人工神经网络在海洋工程中的应用研究——以海洋工程地质研究为例

刘程程 LIU Cheng-cheng

（青岛海洋工程水下设备检测有限公司，青岛 266000）

0 引言

在海洋工程相关研究中，海洋工程地质研究是一个十分重要的领域。在该领域的研究中，经常需要对海量的数据进行处理和分析，并开展各种复杂的研究工作。这一过程中，对各种计算技术和处理工具等有着很高的需求。人工神经网络是一种新型、智能的计算技术，具有强大的计算功能和较强的实用性。在海洋工程地质研究相关工作的开展过程中，人工神经网络开始受到人们的日益关注，关于其应用以及相关研究也呈现出不断深入和广泛的发展趋势。

1 人工神经网络与海洋工程地质研究

人工神经网络是若干类似神经元的处理单元相互连接而构成的庞大信息处理系统，是对人脑组织结构和运行机制的抽象、简化和模拟。人工神经网络的应用范围十分广泛，应用领域涉及到多个不同的方面。在海洋工程相关研究中，海洋工程地质研究是十分重要的组成部分，海洋工程地质研究是研究与人类工程建筑活动有关的地质问题的学科，具体内容是研究海洋工程建筑物所处海域的海洋工程地质条件及其海底地基的土、岩体稳定性的工程地质问题。其中，对海洋沉积物进行工程分类定名是基础所在，无论对海洋工程设施的建设还是科研领域的研究都有着重要作用。人工神经网络是一个十分重要的计算模型，具有强大的数据处理能力，可以作为一种重要的工具，以更好的开展海洋工程地质研究。在海洋工程地质领域，经常需要通过对沉积物的定名来对其所具备的物理力学性质进行初步判断，之后，通过开展地球物理调查以及钻探等方式，对岩土体情况实施全面科学的评价与分析，并得出一定的研究结果。相应的研究结果具有很高的参考价值与应用价值，可以为多种海洋工程设施的选址、设计以及实际施工等提供重要的基础支撑以及保障。因此，海洋沉积物工程定名对于开展海洋工程建设具有重要作用。但是，在对海底粉土以及黏性土进行定名的时候，往往会受到多种人为因素的影响，导致误差的产生。这一情况下，为了获得理想的分类效果，可以积极的应用人工神经网络技术。

2 人工神经网络在海底细粒土工程分类中的应用

2.1 含黏粒沉积物工程分类网络构建

目前，人们对海洋的研究以及开发日益广泛和复杂，大量的海洋相关工程不断的涌现出来，在我国众多海域正在如火如荼的进行建设。在设计、开发、建设多种海洋工程项目的时候，经常会涉及到海底细粒土工程分类问题。例如，在建设一些海底工程时，海底细粒土的特点以及特性会对整个工程的建设与施工情况产生极为深远的影响。因此，目前在海洋工程地质研究方面，对海底细粒土分类问题的研究也越来越多。在海洋工程地质研究方面，在对各种海域的细粒土进行分析，以准确分类的时候，工作人员通过广泛收集与实地考察，往往会收集到大量的相关数据信息。对于这些数据信息，还需要工作人员进行细致的分析和处理，方可获得可靠的研究结果，并依据研究结果进行分类定名。但是，这一过程中涉及到的数据分析与处理工作量极大，常规的分析与处理技术应用时存在效率较低，准确度不足等问题。为妥善解决上述难题，工作人员可以积极的从人工神经网络中寻求思路。在以往的数据分析和处理，研究等工作中，在开展海洋沉积物工程定名精度分析的时候，工作人员应用较多的方法是基于黏粒质量分数的分类方法。此种方法存在工作量较大，分析过程较为复杂等问题，整体效果不够理想。

在本文的研究中，则选择立足人工神经网络的相关特点及其在海洋工程中的应用情况，应用人工神经网络的方法对某海域的部分细粒土数据实施训练以及学习。最终，获得只利用沉积物粒径质量分数进行定名的方法。在具体的研究过程中，首先对数据进行划分。具体的划分过程中，设定的划分方式为检验数据15%、验证数据15%、训练数据70%，所采用的网络结构为5-x-3模式。训练函数将分别 对Levenberg-Marquardt，Bayesian regularization，Scaled conjugate gradient进行试验，根据最终检验对准确率选择最佳函数。在试验过程中，输入一定的训练数据，包括沉积物在不同粒径大小下的质量分数，相应的粒径大小包括粒径<0.005mm、0.005mm≤粒径<0.075mm、0.075mm≤粒径<0.25mm，以及0.5mm≤粒径<2mm，0.25mm≤粒径<0.5mm。这一过程中，神经网络参数的设置情况如表1所示。

表1 神经网络试验参数设置

其中，在第1组试验中，借助Scaled conj ugate gradient训练函数，对最优的网络隐藏层节点具体数目予以明确。在第2、3、4组试验中，将网络结构设定为5-10-3。在具体的试验中，对训练函数的类型进行调整，进而对最优的传递函数予以确定。在不同的试验过程中，首先对数据实施随机状态下的划分，将数据分为3种类型。同时，在每个隐藏层，均涉及到若干数目的节点，对于这些不同的节点，均实施细致的运算，运算总次数均为5次。通过实施不同的运算，可以获得一定的准确率。这一准确率结果之间会存在一些差异，有高低之分。对于每次运算的结果需要进行收集和整理，并对不同的准确率进行比较，得出其中最高的准确率。对于筛选得到的最高准确率，可以将其设定为在该节点条件下，网络模型的最终准确率。在1次训练完毕，完成验证操作之后，需要再次实施随机数据划分。按照上述范式，一共开展10次随机数据划分。在对准确率结果予以统计之后，最终可以获得最优节点数。通过上述操作，最终可以获得研究所需的最佳训练函数以及隐藏层最佳节点数，借助这些结果，在开展海洋沉积物工程定名精度分析的时候，便可以构建起分析所需的具体神经网络模型。

2.2 数据来源

在本次研究中，进行相关数据分析的时候，选择建立对照试验，观察基于黏粒质量分数的分类方法进行数据分析，计算的效果，以及应用本次研究所构建的神经网络模型进行数据分析和计算的结果。对不同方法下的最终结果进行对比分析，找出不同方法在分类定名方面的准确性与差异情况，以验证人工神经网络技术的应用优势。

在研究过程中，在相关数据方面，研究数据来源于某海域钻探获取的柱状样品测试结果。该结果中一共包含了284组数据，在相关沉积物类型方面，涉及到黏土和粉质黏土以及粉土，对应的数据组数分别为44组、42组、198组。通过对相关资料进行查询和分析了解到，该海域的沉积物类型中，粉土为主要的类型。同时，在海域的不同区域，沉积物粒径也呈现出一定的改变，从近岸至远岸端，沉积物粒径呈现出逐渐变小的变化趋势。在水深达到15m以上的海域，沉积物的类型开始发生变化，逐渐从粉土过渡为粉质黏土以及黏土。在上述284组数据中，每组数据中均涉及到沉积物不同粒径的质量分数。这一情况下，便可以借助对相关数据的分析，使用海洋工程分类方法的沉积物定名名称。

2.3 结果与讨论

在研究中，对隐藏层节点数4~20的不同网络进行训练，完成验证之后，可以获得关于准确率的统计结果，具体结果如图1所示。

图1 不同隐藏层节点网络准确率统计结果

本文的研究中，在验证隐藏层节点数准确率的过程中，选择对全部数据进行随机数据分割，一共进行10次随机数据分割，分割方式均为70%-15%-15%数据分割。在完成每次的数据分割之后，对相应的数据均实施5次训练以及验证，最终获得准确率的最大值。如果仅仅对数据进行1次分割，则极易出现数据学习不充分的问题，影响最终的数据分析结果。而通过上述验证方式，一共进行10次随机数据分割，可以对数据信息予以充分的分析和挖掘，最终得到的研究结果也较为准确与科学。当网络节点数一定时，分别使用3个不同训练函数进行了20次训练并使用测试集进行了验证，最终可以得到不同训练函数下的多个准确率，包括最低准确率、最低准确率、中位准确率、平均准确率，具体统计结果如表2所示。

表2 不同训练函数准确率（最低准确率、最低准确率、中位准确率、平均准确率）统计结果

综合分析以上结果可以发现，如果训练函数为Scaled conj ugate gradient，隐藏层的节点数为9。通过应用最优网络对数据实施训练和预测，可以获得到一定的结果，具体的结果如图2所示。最终得到的神经网络对测试集预测的总准确率为97.7%。分别使用神经网络方法和海洋沉积物工程分类黏粒界限法对测试集进行预测，最终的预测结果如图3所示。

图2 训练过程

图3 沉积物工程分类预测结果

海洋沉积物工程分类黏粒界限法的应用过程中，通过对大量数据的分析，可以对黏粒质量分数与定名之间的关系进行总结归纳。在具体的预测过程中，在对43组数据进行预测的时候，应用海洋沉积物工程分类黏粒界限法的过程中，正确预测的数据数量一共为40个，最终的预测准确率为93%。在使用本文所提出的人工神经网络方法对上述数据进行预测的时候，43组数据中，准确预测的数据一共有42个，数据预测准确率达到97.7%。比较海洋沉积物工程分类黏粒界限法与本文所提出的人工神经网络方法在数据预测方面的效果以差异，不难发现，本文所提出的预测方法具备明显的应用优势，预测准确率更高。与原有海洋沉积物工程分类黏粒界限法相比较，应用人工神经网络预测方法准确率更高，预测效果更好。海洋沉积物工程分类黏粒界限法的预测准确率虽然达到了90%以上，但应用该方法的过程中，仍然存在十分明显的局限性。本次研究中所提出的方法能够建立粒径质量分数和沉积物定名之间的非线性耦合关系，更加接近原有分类方法的本质，更为科学地对含黏粒细粒沉积物进行分类。随着海洋工程地质数据的增加、工程地质调查设备的升级、人工神经网络的不断创新，应将人工神经网络更多地应用在海洋工程地质领域。

3 总结

在本文的研究过程中，使用了人工神经网络的技术手段，通过对某海域284组海底粉土、黏性土沉积物颗粒级配数据进行训练和学习，建立了只需使用沉积物粒径质量分数就可以进行沉积物工程分类的神经网络。通过本文的研究可以发现，使用人工神经网络技术能够对海洋细粒含黏粒沉积物进行准确的分类，依靠沉积物粒径质量分数可以较为准确地对某海域海底沉积物进行工程定名，定名结果与使用塑性指数的规范定名方法高度一致。总体来看，人工神经网络技术与海洋工程地质之间存在着十分密切的联系。在开展海洋工程地质相关研究的时候，可以积极的应用这一技术。