亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        人工智能在海洋工程地質(zhì)領(lǐng)域的應(yīng)用

        2023-01-03 10:54:58孫永福杜星宋玉鵬胡光海
        海岸工程 2022年4期
        關(guān)鍵詞:工程地質(zhì)機(jī)器海洋

        孫永福,杜星,宋玉鵬,胡光海

        (1.國(guó)家深?;毓芾碇行?山東青島 266237;2.自然資源部第一海洋研究所,山東青島 266061;3.青島海洋科學(xué)與技術(shù)試點(diǎn)國(guó)家實(shí)驗(yàn)室海洋地質(zhì)過(guò)程與環(huán)境功能實(shí)驗(yàn)室,山東青島 266061)

        海洋工程地質(zhì)調(diào)查是海洋地質(zhì)學(xué)領(lǐng)域研究的基礎(chǔ),可獲取海底沉積物類(lèi)型、土層結(jié)構(gòu)、物理力學(xué)性質(zhì)、沉積分布特征、地質(zhì)災(zāi)害分布等一系列信息。海洋工程地質(zhì)調(diào)查方法主要有地球物理調(diào)查、地質(zhì)鉆探、表層沉積物取樣等。在處理海洋工程地質(zhì)調(diào)查數(shù)據(jù)時(shí),如何高效、精準(zhǔn)地進(jìn)行數(shù)據(jù)分析和解譯,具有非常重要的科學(xué)研究意義和實(shí)際應(yīng)用價(jià)值。

        地球物理探測(cè)方面,傳統(tǒng)的地球物理調(diào)查后處理主要依靠本領(lǐng)域?qū)I(yè)技術(shù)人員和專(zhuān)業(yè)處理軟件,對(duì)技術(shù)人員的工作經(jīng)驗(yàn)要求較高[1-2]。地球物理探測(cè)數(shù)據(jù)結(jié)果具有多解性,因此不同人員解譯的結(jié)果會(huì)存在一定差別。進(jìn)行地層剖面劃分、側(cè)掃聲吶地貌圈定等處理時(shí),數(shù)據(jù)量通常較大且重復(fù)性較強(qiáng)。地質(zhì)鉆探方面,傳統(tǒng)方法為通過(guò)鉆探編錄、土工試驗(yàn)繪制沉積物剖面圖,再定性定量描述海底地層分布情況[3-4]。鉆探資料存在較多文字性的描述,且不同單位、項(xiàng)目、人員進(jìn)行處理時(shí)資料格式和標(biāo)準(zhǔn)不一致,導(dǎo)致后續(xù)匯總分析時(shí)難以進(jìn)行統(tǒng)一處理。海洋地質(zhì)災(zāi)害方面,傳統(tǒng)研究方法主要為通過(guò)地球物理調(diào)查、沉積物取樣,綜合考慮各類(lèi)地質(zhì)影響因素并進(jìn)行定性分析,或?qū)⑽锢磉^(guò)程簡(jiǎn)化為較理想的情況后數(shù)值建模計(jì)算力學(xué)關(guān)系[5-6]。定性描述和分析與實(shí)際情況容易存在偏差,簡(jiǎn)化后的數(shù)值建模也與真實(shí)情況存在一定區(qū)別。因此,海洋工程地質(zhì)領(lǐng)域需要利用新技術(shù)和新方法來(lái)解決以上問(wèn)題。

        人工智能(Artificial Intelligence,AI)是通過(guò)數(shù)學(xué)的方法模擬生物神經(jīng)元間信息傳遞的方法,即通過(guò)模擬自然界生物神經(jīng)來(lái)解決現(xiàn)實(shí)問(wèn)題。目前,人工智能算法已被成功地用于分類(lèi)、回歸、聚類(lèi)或降維任務(wù)尤其是高維輸入數(shù)據(jù)的問(wèn)題中,在視覺(jué)處理[7-8]、圖片識(shí)別[9]、網(wǎng)絡(luò)搜索[10]、海洋科學(xué)[11]等多個(gè)方面都得到了廣泛的應(yīng)用。近年來(lái),深度學(xué)習(xí)方法作為新興的人工智能方法在許多科學(xué)領(lǐng)域的表現(xiàn)已超過(guò)了其他機(jī)器學(xué)習(xí)技術(shù),如在化學(xué)、物理學(xué)、生物學(xué)、材料科學(xué)、地質(zhì)學(xué)等許多科學(xué)領(lǐng)域[11-17]。

        人工智能方法在海洋工程地質(zhì)領(lǐng)域中的應(yīng)用仍然剛剛起步,并且尚未針對(duì)其發(fā)展?jié)摿蛻?yīng)用價(jià)值進(jìn)行充分的探討。人工智能算法在圖像、時(shí)間序列、大數(shù)據(jù)方面處理具有天然的優(yōu)勢(shì),因此它可以為傳統(tǒng)的地質(zhì)領(lǐng)域研究帶來(lái)全新的解決問(wèn)題的思路和方法。因此,歸納、總結(jié)、探討人工智能算法在海洋工程地質(zhì)領(lǐng)域的應(yīng)用價(jià)值及前景非常重要。

        1 人工智能概述

        人工智能是通過(guò)機(jī)器和數(shù)學(xué)算法模仿人類(lèi)智能的方法,能夠?qū)θ说囊庾R(shí)、思維以及信息傳遞的過(guò)程進(jìn)行模擬[18]。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支,它企圖了解智能的實(shí)質(zhì),并生產(chǎn)出一種新的能以人類(lèi)智能相似的方式做出反應(yīng)的智能機(jī)器,該領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等。機(jī)器學(xué)習(xí)(Machine Learning,ML)是人工智能的一個(gè)子集,它能夠讓機(jī)器自動(dòng)地從大量的數(shù)據(jù)中通過(guò)學(xué)習(xí)得出規(guī)律,并利用該規(guī)律對(duì)未知的數(shù)據(jù)做出預(yù)測(cè)。而深度學(xué)習(xí)(Deep Learning,DL)則是機(jī)器學(xué)習(xí)的一個(gè)子集,它從生物大腦中獲得靈感,并使用多層神經(jīng)網(wǎng)絡(luò)來(lái)解決機(jī)器學(xué)習(xí)任務(wù),與普通機(jī)器學(xué)習(xí)算法相比所使用的網(wǎng)絡(luò)層數(shù)更多、解決復(fù)雜問(wèn)題的能力更強(qiáng)。人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者的關(guān)系見(jiàn)圖1。

        圖1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)關(guān)系示意圖Fig.1 Schematic showing an overview of AI,ML,and DL methods

        1.1 神經(jīng)網(wǎng)絡(luò)

        當(dāng)前普遍使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由Rosenblatt[19]在1958年提出的,表現(xiàn)形式為多層或單層感知器。神經(jīng)網(wǎng)絡(luò)的核心思想是模擬人類(lèi)神經(jīng)元之間信息傳遞的過(guò)程:首先是接受各類(lèi)信號(hào),然后處理并將信號(hào)傳遞到相鄰的神經(jīng)元。當(dāng)時(shí)由于神經(jīng)元模型較為簡(jiǎn)單且結(jié)構(gòu)單一,在一些邏輯函數(shù)的使用上效果不佳[20],因此到1970年左右相關(guān)研究大幅減少。到了20世紀(jì)80年代,BP神經(jīng)網(wǎng)絡(luò)[21]和反向傳播理論[22]的提出再次迎來(lái)了神經(jīng)網(wǎng)絡(luò)研究的熱潮。BP神經(jīng)網(wǎng)絡(luò)模型是具有多個(gè)層次的模型,通常具有輸入層、隱藏層和輸出層,每層之間均通過(guò)全連接的方式進(jìn)行信息傳遞[23]。如圖2所示,數(shù)據(jù)首先從輸入層開(kāi)始傳遞,數(shù)據(jù)與不同權(quán)重相乘后傳遞到隱藏層,最后再傳遞到輸出層。輸出結(jié)果與實(shí)際結(jié)果相比較,將誤差再反向傳播可校準(zhǔn)權(quán)重值,多次校準(zhǔn)后可達(dá)到較為準(zhǔn)確的狀態(tài)。

        圖2 BP神經(jīng)網(wǎng)絡(luò)示意圖Fig.2 Schematic diagram of BPneural network

        1.2 機(jī)器學(xué)習(xí)

        機(jī)器學(xué)習(xí)是人工智能的重要方法,可以讓計(jì)算機(jī)從已有數(shù)據(jù)、資料中通過(guò)訓(xùn)練獲取規(guī)律,并對(duì)結(jié)果進(jìn)行預(yù)測(cè),進(jìn)而利用訓(xùn)練好的機(jī)器學(xué)習(xí)模型對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)[22]。機(jī)器學(xué)習(xí)大致分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。有監(jiān)督學(xué)習(xí)利用已知結(jié)果的數(shù)據(jù)進(jìn)行模型訓(xùn)練,再利用這些數(shù)據(jù)去預(yù)測(cè)新的數(shù)據(jù),分為回歸問(wèn)題和分類(lèi)問(wèn)題兩大類(lèi),常見(jiàn)的有監(jiān)督機(jī)器學(xué)習(xí)算法有線性回歸、決策樹(shù)、隨機(jī)森林、支持向量機(jī)等。無(wú)監(jiān)督機(jī)器學(xué)習(xí)需要對(duì)沒(méi)有已知結(jié)果的數(shù)據(jù)集進(jìn)行分析處理和建模,用于處理沒(méi)有明確對(duì)應(yīng)關(guān)系的問(wèn)題。常見(jiàn)的無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法有K-means、高斯混合模型、譜聚類(lèi)等。半監(jiān)督學(xué)習(xí)介于有監(jiān)督和無(wú)監(jiān)督之間,指的是訓(xùn)練數(shù)據(jù)中只有部分?jǐn)?shù)據(jù)具有已知結(jié)果標(biāo)簽時(shí)的算法,用于解決部分問(wèn)題中已標(biāo)記數(shù)據(jù)不足的問(wèn)題。強(qiáng)化學(xué)習(xí)是一種學(xué)習(xí)如何從狀態(tài)映射到行為以使得獲取的獎(jiǎng)勵(lì)最大的學(xué)習(xí)機(jī)制,模型需要不斷在環(huán)境中進(jìn)行實(shí)驗(yàn),通過(guò)環(huán)境給予的反饋(獎(jiǎng)勵(lì))來(lái)不斷優(yōu)化狀態(tài)-行為的對(duì)應(yīng)關(guān)系,因此,反復(fù)實(shí)驗(yàn)(trial and error)和延遲獎(jiǎng)勵(lì)(delayed reward)是強(qiáng)化學(xué)習(xí)最重要的2個(gè)特征。

        1.3 深度學(xué)習(xí)

        深度學(xué)習(xí)泛指由多個(gè)人工神經(jīng)網(wǎng)絡(luò)層組成的算法,與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法相比,深度學(xué)習(xí)網(wǎng)絡(luò)算法具有更多、更深的網(wǎng)絡(luò)層(部分網(wǎng)絡(luò)大于100層),因此它可以解決更加復(fù)雜的非線性問(wèn)題。深度學(xué)習(xí)的主要算法為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)。CNN主要應(yīng)用于圖像、視頻的處理問(wèn)題,將圖像像素點(diǎn)數(shù)據(jù)進(jìn)行卷積處理與全連接算法相比,可以極大地降低運(yùn)算量。像AlexNet[24]、LeNet-5[25]、GoogleNet[26]等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型在多學(xué)科、多領(lǐng)域的研究中的預(yù)測(cè)準(zhǔn)確度很高。RNN主要應(yīng)用于時(shí)間序列問(wèn)題的分析和處理(圖3),可在不同時(shí)間節(jié)點(diǎn)上輸出需要的結(jié)果。當(dāng)研究問(wèn)題(例如氣象、波浪、沉積物孔隙水壓力變化等)的結(jié)果隨著時(shí)間變化而變化時(shí),不僅需要考慮當(dāng)前影響參數(shù)的作用,還需考慮不同時(shí)間點(diǎn)影響參數(shù)的作用,因此RNN應(yīng)運(yùn)而生。RNN主要應(yīng)用于自然語(yǔ)言處理(Natural Language Processing, NLP)、機(jī)器翻譯、語(yǔ)音識(shí)別、智能推送等方面。

        圖3 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)示意圖Fig.3 Schematic diagram of Recurrent Neural Network (RNN)

        2 海洋工程地質(zhì)應(yīng)用概述

        盡管人工智能方法在解決地質(zhì)類(lèi)的非線性問(wèn)題上有著獨(dú)特優(yōu)勢(shì),但目前其在海洋工程地質(zhì)領(lǐng)域的應(yīng)用仍處于起步階段。學(xué)者們的主要研究方向?yàn)樘剿魅斯ぶ悄芩惴ㄔ诤Q蠊こ痰刭|(zhì)領(lǐng)域上的應(yīng)用適宜性[16-17,27-28],即能否用人工智能算法解決工程地質(zhì)問(wèn)題和不同問(wèn)題的討論尚未形成統(tǒng)一的研究體系。本節(jié)將對(duì)一些人工智能方法在海洋地質(zhì)勘察研究中的應(yīng)用實(shí)例進(jìn)行概述。

        2.1 海洋地球物理調(diào)查

        地球物理調(diào)查的主要工作原理為通過(guò)向目標(biāo)物體發(fā)射不同頻率的聲波并接受反射信號(hào),進(jìn)而來(lái)獲得所需要的信息。水深測(cè)量(使用單波束、多波束測(cè)深系統(tǒng))、海底地形地貌測(cè)量(使用側(cè)掃聲吶)、地層剖面測(cè)量(使用地層剖面儀)等均采用了同樣的物理原理,主要區(qū)別為發(fā)射源的能量和頻率不同、所要接收的信息不同。其中,海底地形地貌測(cè)量和地層剖面測(cè)量的后處理需要依靠專(zhuān)業(yè)人員的經(jīng)驗(yàn)對(duì)逐圖對(duì)聲吶圖像進(jìn)行識(shí)別,重復(fù)性高且工作量大。使用深度學(xué)習(xí)方法可以基于已有數(shù)據(jù)訓(xùn)練得到能夠識(shí)別聲吶信息的人工智能網(wǎng)絡(luò),實(shí)現(xiàn)探測(cè)圖像自動(dòng)化后處理。

        2.1.1 側(cè)掃聲吶調(diào)查

        側(cè)掃聲吶主要應(yīng)用場(chǎng)景為從船后向周?chē)l(fā)射聲波,聲波按照球面波的方式向外傳播,碰到海底或海底構(gòu)筑物時(shí)產(chǎn)生散射,反向散射波被換能器接收后轉(zhuǎn)換為一系列電脈沖。當(dāng)聲吶載體不斷前進(jìn)、發(fā)射和接收后,可以逐行顯示每次發(fā)射的回波數(shù)據(jù),不同底質(zhì)類(lèi)型和海洋構(gòu)筑物的回波數(shù)據(jù)均不相同?;夭〝?shù)據(jù)經(jīng)過(guò)專(zhuān)業(yè)側(cè)掃聲吶軟件后處理,可獲得海底地形地貌的反射圖像。專(zhuān)業(yè)技術(shù)人員依靠經(jīng)驗(yàn)可從反射圖像上確定海底構(gòu)筑物的類(lèi)別(管道、電纜、沉船等)以及海底地形地貌。為了能方便、高效地識(shí)別側(cè)掃聲吶圖像包含的信息,減少人為經(jīng)驗(yàn)區(qū)別導(dǎo)致的誤差和重復(fù)性圖像后處理的工作量,可以利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)實(shí)現(xiàn)。CNN可以通過(guò)卷積處理圖片上像素點(diǎn)數(shù)據(jù),提取所蘊(yùn)含的有效信息,識(shí)別不同圖片所包含的海洋工程地質(zhì)信息。

        使用側(cè)掃聲吶圖像訓(xùn)練CNN網(wǎng)絡(luò)時(shí),可以使用通用的成熟網(wǎng)絡(luò)框架來(lái)進(jìn)行訓(xùn)練。Chandrashekar等[2]使用VGG-19、ResNet50等多種預(yù)訓(xùn)練模型基于側(cè)掃聲吶圖像對(duì)海底沉積物類(lèi)型和海底地貌形態(tài)進(jìn)行了識(shí)別研究,可以識(shí)別出海底礦物、巖石、黏土和淤泥等沉積物。訓(xùn)練完成后的網(wǎng)絡(luò)模型可以將其封裝為可直接使用的程序[29],方便后續(xù)進(jìn)行側(cè)掃聲吶圖片的識(shí)別。

        除直接使用現(xiàn)有CNN模型進(jìn)行研究外,還可以針對(duì)特定的問(wèn)題對(duì)現(xiàn)有模型加以改進(jìn)和升級(jí)。例如將圖像分割算法與CNN模型結(jié)合來(lái)進(jìn)行大范圍多物體的自動(dòng)識(shí)別,也可以將傳統(tǒng)CNN模型的內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行重構(gòu)以適應(yīng)特定研究問(wèn)題。Song等[30]將深度學(xué)習(xí)算法與圖像分割進(jìn)行結(jié)合,并成功運(yùn)用于側(cè)掃聲吶圖像識(shí)別技術(shù)(圖4),圖像被分割后能夠增加識(shí)別的效率。Zhu等[31]將灰度共現(xiàn)矩陣(Gray-level Co-occurrence Matrix,GLCM)和無(wú)監(jiān)督極端學(xué)習(xí)機(jī)(Unsupervised Extreme Learning Machine,US-ELM)結(jié)合在一起,用于側(cè)掃聲吶圖像分割和識(shí)別。

        圖4 基于CNN的側(cè)掃聲吶圖像處理框架Fig.4 Framework for processing side-scan sonar images based on CNN

        側(cè)掃聲吶的圖像處理和物體識(shí)別問(wèn)題非常適合使用CNN來(lái)解決,但目前對(duì)其的應(yīng)用仍處于起步階段。現(xiàn)階段研究主要有2個(gè)方向:一是直接利用現(xiàn)有CNN模型識(shí)別不同研究區(qū)的側(cè)掃聲吶圖像;二是將經(jīng)典CNN模型與其和各類(lèi)圖像處理算法結(jié)合,再進(jìn)行側(cè)掃聲吶圖像識(shí)別。然而,2種研究方向均未提出創(chuàng)新的網(wǎng)絡(luò)結(jié)構(gòu),其模型的根本框架仍然為經(jīng)典CNN網(wǎng)絡(luò)模型。經(jīng)典CNN網(wǎng)絡(luò)模型多以生活中的動(dòng)物、植物、人類(lèi)、交通工具等為對(duì)象進(jìn)行訓(xùn)練和建立的,而生活中圖片所蘊(yùn)含的信息及圖片特點(diǎn)明顯與海底側(cè)掃聲吶圖像不同。今后研究人員應(yīng)該以側(cè)掃聲吶圖像特點(diǎn)為基礎(chǔ),開(kāi)發(fā)出專(zhuān)門(mén)適用于解決側(cè)掃聲吶圖像識(shí)別問(wèn)題的新型架構(gòu)CNN網(wǎng)絡(luò)。

        2.1.2 地層剖面探測(cè)

        海底地層剖面探測(cè)主要應(yīng)用場(chǎng)景為根據(jù)所需探測(cè)的地層深度不同,發(fā)射不同頻率和能量的聲信號(hào),反射后結(jié)合地質(zhì)鉆探資料劃分研究區(qū)地層層序。傳統(tǒng)的地層剖面解譯方法需要專(zhuān)業(yè)技術(shù)人員參考測(cè)量區(qū)域的地質(zhì)鉆孔分層情況,在后處理軟件中人工劃分地層層序。傳統(tǒng)處理方法對(duì)人員經(jīng)驗(yàn)依賴(lài)性較強(qiáng),不同人員劃分的地層層序不盡相同。同時(shí),技術(shù)人員在劃分地層層序時(shí)需要手動(dòng)劃分層序位置,工作量較大且效率不高。使用CNN可以通過(guò)已有地層剖面資料的訓(xùn)練來(lái)實(shí)現(xiàn)自動(dòng)劃分地層層序,對(duì)人員經(jīng)驗(yàn)依賴(lài)性弱且能夠大幅增加劃分地層層序的效率。Huang等[32]在2020年利用CNN對(duì)地震反射數(shù)據(jù)進(jìn)行了訓(xùn)練和預(yù)測(cè),展現(xiàn)了CNN應(yīng)用于地層剖面研究的可行性。Zhang等[33]在2021年將三維反射地震和機(jī)器學(xué)習(xí)進(jìn)行結(jié)合,使用反射地震學(xué)的序列整合,確定了Bushveld地區(qū)西部綜合體中被稱(chēng)為坑洞的凹陷結(jié)構(gòu),并建立了經(jīng)驗(yàn)關(guān)系模型,研究認(rèn)為機(jī)器學(xué)習(xí)數(shù)據(jù)分析是傳統(tǒng)地質(zhì)統(tǒng)計(jì)分析的可行替代方法。

        由此可見(jiàn),人工智能方法可較好地應(yīng)用于地球物理調(diào)查研究,在數(shù)據(jù)解譯和圖像處理方面實(shí)現(xiàn)智能化、自動(dòng)化、流程化的作用。同時(shí),目前人工智能方法在陸地上地球物理調(diào)查研究中應(yīng)用案例較多[34?37],而在海洋上的應(yīng)用相對(duì)較少。海洋調(diào)查研究中的數(shù)據(jù)獲取成本高且難度大,相比之下數(shù)據(jù)量也少。以后的研究中應(yīng)更加注重海洋數(shù)據(jù)庫(kù)的建設(shè),形成統(tǒng)一的海洋地球物理測(cè)試流程和標(biāo)準(zhǔn),并將各類(lèi)海洋地球物理調(diào)查資料系統(tǒng)歸納、整理并建設(shè)海洋地球物理資料數(shù)據(jù)庫(kù)。

        2.2 工程地質(zhì)取樣

        工程地質(zhì)取樣可以獲得土層結(jié)構(gòu)、沉積物物理力學(xué)性質(zhì)、地層分布情況等特征信息,主要以鉆機(jī)鉆探取樣、重力取樣等方式將沉積物以柱狀形式取出,再進(jìn)行各類(lèi)物理力學(xué)性質(zhì)測(cè)試或地質(zhì)年代測(cè)定等一系列工作,從而幫助工程技術(shù)人員了解最真實(shí)的地質(zhì)地層狀況。目前,人工智能已被應(yīng)用于地質(zhì)鉆探的鉆孔數(shù)據(jù)信息處理、工程地質(zhì)建模、巖土體性質(zhì)分析等方面。

        2.2.1 巖性、參數(shù)預(yù)測(cè)

        迄今為止,鉆孔信息處理的研究在油氣開(kāi)發(fā)領(lǐng)域中應(yīng)用較多,如鉆孔安全性檢測(cè)、沉積物巖性預(yù)測(cè)等方面。在鉆孔安全性檢測(cè)分析方面,Lin等[38]基于機(jī)器學(xué)習(xí)的元模型技術(shù)對(duì)垂直鉆孔的水平應(yīng)力進(jìn)行了預(yù)測(cè)。Dias等[39]使用單一的基于快速區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)檢測(cè)井眼聲學(xué)圖像記錄中的裂縫和斷裂,可以顯著提高聲學(xué)鉆孔圖像記錄中地質(zhì)構(gòu)造的自動(dòng)檢測(cè)精度。

        沉積物巖性預(yù)測(cè)方面,其原理是建立CNN模型并使用鉆孔的圖像信息與機(jī)器學(xué)習(xí)方法相結(jié)合,對(duì)沉積物巖性進(jìn)行預(yù)測(cè)[40-41]。然而圖像預(yù)測(cè)也存在一些不確定性,為了提高準(zhǔn)確率,Bom等[42]基于深度學(xué)習(xí)和貝葉斯方法,對(duì)圖像測(cè)井中滲透率和孔隙度進(jìn)行預(yù)測(cè),使用得到的概率密度函數(shù)對(duì)巖層儲(chǔ)層進(jìn)行了分析。

        鉆孔信息涉及到沉積物巖性識(shí)別、地層劃分、安全性檢測(cè)等方面,較為適合使用深度學(xué)習(xí)方法進(jìn)行研究。今后研究的重點(diǎn)應(yīng)放在鉆孔資料數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)化建設(shè)上,增加鉆孔資料數(shù)據(jù)量并制定統(tǒng)一的資料處理標(biāo)準(zhǔn)有助于深度學(xué)習(xí)模型的準(zhǔn)確率提高。

        2.2.2 信息提取及建模

        鉆孔數(shù)據(jù)的特點(diǎn)是數(shù)據(jù)多以文字描述的形式儲(chǔ)存,如沉積物類(lèi)型、物理力學(xué)性質(zhì)等,這使得后續(xù)數(shù)據(jù)處理和分析比直接處理數(shù)字更繁瑣且精確度低。針對(duì)這一問(wèn)題,可以將深度學(xué)習(xí)的自然語(yǔ)言處理(Natural Language Processing, NLP)技術(shù)用于鉆孔描述性資料分析[43]。NLP技術(shù)是用于處理自然語(yǔ)言的技術(shù),可以從文本數(shù)據(jù)中提取信息。將其應(yīng)用在鉆孔資料處理時(shí),可自動(dòng)識(shí)別鉆孔數(shù)據(jù)的文字性描述資料并提取相關(guān)信息,能夠減小鉆孔資料處理難度。

        地質(zhì)建模方面,Kim等[44]基于多層感知機(jī)(MLP,Multilayer Perceptron)網(wǎng)絡(luò)對(duì)鉆孔和DEM數(shù)據(jù)進(jìn)行了分類(lèi),建立了voxel模型并提取了地理信息特征,最后繪制了首爾的三維巖土層圖。另外,針對(duì)鉆井工程的井筒塌孔問(wèn)題,Jin等[45]提出了一種基于SURF和2D-DWT的定量描述孔洞形態(tài)的新方法,建立了一個(gè)基于機(jī)器學(xué)習(xí)的孔洞解釋工作流程,該方法被應(yīng)用于新疆某油田,準(zhǔn)確率為90.9%。

        由此可見(jiàn),人工智能方法在地質(zhì)鉆探領(lǐng)域具有廣泛的應(yīng)用價(jià)值,一方面是利用深度學(xué)習(xí)的圖像處理方法,可從鉆孔圖像中獲取各類(lèi)地質(zhì)參數(shù)并進(jìn)行地層自動(dòng)劃分,另一方面可以進(jìn)行描述性資料識(shí)別和處理。另外,還可以使用人工智能方法對(duì)鉆井過(guò)程中的風(fēng)險(xiǎn)和災(zāi)害進(jìn)行實(shí)時(shí)監(jiān)控和預(yù)測(cè)。

        2.3 地質(zhì)災(zāi)害評(píng)價(jià)

        地質(zhì)災(zāi)害評(píng)價(jià)能夠?qū)ρ芯繀^(qū)遭受地質(zhì)災(zāi)害的危險(xiǎn)性或工程建設(shè)的難易程度進(jìn)行評(píng)價(jià)和估量。評(píng)價(jià)需同時(shí)考慮地質(zhì)、水文、氣象、工程等影響因素,并結(jié)合現(xiàn)場(chǎng)調(diào)查情況進(jìn)行綜合分析。地質(zhì)災(zāi)害的一大特點(diǎn)為各影響因素之間具有非線性相關(guān)性,如地震、水深、海底沉積物類(lèi)型等對(duì)海底滑坡會(huì)產(chǎn)生影響,影響因素與災(zāi)害危險(xiǎn)性之間存在相關(guān)但難以量化的關(guān)系。人工智能算法由于其善于處理非線性問(wèn)題的特點(diǎn),較為適宜解決地質(zhì)災(zāi)害評(píng)價(jià)的問(wèn)題,近年來(lái)隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展,在砂土液化、地震監(jiān)測(cè)、滑坡評(píng)價(jià)等多個(gè)地質(zhì)災(zāi)害領(lǐng)域都進(jìn)行了應(yīng)用。砂土液化方面,可以使用地震震級(jí)、沉積物類(lèi)型、CPT錐端阻力、側(cè)壁摩擦力等數(shù)據(jù)作為輸入?yún)?shù),建立機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練,對(duì)地震液化是否發(fā)生進(jìn)行預(yù)測(cè)評(píng)價(jià)[46]。地震監(jiān)測(cè)方面,Mousavi等[47]提出了1個(gè)用于同時(shí)進(jìn)行地震檢測(cè)和相位選取的全局深度學(xué)習(xí)模型,該模型被應(yīng)用于2000年日本鳥(niǎo)取地震期間記錄的5周連續(xù)數(shù)據(jù)時(shí),挑選P相和S相的精度接近分析員人工挑選的精度。在滑坡預(yù)測(cè)評(píng)價(jià)方面,Qi等[48]基于亞馬遜公司提出的AutoGluon機(jī)器學(xué)習(xí)框架,使用了其中的11個(gè)機(jī)器學(xué)習(xí)模型對(duì)九寨溝的山體滑坡危險(xiǎn)性進(jìn)行了預(yù)測(cè)評(píng)價(jià)。與之前的研究相比,AutoGluon框架可以實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型的自動(dòng)計(jì)算和選擇,大大提高了計(jì)算效率與準(zhǔn)確度。Ji等[49]基于高分辨率衛(wèi)星圖像使用卷積神經(jīng)網(wǎng)絡(luò)的分析方法,能夠?qū)崿F(xiàn)根據(jù)衛(wèi)星圖像自動(dòng)準(zhǔn)確識(shí)別滑坡。以上述地震檢測(cè)和滑坡危險(xiǎn)性預(yù)測(cè)研究為基礎(chǔ),可以將對(duì)應(yīng)的研究方法應(yīng)用于海底地震檢測(cè)和海底滑坡危險(xiǎn)性預(yù)測(cè)評(píng)價(jià)的研究。

        由此可見(jiàn),人工智能方法適用于解決傳統(tǒng)地質(zhì)分析方法難以解決的非線性地質(zhì)災(zāi)害評(píng)價(jià)問(wèn)題。無(wú)論是基于衛(wèi)星遙感圖像的災(zāi)害識(shí)別,還是基于多參數(shù)的災(zāi)害綜合分析,都已取得了一定成果。盡管目前人工智能應(yīng)用在陸地地質(zhì)災(zāi)害的研究比海洋地質(zhì)災(zāi)害豐富,但二者研究的主體均為地質(zhì)環(huán)境與人類(lèi)活動(dòng)的相互作用關(guān)系,其研究方法和成果可以相互借鑒。今后應(yīng)在人工智能-陸地地質(zhì)災(zāi)害研究的基礎(chǔ)上,進(jìn)一步將人工智能方法應(yīng)用到海洋地質(zhì)災(zāi)害領(lǐng)域中。

        3 限制和挑戰(zhàn)

        盡管人工智能方法在地質(zhì)領(lǐng)域已經(jīng)取得了很多成功應(yīng)用,但是受算法本身和地質(zhì)問(wèn)題特點(diǎn)的影響,仍然存在一定的限制和挑戰(zhàn)。本節(jié)將對(duì)目前人工智能方法在地質(zhì)領(lǐng)域應(yīng)用時(shí)存在的主要限制和挑戰(zhàn)進(jìn)行闡述。

        3.1 海洋地質(zhì)調(diào)查數(shù)據(jù)庫(kù)

        目前制約人工智能在海洋地質(zhì)調(diào)查領(lǐng)域發(fā)展的主要原因是數(shù)據(jù)量不足且沒(méi)有數(shù)據(jù)格式統(tǒng)一的數(shù)據(jù)庫(kù)。盡管眾多學(xué)者都運(yùn)用了自己勘察或收集到的資料進(jìn)行了機(jī)器學(xué)習(xí)模型訓(xùn)練,并表示取得了較好的效果,但均在文章中表達(dá)了數(shù)據(jù)量對(duì)模型準(zhǔn)確率的重要性。為了獲得更精確的人工智能地質(zhì)模型,建立格式統(tǒng)一、數(shù)據(jù)量大的海洋地質(zhì)調(diào)查數(shù)據(jù)庫(kù)必不可少。

        人工智能建模是由巨大的數(shù)據(jù)量驅(qū)動(dòng)的,數(shù)據(jù)量的豐富程度決定了訓(xùn)練模型的適用程度。因此,數(shù)據(jù)量少、范圍分布小的數(shù)據(jù)訓(xùn)練出的模型即使準(zhǔn)確率很高,也只是代表了在有限數(shù)據(jù)量上的準(zhǔn)確率,并不具有普遍適用性。海洋地質(zhì)調(diào)查數(shù)據(jù)的數(shù)量和分布范圍直接決定了人工智能模型最終的有效性。然而,無(wú)論是與相對(duì)容易獲得大量數(shù)據(jù)的互聯(lián)網(wǎng)行業(yè)、交通運(yùn)輸行業(yè)、金融行業(yè)相比,還是與陸地地質(zhì)勘察行業(yè)相比,海洋地質(zhì)調(diào)查獲得數(shù)據(jù)的難度大、費(fèi)用高、數(shù)據(jù)完整和連貫度低。不同年代、不同單位、不同項(xiàng)目要求條件下的海洋地質(zhì)調(diào)查數(shù)據(jù)均存在較嚴(yán)重的不統(tǒng)一性。因此,將現(xiàn)有調(diào)查數(shù)據(jù)進(jìn)行整合,建立數(shù)據(jù)格式統(tǒng)一的海洋地質(zhì)調(diào)查數(shù)據(jù)庫(kù),是非常必要的。

        3.2 模型算法的選擇

        人工智能算法數(shù)量眾多,除了各類(lèi)經(jīng)典算法外(如決策樹(shù)、支持向量機(jī)、K-means等),新的算法也在不斷涌現(xiàn)和發(fā)展。如何針對(duì)明確的海洋地質(zhì)調(diào)查目的選擇合適的人工智能模型非常重要。針對(duì)各類(lèi)機(jī)器學(xué)習(xí)模型的選擇,Pedregosa等[50]使用多種機(jī)器學(xué)習(xí)模型進(jìn)行了不同數(shù)據(jù)量、不同研究問(wèn)題的試驗(yàn),通過(guò)歸納總結(jié)提出了一個(gè)機(jī)器學(xué)習(xí)模型選擇推薦圖(圖5)。使用該推薦圖可以幫助研究人員在數(shù)據(jù)量不同、使用場(chǎng)景不同時(shí)參考。目前,雖然人工智能算法在海洋調(diào)查領(lǐng)域的應(yīng)用越來(lái)越多,但對(duì)于各類(lèi)研究問(wèn)題的算法選擇仍然沒(méi)有達(dá)成統(tǒng)一,不利于開(kāi)展海洋地質(zhì)調(diào)查研究。因此,不同海洋調(diào)查研究問(wèn)題上的機(jī)器學(xué)習(xí)模型選擇應(yīng)該進(jìn)行規(guī)范化和統(tǒng)一化,針對(duì)不同問(wèn)題給出統(tǒng)一的推薦機(jī)器學(xué)習(xí)模型,方便研究人員高效工作。另外,除了使用成熟的人工智能模型庫(kù)進(jìn)行計(jì)算外,學(xué)者們應(yīng)結(jié)合海洋工程地質(zhì)領(lǐng)域問(wèn)題的特點(diǎn),在現(xiàn)有機(jī)器學(xué)習(xí)模型基礎(chǔ)上進(jìn)一步開(kāi)發(fā)和探究適合解決專(zhuān)屬問(wèn)題的新模型。

        圖5 傳統(tǒng)機(jī)器學(xué)習(xí)模型選擇推薦Fig.5 Traditional machine learning model selection recommendations

        3.3 人工智能算法的可解釋性

        對(duì)于各類(lèi)人工智能算法來(lái)說(shuō),當(dāng)前的困難是模型運(yùn)算的可解釋性,即各類(lèi)人工智能的模型是如何通過(guò)數(shù)據(jù)訓(xùn)練準(zhǔn)確預(yù)測(cè)結(jié)果。以基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)為例,其中間構(gòu)成的隱藏層被學(xué)者們稱(chēng)為“黑箱”,數(shù)據(jù)從輸入層進(jìn)入后,經(jīng)過(guò)隱藏層的一系列處理最后到達(dá)輸出層。雖然在不同問(wèn)題上均產(chǎn)生了較好的結(jié)果,但是其訓(xùn)練的物理過(guò)程仍然難以解釋。盡管目前學(xué)者們已嘗試對(duì)模型的中間過(guò)程進(jìn)行展示[47,49],并取得了一定的成果,但難以解釋神經(jīng)網(wǎng)絡(luò)內(nèi)部工作過(guò)程這一問(wèn)題的存在,這也導(dǎo)致了部分學(xué)者對(duì)其計(jì)算結(jié)果的不信任。

        神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)源是對(duì)人類(lèi)神經(jīng)之間信息傳遞的生物學(xué)模擬,用較為簡(jiǎn)單的數(shù)學(xué)表達(dá)式來(lái)模擬復(fù)雜的生物過(guò)程。但神經(jīng)傳遞和人腦工作的原理至今尚未明確,因此模擬其工作原理的神經(jīng)網(wǎng)絡(luò)也難以被解釋。

        4 結(jié)論與展望

        本文介紹了人工智能方法的基本概念和相互之間的關(guān)系,并總結(jié)了人工智能在海洋工程地質(zhì)領(lǐng)域的應(yīng)用最新進(jìn)展,以及存在的問(wèn)題和限制。對(duì)當(dāng)前人工智能在海洋工程地質(zhì)領(lǐng)域應(yīng)用現(xiàn)狀進(jìn)行了歸納分析,主要研究結(jié)果表明,人工智能算法可以較好地應(yīng)用于海洋工程地質(zhì)調(diào)查領(lǐng)域,有著較高的科學(xué)研究和工程應(yīng)用價(jià)值。目前,人工智能在海洋地質(zhì)調(diào)查領(lǐng)域的應(yīng)用仍處于起步階段,限制因素主要是數(shù)據(jù)量、數(shù)據(jù)質(zhì)量、模型選擇等,有待于更加全面、系統(tǒng)地進(jìn)行研究和應(yīng)用。隨著海洋地質(zhì)調(diào)查數(shù)據(jù)量的增加、數(shù)據(jù)庫(kù)的建設(shè)和人工智能算法的不斷發(fā)展,人工智能算法將更好地解決海洋地質(zhì)調(diào)查的各類(lèi)問(wèn)題。

        地質(zhì)類(lèi)學(xué)科的許多問(wèn)題具有經(jīng)驗(yàn)性和多解性的特點(diǎn):各類(lèi)地質(zhì)災(zāi)害評(píng)價(jià)、物探資料解譯等方面的研究往往無(wú)法建立確定的數(shù)學(xué)關(guān)系,需要憑借研究人員的經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)將沒(méi)有明確數(shù)學(xué)關(guān)系的物理量結(jié)合起來(lái)進(jìn)行分析以得出結(jié)論。同時(shí),由于海底沉積物、松散巖土體的各向異性、不均勻性等特點(diǎn),目前尚無(wú)法用嚴(yán)格的數(shù)學(xué)公式精確表達(dá)海底沉積物的完整物理力學(xué)過(guò)程。工程地質(zhì)領(lǐng)域在描述海底沉積物物理力學(xué)過(guò)程時(shí)均有著不同程度的近似以及經(jīng)驗(yàn)公式表達(dá),致使地質(zhì)學(xué)現(xiàn)象的數(shù)值表達(dá)與實(shí)際情況存在一定客觀差異。人工智能以其獨(dú)特的算法特點(diǎn),特別適合解決非線性和經(jīng)驗(yàn)性的問(wèn)題,因此在地質(zhì)領(lǐng)域的研究問(wèn)題上非常適用。隨著海洋工程地質(zhì)數(shù)據(jù)的增加、工程地質(zhì)調(diào)查設(shè)備的升級(jí)、人工智能算法的不斷創(chuàng)新,應(yīng)將人工智能方法更多地應(yīng)用在海洋工程地質(zhì)領(lǐng)域。

        人工智能算法與傳統(tǒng)的技術(shù)手段有著本質(zhì)上的不同,需理性地看待這種方法。既不能機(jī)械地將數(shù)據(jù)進(jìn)行計(jì)算后得到較高準(zhǔn)確率后就認(rèn)為非常適用,也不能盲目地進(jìn)行排斥,難以接受顛覆傳統(tǒng)思維的新方法?,F(xiàn)階段人工智能無(wú)論是自身的技術(shù)和算法,還是在海洋地質(zhì)調(diào)查領(lǐng)域的應(yīng)用都處于初級(jí)階段,未來(lái)仍有很長(zhǎng)的路要走??茖W(xué)的做法是將傳統(tǒng)技術(shù)方法和人工智能方法二者相結(jié)合,互相取長(zhǎng)補(bǔ)短。

        猜你喜歡
        工程地質(zhì)機(jī)器海洋
        機(jī)器狗
        機(jī)器狗
        繼往開(kāi)來(lái) 守正創(chuàng)新——河北省水文工程地質(zhì)勘查院
        未來(lái)機(jī)器城
        電影(2018年8期)2018-09-21 08:00:06
        海洋的路
        水文地質(zhì)在工程地質(zhì)勘察中的有效應(yīng)用
        愛(ài)的海洋
        琴童(2017年7期)2017-07-31 18:33:48
        第一章 向海洋出發(fā)
        ABAQUS軟件在工程地質(zhì)勘察中的應(yīng)用
        無(wú)敵機(jī)器蛛
        一级黄片草逼免费视频| 成人亚洲性情网站www在线观看| 澳门精品无码一区二区三区| 国产一区二区三区亚洲天堂| 日本一区二区三区熟女俱乐部| 欧美日韩一区二区三区在线观看视频 | 亚洲精品国产精品乱码视色| 偷偷色噜狠狠狠狠的777米奇| 尤物99国产成人精品视频| 免费观看激色视频网站| 国产99re在线观看只有精品| 日韩高清av一区二区| 亚洲精品视频中文字幕| 一本色道久久88精品综合| 91免费永久国产在线观看| av网站可以直接看的| 亚洲色图视频在线免费看| 在线视频观看免费视频18| 日日摸日日碰人妻无码老牲| 久久亚洲精品中文字幕蜜潮 | 国产精品国产成人国产三级| 日韩爱爱视频| 国产二区中文字幕在线观看| 朋友的丰满人妻中文字幕| 久热在线播放中文字幕| 欧美成人中文字幕| 国产在线观看网址不卡一区| 人妻中文字幕日韩av| 亚洲熟妇av日韩熟妇在线| 色999欧美日韩| 日本视频一区二区这里只有精品| av区无码字幕中文色| 日本三级欧美三级人妇视频| 国产精品国产三级国产AvkTV| 亚洲毛片免费观看视频| 成人国产精品一区二区视频| 精品熟女少妇av免费观看| 亚洲女同同性少妇熟女| 亚洲一区二区免费在线观看视频| 在线人成免费视频69国产| 丝袜欧美视频首页在线|