[发明专利]用于浮动生产平台、船舶和其他浮动系统的经过模拟训练的深度神经网络模型的持续学习

说明书

本发明提供了一种系统和方法，其通过将现实数据与由模拟器针对相同输入预测的数据进行比较，并开发将真实数据朝向模拟数据调整的映射相关性，从而避免了在最初使用模拟器进行训练后重新训练神经网络模型的需求。因此，在模拟训练的NN模型中开发的决策逻辑得以保留，并继续在可以描述为变更的现实的情况下操作。可以首先在映射算法中提供相似性的阈值度量(例如，相关百分比)，该映射算法在现实数据与模拟数据之间的相似性的度量超过阈值度量时，会自动将现实数据调整为与模拟数据相对应的调整数据以用于操作神经网络模型。随着对系统状况的监控，可以根据需要在后台继续进行更新的学习。

相关申请的交叉引用

不适用。

关于联邦政府赞助的研究或开发的声明

不适用。

参考附录

不适用。

发明背景

发明领域

本公开总体上涉及使用模拟器和用于模拟器的调整因子的神经网络模型训练和操作。更具体地，本公开涉及用于浮动生产平台、船舶和其他浮动系统的神经网络模型训练和操作。

相关技术描述

在从海底地层生产碳氢化合物时，通常在作业过程中将浮动生产平台、船舶和其他浮动生产系统系泊或以其他方式保持在适当位置。系泊缆定期需要维修或更换。因为通常使用许多系泊缆，所以在正常情况下操作员可能不会立即注意到劣化状况甚至系泊缆故障。但是，极端条件可能会考验系泊缆系统的完整性。如果在极端条件下维系的系泊缆承受了过大的压力，则整个浮动生产系统可能会受到损害或出现故障。

可期望的是进行预测性建模，以基于将浮动生产系统的现实运动与预期运动相比较，来预测系泊缆系统的状况。神经网络模型可以提供一个稳健的系统，该系统可以及时学习并针对状况进行调整以用于更准确的响应。神经网络模型(NN模型)是互连神经元的系统，该系统将已知输入与已知输出相关联以便生成复杂的加权高阶非线性多项式，从而用输入预测输出。通常，这些输入和输出源自功能系统，因此需要大量时间才能积累足够的数据集来训练系统，并且在实时发挥功能期间这些输入和输出也是不可用的。

一种替代方法是利用对系统操作的模拟来训练NN模型。模拟的输入/输出极大地加快了学习过程，并从操作开始就使神经网络模型可用。但是，初始模拟训练需要与正在现实状况下操作的NN模型并行地验证模拟准确性。验证通常意味着生成与模拟精度有关的输入和输出的新集合，随后重新训练NN模型，且然后上载新的NN模型，如所如意料到的那样这对于NN模型发挥功能增加了成本和时间。

虽然NN模型为浮动生产系统的操作改进提供了机会，但仍需要一种更好的系统和方法来训练NN模型以在给定环境和其他应用中操作。

发明内容

本发明提供了一种系统和方法，其通过将现实数据与由模拟器针对相同输入所预测的数据进行比较，并开发将真实数据朝向模拟数据调整的映射相关性，从而回避了在最初使用模拟器进行训练后重新训练神经网络模型的需求。因此，在经模拟训练的NN模型中开发的决策逻辑得以保留，并在可描述为已变更的现实下继续操作。可以首先在映射算法中提供相似性阈值度量(例如，相关百分比)，该映射算法在现实数据与模拟数据之间的相似性度量超过阈值度量时，会自动将现实数据调整为与模拟数据相对应的调整数据以用于操作神经网络模型。随着对系统状况的监控(例如针对浮动生产系统)，可以根据需要在后台继续进行更新的学习。当现实数据在阈值度量范围内时，可以将现实数据作为操作数据提供给NN模型。当现实数据超过来自模拟数据的阈值度量时，系统可以通过将现实数据调整为与模拟数据相对应的调整数据来开始调整NN模型的输入。可以将调整数据作为操作数据提供给NN模型。随着对系统状况的监控，可以根据需要在后台继续进行更新的学习。