一种海底沉积物声衰减系数预测方法及系统与流程

本发明涉及海底沉积物声学，特别是涉及一种海底沉积物声衰减系数预测方法及系统。

背景技术：

1、海底表层沉积物声学参数是决定海洋声场环境的关键因素，是求解海水中声波传播问题，调查海底地学特性及建立典型区域适用地声学模型等研究的重要组成部分，了解海底沉积物的声学物理性质，特别是声衰减系数，对海底矿产资源开发、海洋工程建设、军事海洋学及海洋地质学等领域具有极其重要的意义。在现有技术中多采用原位测量的方式测量海底沉积物声学物理性质，即将声学测量传感器插入海底沉积物中，通过采集仪直接获取透过沉积物的声学信号，提取信号初至时间并计算声波速度和声衰减系数。但是这种方法容易扰动沉积物只能适用于短期测量，并且费时费力。

技术实现思路

1、本发明的目的是提供一种海底沉积物声衰减系数预测方法及系统，以解决背景技术中提出的问题。

2、为实现上述目的，本发明提供了如下方案：一种海底沉积物声衰减系数预测方法，具体步骤包括如下：

3、获取海底沉积物的声衰减系数历史数据；

4、对海底沉积物的物理参数进行测量，所述物理参数包括孔隙度、密度、粒度和颗粒组分含量；

5、采用基于贪心算法的生成对抗网络模型对所述声衰减系数历史数据和所述物理参数进行数据扩充，得到第一数据；

6、以所述第一数据作为bp神经网络的输入，以声衰减系数作为bp神经网络的输出建立预测模型；

7、训练所述预测模型来调整神经网络参数，得到每一层神经网络的训练权值，得到训练完成的预测模型；并对所述训练完成的预测模型进行评价。

8、优选的，利用遗传算法对bp神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入所述bp神经网络中进行样本训练。

9、优选的，获取所述声衰减系数历史数据的步骤为：利用重力取样器或者箱式采样器采集得到海洋底质沉积物柱状样品，在实验室标准状态下进行声学参数测量，获取海底沉积物的声衰减系数历史数据。

10、优选的，所述实验室标准状态为标准大气压、温度为23℃的实验室环境。

11、优选的，将孔隙度、密度、粒度和颗粒组分含量输入到训练完成的预测模型中，得到海底沉积物的声衰减系数预测值；将所述声衰减系数预测值与实测值进行比较；若差值大于预设阈值，则对所述预测模型重新进行训练。

12、优选的，所述孔隙度采用重量损失法测量。

13、优选的，所述预测模型包括：第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型；所述第一层循环神经网络的输入端作为所述预测模型的输入端，其输出端与所述第二层循环神经网络的输入端连接；所述第三层特征提取子模型的输入端与所述第二层循环神经网络的输出端连接，其输出端与第四层输出子模型的输入端连接；所述第四层输出子模型的输出端作为预测模型的输出端。

14、另一方面，提供一种海底沉积物声衰减系数预测系统，包括历史数据获取模块、物理参数获取模块、数据预处理模块、建模模块、训练模块；其中，

15、所述历史数据获取模块，用于获取海底沉积物的声衰减系数历史数据；

16、所述物理参数获取模块，用于对海底沉积物的物理参数进行测量，所述物理参数包括孔隙度、密度、粒度和颗粒组分含量；

17、所述数据预处理模块，用于采用基于贪心算法的生成对抗网络模型对所述声衰减系数历史数据和所述物理参数进行数据扩充，得到第一数据；

18、所述建模模块，用于以所述第一数据作为bp神经网络的输入，以声衰减系数作为bp神经网络的输出建立预测模型；

19、所述训练模块，用于训练所述预测模型来调整神经网络参数，得到每一层神经网络的训练权值，得到训练完成的预测模型；并对所述训练完成的预测模型进行评价。

20、根据本发明提供的具体实施例，本发明公开了以下技术效果：

21、(1)预测精度高，相对于传统的经验公式，本方法预测得到的声衰减系数更加接近于真实值，预测结果误差更低，精度更高。

22、(2)对于操作人员来说，该方法操作简便，只需要输入相关参数就可以得到底质沉积物的声速，不需要进行其他操作，也没有繁杂的计算公式。

23、(3)便于拓展，预测模型可以根据增大的数据库进一步的对模型进行优化升级，从而提高预测精度，在相关数据缺失的情况下，也可较高精度的预测声速值。

技术特征：

1.一种海底沉积物声衰减系数预测方法，其特征在于，具体步骤包括如下：

2.根据权利要求1所述的一种海底沉积物声衰减系数预测方法，其特征在于，利用遗传算法对bp神经网络结构的初始权值和阈值进行全局寻优，再将遗传算法寻找的最优权值和阈值代入所述bp神经网络中进行样本训练。

3.根据权利要求1所述的一种海底沉积物声衰减系数预测方法，其特征在于，获取所述声衰减系数历史数据的步骤为：利用重力取样器或者箱式采样器采集得到海洋底质沉积物柱状样品，在实验室标准状态下进行声学参数测量，获取海底沉积物的声衰减系数历史数据。

4.根据权利要求3所述的一种海底沉积物声衰减系数预测方法，其特征在于，所述实验室标准状态为标准大气压、温度为23℃的实验室环境。

5.根据权利要求1所述的一种海底沉积物声衰减系数预测方法，其特征在于，将孔隙度、密度、粒度和颗粒组分含量输入到训练完成的预测模型中，得到海底沉积物的声衰减系数预测值；将所述声衰减系数预测值与实测值进行比较；若差值大于预设阈值，则对所述预测模型重新进行训练。

6.根据权利要求1所述的一种海底沉积物声衰减系数预测方法，其特征在于，所述孔隙度采用重量损失法测量。

7.根据权利要求1所述的一种海底沉积物声衰减系数预测方法，其特征在于，所述预测模型包括：第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型；所述第一层循环神经网络的输入端作为所述预测模型的输入端，其输出端与所述第二层循环神经网络的输入端连接；所述第三层特征提取子模型的输入端与所述第二层循环神经网络的输出端连接，其输出端与第四层输出子模型的输入端连接；所述第四层输出子模型的输出端作为预测模型的输出端。

8.一种海底沉积物声衰减系数预测系统，其特征在于，包括历史数据获取模块、物理参数获取模块、数据预处理模块、建模模块、训练模块；其中，

技术总结本发明提供一种海底沉积物声衰减系数预测方法及系统，涉及海底沉积物声学技术领域。具体步骤为：获取海底沉积物的声衰减系数历史数据；对海底沉积物的物理参数进行测量，物理参数包括孔隙度、密度、粒度和颗粒组分含量；采用基于贪心算法的生成对抗网络模型对声衰减系数历史数据和物理参数进行数据扩充，得到第一数据；以第一数据作为BP神经网络的输入，以声衰减系数作为BP神经网络的输出建立预测模型；训练预测模型来调整神经网络参数，得到每一层神经网络的训练权值，得到训练完成的预测模型；并对所述训练完成的预测模型进行评价。相对于传统的经验公式，本方法预测得到的声衰减系数更加接近于真实值，预测结果误差更低，精度更高。技术研发人员：王景强,周庆杰,华清峰受保护的技术使用者：自然资源部第一海洋研究所技术研发日：技术公布日：2024/11/4