基于人工神經網絡的海底細粒土工程分類研究

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.青島海洋科學與技術試點國家實驗室 海洋地質過程與環境功能實驗室,山東 青島266235;3.國家深海基地管理中心,山東 青島266237)

海洋沉積物工程分類定名是海洋工程地質研究的基礎,無論對海洋工程設施的建設還是科研領域的研究都有著重要作用。海洋工程地質領域需要通過對沉積物定名來初步判斷其物理力學性質,繼而結合地球物理調查和鉆探等手段對巖土體進行全面評價,為工程設施的選址、設計和施工提供基礎支撐和保障。雖然碎石土和砂土可以方便地通過顆粒形狀和顆粒級配進行定名,但是粉土和黏性土的工程定名需要利用塑性指數[1],其測定手段相對顆粒分析較為復雜且容易產生人為誤差。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],分別通過沉積物各顆粒組分間的含量和比例關系進行定名。沉積分類方法對沉積物類型劃分較為細致,能夠一定程度上反映沉積過程中沉積動力學的變化,是沉積環境的指示標志,區域分布也可以反映沉積物的來源方向[4-6]。現有沉積物工程分類數據主要集中于近岸工程區域,遠岸海域資料較少,這不利于全海域海洋工程建設的發展。若能提出一種依靠現有粒度數據即可快速為沉積物進行海洋工程定名的方法,將大幅度地提高遠海海洋工程建設的效率。因此,尋求簡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,也能夠減少實驗操作的人為誤差。新定名方法的重點便是簡化塑性指數對細粒土定名的影響,尋找其他相關因素對塑性指數的替代作用。

塑性指數的大小受到與黏粒質量分數、蒙脫石礦物和土體結合水質量分數等因素共同作用的影響[7],當同一地區其他因素影響較小時黏粒質量分數占主要作用。學者們通過試驗探討了黏粒質量分數對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]對塑性指數和黏粒質量分數進行了回歸分析,研究認為兩者間存在密切相關性。杜星等[15]通過對大量粉土、黏性土樣品進行分析,提出了海洋沉積物工程分類黏粒界限法,能較為準確地只通過黏粒質量分數對粉土、黏性土進行工程定名。綜上所述,黏粒質量分數與塑性指數具有密切相關性,能起到較好的替代作用,但是通過整理數據人為劃定黏粒質量分數來定名的方法主觀因素影響較大。為了更科學、客觀地建立黏粒質量分數和沉積物工程定名的關系,本文將通過人工神經網絡的方法,使用大量基于沉積物工程定名的顆粒級配數據進行訓練得出海洋細粒土工程分類定名神經網絡。

1 海洋沉積物工程分類方法

1.1 海洋沉積物工程分類規范方法

《巖土工程勘察規范》[1]中碎石土部分根據顆粒形狀和顆粒級配進行定名;砂土部分根據顆粒級配進行定名;粉土和黏性土根據顆粒級配和塑性指數進行定名。其中根據顆粒形狀和顆粒級配進行碎石土和砂土定名的方法在此不做敘述。塑性指數(IP)由相應于76 g圓錐體沉入土樣中深度為10 mm時測定的液限計算而得。

粉土和黏性土定名標準見表1。粒徑＞0.075 mm的顆粒質量不超過總質量的50%且IP≤10的土,應定名為粉土。IP＞10的土應定名為黏性土:10＜I P≤17的土定名為粉質黏土;IP＞17的土應定名為黏土。

工程分類將顆粒級配分成了砂粒、粉粒和黏粒三大類,不同類別對應著不同的沉積物工程性質,同時在細粒含黏粒沉積物的定名中引入了塑性指數,有助于確立具體的工程性質。

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準見表2,該方法提出當粒徑大于0.075 mm的顆粒質量不超過總質量的50%時,若黏粒質量分數小于20%,沉積物可定名為粉土;黏粒質量分數大于20%且小于35%時,定名為粉質黏土;當黏粒質量分數大于35%時應定名為黏土。該方法為簡化塑性指數對定名的影響而發明,依靠大量數據進行統計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絡構建

2.1 數據來源

本文研究數據來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試結果,共有284組數據:粉土198組、粉質黏土42組、黏土44組。黃河口埕島海域沉積物類型以粉土為主,從近岸至遠岸端沉積物粒徑逐漸變細,超過15 m水深的海域逐漸過渡為粉質黏土和黏土。每組數據均包含沉積物各粒徑的質量分數,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 人工神經網絡

人工神經網絡(Artificial Neural Networks,ANN)是有監督機器學習算法的一種類型,通過模仿自然界生物神經元之間電信號的傳遞并由大量節點相互連接組成[16]。典型的人工神經網絡通常包含輸入層、隱藏層和輸出層。輸入層與輸入變量有相同數量的節點數;隱藏層包含了神經元之間連接的權重值以及相應的閾值函數,用來傳遞和處理信號,可為一層或多層;輸出層為要得到的數據。

圖1 神經網絡訓練流程Fig.1 Flow chart of Neural Network Training

本文使用了MATLAB的神經網絡模塊進行計算,該模塊能夠通過成熟的神經網絡算法對數據進行訓練和驗證,其可靠性在地質學領域的多個方面都得到了證實[16],模型計算流程見圖1。首先對數據進行歸一化處理,即將不同區間的數據歸一至[0,1]區間上,方便后續運算。神經網絡研究數據可分割成訓練數據、驗證數據以及完全獨立的檢驗數據。訓練集和驗證集共同參與網絡訓練過程,訓練集數據用于訓練模型的權重,驗證集數據主要用于確定網絡中的超參數。選定算法后首先向后訓練得到結果,并與實際結果比較。利用二者的誤差將向前進行反饋并更新權重值,使網絡更能接近實際的表達值,直至所有訓練數據訓練完畢。對于一組訓練數據通常會進行多次訓練,每訓練一次稱為一個世代(Epoch),一般訓練達到設定的參數條件后停止。

使用傳統定名方法對沉積物定名時,依靠各種粒徑的質量分數確定沉積物名稱,相似粒徑質量分數的沉積物具有一致的沉積學和工程方面的性質。神經網絡的工作原理也是通過對若干輸入參數進行矩陣運算最終得出輸出參數,這與傳統定名方法的輸入輸出方式較為相似。二者區別為:傳統定名方法是粒徑參數與定名結果的線性關系,而神經網絡方法是先通過已有定名數據訓練得出網絡節點間一系列權重值,再通過訓練好的網絡對新沉積物進行定名。使用沉積學定名或者工程定名中較粗顆粒的沉積物時,只需要使用粒徑組分,因此本文并未關注粗顆粒沉積物的定名。而進行海洋細粒沉積物工程定名時,除了顆粒級配還需要塑性指數,由于黏粒含量與塑性指數間存在非線性相關關系,因此具備非線性問題的良好解決性的神經網絡具備細粒沉積物工程定名的能力。

圖2 神經網絡結構示意Fig.2 Neural network structure

神經網絡構建的重點為確定不同神經層的節點數目以及傳遞函數的類型,由于當前還沒有理論能夠明確地指出不同研究問題的節點數目和傳遞函數類型,因此需要根據訓練數據在合理的范圍內進行多組嘗試。本研究中,輸入參數為5個,因此輸入層節點數為5;輸出參數包括粉土、粉質黏土和黏土共3種,因此輸出層節點數為3。隱藏層經驗公式為其中m為隱藏層節點數目,n為輸入層節點數目,l為輸出層節點數目,a為1～10間的常數。因此在本問題中可知隱藏層節點數m的取值范圍為4～13,試驗時將范圍擴展至4～20。本文使用神經網絡整體結構(圖2)。

本文按照訓練數據70%、驗證數據15%和檢驗數據15%來進行數據劃分,網絡結構為5-x-3類型;訓練函數將分別對Levenberg-Marquardt,Bayesian regularization,Scaled conjugate gradient進行試驗,根據最終檢驗對準確率選擇最佳函數。輸入的訓練數據為沉積物在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時的質量分數。神經網絡參數設置見表3,第1組試驗用來確定最優的網絡隱藏層節點數目,訓練函數采用了Scaled conjugate gradient;第2～4組試驗暫定網絡結構為5-10-3,通過改變訓練函數類型來確定最優的傳遞函數。每組試驗中,首先將數據隨機劃分為3類,對于每隱藏層節點數目進行5次運算,選擇運算中最高準確率表示該節點條件下的網絡模型準確率;一次訓練及驗證結束后再次對數據進行隨機劃分,共進行10次數據的隨機劃分,統計準確率結果后可以得到最優節點數。獲得隱藏層最佳節點數和最佳訓練函數后,可獲得滿足海洋沉積物工程定名精度的神經網絡模型。分別使用最終獲得的神經網絡模型以及基于黏粒質量分數的分類方法對測試數據進行計算,對比2種分類方法的準確性。

表3 神經網絡試驗參數設置Table 3 Parameters for neural network experiments

3 結果與討論

通過對隱藏層節點數4～20的不同網絡訓練并驗證后,得到了準確率統計結果(圖3),使用箱型圖表示了不同節點對應準確率的最大值、最小值、中位數以及平均數。由圖3可知,當隱藏層節點數目為9時,網絡預測準確率的最大值、最小值、平均數和中位數均超過其他節點數目對應的網絡。因此,在海洋含黏粒沉積物工程分類問題上,隱藏層節點數目為9時具有最佳準確率。

關于隱藏層節點數準確率的驗證,本文將全部數據進行10次隨機的70%-15%-15%數據分割,并對每次分割后的數據進行5次訓練和驗證取準確率最大的值。該驗證方法能夠充分挖掘數據信息,避免了只分割一次數據造成的數據學習不充分現象。

圖3 不同隱藏層節點網絡準確率統計Fig.3 Statistics of accuracies for neural networks with different hidden layer nodes

當網絡節點數一定時,分別使用3個不同訓練函數進行了20次訓練并使用測試集進行了驗證,準確率結果見表3。當使用Levenberg-Marquardt與Scaled conjugate gradient函數時,網絡訓練速度快;使用Bayesian regularization函數時網絡訓練速度很慢,所用時間通常為另2種函數的數十倍。同時,統計結果顯示最高準確率、最低準確率、平均和中位準確率,Scaled conjugate gradient函數得到的都是最大值。因此,選定Scaled conjugate gradient函數作為本研究中神經網絡的訓練函數。

表3 不同訓練函數準確率統計(%)Table 3 Statistics of accuracies of different training functions(%)

綜上,當隱藏層節點數為9、訓練函數為Scaled conjugate gradient時,海洋含黏粒沉積物工程分類神經網絡具有最佳準確率。使用最優網絡對數據進行訓練和預測所得結果見圖4。隨著訓練世代的增加交叉熵逐漸減小,在22世代時驗證集具有最小交叉熵,此時網絡準確率最高。由網絡對測試集43組數據預測結果可知:33個粉土數據均預測準確;3個粉質黏土數據也全部預測準確;7個黏土數據中有1個預測錯誤、6個預測準確。因此,使用本文試驗得到的神經網絡對測試集預測的總準確率為97.7%。神經網絡精度隨著世代增加通常表現為先提高后降低的趨勢,存在中間位置的最優世代。

圖4 訓練過程Fig.4 Training processes

圖5 沉積物工程分類預測結果Fig.5 Prediction results for sediment engineering classification

分別使用神經網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,并與實際分類情況比較,結果見圖5和表4。采用本文提出的神經網絡預測時,43組數據中預測正確42個,準確率為97.7%;采用海洋沉積物工程分類黏粒界限法進行預測時,43組數據預測正確40個,準確率為93%。結果表明,與原有海洋沉積物工程分類黏粒界限法相比,采取神經網絡預測的方法具有更高的準確率。原有方法通過大量數據總結歸納了黏粒質量分數與定名之間的關系,雖然能夠達到超過90%的準確率,但只使用2個簡單的黏粒質量分數分界點劃分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量分數和沉積物定名之間的非線性耦合關系,比黏粒質量分數界限法更加接近原有分類方法的本質,更為科學地對含黏粒細粒沉積物進行分類。

表4 基于神經網絡進行海洋沉積物工程分類的預測結果與實際結果比較Table 4 Comparison of prediction results and actual results of marine sediment engineering classification based on Neural Network

神經網絡訓練在訓練過程中不斷利用每一組數據來調整節點間的權重,使得即使數據、算法和參數相同,每次訓練得到的網絡也略有不同,因此并不存在對于一個問題的最好網絡算法,只有相對滿足需求和精確度的網絡算法。訓練不足可能導致預測與實際值偏差過大;訓練過量將導致“過擬合”現象,引起訓練數據預測準確率過高、測試數據準確率較低的現象。本文通過大量試驗得到了對于測試數據集預測準確率較高的網絡,能夠簡化工程定名的操作步驟,在不需塑性指數的情況下保證較高的沉積物工程定名準確率。

沉積物工程分類區域主要集中于近岸工程區域,與沉積定名相比不夠廣泛。使用本文提出的方法,可將沉積規范定名的沉積物粒徑質量分數數據轉化成工程分類的粒徑質量分數,礫石和砂土可直接使用規范進行定名,粉土和黏性土使用本文提供的方法進行定名。通過沉積物分類方式之間的轉化,可以擴展沉積物工程分類的范圍,將沉積物工程性質從近岸擴展至海洋。

文中使用了284組數據進行訓練、驗證和測試,取得了97.7%的準確率,這足以表明神經網絡方法對沉積物分類這一問題有著良好的適用性,能夠較為準確地滿足全新世河口沉積物的工程定名需求。該網絡能夠較為準確地對黃河口埕島海域海底沉積物進行工程定名,獲得其他海域的轉化關系網絡仍需使用補充數據進行訓練和驗證。由于黃河口埕島海域底質類型以粉土為主,因此試驗數據中粉質黏土和黏土數據與粉土相比較少,這很可能是造成測試數據中存在誤差的重要原因。當今處于人工智能和大數據的時代,各個領域的訓練數據往往以TB為單位計算,而海洋工程領域受獲得數據成本高、難度大等因素的影響,數據量相對較少。隨著后續黃河口地區沉積物訓練數據量的增加,應用于工程定名的網絡會更加準確;隨著其他海域沉積物顆粒級配數據的訓練,該網絡將逐漸能夠應用于更加廣泛的區域。

4 結 論

本文使用了人工神經網絡的技術手段,通過對黃河口埕島海域284組海底粉土、黏性土沉積物顆粒級配數據進行訓練和學習,建立了只需使用沉積物粒徑質量分數就可以進行沉積物工程分類的神經網絡,主要得到以下結論:

1)使用人工神經網絡技術能夠對海洋細粒含黏粒沉積物進行準確的分類,當網絡中含有5個輸入節點、9個隱藏層節點、3個輸出節點、訓練函數為Scaled conjugate gradient時定名準確率最高,經檢驗可達97.7%。

2)依靠沉積物粒徑質量分數可以較為準確地對黃河口埕島海域海底沉積物進行工程定名,定名結果與使用塑性指數的規范定名方法高度一致。

3)海洋工程地質領域數據獲得困難、訓練數據量少是造成結果存在誤差的主要因素,同時也是限制神經網絡技術在本領域廣泛應用的重要原因,隨著未來海洋工程地質領域數據量的增加以及測量精度的提高,神經網絡技術將得到進一步應用。