基于人工神經(jīng)網(wǎng)絡(luò)的海底細(xì)粒土工程分類研究

杜 星孫永福宋玉鵬張牧子

(1.自然資源部 第一海洋研究所,山東 青島266061;2.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266235;3.國(guó)家深?；毓芾碇行?山東 青島266237)

海洋沉積物工程分類定名是海洋工程地質(zhì)研究的基礎(chǔ),無(wú)論對(duì)海洋工程設(shè)施的建設(shè)還是科研領(lǐng)域的研究都有著重要作用。海洋工程地質(zhì)領(lǐng)域需要通過(guò)對(duì)沉積物定名來(lái)初步判斷其物理力學(xué)性質(zhì),繼而結(jié)合地球物理調(diào)查和鉆探等手段對(duì)巖土體進(jìn)行全面評(píng)價(jià),為工程設(shè)施的選址、設(shè)計(jì)和施工提供基礎(chǔ)支撐和保障。雖然碎石土和砂土可以方便地通過(guò)顆粒形狀和顆粒級(jí)配進(jìn)行定名,但是粉土和黏性土的工程定名需要利用塑性指數(shù)[1],其測(cè)定手段相對(duì)顆粒分析較為復(fù)雜且容易產(chǎn)生人為誤差。海洋沉積物的常用沉積定名方法主要有Shepard分類法[2]和Folk分類法[3],分別通過(guò)沉積物各顆粒組分間的含量和比例關(guān)系進(jìn)行定名。沉積分類方法對(duì)沉積物類型劃分較為細(xì)致,能夠一定程度上反映沉積過(guò)程中沉積動(dòng)力學(xué)的變化,是沉積環(huán)境的指示標(biāo)志,區(qū)域分布也可以反映沉積物的來(lái)源方向[4-6]?，F(xiàn)有沉積物工程分類數(shù)據(jù)主要集中于近岸工程區(qū)域,遠(yuǎn)岸海域資料較少,這不利于全海域海洋工程建設(shè)的發(fā)展。若能提出一種依靠現(xiàn)有粒度數(shù)據(jù)即可快速為沉積物進(jìn)行海洋工程定名的方法,將大幅度地提高遠(yuǎn)海海洋工程建設(shè)的效率。因此,尋求簡(jiǎn)便的海洋沉積物工程分類方法,既可以提高工程定名的效率,也能夠減少實(shí)驗(yàn)操作的人為誤差。新定名方法的重點(diǎn)便是簡(jiǎn)化塑性指數(shù)對(duì)細(xì)粒土定名的影響,尋找其他相關(guān)因素對(duì)塑性指數(shù)的替代作用。

塑性指數(shù)的大小受到與黏粒質(zhì)量分?jǐn)?shù)、蒙脫石礦物和土體結(jié)合水質(zhì)量分?jǐn)?shù)等因素共同作用的影響[7],當(dāng)同一地區(qū)其他因素影響較小時(shí)黏粒質(zhì)量分?jǐn)?shù)占主要作用。學(xué)者們通過(guò)試驗(yàn)探討了黏粒質(zhì)量分?jǐn)?shù)對(duì)土體抗液化性能的影響[8-11]。張梅靜和陳亮[12]、何停印和閆芙蓉[13]、閆芙蓉等[14]對(duì)塑性指數(shù)和黏粒質(zhì)量分?jǐn)?shù)進(jìn)行了回歸分析,研究認(rèn)為兩者間存在密切相關(guān)性。杜星等[15]通過(guò)對(duì)大量粉土、黏性土樣品進(jìn)行分析,提出了海洋沉積物工程分類黏粒界限法,能較為準(zhǔn)確地只通過(guò)黏粒質(zhì)量分?jǐn)?shù)對(duì)粉土、黏性土進(jìn)行工程定名。綜上所述,黏粒質(zhì)量分?jǐn)?shù)與塑性指數(shù)具有密切相關(guān)性,能起到較好的替代作用,但是通過(guò)整理數(shù)據(jù)人為劃定黏粒質(zhì)量分?jǐn)?shù)來(lái)定名的方法主觀因素影響較大。為了更科學(xué)、客觀地建立黏粒質(zhì)量分?jǐn)?shù)和沉積物工程定名的關(guān)系,本文將通過(guò)人工神經(jīng)網(wǎng)絡(luò)的方法,使用大量基于沉積物工程定名的顆粒級(jí)配數(shù)據(jù)進(jìn)行訓(xùn)練得出海洋細(xì)粒土工程分類定名神經(jīng)網(wǎng)絡(luò)。

1 海洋沉積物工程分類方法

1.1 海洋沉積物工程分類規(guī)范方法

《巖土工程勘察規(guī)范》[1]中碎石土部分根據(jù)顆粒形狀和顆粒級(jí)配進(jìn)行定名;砂土部分根據(jù)顆粒級(jí)配進(jìn)行定名;粉土和黏性土根據(jù)顆粒級(jí)配和塑性指數(shù)進(jìn)行定名。其中根據(jù)顆粒形狀和顆粒級(jí)配進(jìn)行碎石土和砂土定名的方法在此不做敘述。塑性指數(shù)(IP)由相應(yīng)于76 g圓錐體沉入土樣中深度為10 mm時(shí)測(cè)定的液限計(jì)算而得。

粉土和黏性土定名標(biāo)準(zhǔn)見(jiàn)表1。粒徑＞0.075 mm的顆粒質(zhì)量不超過(guò)總質(zhì)量的50%且IP≤10的土,應(yīng)定名為粉土。IP＞10的土應(yīng)定名為黏性土:10＜I P≤17的土定名為粉質(zhì)黏土;IP＞17的土應(yīng)定名為黏土。

工程分類將顆粒級(jí)配分成了砂粒、粉粒和黏粒三大類,不同類別對(duì)應(yīng)著不同的沉積物工程性質(zhì),同時(shí)在細(xì)粒含黏粒沉積物的定名中引入了塑性指數(shù),有助于確立具體的工程性質(zhì)。

1.2 海洋沉積物工程分類黏粒界限法

黏粒界限法[15]海洋沉積物工程分類標(biāo)準(zhǔn)見(jiàn)表2,該方法提出當(dāng)粒徑大于0.075 mm的顆粒質(zhì)量不超過(guò)總質(zhì)量的50%時(shí),若黏粒質(zhì)量分?jǐn)?shù)小于20%,沉積物可定名為粉土;黏粒質(zhì)量分?jǐn)?shù)大于20%且小于35%時(shí),定名為粉質(zhì)黏土;當(dāng)黏粒質(zhì)量分?jǐn)?shù)大于35%時(shí)應(yīng)定名為黏土。該方法為簡(jiǎn)化塑性指數(shù)對(duì)定名的影響而發(fā)明,依靠大量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)劃分了沉積物之間黏粒含量界限。

表2 粉土和黏性土分類Table 2 Classification of silt and clay

2 含黏粒沉積物工程分類網(wǎng)絡(luò)構(gòu)建

2.1 數(shù)據(jù)來(lái)源

本文研究數(shù)據(jù)來(lái)源于自然資源部第一海洋研究所在黃河口埕島海域鉆探獲取的柱狀樣品測(cè)試結(jié)果,共有284組數(shù)據(jù):粉土198組、粉質(zhì)黏土42組、黏土44組。黃河口埕島海域沉積物類型以粉土為主,從近岸至遠(yuǎn)岸端沉積物粒徑逐漸變細(xì),超過(guò)15 m水深的海域逐漸過(guò)渡為粉質(zhì)黏土和黏土。每組數(shù)據(jù)均包含沉積物各粒徑的質(zhì)量分?jǐn)?shù),使用海洋工程分類方法的沉積物定名名稱。其中,沉積物包括砂粒(0.075 mm≤粒徑＜2.000 mm)、粉粒(0.075～0.005 mm)和黏粒(＜0.005 mm)。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是有監(jiān)督機(jī)器學(xué)習(xí)算法的一種類型,通過(guò)模仿自然界生物神經(jīng)元之間電信號(hào)的傳遞并由大量節(jié)點(diǎn)相互連接組成[16]。典型的人工神經(jīng)網(wǎng)絡(luò)通常包含輸入層、隱藏層和輸出層。輸入層與輸入變量有相同數(shù)量的節(jié)點(diǎn)數(shù);隱藏層包含了神經(jīng)元之間連接的權(quán)重值以及相應(yīng)的閾值函數(shù),用來(lái)傳遞和處理信號(hào),可為一層或多層;輸出層為要得到的數(shù)據(jù)。

圖1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程Fig.1 Flow chart of Neural Network Training

本文使用了MATLAB的神經(jīng)網(wǎng)絡(luò)模塊進(jìn)行計(jì)算,該模塊能夠通過(guò)成熟的神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證,其可靠性在地質(zhì)學(xué)領(lǐng)域的多個(gè)方面都得到了證實(shí)[16],模型計(jì)算流程見(jiàn)圖1。首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理,即將不同區(qū)間的數(shù)據(jù)歸一至[0,1]區(qū)間上,方便后續(xù)運(yùn)算。神經(jīng)網(wǎng)絡(luò)研究數(shù)據(jù)可分割成訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)以及完全獨(dú)立的檢驗(yàn)數(shù)據(jù)。訓(xùn)練集和驗(yàn)證集共同參與網(wǎng)絡(luò)訓(xùn)練過(guò)程,訓(xùn)練集數(shù)據(jù)用于訓(xùn)練模型的權(quán)重,驗(yàn)證集數(shù)據(jù)主要用于確定網(wǎng)絡(luò)中的超參數(shù)。選定算法后首先向后訓(xùn)練得到結(jié)果,并與實(shí)際結(jié)果比較。利用二者的誤差將向前進(jìn)行反饋并更新權(quán)重值,使網(wǎng)絡(luò)更能接近實(shí)際的表達(dá)值,直至所有訓(xùn)練數(shù)據(jù)訓(xùn)練完畢。對(duì)于一組訓(xùn)練數(shù)據(jù)通常會(huì)進(jìn)行多次訓(xùn)練,每訓(xùn)練一次稱為一個(gè)世代(Epoch),一般訓(xùn)練達(dá)到設(shè)定的參數(shù)條件后停止。

使用傳統(tǒng)定名方法對(duì)沉積物定名時(shí),依靠各種粒徑的質(zhì)量分?jǐn)?shù)確定沉積物名稱,相似粒徑質(zhì)量分?jǐn)?shù)的沉積物具有一致的沉積學(xué)和工程方面的性質(zhì)。神經(jīng)網(wǎng)絡(luò)的工作原理也是通過(guò)對(duì)若干輸入?yún)?shù)進(jìn)行矩陣運(yùn)算最終得出輸出參數(shù),這與傳統(tǒng)定名方法的輸入輸出方式較為相似。二者區(qū)別為:傳統(tǒng)定名方法是粒徑參數(shù)與定名結(jié)果的線性關(guān)系,而神經(jīng)網(wǎng)絡(luò)方法是先通過(guò)已有定名數(shù)據(jù)訓(xùn)練得出網(wǎng)絡(luò)節(jié)點(diǎn)間一系列權(quán)重值,再通過(guò)訓(xùn)練好的網(wǎng)絡(luò)對(duì)新沉積物進(jìn)行定名。使用沉積學(xué)定名或者工程定名中較粗顆粒的沉積物時(shí),只需要使用粒徑組分,因此本文并未關(guān)注粗顆粒沉積物的定名。而進(jìn)行海洋細(xì)粒沉積物工程定名時(shí),除了顆粒級(jí)配還需要塑性指數(shù),由于黏粒含量與塑性指數(shù)間存在非線性相關(guān)關(guān)系,因此具備非線性問(wèn)題的良好解決性的神經(jīng)網(wǎng)絡(luò)具備細(xì)粒沉積物工程定名的能力。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Neural network structure

神經(jīng)網(wǎng)絡(luò)構(gòu)建的重點(diǎn)為確定不同神經(jīng)層的節(jié)點(diǎn)數(shù)目以及傳遞函數(shù)的類型,由于當(dāng)前還沒(méi)有理論能夠明確地指出不同研究問(wèn)題的節(jié)點(diǎn)數(shù)目和傳遞函數(shù)類型,因此需要根據(jù)訓(xùn)練數(shù)據(jù)在合理的范圍內(nèi)進(jìn)行多組嘗試。本研究中,輸入?yún)?shù)為5個(gè),因此輸入層節(jié)點(diǎn)數(shù)為5;輸出參數(shù)包括粉土、粉質(zhì)黏土和黏土共3種,因此輸出層節(jié)點(diǎn)數(shù)為3。隱藏層經(jīng)驗(yàn)公式為其中m為隱藏層節(jié)點(diǎn)數(shù)目,n為輸入層節(jié)點(diǎn)數(shù)目,l為輸出層節(jié)點(diǎn)數(shù)目,a為1～10間的常數(shù)。因此在本問(wèn)題中可知隱藏層節(jié)點(diǎn)數(shù)m的取值范圍為4～13,試驗(yàn)時(shí)將范圍擴(kuò)展至4～20。本文使用神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)(圖2)。

本文按照訓(xùn)練數(shù)據(jù)70%、驗(yàn)證數(shù)據(jù)15%和檢驗(yàn)數(shù)據(jù)15%來(lái)進(jìn)行數(shù)據(jù)劃分,網(wǎng)絡(luò)結(jié)構(gòu)為5-x-3類型;訓(xùn)練函數(shù)將分別對(duì)Levenberg-Marquardt,Bayesian regularization,Scaled conjugate gradient進(jìn)行試驗(yàn),根據(jù)最終檢驗(yàn)對(duì)準(zhǔn)確率選擇最佳函數(shù)。輸入的訓(xùn)練數(shù)據(jù)為沉積物在0.5 mm≤粒徑＜2 mm,0.25 mm≤粒徑＜0.5 mm,0.075 mm≤粒徑＜0.25 mm,0.005 mm≤粒徑＜0.075 mm以及粒徑＜0.005 mm時(shí)的質(zhì)量分?jǐn)?shù)。神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置見(jiàn)表3,第1組試驗(yàn)用來(lái)確定最優(yōu)的網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)目,訓(xùn)練函數(shù)采用了Scaled conjugate gradient;第2～4組試驗(yàn)暫定網(wǎng)絡(luò)結(jié)構(gòu)為5-10-3,通過(guò)改變訓(xùn)練函數(shù)類型來(lái)確定最優(yōu)的傳遞函數(shù)。每組試驗(yàn)中,首先將數(shù)據(jù)隨機(jī)劃分為3類,對(duì)于每隱藏層節(jié)點(diǎn)數(shù)目進(jìn)行5次運(yùn)算,選擇運(yùn)算中最高準(zhǔn)確率表示該節(jié)點(diǎn)條件下的網(wǎng)絡(luò)模型準(zhǔn)確率;一次訓(xùn)練及驗(yàn)證結(jié)束后再次對(duì)數(shù)據(jù)進(jìn)行隨機(jī)劃分,共進(jìn)行10次數(shù)據(jù)的隨機(jī)劃分,統(tǒng)計(jì)準(zhǔn)確率結(jié)果后可以得到最優(yōu)節(jié)點(diǎn)數(shù)。獲得隱藏層最佳節(jié)點(diǎn)數(shù)和最佳訓(xùn)練函數(shù)后,可獲得滿足海洋沉積物工程定名精度的神經(jīng)網(wǎng)絡(luò)模型。分別使用最終獲得的神經(jīng)網(wǎng)絡(luò)模型以及基于黏粒質(zhì)量分?jǐn)?shù)的分類方法對(duì)測(cè)試數(shù)據(jù)進(jìn)行計(jì)算,對(duì)比2種分類方法的準(zhǔn)確性。

表3 神經(jīng)網(wǎng)絡(luò)試驗(yàn)參數(shù)設(shè)置Table 3 Parameters for neural network experiments

3 結(jié)果與討論

通過(guò)對(duì)隱藏層節(jié)點(diǎn)數(shù)4～20的不同網(wǎng)絡(luò)訓(xùn)練并驗(yàn)證后,得到了準(zhǔn)確率統(tǒng)計(jì)結(jié)果(圖3),使用箱型圖表示了不同節(jié)點(diǎn)對(duì)應(yīng)準(zhǔn)確率的最大值、最小值、中位數(shù)以及平均數(shù)。由圖3可知,當(dāng)隱藏層節(jié)點(diǎn)數(shù)目為9時(shí),網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率的最大值、最小值、平均數(shù)和中位數(shù)均超過(guò)其他節(jié)點(diǎn)數(shù)目對(duì)應(yīng)的網(wǎng)絡(luò)。因此,在海洋含黏粒沉積物工程分類問(wèn)題上,隱藏層節(jié)點(diǎn)數(shù)目為9時(shí)具有最佳準(zhǔn)確率。

關(guān)于隱藏層節(jié)點(diǎn)數(shù)準(zhǔn)確率的驗(yàn)證,本文將全部數(shù)據(jù)進(jìn)行10次隨機(jī)的70%-15%-15%數(shù)據(jù)分割,并對(duì)每次分割后的數(shù)據(jù)進(jìn)行5次訓(xùn)練和驗(yàn)證取準(zhǔn)確率最大的值。該驗(yàn)證方法能夠充分挖掘數(shù)據(jù)信息,避免了只分割一次數(shù)據(jù)造成的數(shù)據(jù)學(xué)習(xí)不充分現(xiàn)象。

圖3 不同隱藏層節(jié)點(diǎn)網(wǎng)絡(luò)準(zhǔn)確率統(tǒng)計(jì)Fig.3 Statistics of accuracies for neural networks with different hidden layer nodes

當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)一定時(shí),分別使用3個(gè)不同訓(xùn)練函數(shù)進(jìn)行了20次訓(xùn)練并使用測(cè)試集進(jìn)行了驗(yàn)證,準(zhǔn)確率結(jié)果見(jiàn)表3。當(dāng)使用Levenberg-Marquardt與Scaled conjugate gradient函數(shù)時(shí),網(wǎng)絡(luò)訓(xùn)練速度快;使用Bayesian regularization函數(shù)時(shí)網(wǎng)絡(luò)訓(xùn)練速度很慢,所用時(shí)間通常為另2種函數(shù)的數(shù)十倍。同時(shí),統(tǒng)計(jì)結(jié)果顯示最高準(zhǔn)確率、最低準(zhǔn)確率、平均和中位準(zhǔn)確率,Scaled conjugate gradient函數(shù)得到的都是最大值。因此,選定Scaled conjugate gradient函數(shù)作為本研究中神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)。

表3 不同訓(xùn)練函數(shù)準(zhǔn)確率統(tǒng)計(jì)(%)Table 3 Statistics of accuracies of different training functions(%)

綜上,當(dāng)隱藏層節(jié)點(diǎn)數(shù)為9、訓(xùn)練函數(shù)為Scaled conjugate gradient時(shí),海洋含黏粒沉積物工程分類神經(jīng)網(wǎng)絡(luò)具有最佳準(zhǔn)確率。使用最優(yōu)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)所得結(jié)果見(jiàn)圖4。隨著訓(xùn)練世代的增加交叉熵逐漸減小,在22世代時(shí)驗(yàn)證集具有最小交叉熵,此時(shí)網(wǎng)絡(luò)準(zhǔn)確率最高。由網(wǎng)絡(luò)對(duì)測(cè)試集43組數(shù)據(jù)預(yù)測(cè)結(jié)果可知:33個(gè)粉土數(shù)據(jù)均預(yù)測(cè)準(zhǔn)確;3個(gè)粉質(zhì)黏土數(shù)據(jù)也全部預(yù)測(cè)準(zhǔn)確;7個(gè)黏土數(shù)據(jù)中有1個(gè)預(yù)測(cè)錯(cuò)誤、6個(gè)預(yù)測(cè)準(zhǔn)確。因此,使用本文試驗(yàn)得到的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集預(yù)測(cè)的總準(zhǔn)確率為97.7%。神經(jīng)網(wǎng)絡(luò)精度隨著世代增加通常表現(xiàn)為先提高后降低的趨勢(shì),存在中間位置的最優(yōu)世代。

圖4 訓(xùn)練過(guò)程Fig.4 Training processes

圖5 沉積物工程分類預(yù)測(cè)結(jié)果Fig.5 Prediction results for sediment engineering classification

分別使用神經(jīng)網(wǎng)絡(luò)方法和海洋沉積物工程分類黏粒界限法對(duì)測(cè)試集進(jìn)行預(yù)測(cè),并與實(shí)際分類情況比較,結(jié)果見(jiàn)圖5和表4。采用本文提出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí),43組數(shù)據(jù)中預(yù)測(cè)正確42個(gè),準(zhǔn)確率為97.7%;采用海洋沉積物工程分類黏粒界限法進(jìn)行預(yù)測(cè)時(shí),43組數(shù)據(jù)預(yù)測(cè)正確40個(gè),準(zhǔn)確率為93%。結(jié)果表明,與原有海洋沉積物工程分類黏粒界限法相比,采取神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法具有更高的準(zhǔn)確率。原有方法通過(guò)大量數(shù)據(jù)總結(jié)歸納了黏粒質(zhì)量分?jǐn)?shù)與定名之間的關(guān)系,雖然能夠達(dá)到超過(guò)90%的準(zhǔn)確率,但只使用2個(gè)簡(jiǎn)單的黏粒質(zhì)量分?jǐn)?shù)分界點(diǎn)劃分3種沉積物類型仍然存在局限。本文提供的方法能夠建立粒徑質(zhì)量分?jǐn)?shù)和沉積物定名之間的非線性耦合關(guān)系,比黏粒質(zhì)量分?jǐn)?shù)界限法更加接近原有分類方法的本質(zhì),更為科學(xué)地對(duì)含黏粒細(xì)粒沉積物進(jìn)行分類。

表4 基于神經(jīng)網(wǎng)絡(luò)進(jìn)行海洋沉積物工程分類的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果比較Table 4 Comparison of prediction results and actual results of marine sediment engineering classification based on Neural Network

神經(jīng)網(wǎng)絡(luò)訓(xùn)練在訓(xùn)練過(guò)程中不斷利用每一組數(shù)據(jù)來(lái)調(diào)整節(jié)點(diǎn)間的權(quán)重,使得即使數(shù)據(jù)、算法和參數(shù)相同,每次訓(xùn)練得到的網(wǎng)絡(luò)也略有不同,因此并不存在對(duì)于一個(gè)問(wèn)題的最好網(wǎng)絡(luò)算法,只有相對(duì)滿足需求和精確度的網(wǎng)絡(luò)算法。訓(xùn)練不足可能導(dǎo)致預(yù)測(cè)與實(shí)際值偏差過(guò)大;訓(xùn)練過(guò)量將導(dǎo)致“過(guò)擬合”現(xiàn)象,引起訓(xùn)練數(shù)據(jù)預(yù)測(cè)準(zhǔn)確率過(guò)高、測(cè)試數(shù)據(jù)準(zhǔn)確率較低的現(xiàn)象。本文通過(guò)大量試驗(yàn)得到了對(duì)于測(cè)試數(shù)據(jù)集預(yù)測(cè)準(zhǔn)確率較高的網(wǎng)絡(luò),能夠簡(jiǎn)化工程定名的操作步驟,在不需塑性指數(shù)的情況下保證較高的沉積物工程定名準(zhǔn)確率。

沉積物工程分類區(qū)域主要集中于近岸工程區(qū)域,與沉積定名相比不夠廣泛。使用本文提出的方法,可將沉積規(guī)范定名的沉積物粒徑質(zhì)量分?jǐn)?shù)數(shù)據(jù)轉(zhuǎn)化成工程分類的粒徑質(zhì)量分?jǐn)?shù),礫石和砂土可直接使用規(guī)范進(jìn)行定名,粉土和黏性土使用本文提供的方法進(jìn)行定名。通過(guò)沉積物分類方式之間的轉(zhuǎn)化,可以擴(kuò)展沉積物工程分類的范圍,將沉積物工程性質(zhì)從近岸擴(kuò)展至海洋。

文中使用了284組數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試,取得了97.7%的準(zhǔn)確率,這足以表明神經(jīng)網(wǎng)絡(luò)方法對(duì)沉積物分類這一問(wèn)題有著良好的適用性,能夠較為準(zhǔn)確地滿足全新世河口沉積物的工程定名需求。該網(wǎng)絡(luò)能夠較為準(zhǔn)確地對(duì)黃河口埕島海域海底沉積物進(jìn)行工程定名,獲得其他海域的轉(zhuǎn)化關(guān)系網(wǎng)絡(luò)仍需使用補(bǔ)充數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證。由于黃河口埕島海域底質(zhì)類型以粉土為主,因此試驗(yàn)數(shù)據(jù)中粉質(zhì)黏土和黏土數(shù)據(jù)與粉土相比較少,這很可能是造成測(cè)試數(shù)據(jù)中存在誤差的重要原因。當(dāng)今處于人工智能和大數(shù)據(jù)的時(shí)代,各個(gè)領(lǐng)域的訓(xùn)練數(shù)據(jù)往往以TB為單位計(jì)算,而海洋工程領(lǐng)域受獲得數(shù)據(jù)成本高、難度大等因素的影響,數(shù)據(jù)量相對(duì)較少。隨著后續(xù)黃河口地區(qū)沉積物訓(xùn)練數(shù)據(jù)量的增加,應(yīng)用于工程定名的網(wǎng)絡(luò)會(huì)更加準(zhǔn)確;隨著其他海域沉積物顆粒級(jí)配數(shù)據(jù)的訓(xùn)練,該網(wǎng)絡(luò)將逐漸能夠應(yīng)用于更加廣泛的區(qū)域。

4 結(jié) 論

本文使用了人工神經(jīng)網(wǎng)絡(luò)的技術(shù)手段,通過(guò)對(duì)黃河口埕島海域284組海底粉土、黏性土沉積物顆粒級(jí)配數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí),建立了只需使用沉積物粒徑質(zhì)量分?jǐn)?shù)就可以進(jìn)行沉積物工程分類的神經(jīng)網(wǎng)絡(luò),主要得到以下結(jié)論:

1)使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠?qū)Ｑ蠹?xì)粒含黏粒沉積物進(jìn)行準(zhǔn)確的分類,當(dāng)網(wǎng)絡(luò)中含有5個(gè)輸入節(jié)點(diǎn)、9個(gè)隱藏層節(jié)點(diǎn)、3個(gè)輸出節(jié)點(diǎn)、訓(xùn)練函數(shù)為Scaled conjugate gradient時(shí)定名準(zhǔn)確率最高,經(jīng)檢驗(yàn)可達(dá)97.7%。

2)依靠沉積物粒徑質(zhì)量分?jǐn)?shù)可以較為準(zhǔn)確地對(duì)黃河口埕島海域海底沉積物進(jìn)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。

3)海洋工程地質(zhì)領(lǐng)域數(shù)據(jù)獲得困難、訓(xùn)練數(shù)據(jù)量少是造成結(jié)果存在誤差的主要因素,同時(shí)也是限制神經(jīng)網(wǎng)絡(luò)技術(shù)在本領(lǐng)域廣泛應(yīng)用的重要原因,隨著未來(lái)海洋工程地質(zhì)領(lǐng)域數(shù)據(jù)量的增加以及測(cè)量精度的提高,神經(jīng)網(wǎng)絡(luò)技術(shù)將得到進(jìn)一步應(yīng)用。