利用物理信息神经网络(PINN)预测海洋沉积物中的不排水抗剪强度

《Artificial Intelligence in Geosciences》：Predicting Undrained Shear Strength in Marine Sediments Using a Physics-Informed Neural Network (PINN)

　　

不排水抗剪强度(S_u)是评估海洋环境中边坡稳定性、海洋基础设计和海底地质灾害的关键参数。传统的预测S_u的方法往往精度不足，因为这些方法未能考虑沉积物性质之间复杂的非线性关系。在此，研究人员提出了一种物理信息神经网络(PINN)框架，利用多种观测到的物理参数，包括体密度(BD)、孔隙度(POR)、纵波速度(V_p)、伽马射线衰减(GRA)和自然伽马(NGR)，来预测S_u的三维结构。该框架将控制物理定律——总垂直应力σ(z)、孔隙水压力u(z)和有效应力σ′(z)——作为约束嵌入损失函数中，以确保物理一致且准确的预测。结果表明，研究人员的物理信息模型显著提高了预测精度和稳定性，实现了R²高达0.91（平均值≈0.85），并且与纯数据驱动模型相比，对海洋沉积物的预测误差降低了超过18%。敏感性分析强调，体密度和孔隙度是预测S_u最有影响的输入，这与它们在沉积物固结和强度中的基本作用一致。预测的S_u呈现出西北-东南梯度，在海底以下约100-200米深度处增加最为强烈。所提出的模型提供了空间连续的S_u分布图，并证明了将一阶物理定律嵌入网络训练大大提高了S_u预测的可靠性和可解释性，为复杂地层区域的海洋岩土工程应用提供了实用工具。

海洋沉积物的不排水抗剪强度（S_u）是评估海底斜坡稳定、海洋基础设计及海底地质灾害的关键参数。现有预测方法因忽略沉积物性质的复杂非线性关系而精度不足。为此，研究人员在发表于《Artificial Intelligence in Geosciences》的研究中，提出一种物理信息神经网络（PINN）框架，利用体密度（BD）、孔隙度（POR）、纵波速度（V_p）、伽马射线衰减（GRA）和自然伽马（NGR）等观测参数预测S_u的三维结构。该框架将总垂直应力σ(z)、孔隙水压力u(z)和有效应力σ′(z)作为物理约束嵌入损失函数，显著提升预测精度与稳定性（R²最高0.91，平均约0.85，误差降低超18%），较纯数据驱动模型更可靠。研究为复杂海洋沉积环境提供了实用工具，并揭示了亚马逊扇不同沉积相下S_u的空间分布规律及控制因素。

研究人员采用的主要关键技术方法包括：（1）基于有效应力原理构建物理约束，将总垂直应力σ(z)、孔隙水压力u(z)和有效应力σ′(z)的线性关系嵌入损失函数；（2）使用留一井交叉验证策略，训练集来自大洋钻探计划（ODP）Leg 155在亚马逊扇的5个井位（共412个深度样本），测试集为盲井数据；（3）神经网络结构为输入层加4个全连接层（每层345神经元，Leaky ReLU激活，dropout=0.1），输出层预测S_u，并通过敏感性分析优化物理约束权重λ（约0.87）。

研究结果部分：
- **3.1 使用经验模型预测不排水抗剪强度**：通过体密度和孔隙度的单参数经验回归，获得S_u的一阶估计，但深度大于200 m时偏差增大。
- **3.2 PINN的特征选择**：测试多种参数组合，发现BD+Vp+POR+NGR+GRA组合最优（R²=0.77），排除粒密度（GD）；相关性因子分析表明BD和POR对S_u影响最大。
- **3.3 PINN与经验模型的评估**：PINN预测与实测值更吻合，尤其在深度>200 m处，R²均高于体密度和孔隙度经验模型。
- **3.4 物理约束的作用：PINN与MLP对比**：PINN（含物理约束）较多层感知机（MLP，无物理约束）精度显著提升，所有井的R²高出0.02~0.14，在孔隙度和体密度趋势一致的井（1、3、5）中表现最佳。
- **3.5 S_u预测的空间分布**：预测S_u呈现北高南低梯度，在100~200 m深度增量最大，与高体密度、低孔隙度区域对应，模型成功再现实际空间模式。

讨论部分总结：PINN与MLP、极限梯度提升（XGBoost）、随机森林（RF）和卷积神经网络（CNN）的对比显示，PINN在所有井中均取得最高R²（0.75~0.90）和最低均方根误差（RMSE）。不同井预测性能差异源于沉积环境：位于远端堤岸/半远洋区域的井（1、3、5）因缓慢沉积与完全固结，有效应力-S_u耦合强，性能优；而活跃/废弃河道-堤岸系统的井（2、4）因快速浊积、欠固结和超孔隙压力，性能较低。这强调了输入参数与沉积动力的匹配重要性。

研究结论部分翻译：本研究开发了一个PINN框架，利用测井数据（包括体密度、孔隙度、纵波速度、伽马射线衰减和自然伽马）预测海洋沉积物的S_u。所提出的模型将控制物理定律——总垂直应力σ(z)、孔隙水压力u(z)和有效应力σ′(z)——作为物理约束嵌入损失函数，确保预测既准确又物理一致。值得注意的是，这是物理信息深度学习模型首次应用于利用真实测井数据估计海洋沉积物的三维S_u。为验证和对比所提出框架的预测性能，还开发了四种传统机器学习模型（GRU、CNN、XGBoost和RF）和经验模型作为基准。物理约束的引入增强了优化稳定性，并将预测误差降低了超过18%，R²高达0.91（平均约0.85），优于传统机器学习模型。此外，基于已训练的PINN模型进行了敏感性分析，评估各输入参数对S_u的相对影响。结果表明，体密度和孔隙度是控制沉积物强度的最主要因素，这与它们在沉积物固结中的基本作用一致。总之，尽管由于多个物理性质和地质因素的复杂相互作用，准确估计海洋沉积物的S_u仍然具有挑战性，但所提出的PINN框架有效应对了这些挑战，为预测S_u提供了一种可靠、物理可解释且高效的方法，为海洋岩土设计和沉积物稳定性评估的未来发展奠定了坚实基础。各井模型性能的差异也反映了亚马逊扇的动态沉积性质，其中沉积速率、相变、固结状态和孔隙压力演化的变化影响着地质力学行为和有效应力分布。未来工作应在更多样化地质环境中验证该模型，并纳入更多岩土参数以进一步增强其鲁棒性和适用性。