CN111612049A - 基于人工神经网络的海底细粒土工程分类定名分析方法 - Google Patents

Abstract

本发明公开一种基于人工神经网络的海底细粒土工程分类定名分析方法，包括以下步骤：1)获取海底沉积物工程分类数据，所述分类数据包括区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；2)基于1)中获取的数据构建并训练海底沉积物工程分类神经网络模型；3)获得拟分类沉积物粒度数据输入神经网络模型实现海底沉积物工程分类分析；该分析方法操作简单，只依靠沉积物粒度数据即可实现工程定名分析；同时，可有效提高现有沉积分类数据的利用率和沉积物颗粒含量定名的准确率，大幅度地减小测量塑性指数时的人为操作误差、降低工程定名的复杂程度，也使建立的定名关系更为准确和科学，为海洋工程设施的建设以及科研提供重要的基础支撑和依据。

Description

基于人工神经网络的海底细粒土工程分类定名分析方法

技术领域

本发明涉及沉积物分析技术领域，具体涉及一种基于人工神经网络的海底细粒土工程分类定名分析方法。

背景技术

海洋沉积物工程分类定名是海洋工程地质研究的基础，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。海洋工程地质领域需要通过对沉积物定名来初步判断其物理力学性质，继而结合地球物理调查和钻探等手段对岩土体进行全面评价，为工程设施的选址、设计和施工提供基础支撑和保障。

目前，海洋沉积物的常用沉积定名方法主要有Shepard分类法和Folk分类法，分别通过沉积物各颗粒组分间的含量和比例关系进行定名，如申请公布号为【CN108872032A】的发明专利公开一种沉积物粒度数据处理方法，通过对导入的沉积物粒度和站位数据进行解析和匹配，形成二维关系数据表；然后对沉积物粒度数据进行筛选和校正；根据沉积物粒度参数计算方法(图解法和矩法)和分类方法(Shepard分类和Folk分类)建立粒度参数和分类算法模型，实现参数自动计算和沉积物定名，沉积分类方法对沉积物类型划分较为细致，能够一定程度上反映沉积过程中沉积动力学的变化，是沉积环境的指示标志，区域分布也可以反映沉积物的来源方向。

虽然碎石土和砂土可以方便地通过颗粒形状和颗粒级配进行定名，但是粉土和黏性土的工程定名需要利用塑性指数，而塑性指数的大小受到与黏粒质量分数、蒙脱石矿物和土体结合水质量分数等因素共同作用的影响，当同一地区其他因素影响较小时黏粒质量分数占到主要作用，测定手段相对颗粒分析较为复杂且容易产生人为误差。另外，现有沉积物工程分类数据主要集中于近岸工程区域，远岸海域资料较少，随着“海洋强国”战略的稳步实施，全球各大海域都被纳入了国家海洋研究的范围。因此，寻求简便、高效的海洋沉积物工程分类分析方法，既可以提高工程定名的效率和质量，也可以实现沉积分类数据向工程分类的转化。

文献“埕岛油田海域沉积物沉积分类向工程分类的转化研究(海洋科学进展.2016，34(1): 121-128)”，通过对大量粉土、黏性土样品进行统计，根据人为目测总结规律提出了海洋沉积物工程分类黏粒界限法，然而，通过整理数据人为地对黏粒质量分数划定的方法主观因素影响较大，二者并不能够根据两个人为划分的界限准确地分开。为了更科学、客观地建立黏粒质量分数和沉积物工程定名的关系，本发明采用人工神经网络的方法，基于沉积物粒度数据进行训练并得出海洋细粒土工程分类定名神经网络，进而实现对沉积物工程分类定名的分析。

发明内容

本发明针对海底粉土和黏性土的定名受人为因素影响容易产生误差等缺陷，提出一种基于人工神经网络的海底细粒土工程分类定名分析方法，根据沉积物粒度数据实现工程定名分析，不需要测定塑性指数，能够有效提高现有沉积分类数据的利用率及沉积物颗粒含量定名的准确率，大幅度地减小测量塑性指数塑性指数时的人为操作误差、降低工程定名的复杂程度。

本发明是采用以下的技术方案实现的：一种基于人工神经网络的海底细粒土工程分类定名分析方法，包括以下步骤：

步骤A、获取海底沉积物工程分类数据，所述分类数据包括待分类区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；

步骤B、基于步骤A获取的数据构建并训练海底沉积物工程分类神经网络：

神经网络模型包括输入层、隐藏层和输出层，设该神经网络模型的输入参数为粒径百分含量，即[0.5mm,2mm)、[0.25mm,0.5mm)、[0.075mm,0.25mm)、[0.005mm,0.075mm)和(0,0.005)，输入层节点数为5，输出参数包括粉土、粉质黏土和黏土，输出层节点数为3；

步骤B1、将步骤A中获得的海底沉积物工程分类数据划分为训练集、验证集和测试集；

步骤B2、确定隐藏层节点数：根据输入层与输出层的节点数选择某一范围内的隐藏层节点数，并进行验证，基于

确定最优的隐藏层节点数目，其中，m为隐藏层节点数目，n为输入层节点数目，l为输出层节点数目，a为1～10间的常数；

步骤B3、确定神经网络函数：分别基于Scaled conjugate gradient、Levenberg-Marquardt、 Bayesian regularization三个训练函数进行计算，并使用测试集验证其准确率，选择准确率最高时的训练函数作为网络最终的训练函数；

步骤B4、神经网络训练集验证：在训练过程中数据的校正是从前往后进行，即误差逆传播，计算时从输出层到隐含层，再从隐含层到输入层，以确定最终的神经网络模型；

步骤C、获得拟分类沉积物粒度；

步骤D、将步骤C中获得的拟分类沉积物粒度数据作为输入，基于所构建的沉积物工程分类神经网络模型实现海底沉积物工程分类。

进一步的，所述步骤A中，所述沉积物工程分类定名数据包括沉积物各粒度组分百分含量，以及最终的沉积物工程分类定名数据。

进一步的，所述步骤B4中，校正过程中：

输出层的校正误差：

式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练模式对数；y_t ^k是希望输出；c_t ^k是实际输出；f’(.)是对输出函数的导数；

隐含层各单元的校正误差：

式中，j＝1,2,…,p；p是隐含层单元数；

对于输出层至隐含层连接权和输出层阈值的校正量：

式中，b_j ^k是隐含层j单元的输出，d_t ^k是输出层的校正误差，j＝1,2…,p；t＝1,2,…,q； k＝1,2,…,m；α>0，为输出层至隐含层学习率；

隐含层至输入层的校正量：

式中，e_j ^k是隐含层j单元的校正误差；x_i ^k是标准输入，i＝1,2,…,n，n是输入层单元数， 0<β<1，为隐含层至输入层学习率。

进一步的，所述步骤B中，隐藏层节点数m的取值范围为4-20。

进一步的，所述步骤B2中，最终选择最优的隐藏层节点数据，采用以下方式：

(1)在每组试验中，首先将训练数据随机划分为3类，对于每一隐藏层节点数目进行多次运算，对比模型定名结果与实际沉积物定名，选择运算中最高准确率表示该节点条件下的网络模型准确率；

(2)一次训练及验证结束后再次对数据进行随机划分，共进行多次数据的随机划分，统计准确率结果后，得到对海洋细粒沉积物定名的最优节点数为9。

进一步的，所述步骤C中，获得拟分类沉积物粒度数据采用以下两种方式：

(1)在研究区域通过相关地质手段进行沉积物样品的获取，并按照规范进行沉积物粒度组分的测量；

(2)收集研究区域内已有沉积物沉积学分类的数据资料，沉积学分类数据包含相应的粒度组分数据但不含塑性指数数据。

与现有技术相比，本发明的优点和积极效果在于：

本方案通过构建神经网络模型对含粘粒沉积物进行沉积工程分类定名，基于现有沉积物的沉积定名粒度数据库，迅速地对未进行工程定名的区域展开分类定名；该分析方法操作简单，不需要测定塑性指数，只依靠沉积物粒度数据即可实现工程定名分析；同时，可有效提高现有沉积分类数据的利用率、提高沉积物颗粒含量定名的准确率，大幅度地减小测量塑性指数时的人为操作误差、降低工程定名的复杂程度，也使建立的定名关系更为准确和科学，能够为海洋工程设施的建设以及科研提供重要的基础支撑和依据。

附图说明

图1为本发明实施例沉积物沉积工程分类分析流程示意图；

图2为本发明实施例所采用的人工神经网络结构示意图；

图3为本发明实施例液化结果预测示意图；

图4为本发明实施例不同隐藏层节点网络准确率示意图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。

本实施例提供了一种只依靠沉积物粒度数据进行工程定名分析的方法，不需要测定塑性指数也可以达到相同的定名效果，实现了沉积物工程定名高效率、高质量数据分析处理，并提高了现有数据利用率，具体包括以下步骤：

步骤A、获取海底沉积物工程分类数据，所述分类数据包括待分类区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；

步骤B、基于步骤A获取的数据构建并训练海底沉积物工程分类神经网络模型；

步骤C、获得拟分类沉积物粒度数据；

步骤D、将步骤C中获得的拟分类沉积物粒度数据作为输入，基于所构建的神经网络模型实现海底沉积物工程分类分析。

具体的：

步骤A中，获取海底沉积物工程分类数据是指获得区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据，具体可以通过搜集原有数据、资料的方式获取；也可以采集新的沉积物样品使用现有工程分类规范进行分类定名，所述沉积物工程分类定名数据包括沉积物各粒度组分百分含量，以及最终的沉积物工程分类定名数据。

步骤B中，构建并训练海底沉积物工程分类神经网络模型具体采用以下方式实现：

本实施例中，神经网络构建的重点在于确定不同神经层的节点数目以及传递函数的类型，具体需要结合实际的研究对象数据特点进行对应的设计，对于当前的研究领域和对象，目前尚未有理论明确指出不同研究问题的节点数目和传递函数类型。本方案则创造性的设计一种针对海底细粒土工程分类的神经网络模型。

如图2所示，所述神经网络模型包括输入层、隐藏层和输出层，并设该神经网络模型的输入参数为粒径百分含量，设置输入节点数为5，即[0.5mm,2mm)、[0.25mm,0.5mm)、[0.075mm,0.25mm)、[0.005mm,0.075mm)和(0,0.005)，输出参数需要考虑研究区的海洋细粒沉积物类型，本实施例的研究区内包括粉土、粉质黏土和黏土3种，因此设置输出层节点数为 3。

(1)数据的准备：

将步骤A中获得的已有的沉积物工程分类定名数据分为3个子集，其中训练集占70％的数据，用以在训练过程中调整网络内部的权重；验证集占15％的数据，用以确定网络内部的超参数；测试集占15％，用以最终检验获得神经网络的准确性，当然，具体的训练集、验证集和测试集的百分比可根据实际情况做调整，在此不做限制。

设输入向量为X_k：

X_k＝[x₁ ^k,x₁ ^k,...,x_n ^k]

式中，k＝1,2,…,m；m是学习模式对数(训练模式对数)；n是输入层单元数。

设输出向量为Y_k：

Y_k＝[y₁ ^k,y₁ ^k,...,y_q ^k]

式中，k＝1,2,…,m；m是学习模式对数(训练模式对数)；q为输出层单元数。

设隐含层各神经元的激活值S_j：

式中，n是输入层单元数；

是输入层至隐含层的连接权值；θ_j是隐含层单元的阈值； j＝1,2…p，p是隐含层单元数。

激活函数采用sigmoid型函数：

(2)确定神经网络隐藏层节点

根据输入层与输出层的节点数选择一定范围内的隐藏层节点数，使用相同的训练数据进行试算，并用测试集进行准确率验证，选择准确率最高的隐藏层节点数作为最终网络的节点。

根据隐藏层公式

确定最终的隐藏层节点数目，其中，m为隐藏层节点数目，n为输入层节点数目，l为输出层节点数目，a为1～10间的常数，实际实施时可以适当扩大a的范围。本实施例中，隐藏层节点数m的取值范围为4～13，试验时将范围扩展至4～20。

具体在对隐藏层最优节点数目确定时，在每组试验中，首先将数据随机划分为3类，对于每隐藏层节点数目进行10次运算，对比模型定名结果与实际沉积物定名，选择运算中最高准确率表示该节点条件下的网络模型准确率；一次训练及验证结束后再次对数据进行随机划分，共进行10次数据的随机划分，统计准确率结果后可以得到对海洋细粒沉积物定名的最优节点数，本实施例优选隐藏层节点数为9。

(3)确定神经网络函数：

为保持其他所有网络参数不变的情况下，本实施例分别使用Scaled conjugategradient、 Levenberg-Marquardt、Bayesian regularization三个训练函数进行计算，并使用测试集验证其准确率，选择准确率最高时的训练函数作为网络最终的训练函数，本实施例中，优选隐藏层节点数为9、训练函数为Scaled conjugate gradient时海洋含黏粒沉积物工程分类神经网络，以保证具有最佳准确率。

(4)神经网络训练及验证

根据上述步骤得到的网络参数构建最优结构的沉积物网络，进行多世代的训练，直至获得最佳结果时停止训练，确定满足研究区域的海底沉积物工程分类神经网络。其中，需要注意的是，在训练过程中数据的校正是从前往后进行的，所以叫做误差逆传播，计算时是从输出层到隐含层，再从隐含层到输入层；

输出层的校正误差：

式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练(学习)模式对数；y_t ^k是希望输出；c_t ^k是实际输出；f’(.)是对输出函数的导数。

隐含层各单元的校正误差：

式中，t＝1,2,…,q，q是输出层单元数；j＝1,2,…,p；p是隐含层单元数；k＝1,2,…,m，m是训练(学习)模式对数。

对于输出层至隐含层连接权和输出层阈值的校正量：

式中，b_j ^k是隐含层j单元的输出；d_t ^k是输出层的校正误差；j＝1,2…,p；t＝1,2,…,q； k＝1,2,…,m；α>0(输出层至隐含层学习率)。

隐含层至输入层的校正量：

式中，e_j ^k是隐含层j单元的校正误差；x_i ^k是标准输入，i＝1,2,…,n，n是输入层单元数； 0<β<1(隐含层至输入层学习率)。

步骤C中，获得拟分类沉积物粒度数据

本实施采用以下两种方式获得拟分类沉积物粒度：

(1)在研究区域通过相关地质手段进行沉积物样品的获取，并按照规范进行沉积物粒度组分的测量；

(2)收集研究区域内已有沉积物沉积学分类的数据资料，沉积学分类数据包含相应的粒度组分数据但不含塑性指数数据。

步骤D中，将步骤C中获得的拟分类沉积物粒度数据输入至步骤B构建的神经网络模型，进行海底沉积物工程分类分析：

将拟分类沉积物粒度数据输入到训练好的研究区域的海底沉积物工程分类神经网络中，计算得到最终的定名结果。

本实施例中，只使用沉积物粒度组分含量数据进行沉积物，并通过机器学习及训练的方式，建立沉积物粒度组分含量与海底沉积物工程定名之间的神经网络关系。

为了进一步验证本发明方案的可靠性，本实施例基于MATLAB的人工神经网络模块对黄河口埕岛海域的细粒土数据进行了训练和学习，数据来源于黄河口埕岛海域钻探获取得柱状样品测试结果，共有284组数据：其中粉土198组、粉质黏土42组、黏土44组。黄河口埕岛海域沉积物类型以粉土为主，从近岸至远岸端沉积物粒径逐渐变细，超过15m水深的海域逐渐过渡为粉质黏土和黏土。

每组数据均包含沉积物海洋工程分类方法的粒径百分含量以及最终的沉积物定名，粒径百分含量包括砂粒(0.5mm～2mm、0.25mm～0.5mm、0.075mm～0.25mm)、粉粒(0.005mm～ 0.075mm)和黏粒(<0.005mm)。

表1神经网络试验参数设置

具体对神经网络进行训练时，首先对数据进行归一化处理，即将不同区间的数据归一至 [0,1]区间上，以方便后续运算；按照常规神经网络训练思路，将神经网络研究数据分割成训练数据、验证数据、以及完全独立的检验数据，训练集和验证集共同参与网络训练过程，训练集数据用于训练模型的权重、验证集数据主要用于确定网络中的超参数。

选定算法后首先向后训练得到结果，并与实际结果比较。利用二者的误差将向前进行反馈并更新权重值，使网络更能接近实际的表达值，直至所有训练数据训练完毕。对于一组训练数据通常会进行多次训练，每训练一次称为一个世代，待训练达到设定的参数条件后停止。

如表1所示，网络结构为5-x-3类型，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。表 1中，第1组试验用来确定最优的网络隐藏层节点数目，训练函数采用了Scaled conjugate gradient；第2～4组试验暂定网络结构为5-10-3，通过改变练函数类型来确定最优的传递函数。通过对隐藏节点数4-20的不同网络训练并验证后，研究得到的准确率统计结果如图4所示；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，准确率结果见表2。

表2不同训练函数准确率统计

隐藏层节点数为9、训练函数为Scaled conjugate gradient时海洋含黏粒沉积物工程分类神经网络具有最佳准确率，最终的液化结果预测示意图如图3所示，其中，0表示未液化，1表示液化。

最后，通过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，采用本文提出的神经网络预测时，43组数据中预测正确42个，准确率为97.7％；采用海洋沉积物工程分类黏粒界限法进行预测时，43组数据预测正确40个，准确率为93％。结果表明，与原有海洋沉积物工程分类黏粒界限法相比，采取神经网络预测的方法具有更高的准确率。本发明所提出的方法能够建立各个粒径级配和沉积物定名之间的非线性耦合关系，比黏粒质量分数界限法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，简化工程定名的操作步骤，在不需塑性指数的情况下保证较高的沉积物工程定名准确率。

另外，需要说明的是，沉积物工程分类区域主要集中在近岸工程区域，与沉积定名相比不够广泛；基于本实施例所提出的分析方法，可首先将沉积规范定名的沉积物粒径级配数据转化成工程分类的粒径级配，砾石和砂土可直接使用规范进行定名，粉土和黏性土使用本文提供的方法进行定名。通过沉积物分类方式之间的转化，可以扩展沉积物工程分类的范围，将沉积物工程性质从近岸扩展至海洋。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于，包括以下步骤：

步骤A、获取海底沉积物工程分类数据，所述分类数据包括待分类区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；

步骤B、基于步骤A获取的数据构建并训练海底沉积物工程分类神经网络：

神经网络模型包括输入层、隐藏层和输出层，设该神经网络模型的输入参数为粒径百分含量，即[0.5mm,2mm)、[0.25mm,0.5mm)、[0.075mm,0.25mm)、[0.005mm,0.075mm)和(0,0.005)，输入层节点数为5，输出参数包括粉土、粉质黏土和黏土，输出层节点数为3；

步骤B1、将步骤A中获得的海底沉积物工程分类数据划分为训练集、验证集和测试集；

步骤B2、确定隐藏层节点数：根据输入层与输出层的节点数选择某一范围内的隐藏层节点数，并进行验证，基于

确定最优的隐藏层节点数目，其中，m为隐藏层节点数目，n为输入层节点数目，l为输出层节点数目，a为1～10间的常数；

步骤B3、确定神经网络函数：分别基于Scaled conjugate gradient、Levenberg-Marquardt、Bayesian regularization三个训练函数进行计算，并使用测试集验证其准确率，选择准确率最高时的训练函数作为网络最终的训练函数；

步骤B4、神经网络训练集验证：在训练过程中数据的校正是从前往后进行，即误差逆传播，计算时从输出层到隐含层，再从隐含层到输入层，以确定最终的神经网络模型；

步骤C、获得拟分类沉积物粒度；

步骤D、将步骤C中获得的拟分类沉积物粒度数据作为输入，基于所构建的沉积物工程分类神经网络模型实现海底沉积物工程分类。

2.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤A中，所述沉积物工程分类定名数据包括沉积物各粒度组分百分含量，以及最终的沉积物工程分类定名数据。

3.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B4中，校正过程中：

输出层的校正误差：

式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练模式对数；y_t ^k是希望输出；c_t ^k是实际输出；f’(.)是对输出函数的导数；

隐含层各单元的校正误差：

式中，j＝1,2,…,p；p是隐含层单元数；

对于输出层至隐含层连接权和输出层阈值的校正量：

Δγ_t＝αd_t ^k

式中，b_j ^k是隐含层j单元的输出，d_t ^k是输出层的校正误差，j＝1,2…,p；t＝1,2,…,q；k＝1,2,…,m；α>0，为输出层至隐含层学习率；

隐含层至输入层的校正量：

式中，e_j ^k是隐含层j单元的校正误差；x_i ^k是标准输入，i＝1,2,…,n，n是输入层单元数，0<β<1，为隐含层至输入层学习率。

4.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B中，隐藏层节点数m的取值范围为4-20。

5.根据权利要求1或4所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B2中，最终选择最优的隐藏层节点数据，采用以下方式：

(1)在每组试验中，首先将训练数据随机划分为3类，对于每一隐藏层节点数目进行多次运算，对比模型定名结果与实际沉积物定名，选择运算中最高准确率表示该节点条件下的网络模型准确率；

(2)一次训练及验证结束后再次对数据进行随机划分，共进行多次数据的随机划分，统计准确率结果后，得到对海洋细粒沉积物定名的最优节点数为9。

6.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤C中，获得拟分类沉积物粒度数据采用以下两种方式：

(1)在研究区域通过相关地质手段进行沉积物样品的获取，并按照规范进行沉积物粒度组分的测量；

(2)收集研究区域内已有沉积物沉积学分类的数据资料，沉积学分类数据包含相应的粒度组分数据但不含塑性指数数据。

Images