Многоцелевая оптимизация для проектирования устойчивых систем береговой инфраструктуры

Прибрежные регионы во всем мире все больше подвергаются угрозе комбинированных последствий изменения климата, повышения уровня моря и более частых экстремальных погодных явлений. Необходимость разработки устойчивой инфраструктуры в этих динамичных средах никогда не была более актуальной. Тем не менее проблемы огромны: инфраструктура должна защищать сообщества, поддерживать экономическую деятельность, сохранять экосистемы и оставаться доступной в течение своего жизненного цикла. Именно здесь многоцелевая оптимизация (MOO) стала незаменимой методологией. МОО позволяет инженерам и планировщикам одновременно сбалансировать затраты, производительность, воздействие на окружающую среду и социальные факторы. В этой статье рассматривается, как МОП применяется к проектированию прибрежной инфраструктуры, используемые методы, ключевые приложения и текущие исследования, которые обещают сделать прибрежные системы более адаптируемыми к неопределенному будущему.

Понимание сложности проектирования прибрежной инфраструктуры

Системы береговой инфраструктуры — морские стены, дамбы, барьеры штормовых нагонов, волнорезы, дюны и природные решения — являются долгоживущими активами, которые должны работать в широком диапазоне условий. Их конструкция должна учитывать множество, часто противоречивых целей. Например, повышение морского стенда для защиты от 100-летнего штормового события увеличивает затраты на строительство и может нарушить прибрежные среды обитания. Аналогичным образом, леви, спроектированный с высоким фактором безопасности, может быть чрезмерно спроектирован для текущих условий, отвлекая ресурсы от других критических проектов. Традиционная однообъективная оптимизация — например, минимизация затрат — игнорирует эти компромиссы и может привести к неоптимальным результатам.

Многообъективная оптимизация напрямую противостоит этой сложности. Вместо того, чтобы искать один «лучший» ответ, MOO обнаруживает набор оптимальных проектов Парето. Дизайн является оптимальным Парето, если ни одна цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Сбор таких проектов формирует фронт Парето, который раскрывает неотъемлемые компромиссы между конкурирующими целями. Затем лица, принимающие решения, могут выбрать решение, которое соответствует приоритетам сообщества - возможно, тот, который придает больше веса сохранению окружающей среды или долгосрочной устойчивости к экстремальным событиям.

Основные цели в прибрежной инфраструктуре

Типичные цели в исследовании прибрежной МОО включают:

Основополагающие концепции многоцелевой оптимизации

По своей сути, MOO включает в себя формулирование математической задачи с вектором переменных решений (например, высота гребня морского стенда, угол наклона, тип ограждения), набор ограничений (например, максимально допустимое отступление к берегу) и множество объективных функций, которые обычно противоречат друг другу.

Наиболее распространенные методы решения проблем MOO в прибрежной инженерии делятся на две категории: классические методы, которые скаляризируют цели с использованием весов, и эволюционные алгоритмы, которые используют поиск на основе популяции. В то время как методы скаляризации (такие как методы взвешенной суммы или методы ограничения эпсилона) просты, они часто требуют много прогонов для создания репрезентативного фронта Парето и могут пропустить вогнутые области. Эволюционные алгоритмы, особенно ]генетические алгоритмы (GAs) , стали методом выбора, потому что они могут обрабатывать нелинейности, разрывы и множественные локальные оптимы в объективном пространстве.

Популярные алгоритмы: NSGA-II и другие

Недоминируемый сортирующий генетический алгоритм II (NSGA-II) является одним из наиболее широко используемых алгоритмов MOO. Он использует быструю не доминируемую процедуру сортировки, оператора с многолюдным сравнением для поддержания разнообразия и элитарный подход, который сохраняет лучшие решения для поколений. Многие исследования прибрежной инфраструктуры полагаются на NSGA-II для выявления компромиссов между стоимостью и риском наводнений. Более поздние алгоритмы, такие как MOEA / D (Многообъективный эволюционный алгоритм на основе разложения) и AMALGAM (Многоалгоритм, Генетически адаптивный метод), предлагают преимущества в скорости конвергенции и решении многих задач.

Для прибрежных приложений выбор алгоритма часто зависит от размера задачи (количество переменных и целей решения), вычислительного бюджета (количество оценок модели) и от того, оцениваются ли объективные функции дорогой имитационной моделью (например, полной гидродинамической моделью) или более простой суррогатной моделью.

Приложения в дизайне прибрежной инфраструктуры

МОО применяется к широкому кругу проблем, связанных с прибрежной инфраструктурой. Ниже приведены несколько репрезентативных примеров, иллюстрирующих его мощь и универсальность.

Seawall и дизайн дайков

Рассмотрим новый морской вал вдоль развитой береговой линии. Переменные решения включают в себя возвышение гребня, размер ограждения, глубину носка и строительный материал. Цели могут включать минимизацию затрат на строительство, максимизацию защиты от перегрузки (измеряется допустимой скоростью перегрузки) и минимизацию деградации прибрежных лугов и среды обитания. Исследователи использовали NSGA-II для генерации фронтов Парето, показывая, например, что небольшое увеличение высоты гребня может резко снизить перегрузочные расходы, но при высоких дополнительных затратах за пределами определенного порога. Такая информация позволяет инженерам рекомендовать высоту, которая дает наилучшую ценность для сообщества.

Система Леви и оптимизация барьеров наводнений

Для крупномасштабных систем, таких как дамбы в дельте или барьеры, защищающие столичный район, MOO может обрабатывать несколько взаимодействующих структур. Типичное исследование может оптимизировать высоты и местоположения дамб, пропускную способность насосных станций и работу шлюзовых ворот. Цели часто включают риск наводнения (ожидаемый ежегодный ущерб), общую стоимость системы и экологическую связь (например, поддержание прохода рыбы). Примечательным примером является планирование защиты Судоходного канала Хьюстона, где MOO помог сбалансировать стоимость, уровень защиты в различные периоды возврата и воздействия на окружающую среду. Получающийся фронт Парето позволил заинтересованным сторонам выбрать комбинацию высот леви и операций ворот, которые отвечали как требованиям безопасности, так и бюджету.

Природные решения: дюны и водно-болотные угодья

Все чаще менеджеры прибрежных районов обращаются к решениям на основе природы (также называемым экологической инженерией или зеленой инфраструктурой). Восстановление дюн, создание соленого болота и посадка мангровых зарослей обеспечивают ослабление волн, среду обитания и улавливание углерода, но требуют пространства и обслуживания. MOO имеет важное значение для интеграции этих вмешательств в гибридные системы, которые сочетают в себе природные и инженерные элементы. Например, многоцелевая оптимизация проекта восстановления барьерного острова может сбалансировать объем песка, стоимость циклов питания, высоту гребня дюны и результирующая среда гнездования для угрожаемых береговых птиц. Фронт Парето показывает, сколько выгоды от среды обитания приносится в жертву для каждой единицы защиты от штормов - или наоборот - облегчая прозрачные компромиссы.

Многомасштабное планирование адаптации побережья

В региональном масштабе MOO может направлять долгосрочные пути адаптации в условиях изменения климата. Переменные решения включают в себя сроки действий (например, повышение дюн, строительство морского дна, перемещение зданий), и цели могут охватывать чистую текущую стоимость, остаточный риск в течение 50 лет и показатели здоровья экосистем. Исследования, использующие динамическую многообъективную оптимизацию , показали, что адаптивные пути - запланированные последовательности действий, которые могут быть скорректированы по мере изменения условий - превосходят статические проекты. Например, последовательность постепенного повышения дюнной системы в паре с созданием водно-болотных угодий может стоить меньше, чем строительство одного большого морского дна, обеспечивая гибкую защиту, которая может реагировать на темпы повышения уровня моря, не ожидавшиеся ранее. Эти подходы набирают силу в таких городах, как Роттердам, Норфолк (VA) и Хошимин.

Методологические проблемы и стратегии смягчения

Несмотря на свои обещания, применение МОО к проектированию прибрежной инфраструктуры не лишено существенных проблем. Инженеры и исследователи должны бороться с ограничениями данных, неопределенностью моделей, вычислительными расходами и необходимостью учитывать глубокую неопределенность в отношении будущего климата и социально-экономических условий.

Неопределенность в климатических прогнозах

Прибрежная инфраструктура рассчитана на срок службы от 50 до 100 лет. В течение этого периода повышение уровня моря, интенсивность штормов и волновой климат являются глубоко неопределенными. Модели MOO, которые рассматривают эти факторы как детерминированные входы, могут создавать конструкции, которые являются хрупкими - оптимальными для одного будущего, но катастрофическими при другом. Надежный подход заключается в включении неопределенности с помощью методов количественной оценки неопределенности (UQ) , таких как моделирование Монте-Карло, или путем формулирования целей с точки зрения надежности или надежности. Например, вместо минимизации ожидаемого ежегодного ущерба, целью может быть минимизация наихудшего случая ущерба по набору вероятных климатических сценариев. Другая новая методология - это теория принятия решений о информационном разрыве , которая оценивает, насколько оптимальный дизайн может выдержать неопределенность до того, как производительность ухудшится неприемлемо.

Вычислительные расходы на высокоточные модели

Многие прибрежные процессы — распространение волн, штормовой нагоне, перенос осадков — требуют вычислительно интенсивных моделей (например, SWAN, ADCIRC, Delft3D). Запуск этих моделей тысячи раз в рамках MOO часто является запретительным. Общие средства включают использование суррогатных моделей (метамодели) , таких как гауссовская регрессия процессов или нейронные сети, обученные на скромном количестве симуляций с высокой точностью. Суррогат используется в качестве быстрого приближения во время оптимизации, и критические решения могут быть проверены позже с полной моделью. Альтернативно, многоверность оптимизация сочетает в себе дешевые модели с низкой точностью (например, более простые 1D модели или эмпирические формулы) с случайными оценками высокой точности для уточнения фронта Парето.

Много целей и визуализация

Когда число целей увеличивается за пределы трех или четырех, визуализация фронта Парето становится трудной. Люди, принимающие решения, могут изо всех сил пытаться понять компромиссы в многомерных пространствах. С помощью таких инструментов, как параллельные координатные графики, тепловые карты и самоорганизующиеся карты. Кроме того, такие методы, как ] объективное сокращение , определяют избыточные цели (те, которые сильно коррелируют) и разрушают проблему. Для прибрежной инфраструктуры цели, связанные с ущербом и затратами, часто коррелируют, поэтому эффективная размерность может быть ниже, чем номинальное количество.

Общественные ценности и социальное равенство

Наконец, МОО не менее хороша, чем цели, которые она использует. Традиционные показатели, такие как чистая приведенная стоимость или частота наводнений, могут не охватывать жизненный опыт уязвимых общин. Включение социального равенства требует дополнительных целей, таких как количество домохозяйств, находящихся за чертой бедности, разнообразие типов жилья в зонах наводнений и сохранение культурно значимых объектов. Вовлечение заинтересованных сторон на ранних этапах процесса МОО - посредством моделирования с участием - помогает определить эти цели и придать относительную важность. Этот шаг особенно важен, когда инфраструктура оказывает непропорциональное воздействие на различные группы населения.

Будущие направления в многоцелевой оптимизации для устойчивости к прибрежным воздействиям

Область быстро развивается, что обусловлено улучшением вычислительной мощности, доступности данных и алгоритмических инноваций. Несколько тенденций будут формировать следующее поколение приложений MOO для прибрежной инфраструктуры.

Интеграция с цифровыми близнецами

Цифровые двойники — динамические цифровые копии физических систем, которые постоянно обновляются данными в реальном времени — становятся реальностью для портов, барьерных островов и прибрежных городов. Благодаря соединению цифрового двойника с MOO лица, принимающие решения, могут постоянно обновлять оптимальные параметры проектирования по мере появления новых наблюдений (например, фактические темпы повышения уровня моря, штормовые явления). Это сдвигает оптимизацию от одноразового планирования к постоянному адаптивному процессу управления. Например, операционная барьерная система может быть переоптимизирована каждый сезон на основе данных прошлого года, регулируя операции ворот, размещение осадков или высоту гребня леви до следующего сезона штормов.

Машинное обучение и модели глубокого суррогата

Глубокие нейронные сети и нейронные сети, основанные на физике, используются для создания чрезвычайно точных суррогатных моделей, которые могут быть запрошены миллионы раз в рамках цикла оптимизации. Эти суррогаты могут изучать сложные отношения между параметрами проектирования и показателями производительности из больших наборов данных предварительно вычисленных симуляций. Усиление обучения также появляется в качестве метода оптимального политического контроля в адаптивной прибрежной инфраструктуре - например, динамически работая барьер штормового нагона на основе прогнозов в реальном времени.

Природная и гибридная оптимизация систем

По мере того, как преимущества природных решений становятся все более количественными, MOO-фреймворки с самого начала включают в себя экологические и экосистемные сервисные цели. Это требует сопряжения биофизических моделей (например, затухание волн прибрежной растительности, темпы аккреции) с социальными и экономическими моделями. Будущие исследования оптимизации, вероятно, будут рассматривать портфели вложенных вмешательств - сочетание горизонтальных (натуральных) и вертикальных (инженерных) решений - оптимизированных на нескольких временных горизонтах и пространственных масштабах.

Надежное принятие решений и многоцелевая надежная оптимизация

Учитывая глубокую неопределенность в отношении климата и социально-экономического будущего, надежные методы оптимизации, которые явно учитывают наихудший случай или условную ценность в опасности, становятся все более распространенными. Надежная МУ не опирается на один будущий сценарий, но оценивает проекты по целому ряду сценариев, ища решения, которые адекватно работают во всех вероятных фьючерсах. Этот сдвиг парадигмы - от "оптимального при данном сценарии" до "надежного во многих сценариях" - особенно важен для долгоживущей прибрежной инфраструктуры, где будущее непознаваемо.

Пример: оптимизация гибридной береговой обороны для уязвимого сообщества

Для иллюстрации практического применения МОО рассмотрим прибрежное сообщество среднего размера, сталкивающееся с хроническими наводнениями от приливов и штормовых нагонов. Команда разработчиков рассматривает три стратегии вмешательства: высокий бетонный морской стенд, система растительного дюна и болота (на основе природы) и гибрид, который сочетает в себе низкий морской стенд с широким дюном и болотом. Проблема МОО включает в себя три цели: минимизация общей стоимости дисконтированного жизненного цикла , минимизация ожидаемого ежегодного ущерба от наводнений и максимизация экологической зоны обитания (в качестве прокси для экосистемных услуг).

Используя NSGA-II с гидродинамической суррогатной моделью, команда генерирует решения на основе Парето. Результаты показывают, что природные решения существенно снижают стоимость и улучшают среду обитания, но предлагают меньшую защиту при экстремальных явлениях. Гибридная конструкция работает почти так же, как и полный морской стенд, уменьшая ущерб от наводнения, при этом стоимость на 30% меньше и обеспечивая умеренное восстановление среды обитания. Фронт Парето также показывает точку колена: конструкция, при которой небольшое увеличение стоимости дает большой прирост в защите от наводнения или небольшое снижение защиты дает большой прирост в среде обитания. Эта точка колена становится рекомендуемой конструкцией, подтвержденной общинными мастерскими. Окончательный дизайн представляет собой низкий променадный морской стенд (высота 0,5 м), поддерживаемый дюной шириной 20 м с местными травами, с восстановлением болота на берегу. Это решение в настоящее время строится и контролируется для адаптивных триггеров управления.

Заключение

Многоцелевая оптимизация оказалась преобразующим подходом к проектированию устойчивой прибрежной инфраструктуры. Систематично раскрывая компромиссы между стоимостью, безопасностью, экологией и справедливостью, MOO дает возможность инженерам, планировщикам и сообществам принимать обоснованные, прозрачные решения в условиях глубокой неопределенности. Достижения в алгоритмах, суррогатном моделировании, цифровых двойниках и надежном принятии решений быстро расширяют инструментарий. По мере усиления прибрежных проблем интеграция MOO с процессами участия и адаптивным управлением будет иметь важное значение для создания инфраструктуры, которая является не только сильной, но и гибкой, справедливой и устойчивой.

Для дальнейшего чтения обратитесь к основополагающим текстам, таким как Многообъективная оптимизация и основополагающая статья о NSGA-II. Практические рекомендации для прибрежных применений доступны в докладах Комитета Американского общества гражданских инженеров (ASCE) по адаптации к изменению климата . Для тематических исследований по природным решениям см. работу Nature-Based Solutions Initiative.