0 引　言

作为海上油气生产与作业的工程结构物，海洋平台的体积庞大，结构复杂，并且应用过程中受各类随机荷载与突发性极端环境等威胁^[1]。在此环境下，海洋平台结构受到显著影响，令海洋平台结构的整体安全度下降^[2]。海洋平台结构整体安全度下降将会导致显著的经济损失，同时还会导致海洋环境受到破坏^[3]。因此对海洋平台结构整体安全进行评估，对于提升海洋平台工程安全控制具有重要意义。

彭子祥等^[4]在构建结构安全评估模型过程中，以贝叶斯网络概率图理论为基础构建评估模型，通过机器学习算法训练模型参数，获取最终评估结果，该方法在实际应用过程中鲁棒性较差。潘友鹏等^[5]采用有限元方法对建筑结构安全度进行评估，该方法使用过程中需消耗大量的时空资源。杨绍坤等^[6]从建筑结构承受载荷与塑性极限载荷2个角度出发评估结构安全度。该方法使用过程中过度依赖数据，若数据存在偏差，则评估结果产生显著误差。针对上述问题，提出基于机器学习算法的海洋平台结构整体安全度评估方法，保障海洋平台结构安全，延长海洋平台使用寿命。

1 海洋平台结构整体安全度评估方法 1.1 海洋平台结构整体安全度评估指标体系构建

基于层次全息建模理论，从环境、技术状态、功能模块等6个角度出发，共选取22个评估指标构建海洋平台结构整体安全度评估指标体系，如表1所示。基于层次全息建模理论构建海洋平台结构整体安全度评估指标体系，不仅能够全部了解影响海洋平台结构整体安全度的各种因素，还能够更深度地了解海洋平台不同侧面的信息。

在海洋平台结构整体安全度评估指标体系构建完成后，采集各评估指标相关数据，并对所采集数据进行预处理。预处理过程如下：

$ s $ 表示时间窗宽度，设定 $ s $ 值，在海量海洋平台结构整体安全度评估指标数据中，将固定 $ s $ 内数据视为观测窗口，采集窗口内的海洋平台结构整体安全度评估指标数据作为历史数据，采用窗口外的数据作为增量数据。基于数据处理过程获取海洋平台结构整体安全度评估指标数据规律，由此判断所采集的数据内是否存在异常与缺失问题；利用数据清洗与转换等处理方法将所采集的指标数据属性改变为满足聚类标准的属性。利用迭代数据分类建模方法提升数据质量^[7]，基于预处理后的数据评估海洋平台结构整体安全度。

1.2 评估等级标准

将海洋平台结构整体安全度评估等级划分为5个级别^[8]，如表2所示。

1.3 基于机器学习算法的评估模型

在构建海洋平台结构整体安全度评估模型时，采用机器学习算法中的卷积神经网络模型。该模型由卷积层、池化层、全连接层与分类层共同组成。

1）卷积层

卷积层操作的主要目标是对2个不同评估指标在某区间内相乘后再求和。将海洋平台结构整体安全度评估指标数据作为卷积层输入，利用卷积层采集海洋平台结构整体安全度评估指标数据特征，卷积处理后所获取的海洋平台结构整体安全度评估指标数据特征是将卷积核作为在上一层初始指标数据特征计算得到，以 $ l $ 表示卷积权，则利用式(1)能够描述当前卷积层所得的评估指标数据特征：

$ y_j^k = \sum\limits_j {x_j^{k - 1} \otimes l_{ji}^k} + c_i^{} ，$

(1)

式中， $ y_j^k $ 和 $ x_j^{k - 1} $ 分别表示第k层第j个特征输入和第k-1层第j个特征输出， $ c_i$ 表示偏置向量。

2）池化层

以卷积层输出作为池化层输入，由此能够对该层神经元数量产生约束，实现海洋平台结构整体安全度评估指标数据降维的目的。池化层内，海洋平台结构整体安全度评估指标数据的输入与输出数量具有一致性，利用式(2)能够获取池化层神经元输出：

$ y_j^k = g\left( {down\left( {y_j^{k - 1}} \right)} \right) + c_i^{}，$

(2)

式中，g()和 $ down\left( {y_j^{k - 1}} \right) $ 分别表示激活函数与第k-1层第j个特征的下采样。

3）全连接层

该层的主要功能为连接网络模型内的各层。c_i表示偏置向量，利用式(3)描述该层内不同神经元的输出：

$ {t_{\tilde w,c}}\left( y \right) = g\left( {} \right)\left( {Vy_j^k + {c_i}} \right) ，$

(3)

式中，g()和 $ V $ 分别表示激活函数与输入权矩阵。

4）分类层

该层内采用Softmax函数作为分类器，利用该分类器实现海洋平台结构整体安全度等级的准确划分，针对输入的海洋平台结构整体安全度评估指标数据 $ y $ 来说，可通过式(4)描述利用Softmax函数评估不同海洋平台结构整体安全度评估指标数据相应的等级概率：

$ q = q\left( {x = j\left| y \right.} \right)，$

(4)

式中， $ q $ 表示海洋平台结构整体安全度评估指标数据， $ y $ 属于评估等级 $ j $ 的概率。

概率最大的评估等级即为海洋平台结构整体安全度评估等级。

2 研究结果

为验证本文方法的实际评估性能，选取位于我国渤海湾的9个海洋平台为研究对象，其中包含钻井平台、采用平台、生活支持平台与动力平台等。研究对象的设计年限为20年，整体分为是桩、四腿导管架和上部组块3个部分。

2.1 数据预处理测试

数据预处理过程是研究对象结构整体安全度评估的基础。利用数据资源利用率分析评估指标数据预处理效果，两者之间呈正比例相关，且数据资源利用率越高，基于评估指标数据所得评估结果精度越高。通常情况下，评估指标数据资源利用率达到70%即可获取较为准确的评估结果。图1为本文方法预处理后评估指标数据资源的利用率。可知，采用本文方法对研究对象结构整体安全度评估指标数据实施预处理，在迭代次数达到6次的条件下，评估指标数据资源利用达到85%左右，并在其后持续保持稳定状态。由此说明利用本文方法能够实现较好的数据处理效果，从而获取更高精度的评估结果。

2.2 评估结果

图2为本文方法对9个研究对象的结构整体安全度进行评估所得结果。可得，3号研究对象的安全度评估等级最低，为较为危险；而5号研究对象的安全度评估等级最高，为安全。剩余7个研究对象中3个研究对象安全度评估结果为较为安全，4个研究对象的安全度评估结果为一般安全。同时本文方法所得评估结果与各研究对象实际安全情况完全一致。由此能够说明本文方法能够准确评估研究对象结构整体安全度。

2.3 应用效果分析

根据图2评估结果，对严重影响研究对象结构整体安全度的因素进行针对性整改。采用本文方法对整改后的研究对象实施二次评估，并将评估结果与图2的评估结果进行对比，所得结果如图3所示。可知，针对严重影响研究对象结构整体安全度的因素进行整改后，研究对象的安全度评估等级整体呈现出显著提升的趋势。其中一次评估结果为较为危险的3号研究对象和一次评估结果为一般安全的9号研究对象，二次评估结果安全度提升了2个等级。以上结果能够说明本文方法能够提升研究对象结构整体安全度，延长研究对象使用寿命。

3 结　语

本文研究基于机器学习算法的海洋平台结构整体安全度评估方法，利用机器学习算法中的卷积神经网络构建评估模型，准确输出海洋平台结构整体安全度评估结果。本文模型评估过程中所使用的评估指标主要考虑海洋平台的使用，未考虑冰、波浪等工况对海洋平台荷载的影响，在后续研究过程中将针对此类内容丰富评估指标体系。