程领域前沿研究与人才培养。本-硕-博均就读于中国海洋大学，先后取得船舶与海洋工程学士、水利工程硕士、港口海岸及近海工程博士学位。毕业后先后赴香港大学、澳大利亚科廷大学跟随Francis T.K. Au教授与Hong Hao教授开展博士后研究，2024年1月起受聘为中国海洋大学工程学院教授，全职返校投身教学科研。主要从事海洋工程结构健康监测技术、复杂海况下大型海洋结构动力分析与系统辨识、海洋工程结构智能化检测装备研发、人工智能与机器学习技术在海洋工程领域的交叉落地应用。现任第十一届造船工程学会船舶力学委员会人工智能组成员，《海洋工程》《Smart Construction》等知名期刊青年编委。先后获评2024年山东省泰山学者青年专家、国家资助博士后人员计划（B类）；2023年以第一完成人获全国博士后创新创业大赛海（境）外赛金奖，作为核心成员获海洋工程科学技术奖一等奖，博士阶段获评山东省优秀博士学位论文、山东省研究生优秀成果奖。主持国家自然科学基金青年项目、山东省泰山学者青年专家项目、中国海洋大学科研启动项目等多项国家级、省部级重点科研项目。以第一或通信作者在领域顶刊发表论文25篇，含19篇SCI检索论文，1篇入选国际权威期刊封面论文，授权国家发明专利十余项，多项专利已实现工程场景转化应用。

参考文献

1

朱彬彬， 王滨， 李玉刚， 等. 台风作用下海上风机基础结构安全评价［J］. 海洋工程， 2019， 37（3）： 78-85.

ZHU B B， WANG B， LI Y G， et al. Typhoon risk assessment of the substructures of offshore wind turbines［J］. The Ocean Engineering， 2019， 37（3）： 78-85. （in Chinese）

2

郭静静. 高速铁路桥墩差异沉降监测的低相干光学干涉技术研究［D］. 大连： 大连理工大学， 2022.

GUO J J. Study on differential settlement monitoring of high-speed railway bridge pier by using a low-coherence optical interferometry［D］. Dalian： Dalian University of Technology， 2022. （in Chinese）

3

陈雯， 熊春宝， 张子健， 等. 基于多传感器的海洋平台动态位移监测及滤波方法［J］. 导航定位学报， 2022， 10（4）： 94-99.

CHEN W， XIONG C B， ZHANG Z J， et al. Study on methods of displacement filtering for an offshore platform by RTK-GNSS and accelerometer［J］. Journal of Navigation and Positioning， 2022， 10（4）： 94-99. （in Chinese）

4

栾天瑞， 韩辉. 激光多普勒测振技术的发展与应用［J］. 一重技术， 2024（6）： 50-54.

LUAN T R， HAN H. Development and application of laser Doppler vibration measurement technique［J］. CFHI Technology， 2024（6）： 50-54. （in Chinese）

5

李万润， 范博源， 赵文海， 等. 基于无人机及YOLOX视觉算法的大跨度钢结构吊装过程位移监测［J］. 振动与冲击， 2024， 43（17）： 61-70.

LI W R， FAN B Y， ZHAO W H， et al. Displacement monitoring in large-span steel structure hoisting process based on drone and YOLOX visual algorithm［J］. Journal of Vibration and Shock， 2024， 43（17）： 61-70. （in Chinese）

6

宋世军， 崔兵， 杨蕊， 等. 基于加速度信号阈值分段校正的位移测量方法［J］. 起重运输机械， 2025（3）： 82-88.

SONG S J， CUI B， YANG R， et al. Displacement measurement method based on threshold segmentation correction of acceleration signal［J］. Hoisting and Conveying Machinery， 2025（3）： 82-88. （in Chinese）

7

TOKUNAGA M. Displacement response waveform restoration of simply supported bridge during train passage using measured acceleration integration based on linear vibration theory［J］. Structures， 2024， 64： 106462.

8

CHEN Z S， FU J， PENG Y J， et al. Baseline correction of acceleration data based on a hybrid EMD-DNN method［J］. Sensors， 2021， 21（18）： 6283.

9

郭翔鹰， 李长坤， 陈春雷， 等. 基于振动台试验的加速度积分位移［J］. 北京工业大学学报， 2023， 49（2）： 179-187.

GUO X Y， LI C K， CHEN C L， et al. Acceleration integral displacement based on shaking table test［J］. Journal of Beijing University of Technology， 2023， 49（2）： 179-187. （in Chinese）

10

HONG X， MA Y J， ZHOU J B， et al. New methods to remove baseline drift in trapezoidal pulse shaping［J］. Nuclear Science and Techniques， 2015， 26（5）： 58-62.

11

陈太聪， 张奇. 基于频谱能量形态拟合的加速度积分方法研究［J］. 振动与冲击， 2019， 38（13）： 7-12.

CHEN T C， ZHANG Q. Acceleration integration method based on frequency spectral energy morphological fitting［J］. Journal of Vibration and Shock， 2019， 38（13）： 7-12. （in Chinese）

12

熊春宝， 孙长保， 牛彦波. 基于视觉与加速度测量的结构动态位移融合估计［J］. 天津大学学报（自然科学与工程技术版）， 2024， 57（9）： 891-901.

XIONG C B， SUN C B， NIU Y B. Fusion estimation of structural dynamic displacement based on vision and acceleration-based measurements［J］. Journal of Tianjin University （Science and Technology）， 2024， 57（9）： 891-901. （in Chinese）

13

NIU Y B， LI Z， LI J B， et al. Accelerometer-assisted computer vision data fusion framework for structural dynamic displacement reconstruction［J］. Measurement， 2025， 242： 116021.

14

CHEN R F， ZHANG K， LUO M， et al. Deep learning-based prediction of pitch response for floating offshore wind turbines［J］. Journal of Marine Science and Engineering， 2024， 12（12）： 2198.

15

SONG F， HAN Y Z， WILLIAM HEATH A， et al. Structural damage detection of floating offshore wind turbine blades based on Conv1d-GRU-MHA network［J］. Engineering Failure Analysis， 2024， 166： 108896.

16

LIPMAN Y， CHEN R T Q， BEN-HAMU H， et al. Flow matching for generative modeling［PP/OL］. ArXiv， （2022-10-06）［2024-08-02］.https：//arxiv.org/abs/2210.02747.