海洋浮式结构物受到包括风浪流在内的复杂海洋动力环境影响，其系统动力特性呈现非线性、随机性和不确定性的特点。理论模型在海洋工程动力特性分析和自动控制等研究中起到了至关重要的作用。模型的选取要权衡多方面因素：一方面，需尽量简化模型以提高仿真速度和理论推导复杂度（例如水平面船舶的以自由度Nomoto模型和动力定位系统的三自由度模型）；另一方面，又需提高模型复杂度以保证仿真结果满足一定精度需求并可体现关键动力过程。研究模型辨识可为水面浮式结构物的操纵性和作业性分析、位姿控制、数字孪生、智能决策、风险分析等领域研究的提供支撑。

根据是否将模型进行显式表达，系统辨识研究通常分为白箱方法、黑箱方法和二者结合的灰箱方法。白箱模型是基于经典力学理论，通常将系统简化到关注的自由度上（一般为一自由度和三自由度），利用回归方式求解，但也易忽视部分关键非线性效应（例如船浪耦合作用）。黑箱方法通常采用机器学习方法，尽管可以较好保证复杂动力学部分，但是因海洋工程结构物设计非标准化的现状，导致但结构物数据量小，难以收集足够数据用以训练，且最终训练结果可信度存在一定争议。

近日，清华大学深圳国际研究生院任政儒及合作者针对基于运动姿态的水面浮式结构物模型辨识问题，首次提出六自由度结构-海浪耦合模型辨识方法，同时实现模型的辨识和海浪力的估计。研究结果采用大量非线性项改写成线性形式的方法，将非线性模型辨识问题转换成线性模型辨识问题。通过引入稀疏回归的方式，综合考虑海浪、锚固、螺旋桨推力等复杂动力因素。其具有采样时间短、候选方程构造随意和可较好识别非线性水动力效应的优点，可选取大量候选项以减少漏项可能。基于辨识结果，可预测短时波浪力和结构物响应。算法通过水池缩尺实验得到验证。

浮式结构物-海浪耦合模型

相关研究成果以“数据驱动的六自由度船舶与海浪耦合模型同步辨识方法”（Data-driven simultaneous identification of the 6DOF dynamic model and wave load for a ship in waves）为题发表在国际期刊《机械系统与信号处理》（Mechanical Systems and Signal Processing）上。本文第一作者为清华大学深圳国际研究生院任政儒助理教授，通讯作者为挪威科技大学博士俞星吉。该项目得到了国家自然科学基金和挪威研究理事会的资助。