用于海上风电场、在不完整CPT数据下的人工智能增强土壤分类

海底土壤为何对风电至关重要

海上风力涡轮机坐落在地球上最严苛的环境之一，它们的稳定性取决于波浪下隐藏的东西：支撑其巨大基础的海底土层。在深水中对这些土层进行检测费用高昂且常常不完整，使工程师不得不在信息不全的情况下做出重大决策。本研究展示了人工智能如何从有限的测试数据中提取有用信息，可靠地对海底土进行分类，帮助设计者更安全、更高效地布置海上风机。

从海床试验到土壤类型

工程师通常使用锥贯入试验探测海床：将金属锥推进土中，同时测量土体的阻力、沿套管的摩阻以及土孔隙水压的变化。这些测量结果传统上通过诸如Robertson分类图表来解释，该图把读数模式与不同土壤行为联系起来，例如松散砂、坚硬粘土或介于二者之间的混合物。问题在于，这些图表假定数据完整且干净，而在船只、海浪和深水干扰下海上调查很少能满足这种条件。

构建海床条件的虚拟库

为应对信息缺失问题，研究人员首先创建了一个庞大的虚拟海床条件库，而不是仅依赖稀少的现场测试。他们在锥尖阻力、套管摩阻、孔隙水压和地应力等关键锥测量值的现实范围内生成了超过20万条合成试验记录。然后把这些记录按Robertson图映射到土壤行为区域，有效地为每个模拟试验配上了土壤“标签”。通过在参数范围内均匀采样并结合现实统计分布，他们确保这套合成库覆盖了从极软粘土到致密砂砾的各种情况。

训练机器识读海底

有了这套合成库，团队训练了若干机器学习模型以从锥试验输入直接预测土壤行为。他们测试了随机森林、神经网络、支持向量机和决策树，并对每种模型的内部参数进行了精细调优。其中随机森林表现突出，与基于Robertson的土壤区划数值吻合度几乎完美，并在将预测转换为标准土壤分类后取得超过92%的准确率。模型的内部重要性分析显示，锥尖阻力、套管摩阻和有效竖向应力是最具影响力的输入——这一点与长期的岩土工程认识一致，表明模型学到的是实际物理关系而非虚假的相关性。

在数据缺失时仍保持准确

关键的考验是当某些测量缺失时，AI是否仍能保持良好表现，以模拟设备故障或未使用某些传感器的海上勘探情形。研究人员依次系统性地移除每个输入并以不确定值替代，然后以蒙特卡洛方式反复运行模型以观察平均准确率如何变化。当最关键的输入——锥阻、套管摩阻或有效应力——缺失时，准确率明显下降，进一步证实了这些输入的重要性。但当诸如孔隙水压或总应力等参数缺失时，模型仍能保留较高的准确率，通常在90%以上。这表明即便部分锥试验记录不完整，该框架仍能提供有用的土壤分类。

在真实海上风场中验证方法

为超越虚拟数据，团队将训练好的随机森林模型应用于来自台湾和荷兰海上风场99口钻孔的229,808条实际锥试验记录。这些实际测量未用于训练。将AI的土壤行为预测与基于广泛使用的按粒径和可塑性分组的工程分类进行比对，模型正确匹配这些分类的比例超过92%，优于几种现有的机器学习方法。重复模拟还表明预测落在狭窄的95%置信区间内，表明其行为稳定可靠。

对未来海上风电的意义

对非专业读者而言，结论是这项研究提供了一个解读海底的智能助手。该AI框架并非取代现有工程图表，而是将其扩展到数据零散或不完美的现实场景。通过从精心设计的合成库中学习并在大型海上数据集上验证，该方法提供了一种快速且一致的海床土壤分类实用路径。它可以减少昂贵的补充测试、支持更安全的基础设计，并最终帮助更多海上风电项目在对每台涡轮下方地层更有把握的情况下并网。

引用: 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

关键词: 海上风电, 海底土壤, 锥贯入试验, 机器学习, 基础设计