劉程程 LIU Cheng-cheng

（青島海洋工程水下設備檢測有限公司，青島 266000）

0 引言

在海洋工程相關(guān)研究中，海洋工程地質(zhì)研究是一個十分重要的領(lǐng)域。在該領(lǐng)域的研究中，經(jīng)常需要對海量的數(shù)據(jù)進行處理和分析，并開展各種復雜的研究工作。這一過程中，對各種計算技術(shù)和處理工具等有著很高的需求。人工神經(jīng)網(wǎng)絡是一種新型、智能的計算技術(shù)，具有強大的計算功能和較強的實用性。在海洋工程地質(zhì)研究相關(guān)工作的開展過程中，人工神經(jīng)網(wǎng)絡開始受到人們的日益關(guān)注，關(guān)于其應用以及相關(guān)研究也呈現(xiàn)出不斷深入和廣泛的發(fā)展趨勢。

1 人工神經(jīng)網(wǎng)絡與海洋工程地質(zhì)研究

人工神經(jīng)網(wǎng)絡是若干類似神經(jīng)元的處理單元相互連接而構(gòu)成的龐大信息處理系統(tǒng)，是對人腦組織結(jié)構(gòu)和運行機制的抽象、簡化和模擬。人工神經(jīng)網(wǎng)絡的應用范圍十分廣泛，應用領(lǐng)域涉及到多個不同的方面。在海洋工程相關(guān)研究中，海洋工程地質(zhì)研究是十分重要的組成部分，海洋工程地質(zhì)研究是研究與人類工程建筑活動有關(guān)的地質(zhì)問題的學科，具體內(nèi)容是研究海洋工程建筑物所處海域的海洋工程地質(zhì)條件及其海底地基的土、巖體穩(wěn)定性的工程地質(zhì)問題。其中，對海洋沉積物進行工程分類定名是基礎(chǔ)所在，無論對海洋工程設施的建設還是科研領(lǐng)域的研究都有著重要作用。人工神經(jīng)網(wǎng)絡是一個十分重要的計算模型，具有強大的數(shù)據(jù)處理能力，可以作為一種重要的工具，以更好的開展海洋工程地質(zhì)研究。在海洋工程地質(zhì)領(lǐng)域，經(jīng)常需要通過對沉積物的定名來對其所具備的物理力學性質(zhì)進行初步判斷，之后，通過開展地球物理調(diào)查以及鉆探等方式，對巖土體情況實施全面科學的評價與分析，并得出一定的研究結(jié)果。相應的研究結(jié)果具有很高的參考價值與應用價值，可以為多種海洋工程設施的選址、設計以及實際施工等提供重要的基礎(chǔ)支撐以及保障。因此，海洋沉積物工程定名對于開展海洋工程建設具有重要作用。但是，在對海底粉土以及黏性土進行定名的時候，往往會受到多種人為因素的影響，導致誤差的產(chǎn)生。這一情況下，為了獲得理想的分類效果，可以積極的應用人工神經(jīng)網(wǎng)絡技術(shù)。

2 人工神經(jīng)網(wǎng)絡在海底細粒土工程分類中的應用

2.1 含黏粒沉積物工程分類網(wǎng)絡構(gòu)建

目前，人們對海洋的研究以及開發(fā)日益廣泛和復雜，大量的海洋相關(guān)工程不斷的涌現(xiàn)出來，在我國眾多海域正在如火如荼的進行建設。在設計、開發(fā)、建設多種海洋工程項目的時候，經(jīng)常會涉及到海底細粒土工程分類問題。例如，在建設一些海底工程時，海底細粒土的特點以及特性會對整個工程的建設與施工情況產(chǎn)生極為深遠的影響。因此，目前在海洋工程地質(zhì)研究方面，對海底細粒土分類問題的研究也越來越多。在海洋工程地質(zhì)研究方面，在對各種海域的細粒土進行分析，以準確分類的時候，工作人員通過廣泛收集與實地考察，往往會收集到大量的相關(guān)數(shù)據(jù)信息。對于這些數(shù)據(jù)信息，還需要工作人員進行細致的分析和處理，方可獲得可靠的研究結(jié)果，并依據(jù)研究結(jié)果進行分類定名。但是，這一過程中涉及到的數(shù)據(jù)分析與處理工作量極大，常規(guī)的分析與處理技術(shù)應用時存在效率較低，準確度不足等問題。為妥善解決上述難題，工作人員可以積極的從人工神經(jīng)網(wǎng)絡中尋求思路。在以往的數(shù)據(jù)分析和處理，研究等工作中，在開展海洋沉積物工程定名精度分析的時候，工作人員應用較多的方法是基于黏粒質(zhì)量分數(shù)的分類方法。此種方法存在工作量較大，分析過程較為復雜等問題，整體效果不夠理想。

在本文的研究中，則選擇立足人工神經(jīng)網(wǎng)絡的相關(guān)特點及其在海洋工程中的應用情況，應用人工神經(jīng)網(wǎng)絡的方法對某海域的部分細粒土數(shù)據(jù)實施訓練以及學習。最終，獲得只利用沉積物粒徑質(zhì)量分數(shù)進行定名的方法。在具體的研究過程中，首先對數(shù)據(jù)進行劃分。具體的劃分過程中，設定的劃分方式為檢驗數(shù)據(jù)15%、驗證數(shù)據(jù)15%、訓練數(shù)據(jù)70%，所采用的網(wǎng)絡結(jié)構(gòu)為5-x-3模式。訓練函數(shù)將分別 對Levenberg-Marquardt，Bayesian regularization，Scaled conjugate gradient進行試驗，根據(jù)最終檢驗對準確率選擇最佳函數(shù)。在試驗過程中，輸入一定的訓練數(shù)據(jù)，包括沉積物在不同粒徑大小下的質(zhì)量分數(shù)，相應的粒徑大小包括粒徑<0.005mm、0.005mm≤粒徑<0.075mm、0.075mm≤粒徑<0.25mm，以及0.5mm≤粒徑<2mm，0.25mm≤粒徑<0.5mm。這一過程中，神經(jīng)網(wǎng)絡參數(shù)的設置情況如表1所示。

表1 神經(jīng)網(wǎng)絡試驗參數(shù)設置

其中，在第1組試驗中，借助Scaled conj ugate gradient訓練函數(shù)，對最優(yōu)的網(wǎng)絡隱藏層節(jié)點具體數(shù)目予以明確。在第2、3、4組試驗中，將網(wǎng)絡結(jié)構(gòu)設定為5-10-3。在具體的試驗中，對訓練函數(shù)的類型進行調(diào)整，進而對最優(yōu)的傳遞函數(shù)予以確定。在不同的試驗過程中，首先對數(shù)據(jù)實施隨機狀態(tài)下的劃分，將數(shù)據(jù)分為3種類型。同時，在每個隱藏層，均涉及到若干數(shù)目的節(jié)點，對于這些不同的節(jié)點，均實施細致的運算，運算總次數(shù)均為5次。通過實施不同的運算，可以獲得一定的準確率。這一準確率結(jié)果之間會存在一些差異，有高低之分。對于每次運算的結(jié)果需要進行收集和整理，并對不同的準確率進行比較，得出其中最高的準確率。對于篩選得到的最高準確率，可以將其設定為在該節(jié)點條件下，網(wǎng)絡模型的最終準確率。在1次訓練完畢，完成驗證操作之后，需要再次實施隨機數(shù)據(jù)劃分。按照上述范式，一共開展10次隨機數(shù)據(jù)劃分。在對準確率結(jié)果予以統(tǒng)計之后，最終可以獲得最優(yōu)節(jié)點數(shù)。通過上述操作，最終可以獲得研究所需的最佳訓練函數(shù)以及隱藏層最佳節(jié)點數(shù)，借助這些結(jié)果，在開展海洋沉積物工程定名精度分析的時候，便可以構(gòu)建起分析所需的具體神經(jīng)網(wǎng)絡模型。

2.2 數(shù)據(jù)來源

在本次研究中，進行相關(guān)數(shù)據(jù)分析的時候，選擇建立對照試驗，觀察基于黏粒質(zhì)量分數(shù)的分類方法進行數(shù)據(jù)分析，計算的效果，以及應用本次研究所構(gòu)建的神經(jīng)網(wǎng)絡模型進行數(shù)據(jù)分析和計算的結(jié)果。對不同方法下的最終結(jié)果進行對比分析，找出不同方法在分類定名方面的準確性與差異情況，以驗證人工神經(jīng)網(wǎng)絡技術(shù)的應用優(yōu)勢。

在研究過程中，在相關(guān)數(shù)據(jù)方面，研究數(shù)據(jù)來源于某海域鉆探獲取的柱狀樣品測試結(jié)果。該結(jié)果中一共包含了284組數(shù)據(jù)，在相關(guān)沉積物類型方面，涉及到黏土和粉質(zhì)黏土以及粉土，對應的數(shù)據(jù)組數(shù)分別為44組、42組、198組。通過對相關(guān)資料進行查詢和分析了解到，該海域的沉積物類型中，粉土為主要的類型。同時，在海域的不同區(qū)域，沉積物粒徑也呈現(xiàn)出一定的改變，從近岸至遠岸端，沉積物粒徑呈現(xiàn)出逐漸變小的變化趨勢。在水深達到15m以上的海域，沉積物的類型開始發(fā)生變化，逐漸從粉土過渡為粉質(zhì)黏土以及黏土。在上述284組數(shù)據(jù)中，每組數(shù)據(jù)中均涉及到沉積物不同粒徑的質(zhì)量分數(shù)。這一情況下，便可以借助對相關(guān)數(shù)據(jù)的分析，使用海洋工程分類方法的沉積物定名名稱。

2.3 結(jié)果與討論

在研究中，對隱藏層節(jié)點數(shù)4~20的不同網(wǎng)絡進行訓練，完成驗證之后，可以獲得關(guān)于準確率的統(tǒng)計結(jié)果，具體結(jié)果如圖1所示。

圖1 不同隱藏層節(jié)點網(wǎng)絡準確率統(tǒng)計結(jié)果

本文的研究中，在驗證隱藏層節(jié)點數(shù)準確率的過程中，選擇對全部數(shù)據(jù)進行隨機數(shù)據(jù)分割，一共進行10次隨機數(shù)據(jù)分割，分割方式均為70%-15%-15%數(shù)據(jù)分割。在完成每次的數(shù)據(jù)分割之后，對相應的數(shù)據(jù)均實施5次訓練以及驗證，最終獲得準確率的最大值。如果僅僅對數(shù)據(jù)進行1次分割，則極易出現(xiàn)數(shù)據(jù)學習不充分的問題，影響最終的數(shù)據(jù)分析結(jié)果。而通過上述驗證方式，一共進行10次隨機數(shù)據(jù)分割，可以對數(shù)據(jù)信息予以充分的分析和挖掘，最終得到的研究結(jié)果也較為準確與科學。當網(wǎng)絡節(jié)點數(shù)一定時，分別使用3個不同訓練函數(shù)進行了20次訓練并使用測試集進行了驗證，最終可以得到不同訓練函數(shù)下的多個準確率，包括最低準確率、最低準確率、中位準確率、平均準確率，具體統(tǒng)計結(jié)果如表2所示。

表2 不同訓練函數(shù)準確率（最低準確率、最低準確率、中位準確率、平均準確率）統(tǒng)計結(jié)果

綜合分析以上結(jié)果可以發(fā)現(xiàn)，如果訓練函數(shù)為Scaled conj ugate gradient，隱藏層的節(jié)點數(shù)為9。通過應用最優(yōu)網(wǎng)絡對數(shù)據(jù)實施訓練和預測，可以獲得到一定的結(jié)果，具體的結(jié)果如圖2所示。最終得到的神經(jīng)網(wǎng)絡對測試集預測的總準確率為97.7%。分別使用神經(jīng)網(wǎng)絡方法和海洋沉積物工程分類黏粒界限法對測試集進行預測，最終的預測結(jié)果如圖3所示。

圖2 訓練過程

圖3 沉積物工程分類預測結(jié)果

海洋沉積物工程分類黏粒界限法的應用過程中，通過對大量數(shù)據(jù)的分析，可以對黏粒質(zhì)量分數(shù)與定名之間的關(guān)系進行總結(jié)歸納。在具體的預測過程中，在對43組數(shù)據(jù)進行預測的時候，應用海洋沉積物工程分類黏粒界限法的過程中，正確預測的數(shù)據(jù)數(shù)量一共為40個，最終的預測準確率為93%。在使用本文所提出的人工神經(jīng)網(wǎng)絡方法對上述數(shù)據(jù)進行預測的時候，43組數(shù)據(jù)中，準確預測的數(shù)據(jù)一共有42個，數(shù)據(jù)預測準確率達到97.7%。比較海洋沉積物工程分類黏粒界限法與本文所提出的人工神經(jīng)網(wǎng)絡方法在數(shù)據(jù)預測方面的效果以差異，不難發(fā)現(xiàn)，本文所提出的預測方法具備明顯的應用優(yōu)勢，預測準確率更高。與原有海洋沉積物工程分類黏粒界限法相比較，應用人工神經(jīng)網(wǎng)絡預測方法準確率更高，預測效果更好。海洋沉積物工程分類黏粒界限法的預測準確率雖然達到了90%以上，但應用該方法的過程中，仍然存在十分明顯的局限性。本次研究中所提出的方法能夠建立粒徑質(zhì)量分數(shù)和沉積物定名之間的非線性耦合關(guān)系，更加接近原有分類方法的本質(zhì)，更為科學地對含黏粒細粒沉積物進行分類。隨著海洋工程地質(zhì)數(shù)據(jù)的增加、工程地質(zhì)調(diào)查設備的升級、人工神經(jīng)網(wǎng)絡的不斷創(chuàng)新，應將人工神經(jīng)網(wǎng)絡更多地應用在海洋工程地質(zhì)領(lǐng)域。

3 總結(jié)

在本文的研究過程中，使用了人工神經(jīng)網(wǎng)絡的技術(shù)手段，通過對某海域284組海底粉土、黏性土沉積物顆粒級配數(shù)據(jù)進行訓練和學習，建立了只需使用沉積物粒徑質(zhì)量分數(shù)就可以進行沉積物工程分類的神經(jīng)網(wǎng)絡。通過本文的研究可以發(fā)現(xiàn)，使用人工神經(jīng)網(wǎng)絡技術(shù)能夠?qū)Ｑ蠹毩：ち３练e物進行準確的分類，依靠沉積物粒徑質(zhì)量分數(shù)可以較為準確地對某海域海底沉積物進行工程定名，定名結(jié)果與使用塑性指數(shù)的規(guī)范定名方法高度一致。總體來看，人工神經(jīng)網(wǎng)絡技術(shù)與海洋工程地質(zhì)之間存在著十分密切的聯(lián)系。在開展海洋工程地質(zhì)相關(guān)研究的時候，可以積極的應用這一技術(shù)。