以下是对该研究的综合学术报告：

作者与出版信息

本研究由来自大连理工大学船舶与海洋工程学院的Xingwei Zhen、Yingying Lv、Yanqing Luo，华南理工大学土木与交通学院的Chengyu Huang，以及中国辐射防护研究院的Chao Chen共同完成。该研究论文发表于国际期刊《Ocean Engineering》第309卷，论文编号118326，于2024年6月12日在线发表。

研究背景与研究目的

中层水域结构（Mid-Water Structures，MWSS）在海洋中具有重要的应用价值，它们通常工作在50米至200米的水下深度，能有效减弱海面风浪、洋流等恶劣海洋环境因素的影响，同时也能避免海底高压条件的制约。然而，这些结构的工作位置极易受到内孤立波（Internal Solitary Waves，ISWs）的威胁。内孤立波是一种高度非线性的波动现象，通常发生在海洋密度跃层处，其显著特征包括波幅大、诱导流速度快、能够在传播数百公里后仍保持几乎不变的波形。内孤立波传播过程中产生的强剪切效应和诱导流场会对结构施加巨大载荷，严重威胁中层水域结构的安全。因此，为了可靠地设计这些结构，迫切需要深入探究内孤立波作用下结构周围的流场特性。

该研究旨在解决现有文献中的两个主要空白：其一，尽管已有针对内孤立波作用于中层水域结构的粒子图像测速（Particle Image Velocimetry，PIV）实验研究，但对于该情境下复杂流场的详尽分析尚不充分；其二，将PIV测量与机器学习方法相结合来研究此问题的工作在现有文献中仍属空白。因此，本研究的核心目标是集成PIV测量方法与机器学习技术，评估并精确预测内孤立波传播过程中中层水域结构周围的流场特征，为结构设计提供可靠参考，同时为将机器学习技术引入内孤立波流场实验研究奠定基础，开辟新的有效分析方法。

研究方法与实验流程

本研究包含三个主要环节：实验设备配置与模型构建、PIV流场测量实验、以及人工神经网络（Artificial Neural Network, ANN）模型的开发与预测。

第一，实验在大型重力分层流体水槽中进行。水槽主体长12米、宽1.2米、高1.0米，采用双层钢化玻璃构建以确保激光束的有效透射。通过“双管”原理在水槽中产生分层流体：两个注水口分别位于水槽底部长度的1/4和3/4处，用于注入盐水和淡水，以形成鲜明的分层结构。上层与下层流体的厚度分别为h1 = 0.2米和h2 = 0.6米，对应密度分别为ρ1 = 998千克/立方米和ρ2 = 1020千克/立方米。通过控制造波装置中垂直隔板的平移方向和距离，在隔板两侧形成重力势差。当快速打开隔板时，密度界面受到扰动，产生垂向剪切运动，进而形成内孤立波。水槽末端设有楔形消波板以有效消除反射波。中层水域结构模型采用1:200的比例设计，主体为一个直径16厘米、高10厘米的圆柱形浮体和一个直径20厘米、高2厘米的边界装置组成。本研究中不考虑结构的运动响应，模型通过矩形铝杆牢固固定并经过重力与浮力的平衡校准。实验在恒定重力塌陷高度δh = 25厘米的条件下进行，以保证生成的内孤立波波幅约为a = 9.04厘米。

第二，利用PIV系统捕捉OXZ平面上的二维流场信息。实验中采用直径约10微米的聚苯乙烯颗粒作为示踪粒子。双脉冲激光源置于水槽底壁中心线下方，通过棱镜反射形成片光源照亮目标流场。同步控制器确保激光脉冲与CCD相机图像采集的精确时序对齐，相机帧率为20帧/秒，图像分辨率为2048×2048像素。获取图像对后，通过互相关算法计算连续两帧图像中对应位置检测窗口内粒子的位移，进而确定瞬时速度矢量。实验重点分析了当结构浸没深度为水面下15.3厘米时，内孤立波传播至结构前、中、后三个阶段的流场时空分布，并在结构两侧距离边界装置壁面2.716厘米处设置了A和B两个速度剖面，以定量分析流场细节。

第三，为了弥补PIV实验结果的局限性，如速度异常值、结构遮挡导致的流场信息缺失以及复杂尾流区域预测的困难，本研究开发了基于多层感知器（Multilayer Perceptron, MLP）结构的ANN模型。模型输入参数为X和Y坐标，输出为水平速度分量Vx、垂直速度分量Vy以及合速度V。数据采用8:1:1的比例划分为训练集、验证集和测试集。模型包含一个含有250个神经元的隐藏层，采用Levenberg-Marquardt算法进行训练，并使用双曲正切Sigmoid（Tan-Sig）和线性（Purelin）传递函数。模型的性能通过均方误差（Mean Square Error, MSE）和相关系数（R）进行评估。

主要研究结果与分析

PIV流场可视化结果显示，内孤立波传播过程中，跃层上下的流体表现出相反的运动趋势，围绕波谷形成一个大型逆时针速度场分布。对A剖面（上游）的定量分析表明，在波谷到达结构之前，流场强度逐渐增强，当波谷抵达结构位置时，流场强度达到最大，此时水平剪切效应最为显著，两层流体之间出现方向相反、速率差异巨大的流动，最大水平速度差可达9.80厘米/秒。波谷通过结构后，流场强度逐渐减弱，水质点受反向驱动向上运动，形成上升流。对B剖面（下游）的分析显示，其水平流场特性在波谷通过结构期间（t4至t6时刻）变得更加不均匀，尾流区的流动特性错综复杂，流态不断变化。

关于结构浸没深度的影响，研究发现当结构位于波谷上方（z1至z3条件）时，随着浸没深度的增加，周围流场强度呈现先增强后减弱的趋势。当结构保持在波谷上方的最佳距离（z2 = 10.30厘米）时，流场强度最大，此时A剖面和B剖面的最大水平速度差分别达到11.59厘米/秒和12.42厘米/秒，此位置的结构安全特性需要重点关注。当波谷正好穿过结构主体（z4条件）时，结构上下游的水平流场特性表现出高度一致性；当结构置于波谷下方（z5和z6条件）时，周围流场减弱，但水平流场特性随浸没深度增加表现出更高的一致性。

ANN模型预测结果与PIV实验结果的对比分析表明，模型在预测异常区域、尾流区域和遮挡区域方面均取得了令人满意的精度。模型评估中，验证曲线与测试曲线高度相似，表明其具有良好的鲁棒性和泛化能力。误差直方图显示误差分布呈现以零为中心的正态分布特征，大部分误差值聚集在零附近。对于流场中的速度异常值，ANN模型在不同异常数量和位置分布情况下均表现出良好的修复性能。对于尾流场区域，模型预测的瞬态云图和速度矢量场与PIV测量结果高度相似，对水平速度分量极值及其位置的预测误差在可接受范围内。特别是在波谷到达结构之前（t = 15.6秒），模型对极值位置的预测与实验几乎完全一致；在波谷通过后（t = 21.6秒），极值相对误差仅为0.97%和4.40%。对于被固定杆遮挡的区域，由于无法获得实际流场信息，传统误差分析不可行，但模型预测结果呈现高度的物理合理性，有效补充了测量盲区的流场信息。

结论与价值

该研究得出了以下核心结论：第一，中层水域结构的遮蔽效应在结构后方诱导产生了一个低流速区域，当波谷通过后，下游区域会形成显著的高速涡旋，增强了速度分布的复杂性。第二，结构的不同浸没深度会导致其周围内孤立波流场特性发生变化，当结构位于波谷上方时，流场强度随浸没深度先增后减，并在z2深度处达到最大。第三，所开发的ANN模型能够准确预测内孤立波作用于中层水域结构时的瞬态流场，有效修复速度异常值，精确预测尾流场中水平速度分量的极值及其位置，并能合理预测遮挡区域的流场特征。

本研究的科学价值在于，它首次将PIV测量方法与ANN机器学习技术相结合，用于分析并预测内孤立波作用下中层水域结构周围的复杂流场，为流体动力学实验数据的后处理和增强提供了一种新颖且有效的方法论。其应用价值在于，对流场特性的深入理解和对流场信息的全面预测，为海洋中层水域结构的优化设计和安全评估提供了更加可靠的参考依据，有助于提升结构在内孤立波环境下的生存能力。此外，该项工作为解决PIV技术固有的局限性（如异常值、遮挡和复杂湍流区域）提供了可行方案，对推动机器学习在实验流体力学中的应用具有重要意义。