基于人工神经网络的海底细粒土工程分类研究
2021-02-01星孙永福宋玉鹏张牧子
海洋科学进展 2021年1期
杜 星孙永福宋玉鹏张牧子
(1.自然资源部 第一海洋研究所,山东 青岛266061;2.青岛海洋科学与技术试点国家实验室 海洋地质过程与环境功能实验室,山东 青岛266235;3.国家深海基地管理中心,山东 青岛266237)
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。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[1],其测定手段相对颗粒分析较为复杂且容易产生人为误差。海洋沉积物的常用沉积定名方法主要有Shepard分类法[2]和Folk分类法[3],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。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[4-6]。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,这不利于全海域海洋工程建设的发展。若能提出一种依靠现有粒度数据即可快速为沉积物进行海洋工程定名的方法,将大幅度地提高远海海洋工程建设的效率。因此,寻求简便的海洋沉积物工程分类方法,既可以提高工程定名的效率,也能够减少实验操作的人为误差。……
登录APP查看全文
