人工神經網絡在海洋工程中的應用研究
——以海洋工程地質研究為例

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

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

1 人工神經網絡與海洋工程地質研究

人工神經網絡是若干類似神經元的處理單元相互連接而構成的龐大信息處理系統，是對人腦組織結構和運行機制的抽象、簡化和模擬。人工神經網絡的應用范圍十分廣泛，應用領域涉及到多個不同的方面。在海洋工程相關研究中，海洋工程地質研究是十分重要的組成部分，海洋工程地質研究是研究與人類工程建筑活動有關的地質問題的學科，具體內容是研究海洋工程建筑物所處海域的海洋工程地質條件及其海底地基的土、巖體穩定性的工程地質問題。其中，對海洋沉積物進行工程分類定名是基礎所在，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。人工神經網絡是一個十分重要的計算模型，具有強大的數據處理能力，可以作為一種重要的工具，以更好的開展海洋工程地質研究。在海洋工程地質領域，經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進行初步判斷，之后，通過開展地球物理調查以及鉆探等方式，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果。相應的研究結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網絡技術。

2 人工神經網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絡構建

目前，人們對海洋的研究以及開發日益廣泛和復雜，大量的海洋相關工程不斷的涌現出來，在我國眾多海域正在如火如荼的進行建設。在設計、開發、建設多種海洋工程項目的時候，經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生極為深遠的影響。因此，目前在海洋工程地質研究方面，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數據信息。對于這些數據信息，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果，并依據研究結果進行分類定名。但是，這一過程中涉及到的數據分析與處理工作量極大，常規的分析與處理技術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網絡中尋求思路。在以往的數據分析和處理，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量分數的分類方法。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網絡的相關特點及其在海洋工程中的應用情況，應用人工神經網絡的方法對某海域的部分細粒土數據實施訓練以及學習。最終，獲得只利用沉積物粒徑質量分數進行定名的方法。在具體的研究過程中，首先對數據進行劃分。具體的劃分過程中，設定的劃分方式為檢驗數據15%、驗證數據15%、訓練數據70%，所采用的網絡結構為5-x-3模式。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。在試驗過程中，輸入一定的訓練數據，包括沉積物在不同粒徑大小下的質量分數，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，神經網絡參數的設置情況如表1所示。

表1 神經網絡試驗參數設置

其中，在第1組試驗中，借助Scaled conj ugate gradient訓練函數，對最優的網絡隱藏層節點具體數目予以明確。在第2、3、4組試驗中，將網絡結構設定為5-10-3。在具體的試驗中，對訓練函數的類型進行調整，進而對最優的傳遞函數予以確定。在不同的試驗過程中，首先對數據實施隨機狀態下的劃分，將數據分為3種類型。同時，在每個隱藏層，均涉及到若干數目的節點，對于這些不同的節點，均實施細致的運算，運算總次數均為5次。通過實施不同的運算，可以獲得一定的準確率。這一準確率結果之間會存在一些差異，有高低之分。對于每次運算的結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點條件下，網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據劃分。按照上述范式，一共開展10次隨機數據劃分。在對準確率結果予以統計之后，最終可以獲得最優節點數。通過上述操作，最終可以獲得研究所需的最佳訓練函數以及隱藏層最佳節點數，借助這些結果，在開展海洋沉積物工程定名精度分析的時候，便可以構建起分析所需的具體神經網絡模型。

2.2 數據來源

在本次研究中，進行相關數據分析的時候，選擇建立對照試驗，觀察基于黏粒質量分數的分類方法進行數據分析，計算的效果，以及應用本次研究所構建的神經網絡模型進行數據分析和計算的結果。對不同方法下的最終結果進行對比分析，找出不同方法在分類定名方面的準確性與差異情況，以驗證人工神經網絡技術的應用優勢。

在研究過程中，在相關數據方面，研究數據來源于某海域鉆探獲取的柱狀樣品測試結果。該結果中一共包含了284組數據，在相關沉積物類型方面，涉及到黏土和粉質黏土以及粉土，對應的數據組數分別為44組、42組、198組。通過對相關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，在海域的不同區域，沉積物粒徑也呈現出一定的改變，從近岸至遠岸端，沉積物粒徑呈現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生變化，逐漸從粉土過渡為粉質黏土以及黏土。在上述284組數據中，每組數據中均涉及到沉積物不同粒徑的質量分數。這一情況下，便可以借助對相關數據的分析，使用海洋工程分類方法的沉積物定名名稱。

2.3 結果與討論

在研究中，對隱藏層節點數4~20的不同網絡進行訓練，完成驗證之后，可以獲得關于準確率的統計結果，具體結果如圖1所示。

圖1 不同隱藏層節點網絡準確率統計結果

本文的研究中，在驗證隱藏層節點數準確率的過程中，選擇對全部數據進行隨機數據分割，一共進行10次隨機數據分割，分割方式均為70%-15%-15%數據分割。在完成每次的數據分割之后，對相應的數據均實施5次訓練以及驗證，最終獲得準確率的最大值。如果僅僅對數據進行1次分割，則極易出現數據學習不充分的問題，影響最終的數據分析結果。而通過上述驗證方式，一共進行10次隨機數據分割，可以對數據信息予以充分的分析和挖掘，最終得到的研究結果也較為準確與科學。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，最終可以得到不同訓練函數下的多個準確率，包括最低準確率、最低準確率、中位準確率、平均準確率，具體統計結果如表2所示。

表2 不同訓練函數準確率（最低準確率、最低準確率、中位準確率、平均準確率）統計結果

綜合分析以上結果可以發現，如果訓練函數為Scaled conj ugate gradient，隱藏層的節點數為9。通過應用最優網絡對數據實施訓練和預測，可以獲得到一定的結果，具體的結果如圖2所示。最終得到的神經網絡對測試集預測的總準確率為97.7%。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，最終的預測結果如圖3所示。

圖2 訓練過程

圖3 沉積物工程分類預測結果

海洋沉積物工程分類黏粒界限法的應用過程中，通過對大量數據的分析，可以對黏粒質量分數與定名之間的關系進行總結歸納。在具體的預測過程中，在對43組數據進行預測的時候，應用海洋沉積物工程分類黏粒界限法的過程中，正確預測的數據數量一共為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網絡方法對上述數據進行預測的時候，43組數據中，準確預測的數據一共有42個，數據預測準確率達到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網絡方法在數據預測方面的效果以差異，不難發現，本文所提出的預測方法具備明顯的應用優勢，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，應用人工神經網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量分數和沉積物定名之間的非線性耦合關系，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。隨著海洋工程地質數據的增加、工程地質調查設備的升級、人工神經網絡的不斷創新，應將人工神經網絡更多地應用在海洋工程地質領域。

3 總結

在本文的研究過程中，使用了人工神經網絡的技術手段，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。通過本文的研究可以發現，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，依靠沉積物粒徑質量分數可以較為準確地對某海域海底沉積物進行工程定名，定名結果與使用塑性指數的規范定名方法高度一致。總體來看，人工神經網絡技術與海洋工程地質之間存在著十分密切的聯系。在開展海洋工程地質相關研究的時候，可以積極的應用這一技術。