Классификация морских грунтов с помощью ИИ при неполных данных КШП для офшорных ветропарков

Почему донные грунты важны для ветроэнергетики

Офшорные ветряные турбины работают в одних из самых суровых условий на Земле, и их устойчивость зависит от того, что скрыто под волнами: донных грунтов, которые удерживают массивные фундаменты. Испытания этих грунтов на глубине дороги и часто бывают неполными, поэтому инженерам приходится принимать важные решения на основе фрагментарной информации. В этом исследовании показано, как искусственный интеллект может интерпретировать ограниченные данные испытаний и надёжно классифицировать донные грунты, помогая проектировщикам размещать офшорные турбины безопаснее и эффективнее.

От зондирований к типам грунтов

Инженеры часто обследуют морское дно с помощью конусного зондирования (КШП): металлический конус вдавливают в грунт и измеряют сопротивление конуса, трение по гильзе и изменение порового давления воды. Эти измерения традиционно интерпретируются с помощью диаграмм, таких как классификация Робертсона, которая связывает характерные паттерны показаний с различным поведением грунтов — от рыхлого песка до плотной глины и промежуточных смесей. Проблема в том, что эти диаграммы предполагают полные, чистые данные, чего редко удаётся добиться при работах с судов, волнами и на больших глубинах.

Создание виртуальной библиотеки условий дна

Чтобы справиться с задачей отсутствующих данных, исследователи сначала создали большую виртуальную библиотеку возможных условий грунта вместо того, чтобы полагаться только на редкие полевые испытания. Они использовали реалистичные диапазоны ключевых показателей КШП — сопротивление конуса, трение по гильзе, поровое давление воды и напряжения в грунте — чтобы сгенерировать более 200 000 синтетических записей испытаний. Эти записи затем были переведены в зоны поведения грунта с использованием диаграммы Робертсона, фактически сопоставив каждому смоделированному испытанию «метку» грунта. За счёт равномерной выборки по диапазонам и учёта реалистичных статистических закономерностей они обеспечили покрытие всей палитры от очень мягких глин до плотных песков и гравия.

Обучение машин «читать» морское дно

Имея под рукой синтетическую библиотеку, команда обучила несколько моделей машинного обучения предсказывать поведение грунта непосредственно по входам КШП. Они протестировали случайные леса, нейронные сети, методы опорных векторов и деревья решений, тщательно настраивая внутренние параметры каждой модели. Среди них особенно выделился случайный лес, показав почти идеальное численное соответствие зонам по Робертсону и добившись более 92 % точности при переводе прогнозов в стандартную классификацию грунтов. Внутренние проверки модели показали, что сопротивление конуса, трение по гильзе и эффективное вертикальное напряжение были наиболее влиятельными входами — что соответствует долгой геотехнической практике и указывает на то, что модель усваивает реальные физические зависимости, а не случайные корреляции.

Сохранение точности при отсутствии данных

Ключевое испытание заключалось в том, сможет ли ИИ оставаться эффективным при отсутствии некоторых измерений, имитируя реальные офшорные обследования, где оборудование может выходить из строя или некоторые датчики не используются. Исследователи систематически удаляли по очереди каждый вход и замещали его неопределёнными значениями, затем многократно запускали модель в Монте‑Карло режиме, чтобы усреднить изменение точности. Когда отсутствовали наиболее критичные параметры — сопротивление конуса, трение по гильзе или эффективное напряжение — точность заметно падала, что подтвердило их важность. Однако при отсутствии таких параметров, как поровое давление воды или полные напряжения, модель сохраняла высокую точность, часто выше 90 %. Это показывает, что предложенная схема может продолжать давать полезную классификацию грунтов даже при частично неполной записи КШП.

Проверка метода на реальных офшорных ветропарках

Чтобы выйти за пределы виртуальных данных, команда протестировала обученную модель случайного леса на 229 808 реальных записях КШП из 99 скважин на площадках офшорных ветропарков на Тайване и в Нидерландах. Ни одна из этих реальных измерений не использовалась при обучении. Предсказания поведения грунта ИИ сравнивали с независимыми классификациями по широко используемой инженерной системе, группирующей грунты по зёрнистости и пластичности. Модель правильно сопоставляла эти классификации более чем в 92 % случаев, опережая несколько существующих подходов машинного обучения. Многократные симуляции также показали, что предсказания укладываются в узкую 95% доверительную полосу, что указывает на стабильное и надёжное поведение.

Что это значит для будущей офшорной ветроэнергетики

Для неспециалистов вывод прост: исследование предлагает интеллектуального помощника для «чтения» морского дна. Вместо того чтобы заменять устоявшиеся инженерные диаграммы, ИИ‑схема расширяет их применение на грязные, реальные условия, где данные неполные или несовершенные. Обученная на тщательно спроектированной синтетической библиотеке и проверенная на больших офшорных наборах данных, метод предлагает практичный способ быстрой и последовательной классификации донных грунтов. Это может сократить дорогие дополнительные обследования, поддержать более безопасное проектирование фундаментов и в конечном счёте помочь быстрее вводить в строй больше офшорных ветропарков с большей уверенностью в том, что находится под каждым турбиновым фундаментом.

Цитирование: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Ключевые слова: офшорная энергия ветра, морские донные грунты, конусное зондирование, машинное обучение, проектирование фундаментов