检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2025 , Vol. 44 >Issue 4: 14 - 24

DOI: https://doi.org/10.11978/2024228

海洋地质学

基于机器学习的海上风电场浅部地层CPT参数预测方法

  • 李书兆 , 1 ,
  • 魏澈 1 ,
  • 申辰 1 ,
  • 孙国栋 1 ,
  • 杨叶涛 , 2 ,
  • 罗进华 3 ,
  • 王教龙 3
展开
  • 1.中海石油(中国)有限公司北京研究中心, 北京 100028
  • 2.中国地质大学(武汉)地球物理与空间信息学院, 湖北 武汉 430074
  • 3.中海油田服务股份有限公司, 天津 300459
杨叶涛, 男, 博士, 副教授, 研究方向为地质资源与地质工程。email:

李书兆(1985—), 女, 河北省邢台市人, 博士, 高级工程师, 从事海洋岩土工程研究与应用。email:

Copy editor: 孙翠慈

收稿日期: 2024-12-04

  修回日期: 2025-01-02

  网络出版日期: 2025-01-15

基金资助

国家“十四五”重大科技项目(KJZX-2022-12-XNY-0100)

收起

A machine learning-based method for predicting shallow subsurface CPT parameters in offshore wind farms

  • LI Shuzhao , 1 ,
  • WEI Che 1 ,
  • SHEN Chen 1 ,
  • SUN Guodong 1 ,
  • YANG Yetao , 2 ,
  • LUO Jinhua 3 ,
  • WANG Jiaolong 3
Expand
  • 1. CNOOC Research Institute Ltd., Beijing 100028, China
  • 2. Institute of Geophysics & Geomatics, China University of Geosciences (Wuhan), Wuhan 430074, China
  • 3. China Oilfield Services Limited, Tianjin 300459, China
YANG Yetao. email:

Received date: 2024-12-04

  Revised date: 2025-01-02

  Online published: 2025-01-15

Supported by

China "14th Five-Year Plan" Major Science and Technology Project(KJZX-2022-12-XNY-0100)

Fold

摘要

海上风电平台的建设, 迫切需要利用海底的地质工程资料, 提高地质参数预测的计算效率和准确率。静力触探试验(cone penetration testing, CPT)数据具有独特优势, 在海上风电场地质参数建模中具有重要作用。传统的CPT参数预测主要采用贝叶斯、克里金插值等方法。本研究将支持向量回归、随机森林和神经网络算法引入地质参数预测领域, 融合二维地震数据的空间连续性优势和静力触探数据的垂向分辨率优势, 对南海莺歌海盆地的东方海上风电场浅部地层进行CPT参数预测与建模。利用误差直方图和验证散点图对3种方法的准确率进行比较, 结果表明, 神经网络预测结果综合性能较为优秀, 支持向量回归模型预测结果较为简单。由于随机森林方法具有截断性, 预测结果最差, 在水平方向出现了突变。本研究可以为海底地质岩土参数预测提供一种新的研究思路。

关键词： 静力触探试验; 参数预测; 随机森林; 支持向量回归; 神经网络

本文引用格式

李书兆 , 魏澈 , 申辰 , 孙国栋 , 杨叶涛 , 罗进华 , 王教龙 . 基于机器学习的海上风电场浅部地层CPT参数预测方法[J]. 热带海洋学报, 2025 , 44(4) : 14 -24 . DOI: 10.11978/2024228

Abstract

The construction of offshore wind power platforms urgently requires seabed geotechnical data to enhance the efficiency and accuracy of geological parameter prediction and modeling. Cone Penetration Testing (CPT) data offers unique advantages and plays a crucial role in geological parameter modeling for offshore wind farms. Traditional CPT-based prediction methods mainly utilize techniques such as Bayesian and Kriging interpolation. This study introduces Support Vector Regression (SVR), Random Forest (RF), and Neural Network (NN) algorithms into geological parameter prediction, combining the spatial continuity advantage of 2D seismic data with the vertical resolution advantage of CPT data to predict and model the CPT geotechnical parameters in shallow strata at the Eastern Offshore Wind Farm site in the Yinggehai Basin, South China Sea. The accuracy of the three methods is evaluated using error histograms and validation scatter plots. Results indicate that the Neural Network delivers the best overall performance, while the Support Vector Regression model yields simpler predictions. Due to the truncation nature of the Random Forest method, it yields the least accurate results, exhibiting abrupt horizontal variations. This study presents a novel research approach for predicting seabed geotechnical parameters.

Key words： CPT; parameter prediction; Random Forest; Support Vector Regression; Neural Networks

海上风电是中国加快能源转型进程、助力“双碳”目标早日实现的重要战略支撑, 同时也是“十四五”能源转型的重要战略发展路线(宋伟业 等, 2023; 王博斐 等, 2023; 严新荣 等, 2024)。相较于趋于饱和的陆上风资源, 中国海上风资源丰富、风电效率高, 并且能够带动沿海经济发展(刘吉臻 等, 2021; 赵君宇等, 2023)。海上风电不占用宝贵的土地资源, 而且对周围的生态环境产生较小的负面影响(李铮 等, 2022; 薛明军 等, 2023; 阳熹 等, 2023)。风电场的科学建设容易受到地质结构、区域地质灾害等诸多因素的影响(姜贞强 等, 2020)。因此, 在海上风电场工程建设前, 需要利用海洋地质数据和建立预测模型来模拟海底的地形地貌、地层分布以及岩土特性等数据, 为海上风电的选址提供可靠且全面的参考数据(Morgenstern et al, 1978; 孟祥梅 等, 2015; 刘吉臻 等, 2021; 牛海峰 等, 2023)。
在地质参数预测和建模中, 二维地震资料因其连续和密集的分布特点, 常用于反映地下不同岩性、构造或地层界面的反射能力(刘彦华 等, 2019; 胡博锐 等, 2022)。利用反射轴识别岩性也存在局限性, 例如岩性变化界线不易识别, 同层位岩性变化难以察觉等。静力触探试验(cone penetration test, CPT)是工程中常用的一种原位测试方法, 具有数据快速、连续、再现性好、可靠性高的特点(梁文成 等, 2013; 郭根发 2022)。利用CPT获得的孔位数据和地层的相关参数可以用来推断地下地质情况, 为地质参数预测提供重要依据(蔡国军 等, 2007; Oh et al, 2018)。将地震资料的连续性和CPT数据的准确性进行结合, 对海底地质参数的预测与模型的建立具有重大意义。
近年来, 不少学者对岩土参数预测方法进行了研究。田密 等(2017)将先验信息和CPT参数进行结合, 提出一种基于内摩擦角空间变异性的贝叶斯算法。王长虹 等(2018)通过空间贝叶斯方法建立了岩土参数与CPT参数之间转换模型, 并利用线性回归模型进行对比探讨。蒋水华 等(2020)提出了利用岩土力学参数概率分布推断的自适应贝叶斯更新方法, 构建了岩土参数概率分布推断及可靠度分析框架。董济涵 等(2023)使用空间随机函数描述压缩模量的空间变异性, 基于贝叶斯理论建立了随机场插值。同时, 不少学者也在反距离加权、克里金和多元回归等方法上进行研究, 使得岩土参数插值方法丰富且多样(李新 等, 2000; 唐丙寅 等, 2015)。Costa 等(2019)使用地球物理和遥感数据, 采用随机森林方法对岩性参数进行预测。Zhao等(2024)利用神经网络和地震数据来预测地质属性。
上述传统方法大多基于贝叶斯、反距离插值等传统方法来进行CPT参数的插值, 这些方法的模型架构相对简单, 无法适应地质数据的复杂性, 因此其插值能力和准确性有上限, 尤其是在应对海洋风电等复杂场景的地质预测任务时, 可能无法提供足够精确的结果。随着计算机算力的不断提升, 机器学习在预测和插值方面展现了出色的效果。机器学习和深度学习方法也可引入地质插值领域。本研究旨在将多种机器学习方法与地质参数预测插值相结合, 利用地震数据和CPT数据, 结合随机森林回归、支持向量回归与神经网络方法, 对空间进行插值。通过标准的误差方法, 对三种方法的结果进行对比比较, 探究三种方法的优劣, 为工程建设和地质勘探提供重要参考。

1 研究区域与数据

1.1 研究区域

研究区域位于海南岛西部的莺歌海盆地东方区(如图1所示), 水深在25~45m之间。该区域地形地貌复杂, 微地貌类型多样, 包括潮流沙脊、侵蚀冲沟和海底沙波等地貌特征。沉积物主要由粉砂和黏土沉积组成。西北部地区地层平缓, 地层中以细粒粉质黏土和淤泥土为主; 东南部则以砂质粉土和粉砂为主(刘乐军 等, 2004)。采集的数据包括电火花震源的高分辨率单道地震数据和CPT数据。
图1 研究区域及数据分布

右图红框区域代表研究范围。该图基于自然资源部标准地图服务网站下载审图号为GS(2019)3266号标准地图制作

Fig. 1 Research area and data distribution

1.2 数据采集

本次采集的地震数据为电火花震源的高分辨率单道地震数据, 震源使用的是荷兰Geo-Resources公司制造的Geo-Spark 6kJ电火花系统。该系统主要由Geo-Sources 800电火花震源、由16个检波器单元组成的Geo-Sense水听器、Geo-Spark 6kJ能量源、Mini-trace采集数字处理系统组成。电火花震源和水听器被分别安置于船尾25m和30m后。本次调查震源能量为1500J, 触发间隔为0.6~1.5s, 放电能量1500J。研究区工共采集361条测线, 采集记录真振幅波形, 同时根据船尾全球定位系统(global positioning system)及后拖距离换算出共中心点坐标, 实时记录到sgy格式的数据中。地震剖面垂向分辨率约0.5m, 频谱范围200~1000Hz, 穿透深度大于100m。
CPT测试所使用的仪器设备为中海油服物探事业部工程勘察作业公司的Wison-APB钻孔CPT系统。其CPT探头锥角为60°、锥头面积为10cm2, 摩擦套筒面积为150cm2。孔压传感器安装在探头锥头的肩部以上5mm处。每次CPT测试的连续贯入行程为3m, 贯入速度为20mm·s-1。每次CPT测试结束后, 将已测试过的土层钻掉, 并用泥浆清孔和护壁, 然后再继续下一回次CPT测试, CPT测试和清孔如此循环进行, 直至终孔深度。CPT测试同时贯入海底以下的深度、测锥尖阻力、侧面摩擦力和孔隙水压力。

1.3 数据处理与解释

电火花数据经过带通滤波、涌浪滤波后, 剖面质量得到较大提高; 由于受海底多次波影响, 较深地层信噪比较低。CPT解释主要参考了Robertson土质分类模型(Robertson, 1990)。综合分析CPT数据和地震剖面, 将研究区地层分为7层, 如图2所示。
图2 地震剖面及结合CPT解释的层位

Fig. 2 Seismic profile and horizons interpreted with CPT

2 所用方法

2.1 预测模型的建立

模型采用地震数据和CPT参数进行预测, 使用随机森林、支持向量和神经网络回归在CPT钻孔位置根据CPT获得的岩土参数数据和地震属性进行训练, 以预测沿地震线和远离CPT位置的CPT参数。具体步骤如图3所示, 首先获取CPT特征, 如深度、锥尖阻力、侧摩擦力和孔隙水压力等因子; 然后获取地震属性特征, 包括地震道位置(x, y, z)、地震属性f, 将CPT特征与地震道数据建立空间上的联系, 以地震数据为数据集, CPT参数数据为预测结果, 对随机森林、支持向量回归模型和神经网络进行训练, 然后将远离CPT的地震数据输入预测模型得到CPT参数, 最后利用直方图、散点图以及算法精度对预测值进行验证和比较。
图3 预测模型框架

Fig. 3 Predictive model framework

2.2 预测算法

2.2.1 支持向量回归算法

支持向量回归是一种基于支持向量机的回归算法, 对比其他传统的回归算法, SVR具有灵活性、可解释性和对离群点的鲁棒性等优点。SVR的主要思想是在特征维度空间寻找一个超平面来对数据进行拟合, 使得所有数据点距离这个超平面的距离最小。
基于支持向量机的预测模型函数为:
F x = w ϕ x i + b ( i = 1 ,   2 , ⋯ , l )
其中, w为权重向量, ϕ x i为输入向量的高维特征空间, b为偏置向量。
SVR在计算中需要满足一定的约束条件:
min w , b 1 2 w 2 2
y i w ⋅ x i + b ≤ ε
在实践中, 往往很难直接确定合适的 ε, 为了确保大部分数据都在间隔带内。需要设置一个容忍偏差 ξ, 来允许一部分样本不在间隔带内。此时, 约束条件发生了改变:
min w , b , ξ + , ξ − 1 2 w 2 + C ∑ i = 1 n ξ i + + ξ i −
− y i + w T ϕ x i + b ≤ ε + ξ i +
s.t. y i − w T ϕ x i + b ≤ ε + ξ i −         ( i = 1 , 2 , ⋯ , n )
式中, yi为真实值; wT为w的转置矩阵; ξ +、 ξ −分别表示间隔上下界松弛变量, ξ + , ξ −≥0; C为惩罚系数, 用于平衡模型复杂度和损失。

2.2.2 随机森林回归算法

随机森林是使用多棵决策树对样本进行训练并预测的一种集成分类器(Breiman, 2001)。它以决策树为基学习器, 使用装袋集成方法(bagging), 并在此基础上引入随机属性的选择。
随机森林的主要步骤是:
1)选择地震属性作为输入变量, CPT参数为输出变量。
2)利用Bootstrap从地震属性的数据集中采样生成子数据集。
3)对于每个子数据集构建一个回归决策树, 选择每一个子数据集的最优特征。这样可以增加模型的多样性, 减少了过拟合的风险。
4)使用袋外数据对模型的精度进行评估, 根据误差调整参数。
5)构建完决策树后, 形成随机森林。随机森林的所有的决策树对输入值进行预测, 结果取所有决策树的平均值。

2.2.3 神经网络回归算法

多层感知器(multilayer perceptron, MLP)是一种前馈人工神经网络模型, 是神经网络中最基本和经典的一种结构。MLP由一个输入层、一个或多个隐藏层和一个输出层组成。每一层中的神经元与下一层中的神经元全连接。数据从输入层经过隐藏层到达输出层, 每一层的神经元将接收到的输入进行加权求和, 并通过激活函数计算输出。MLP可以用于解决各种监督学习问题, 如分类、回归等。它具有良好的非线性拟合能力, 可以逼近任意复杂的函数。通过调整网络结构和参数, MLP可以利用地震数据和已知的CPT数据进行训练, 进而用训练好的神经网络和广泛分布的地震数据来预测整个岩土参数的数据。本次实验设置“Adam”作为激活函数, 网络层次设置12层, 迭代次数设置600次。

3 岩土参数空间插值结果

抽取两个CPT孔位对得到的模型进行验证, 得到的CPT锥尖阻力参数验证曲线如图4所示。对孔位16进行分析, 可以看出CPT参数验证, 随机森林回归模型(图4a)最好、神经网络回归模型(图4c)次之, 支持向量机回归(图4b)模型最差。随机森林模型对于CPT参数变化不剧烈的位置很好地能完成拟合, 例如第三层、第五层和第七层, 对于变化剧烈的位置也能大致拟合变化趋势, 例如第二层、第四层和第六层; 神经网络模型对于CPT岩土参数变化不剧烈的位置能完成拟合, 稍差于随机森林回归模型, 例如第三层、第五层和第七层, 对于变化剧烈的位置能拟合变化趋势, 例如第二层、第四层和第六层。支持向量机模型对于CPT参数变化不剧烈的位置基本能完成拟合, 例如第三层、第五层和第七层, 但是对于变化剧烈的位置不能大致拟合变化趋势, 例如第二层、第四层和第六层, 模型只能平滑处理, 只能预测逐渐变大(第二层)或者预测成变化不大的平滑曲线。同时, 在第一次和第七层的变化有数值突然增大的现象, 只有随机森林回归能拟合, 支持向量机回归、神经网络回归都不能做到。而孔位12的验证曲线也说明了随机森林(图4d)和神经网络(图4f)对CPT锥尖阻力的验证要比支持向量回归(图4e)更精确。
图4 3种算法在CPT钻孔16(a—c)和CPT钻孔12(d—f)上的锥尖阻力验证结果

蓝色代表真实值, 红色代表预测值

Fig. 4 Validation results of cone tip resistance for three algorithms at CPT Borehole 16 (a-c) and CPT Borehole 12 (d-f). Blue lines represent measured values, red lines represent predicted values

最终得到的CPT侧面摩擦力和孔隙水压力验证曲线如图5所示。观察CPT侧面摩擦力和孔隙水压力的验证曲线, 可以明显发现随机森林和神经网络算法对参数的拟合精度要好于支持向量回归的拟合结果。
图5 3种算法在CPT钻孔16上的侧面摩擦力(a—c)和孔隙水压力(d—f)验证结果

蓝色代表真实值, 红色代表预测值

Fig. 5 Validation results of (a-c) side friction and (d-f) pore water pressure by three algorithms at CPT Borehole 16. Blue lines represent measured values, red lines represent predicted values

三种算法预测的锥尖阻力、侧面摩擦力和孔隙水压力的误差分布直方图如图6所示。随机森林(图6a、d、g)的误差分布集中在零附近, 均值接近零, 表明预测结果没有明显的系统性偏差, 方差较小, 误差的离散程度低。支持向量机(图6b、e、h)的误差分布也集中在零附近, 但均值为负, 显示出系统性的低估, 且误差的离散程度较大。神经网络(图6c、f、i)的误差分布集中在零附近, 均值接近零, 表示没有明显的系统性偏差, 方差介于随机森林和支持向量机之间, 误差的离散程度高于随机森林, 但低于支持向量机。从误差分布图来看, 随机森林的误差分布最为集中, 峰值较高且较窄, 显示出更高的预测精度。支持向量机的误差分布较为分散, 峰值较低, 预测精度相对较差。神经网络的误差分布介于支持向量机和随机森林之间, 优于支持向量机, 但劣于随机森林。从侧面摩擦力和孔隙水压力误差分布直方图来看, 随机森林也比其他两种方法验证精度更高。
图6 3种算法对锥尖阻力、侧面摩擦力和孔隙水压力的误差分布直方图

a、d、g分别为随机森林对锥尖阻力、侧面摩擦力、孔隙水压力的误差直方图; b、e、h分别为支持向量机对锥尖阻力、侧面摩擦力、孔隙水压力的误差直方图; c、f、i分别为神经网络对锥尖阻力、侧面摩擦力、孔隙水压力的误差直方图

Fig. 6 Error distribution histograms of three algorithms for cone tip resistance, side friction, and pore water pressure. (a, d, g) Random forest error historgrams for cone tip resistance, side friction, and pore water pressure, respectively; (b, e, h) support vector machine error historgrams for cone tip resistance, side friction, and pore water pressure, respectively; (c, f, i) neural network error historgrams for cone tip resistance, side friction, and pore water pressure, respectively

三种算法预测的锥尖阻力和侧面摩擦力、孔隙水压力的验证散点如图7所示。在锥尖阻力的预测中, 图中横坐标为真实锥尖阻力, 纵坐标为预测锥尖阻力, 三条线分别表示1.25倍误差线、对角线和0.75倍误差线, 颜色的深浅表示点的密度。根据散点分布, 随机森林(图7a、d、g)的均值绝对误差最小, 散点大多集中在两条误差线之间, 表现较为集中; 神经网络(图7c、f、i)次之, 散点大部分集中在误差线之间, 但有些许离散; 支持向量机(图7b、e、h)的散点尽管大多数集中在误差线之间, 但离散度较大, 表现最差。从侧面摩擦力和孔隙水压力的验证散点来看, 随机森林和神经网络的验证精度明显高于支持向量机, 后者的离散度较大, 精度较低。综上所述, 三种算法的验证精度依次为: 随机森林最好, 神经网络次之, 支持向量机最差。
图7 3种算法对锥尖阻力、侧面摩擦力和孔隙水压力的验证散点图

a、d、g分别为随机森林对锥尖阻力、侧面摩擦力、孔隙水压力的验证散点图; b、e、h分别为支持向量机对锥尖阻力、侧面摩擦力、孔隙水压力的验证散点图; c、f、i分别为神经网络对锥尖阻力、侧面摩擦力、孔隙水压力的验证散点图

Fig. 7 Validation scatter plots of three algorithms for cone tip resistance, side friction and pore water pressure. (a, d, g) Validation scatter plots of random forest for cone tip resistance, side friction and pore water pressure, respectively; (b, e, h) validation scatter plots of support vector machine for cone tip resistance, side friction and pore water pressure, respectively; (c, f, i) validation scatter plots of neural network for cone tip resistance, side friction and pore water pressure, respectively

根据表1所示, 三种算法在预测锥尖阻力、侧面摩擦力和孔隙水压力时的精度评价结果分别使用了相对误差率(relative error, RE)、拟合优度(R²)、均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)四个指标。对于锥尖阻力的预测, 随机森林在所有四个指标中均表现最优, 领先于神经网络和支持向量机。神经网络在拟合优度和均方根误差上优于支持向量机, 但相对误差率和平均绝对百分比误差差于支持向量机。在侧面摩擦力和孔隙水压力的预测中, 随机森林同样表现最好, 其次是神经网络, 支持向量机的表现最差。综合分析表明, 基于这四个评价指标, 随机森林在所有预测任务中的验证结果最优, 其次为神经网络, 支持向量机的效果最差。
表1 3种算法对锥尖阻力、侧面摩擦力和孔隙水压力的精度评价

Tab. 1 Accuracy evaluation of three algorithms for cone tip resistance, side friction, and pore water pressure

预测属性 算法 相对误差率/% 拟合优度 均方根误差 平均绝对百分比误差/%
锥尖阻力 支持向量机 −0.92 0.31 10 129.61
随机森林 −0.49 0.79 5.51 64.19
神经网络 −1.17 0.58 7.81 139.91
侧面摩擦力 支持向量机 −0.93 0.18 0.06 128.79
随机森林 −0.88 0.7 0.04 104.79
神经网络 −1.38 0.09 0.07 177.09
孔隙水压力 支持向量机 −2.80 0.36 0.61 346.62
随机森林 −1.74 0.87 0.27 203.45
神经网络 −3.10 0.76 0.37 345.85
对地震剖面进行预测, 最终结果如图8所示。通过对同一地震剖面预测锥尖阻力参数, 可以看出神经网络(图8c)的预测结果最好, 支持向量机回归(图8b)次之, 随机森林回归(图8a)最差。神经网络模型预测地震剖面岩土参数在水平方向上能呈现出岩石地层的起伏变化, 变化平滑自然, 在垂直方向上预测符合CPT参数曲线。支持向量回归模型预测地震剖面岩土参数在水平方向上能呈现出岩石地层的起伏变化, 变化平滑自然, 但是在垂直方向上预测不符合CPT参数曲线。随机森林回归模型预测地震剖面岩土参数在水平方向上虽然能呈现出岩石地层的起伏变化, 但是由于随机森林决策树具有截断性, 预测结果在水平延展方向出现跳跃性突变。
图8 3种算法对地震剖面的锥尖阻力参数预测

a. 随机森林回归预测剖面; b. 支持向量机回归预测剖面; c. 神经网络回归预测剖面

Fig. 8 Prediction of cone tip resistance parameters on seismic profiles by three algorithms. (a) Random forest regression prediction profile; (b) support vector machine regression prediction profile; (c) neural network regression prediction profile

综合来看, 神经网络回归模型效果最好, 在CPT参数验证中能对端阻曲线进行拟合, 同时在地震剖面预测中能呈现出细致的岩石地层起伏变化, 变化平滑自然; 其次是支持向量机回归模型, 在CPT岩土参数验证中能对端阻曲线大致的范围和变化趋势进行预测, 同时在地震剖面预测中能呈现出简单的岩石地层起伏变化; 最后是随机森林回归模型, 虽然它能很好的拟合CPT参数端阻曲线, 但是由于随机森林的截断性, 预测结果在地震剖面水平延展预测会出现突变, 这并不符合研究区域的实际情况。

4 总结

本文以莺歌海盆地东方区为研究对象, 利用地震数据和钻孔数据建立训练集, 采用随机森林回归、支持向量回归和神经网络等机器学习方法, 构建了CPT参数预测模型。通过对比分析钻孔数据和地震剖面的CPT参数预测结果, 得出以下结论: (1)支持向量回归模型在CPT参数验证中能较好预测出端阻曲线的范围和变化趋势, 在地震剖面预测中表现出简单的地层起伏变化; (2)随机森林回归模型能够很好地拟合CPT参数端阻曲线, 但在地震剖面中出现截断性; (3)神经网络回归模型在CPT参数验证中表现最佳, 能够拟合端阻曲线, 能够预测出地震剖面中的细致且自然起伏变化的地层。
下一步研究将重点改良三种模型, 结合其优点开发混合预测模型。同时, 扩充地质与工程数据以丰富训练集, 提升模型泛化能力, 最终期望构建高精度、高稳定性的岩土参数预测模型, 为地质勘探和工程建设提供可靠支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
蔡国军, 刘松玉, 童立元, 等, 2007. 多功能孔压静力触探(CPTU)试验研究[J]. 工程勘察, 35(3): 10-15, 73.

CAI GUOJUN, LIU SONGYU, TONG LIYUAN, et al, 2007. Research on the versatile piezocone penetration test (CPTU)[J]. Geotechnical Investigation & Surveying, 35(3): 10-15, 73 (in Chinese with English abstract).

[2]
董济涵, 王长虹, 2023. 压缩模量融合CPT数据的贝叶斯空间插值方法[J]. 上海大学学报(自然科学版), 29(1): 140-154.

DOI

DONG JIHAN, WANG CHANGHONG, 2023. Bayesian spatial interpolation method for compression modulus fusion of CPT data[J]. Journal of Shanghai University (Natural Science Edition), 29(1): 140-154 (in Chinese with English abstract).

[3]
郭根发, 2022. 海床式静力触探在海上风电项目勘察中的应用[J]. 吉林水利, (12): 8-13, 17.

GUO GENFA, 2022. Application of seabed static penetration in the investigation of offshore wind power projects[J]. Jilin Water Resources, (12): 8-13, 17 (in Chinese with English abstract).

[4]
胡博锐, 刘宏扬, 蔡春麟, 等, 2022. 海洋工程地震在海上风电场工程地质勘察中的应用[J]. 海洋地质前沿, 38(9): 97-100.

HU BORUI, LIU HONGYANG, CAI CHUNLIN, et al, 2022. Application of marine engineering seismic in engineering geological investigation of offshore wind power[J]. Marine Geology Frontiers, 38(9): 97-100 (in Chinese with English abstract).

[5]
蒋水华, 冯泽文, 刘贤, 等, 2020. 基于自适应贝叶斯更新方法的岩土参数概率分布推断[J]. 岩土力学, 41(1): 325-335.

JIANG SHUIHUA, FENG ZEWEN, LIU XIAN, et al, 2020. Inference of probability distributions of geotechnical parameters using adaptive Bayesian updating approach[J]. Rock and Soil Mechanics, 41(1): 325-335 (in Chinese with English abstract).

[6]
姜贞强, 郇彩云, 王胜利, 等, 2020. 海上风电单桩基础动力特性识别及现场测试[J]. 太阳能学报, 41(7): 321-326.

JIANG ZHENQIANG, HUAN CAIYUN, WANG SHENGLI, et al, 2020. Dynamic characteristics identification of monopile offshore wind turbine and field tests[J]. Acta Energiae Solaris Sinica, 41(7): 321-326.

[7]
李新, 程国栋, 卢玲, 2000. 空间内插方法比较[J]. 地球科学进展, 15(3): 260-265.

LI XIN, CHENG GUODONG, LU LING, 2000. Comparison of spatial interpolation methods[J]. Advance in Earth Sciences, 15(3): 260-265 (in Chinese with English abstract).

[8]
李铮, 郭小江, 申旭辉, 等, 2022. 我国海上风电发展关键技术综述[J]. 发电技术, 43(2): 186-197.

DOI

LI ZHENG, GUO XIAOJIANG, SHEN XUHUI, et al, 2022. Summary of technologies for the development of offshore wind power industry in China[J]. Power Generation Technology, 43(2): 186-197 (in Chinese with English abstract).

DOI

[9]
梁文成, 林吉兆, 杜宇, 2013. 海床式静力触探设备在海上工程勘察中的应用[J]. 水运工程, (7): 19-21.

LIANG WENCHENG, LIN JIZHAO, DU YU, 2013. Application of seabed CPTU equipment in offshore investigation[J]. Port & Waterway Engineering, (7): 19-21 (in Chinese with English abstract).

[10]
刘吉臻, 马利飞, 王庆华, 等, 2021. 海上风电支撑我国能源转型发展的思考[J]. 中国工程科学, 23(1): 149-159.

DOI

LIU JIZHEN, MA LIFEI, WANG QINGHUA, et al, 2021. Offshore wind power supports China’s energy transition[J]. Strategic Study of CAE, 23(1): 149-159 (in Chinese with English abstract).

DOI

[11]
刘乐军, 李培英, 杜军, 等, 2004. 莺歌海油气资源开发区工程地质和灾害地质特征[J]. 海洋科学进展, 22(4): 455-464.

LIU LEJUN, LI PEIYING, DU JUN, et al, 2004. Characteristics of marine engineering geology and hazardous geology in the Yinggehai oil and gas resource development area[J]. Advances in Marine Science, 22(4): 455-464 (in Chinese with English abstract).

[12]
刘彦华, 杨晓军, 袁超, 等, 2019. 海洋物探方法在海上风电场勘察中的应用[J]. 地质学刊, 43(4): 619-626.

LIU YANHUA, YANG XIAOJUN, YUAN CHAO, et al, 2019. Application of marine geophysical exploration method in offshore wind farm survey[J]. Journal of Geology, 43(4): 619-626 (in Chinese with English abstract).

[13]
孟祥梅, 阚光明, 李官保, 等, 2015. 南黄海中西部海底空间沉积特征及工程地质特性[J]. 工程地质学报, 23(6): 1202-1210.

MENG XIANGMEI, KAN GUANGMING, LI GUANBAO, et al, 2015. Spatial characteristics and geotechnical properties of seafloor sediment in west-central area of southern Yellow Sea[J]. Journal of Engineering Geology, 23(6): 1202-1210 (in Chinese with English abstract).

[14]
牛海峰, 李向辉, 梁峰, 等, 2023. 面向海上风电开发建设的工程地质模型及应用研究[J]. 南方能源建设, 10(4): 57-70.

NIU HAIFENG, LI XIANGHUI, LIANG FENG, et al, 2023. Research on the engineering geological model and its application for offshore wind power development and construction[J]. Southern Energy Construction, 10(4): 57-70 (in Chinese with English abstract).

[15]
宋伟业, 刘灵玥, 阎洁, 等, 2023. 基于深度强化学习的海上风电集群自进化功率平滑控制方法[J]. 中国电力, 56(3): 36-46.

SONG WEIYE, LIU LINGYUE, YAN JIE, et al, 2023. Self-evolving power smooth control method for offshore wind power cluster based on deep reinforcement learning[J]. Electric Power, 56(3): 36-46 (in Chinese with English abstract).

[16]
唐丙寅, 吴冲龙, 李新川, 等, 2015. 一种基于钻孔地质数据的快速递进三维地质建模方法[J]. 岩土力学, 36(12): 3633-3638.

TANG BINGYIN, WU CHONGLONG, LI XINCHUAN, et al, 2015. A fast progressive 3D geological modeling method based on borehole data[J]. Rock and Soil Mechanics, 36(12): 3633-3638 (in Chinese with English abstract).

[17]
田密, 李典庆, 曹子君, 等, 2017. 基于贝叶斯理论的土性参数空间变异性量化方法[J]. 岩土力学, 38(11): 3355-3362.

TIAN MI, LI DIANQING, CAO ZIJUN, et al, 2017. Quantification of spatial variability of soil parameters using Bayesian approaches[J]. Rock and Soil Mechanics, 38(11): 3355-3362 (in Chinese with English abstract).

[18]
王博斐, 肖浩哲, 李国豪, 等, 2023. 基于控制目标的氢-电混动系统能量管理策略综述[J]. 发电技术, 44(4): 452-464.

DOI

WANG BOFEI, XIAO HAOZHE, LI GUOHAO, et al, 2023. A review of energy management strategy for hydrogen-electricity hybrid power system based on control target[J]. Power Generation Technology, 44(4): 452-464 (in Chinese with English abstract).

DOI

[19]
王长虹, 黄梦露, 2018. 岩土参数转换模型的贝叶斯校准方法[J]. 自然灾害学报, 27(4): 96-102.

WANG CHANGHONG, HUANG MENGLU, 2018. Transformation model for geotechnical parameters calibration based on Bayesian approach[J]. Journal of Natural Disasters, 27(4): 96-102 (in Chinese with English abstract).

[20]
薛明军, 陈福锋, 杨林刚, 等, 2023. 海上风电交流送出线路继电保护优化设计[J]. 电力系统保护与控制, 51(20): 150-159.

XUE MINGJUN, CHEN FUFENG, YANG LINGANG, et al, 2023. Optimized design of relay protection for an offshore wind power outgoing transmission line[J]. Power System Protection and Control, 51(20): 150-159 (in Chinese with English abstract).

[21]
严新荣, 张宁宁, 马奎超, 等, 2024. 我国海上风电发展现状与趋势综述[J]. 发电技术, 45(1): 1-12.

DOI

YAN XINRONG, ZHANG NINGNING, MA KUICHAO, et al, 2024. Overview of current situation and trend of offshore wind power development in China[J]. Power Generation Technology, 45(1): 1-12 (in Chinese with English abstract).

DOI

[22]
阳熹, 汤翔, 李炬添, 等, 2023. 海上风电低频主变压器特性分析及技术展望[J]. 南方能源建设, 10(5): 139-148.

YANG XI, TANG XIANG, LI JUTIAN, et al, 2023. Characteristics analysis and technical prospect of low-frequency main transformer for offshore wind power[J]. Southern Energy Construction, 10(5): 139-148 (in Chinese with English abstract).

[23]
赵君宇, 高山, 徐路, 等, 2023. 考虑台风影响的海上风电机组双层检修策略[J]. 电力建设, 44(7): 121-130.

DOI

ZHAO JUNYU, GAO SHAN, XU LU, et al, 2023. Double-layer maintenance strategy for offshore wind turbines considering impact of typhoon[J]. Electric Power Construction, 44(7): 121-130 (in Chinese with English abstract).

DOI

[24]
BREIMAN L, 2001. Random Forests[J]. Machine learning, 45(1): 5-32.

[25]
COSTA I S L, TAVARES F, DE OLIVEIRA J K M, et al, 2019. Predictive lithological mapping through machine learning methods: a case study in the Cinzento Lineament, Carajás Province, Brazil[J]. Journal of the Geological Survey of Brazil, 2(1): 26-36.

[26]
MORGENSTERN N R, CRUDEN D, ANONYMOUS, 1978. Description and classification of the types of complexities and relative geotechnical models[C]// International symposium on the geotechnics of structurally complex formations. Milan: Associazione Geotecnica Italiana: 195-203.

[27]
OH K Y, NAM W, RYU M S, et al, 2018. A review of foundations of offshore wind energy convertors: Current status and future perspectives[J]. Renewable and Sustainable Energy Reviews, 88: 16-36.

[28]
ROBERTSON P K, 1990. Soil classification using the cone penetration test[J]. Canadian Geotechnical Journal, 27(1): 151-158.

[29]
ZHAO TAO, DI HAIBIN, ABUBAKAR A, 2024. Evaluating machine learning-predicted subsurface properties via seismic data reconstruction[J]. Geophysics, 89(6): 509-519.

Options
文章导航

/

〈 〉