《Applied Ocean Research》：Corrosion estimation in floating offshore wind turbine mooring with particle filter coupled with DeepONet predictor
编辑推荐：
罗希特·库马尔（Rohit Kumar）|阿尔文德·凯普拉特（Arvind Keprate）|苏巴莫伊·森（Subhamoy Sen）摘要浮动海上风力涡轮机（FOWTs）的系泊绳索持续承受着恶劣的环境载荷，这使它们极易受到疲劳损伤；而腐蚀会进一步加速材料的退化，可能导致设备过早失
罗希特·库马尔（Rohit Kumar）|阿尔文德·凯普拉特（Arvind Keprate）|苏巴莫伊·森（Subhamoy Sen）
摘要
浮动海上风力涡轮机（FOWTs）的系泊绳索持续承受着恶劣的环境载荷，这使它们极易受到疲劳损伤；而腐蚀会进一步加速材料的退化，可能导致设备过早失效。传统的监测方法依赖于水下传感器，这些传感器的部署和维护成本较高，且比安装在浮动平台上的传感器更容易发生故障。另一种方法是利用平台运动数据来推断腐蚀状况；然而，现有的方法通常依赖于复杂的有限元模型，这在实时应用中计算成本过高。
本研究提出了一种新颖的贝叶斯滤波框架，该框架结合了数据效率高的深度运算网络（DeepONet）来估算FOWT系泊系统的腐蚀情况。与传统的有限元仿真方法不同，DeepONet通过物理上可解释的腐蚀指标（如直径损失）来表征系泊绳索的健康状况，并将这些指标与平台运动数据关联起来。与传统黑盒神经网络不同，DeepONet能够学习作用于时间序列数据的非线性运算规则，从而在减少训练数据量的同时捕捉复杂的时空依赖关系。
在该框架中，DeepONet作为粒子滤波器中的高保真替代模型，用于实时推断腐蚀参数。粒子滤波器通过吸收观测到的平台运动数据来递归估计潜在的腐蚀情况。DeepONet是在基于NREL 5MW OC4平台的OpenFAST仿真数据（包含系统性腐蚀场景）上训练得到的。所提出的PF-DeepONet框架能够在真实的海上环境激励下，实现对系泊绳索健康状况的稳健、快速且计算效率高的逆向估算，为传统的基于传感器的监测方法提供了一种更具成本效益的替代方案。
