基于多源数据与深度学习的海洋土孔隙比剖面预测方法及系统与流程
本发明涉及海洋岩土工程勘察与人工智能交叉,尤其涉及基于多源数据与深度学习的海洋土孔隙比剖面预测方法及系统。
背景技术:
1、在海洋工程及岩土工程领域,海洋地基土的孔隙比作为评估土体固结特性、剪切强度和承载力的核心参数,对于确保海底平台、管线等基础设施的长期稳定与安全具有至关重要的作用。然而,准确测量和预测海洋地基土的孔隙比一直是一个技术难题,现有技术存在诸多局限性。
2、目前,海洋地基土孔隙比的测量主要依赖于间接方法,如标准贯入试验(spt)和孔压静力触探(cptu)。spt通过记录探头贯入特定深度的锤击数,并结合地区性经验公式间接推算出土体的相对密实度,进而利用土体极限孔隙比参数换算得到孔隙比。然而,这种方法高度依赖于动贯入阻力的经验换算体系,受人为操作因素干扰大,且离散的测点数据难以全面反映土层的连续变化特性。此外,地区经验公式的普适性不足,未考虑原位应力、场地地质等关键影响因素,导致最终获得的孔隙比估值存在较大误差和不确定性。
3、另一方面,cptu通过测量锥尖阻力、侧壁摩擦力和孔隙水压力等多参数数据,基于土力学理论建立与约束模量或压缩指数的关系,进而推导出土体孔隙比。尽管cptu的连续监测数据显著提高了土层分辨精度,但其解释仍局限于单一剖面信息,且受限于半理论半经验的计算模型。在复杂地质条件下,cptu推算的孔隙比结果仍存在系统性偏差,且未能有效融合多源数据(如地质、区域经验),导致信息利用不充分,解译结果片面。
4、此外,传统方法在不确定性量化方面存在明显不足。例如,在cn116244951a提出一种考虑不确定性的海洋土深度剖面孔隙率预测方法之前,许多技术只能给出一个确定的孔隙比值,而难以定量评估其可靠性与波动范围。这种不确定性量化不足的问题,使得工程师在评估海洋基础设施的长期稳定性和安全性时面临较大风险。
5、尽管cn116244951a一种考虑不确定性的海洋土深度剖面孔隙率预测方法通过引入集合卡尔曼滤波等方法,在量化海洋土孔隙率不确定性方面取得了进展,但该方案仍存在一些潜在的缺陷和不足。具体而言,该方案主要依赖于波阻抗数据作为输入,而波阻抗数据的获取可能受到海洋环境复杂性和测量设备精度的限制,导致数据质量参差不齐,进而影响孔隙率预测的准确性。此外,虽然该方案考虑了不确定性因素,但在处理多源异构数据融合方面仍可能面临挑战,尤其是在数据稀疏或不一致的情况下,模型的鲁棒性和泛化能力可能受到限制。
6、同时,现有技术如in202511094136a所描述的基于机器学习的土壤工程特性预测装置,虽然尝试利用机器学习技术预测土壤工程性质,但该方案主要聚焦于土壤工程特性的预测,并未专门针对海洋地基土的孔隙比剖面预测提出系统化的解决方案,且在多源异构数据融合能力、预测不确定性的定量量化以及模型决策机制的可解释性方面仍存在不足。例如,该方案未能充分融合地质描述、应力历史等多源信息,且在模型训练和优化过程中可能缺乏对不确定性因素的全面考虑,导致预测结果在实际工程应用中的可靠性和适用性受限。
7、综上,针对传统海洋地基土孔隙比测算方法经验依赖强、数据利用不充分、预测精度低、无不确定性量化能力、自动化与可解释性差的技术痛点,研发一种能够融合多源勘察数据、实现孔隙比剖面精准概率预测、量化输出不确定性且模型可解释的智能测算方法及系统,已成为海洋岩土工程勘察领域的迫切需求,对提升海洋工程土性评价的精准度与效率、保障海洋基础设施安全具有重要的工程意义。
技术实现思路
1、本发明所要解决的技术问题是,提供一种基于多源数据与深度学习的海洋土孔隙比剖面预测方法及系统,解决传统海洋地基土孔隙比测算方法依赖经验公式、数据利用不充分、预测精度低、无法量化不确定性以及模型黑箱不可解释等技术难题。
2、为达成上述技术目标,本发明特采用以下技术方案:
3、(一)基于多源数据与深度学习的海洋土孔隙比剖面预测方法
4、本方法以多源勘察数据为基础,通过数据融合、深度学习模型构建训练、概率化预测与可解释性分析,实现海洋地基土孔隙比剖面的精准、自动化、可量化原位计算。
5、步骤1、多源异构数据采集
6、同步采集海洋场地的多类型勘察数据,形成统一数据集:
7、cptu参数:锥尖阻力、侧壁摩阻力、孔隙水压力;
8、spt参数:标准贯入击数、土体分类描述;
9、原位应力参数:深度、总上覆应力、有效上覆应力;
10、场地环境参数:地下水位埋深、区域地质编码。
11、步骤2、数据融合与特征工程
12、深度对齐:将多源数据按深度坐标匹配,与室内试验测得的孔隙比剖面建立标注关系;
13、衍生特征计算:构建具有物理意义的特征,包括衍生特征包括净锥尖阻力、超静孔隙水压力、归一化摩擦比和土体行为分类指数,其中,
14、净锥尖阻力:
15、(1);
16、超静孔隙水压力:
17、(2);
18、归一化摩擦比:
19、(3);
20、土体行为分类指数:
21、(4);
22、式中,为修正锥尖阻力;为总上覆应力;为实测孔隙水压力;为静水压力;为侧壁摩擦阻力;为归一化锥尖阻力,为归一化摩擦比。
23、缺失值处理:采用knn算法完成数据插补,保证数据集完整;
24、标准化:采用z-score归一化,将数据转换为标准正态分布;
25、数据集划分:按7︰1.5︰1.5分为训练集、验证集、测试集。
26、步骤3、概率化深度学习模型构建与训练
27、以混合密度网络(mdn)为核心架构,搭建端到端预测模型:
28、网络结构:输入层、3~5层全连接隐藏层(64~128神经元/层)、概率化输出层;激活函数采用relu,使用dropout(丢弃率0.2~0.5)防止过拟合;
29、输出形式:参数化高斯混合分布,输出预测均值、标准差、混合权重;
30、训练策略:损失函数采用负对数似然损失;优化器采用adam,初始学习率,结合余弦退火动态调整学习率至;采用早停机制与贝叶斯优化完成超参数调优。
31、步骤4、孔隙比剖面概率预测与不确定性量化
32、将现场预处理后数据输入训练完成的模型,输出:
33、孔隙比剖面最佳估计值;
34、95%置信区间;
35、采用蒙特卡洛dropout实现贝叶斯不确定性估计,区分认知不确定性与偶然不确定性。
36、步骤5、模型可解释性分析
37、采用shap与lime方法对预测结果进行解析:
38、用shap计算各特征的shapley值,生成全局特征重要性排序;
39、用lime对单点深度进行局部解释,明确模型决策依据。
40、步骤6、模型验证
41、采用rmse、mae、评估点预测精度,采用crps评估概率预测准确性,完成模型性能检验。
42、(二)基于多源数据与深度学习的海洋土孔隙比剖面预测系统
43、本系统与上述基于多源数据与深度学习的海洋土孔隙比剖面预测方法对应,由模块化单元协同完成数据处理、模型计算、预测输出与结果解释,包括:
44、数据采集模块:用于获取cptu、spt、原位应力、场地环境等多源异构数据,并实现深度与点位统一对齐。
45、数据融合模块:集成数据对齐、衍生特征计算、knn缺失值插补、z-score标准化功能,输出规范建模数据集。
46、深度学习模型模块:部署混合密度网络,执行前向推理,输出孔隙比剖面概率预测结果。
47、不确定性量化模块:基于蒙特卡洛dropout实现多次随机前向传播,计算预测分布、标准差与置信区间。
48、可解释性分析模块:自动执行shap与lime计算,生成特征贡献度报告与单点决策依据。
49、模型验证模块:用于计算rmse、mae、、crps等指标,完成模型精度与泛化能力评估。
50、本发明提供的一种基于多源数据与深度学习的海洋土孔隙比剖面预测方法及系统,有如下有益效果:
51、1、本发明有效解决了海洋地基土孔隙比预测存在的精度不足、数据离散、信息利用不充分以及不确定性量化不足等技术问题,实现了海洋地基土孔隙比剖面的高精度、自动化预测,并定量评估预测结果的不确定性范围。
52、2、本发明克服了现有spt、cptu等原位测试方法间接换算孔隙比带来的经验依赖强、地区适应性差、估算误差大的缺陷,通过深度学习自动学习多源数据与孔隙比剖面间的非线性关系,摆脱传统经验公式限制,大幅降低模型偏差与离散性。
53、3、本发明实现了cptu、spt、原位应力、场地地质等多源异构勘察数据的深度融合与统一建模,充分挖掘数据内在关联,提升土层连续表征能力,同时兼容cptu连续数据、spt离散数据、应力参数与地质信息,完整反映土层连续变化与薄夹层特征。
54、4、本发明构建了概率化深度学习模型,在输出孔隙比剖面精准预测值的同时,定量给出不确定性区间,以概率分布与置信区间形式输出结果,可定量评估预测可靠性,为海洋岩土工程风险评估提供量化依据。
55、5、本发明引入了可解释人工智能方法,破解深度学习模型“黑箱”问题,通过shap、lime方法打开深度学习“黑箱”,明确参数贡献与决策逻辑,提高工程应用的可靠性与透明度。
56、6、本发明实现了从原始数据输入到孔隙比剖面输出、不确定性量化、模型解释的全流程自动化,无需人工分步换算,显著提升海洋地基土性参数解译效率与智能化水平。
57、7、本发明显著提升了海洋地基土孔隙比剖面的预测精度和连续性,预测精度显著超越传统经验公式,减少人为经验依赖带来的偏差。
58、8、本发明极大提升了勘察数据解释效率,实现从原始数据融合、特征提取到孔隙比剖面预测的端到端自动化处理。
59、9、本发明创新性地明确了预测结果的不确定性范围,输出孔隙比剖面的概率分布与置信区间,为岩土工程风险可控设计提供了关键数据支撑,这一结论已通过严格的模型验证和不确定性量化分析得到了充分验证,包括均方根误差(rmse)、平均绝对误差(mae)、决定系数()以及连续排序概率得分(crps)等评估指标均表明本发明具有优异的预测性能。
60、10、本发明不依赖特定地区经验公式,可适应复杂海洋地质条件,适用于海洋平台、海底管线、港口码头等各类海洋岩土工程勘察与评价。
61、11、本发明构建了多源异构数据集,涵盖cptu测试获取的实测锥尖阻力、侧壁摩阻力和孔隙水压力等连续参数序列,spt测试记录的离散贯入击数及其对应的土体分类描述,原位应力参数及场地环境参数,形成监督学习所需的标注数据集,为模型训练提供了丰富且准确的数据基础。
62、12、本发明构建了土体孔隙比的概率化剖面输出模式,该方法突破了传统确定性点估计的局限,创新地采用概率深度学习模型,输出孔隙比剖面随深度变化的完整概率分布,最终形成附带置信区间的连续概率化剖面。这一模式为孔隙比剖面预测提供了直观、可量化的不确定性度量。
63、13、本发明在特征工程环节计算衍生特征,包括净锥尖阻力、超静孔隙水压力、归一化摩擦比以及基于robertson方法的土体行为分类指数,对缺失值采用k最近邻算法插补,并使用z-score标准化方法对所有特征参数进行归一化处理,优化了数据特征,提高了模型训练效果。
64、14、本发明采用混合密度网络作为基础框架,构建包含输入层、3~5个全连接隐藏层和概率化输出层的深度学习模型,输出预测均值、标准差和混合权重,能够更好地捕捉数据中的复杂关系和不确定性。
65、15、本发明在训练阶段采用负对数似然损失函数和adam优化器,配合余弦退火策略动态调整学习率,使用贝叶斯优化算法进行超参数调优,提高了模型训练的效率和准确性,使模型能够更快收敛到最优解。
66、16、本发明在预测阶段通过前向传播计算获得孔隙比剖面的概率化预测结果,包括最佳估计值和95%置信区间,并采用shap和lime等可解释性技术进行事后解释,为工程应用提供了更全面、可靠的结果分析和决策依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com