k056 Optimal reconstruction of water-waves from noisy pressure measurements at the seabed

Zhangwenniu 于 2025-03-15 发布

论文链接

Arxiv Link

发表日期(Arxiv):[v1] Tue, 6 Feb 2024 12:20:53 UTC (781 KB)

论文重点与难点

1 研究背景与问题

2 研究方法

3 数值实验

4 难点与挑战

5 未来研究方向

论文详细讲解

1 研究背景与动机

2 研究方法

2.1 直接方法(Direct Approach)

2.2 优化方法(Optimization Approach)

3 数值实验

3.1 无噪声情况

3.2 含噪声情况

4 讨论与未来研究方向

4.1 噪声处理

4.2 计算效率

4.3 三维扩展

4.4 非稳态扩展

5 结论

论文方法部分详细讲解

1 问题描述

研究目标是从海底压力测量中恢复水面波形。具体来说,需要从给定的海底压力观测数据\(p_{\text{obs}}^b(x)\)中恢复水面波形\(\eta(x)\)、Bernoulli常数\(B\)和水面压力\(p_s(x)\)。假设波浪以恒定相速\(c\)传播,流体为无粘性、不可压缩且无旋,水面和海底为不可渗透边界。

2 直接方法(Direct Approach)

2.1 解析延拓与Cauchy积分公式

直接方法基于解析延拓,假设海底压力可以解析地延拓为全纯函数。利用Cauchy积分公式

\[i\vartheta \Xi(z) = \text{P.V.} \int \frac{\Xi(z')}{z' - z} \, dz' = \int_{-\infty}^{\infty} \frac{\Xi_b}{z_b - z} \, dx' - \int_{-\infty}^{\infty} \frac{(1 + i\eta_x') \Xi_s}{z_s - z} \, dx',\]

其中,\(\vartheta\)取决于\(z\)的位置(在域内、外或边界上),\(\Xi(z)\)为全纯函数,\(z_s\)和\(z_b\)分别表示水面和海底的复坐标。

通过Schwarz反射原理,可以将解析函数在边界上的值关联起来,从而得到水面和海底的解析表达式。

2.2 复杂速度与压力的解析表达

利用Bernoulli原理:

\[2(p + gy) + u^2 + v^2 = B,\]

可以得到水面处的复杂速度\(w_s\):

\[w_s = \sigma \frac{d z_s/dx}{\sqrt{B - 2p_s + 2g\eta}},\]

其中,\(\sigma\)表示波浪传播方向。

进一步,通过解析延拓得到的压力函数\(P(z)\)和其原函数\(Q(z)\):

\[P(z) = gd + B - \frac{w^2}{2}, \quad Q(z) = \int_{z_0}^z (P(z') - gd) \, dz'.\]

这些函数可以通过傅里叶多项式拟合海底压力数据得到。

2.3 恢复公式

直接方法的核心是恢复公式:

\[\text{Re}\{Q_s\} = \frac{1}{2} \int_0^x \left(B - \left\vert \frac{d z_s}{dx} \right\vert ^2 \right) dx,\]

该公式不涉及\(p_s\)的导数,从而避免了求解微分方程的复杂性。最终,通过求解以下方程组恢复水面波形:

\[\begin{cases} \langle \eta \rangle = 0, \\ c_1 = -\langle u_b \rangle, \\ \text{Re}\{Q_s\} = \text{常数}. \end{cases}\]

2.4 Levenberg-Marquardt算法

直接方法通过Levenberg-Marquardt算法求解上述方程组。该算法结合了梯度下降法和高斯-牛顿法的优点,通过迭代更新参数,逐步逼近解。算法的核心是求解以下更新方程:

\[\left( J^T J + \lambda I \right) \delta \eta = -J^T E,\]

其中,\(J\)为雅可比矩阵,\(\lambda\)为阻尼参数,用于平衡梯度下降和高斯-牛顿法的影响。

3 优化方法(Optimization Approach)

3.1 优化框架

优化方法的核心是将问题转化为一个约束优化问题,通过最小化重建压力与测量压力之间的距离来求解水面波形。优化问题表述为:

\[\min_{\eta, p_s, B} F(\eta, p_s, B) = \int_P \left( p_b(\eta, p_s, B) - p_{\text{obs}}^b \right)^2 \, dx,\]

约束条件为:

\[G_i(\eta, p_s, B) = 0, \quad i = 1, 2, 3,\]

其中,\(G_1, G_2, G_3\)分别对应水面平均高度条件、Bernoulli常数和恢复公式。

3.2 增广拉格朗日方法

优化方法采用增广拉格朗日方法求解上述约束优化问题。该方法通过引入拉格朗日乘子\(\lambda_i\)和罚项系数\(\rho_i\),将约束问题转化为无约束问题:

\[L(\eta, p_s, B, \lambda, \rho) = F(\eta, p_s, B) + \sum_i \left( \lambda_i G_i + \frac{\rho_i}{2} G_i^2 \right).\]

算法通过迭代更新参数,逐步逼近最优解。在每次迭代中,通过求解以下方程更新参数:

\[\eta^{k+1}, p_s^{k+1}, B^{k+1} = \arg\min_{\eta, p_s, B} L(\eta, p_s, B, \lambda^k, \rho^k),\]

然后根据约束条件的满足程度更新拉格朗日乘子和罚项系数。

3.3 数值实现

优化方法的数值实现依赖于内点法,通过MATLAB中的fmincon函数实现。该方法在处理噪声数据时表现出良好的鲁棒性,但计算时间较长,尤其是在增加约束条件后。

4 方法对比

5 总结

论文提出了一种基于优化框架的新方法,用于从含噪声的海底压力测量中恢复水面波形。优化方法在噪声存在的情况下表现出良好的鲁棒性,但计算时间较长。直接方法在无噪声情况下表现出色,但对噪声极其敏感。未来的研究方向包括噪声过滤技术、优化方法的加速、三维问题的扩展以及非稳态问题的处理。

评论