一种基于CPTU的考虑分类概率的海底土壤分层方法

《Ocean Engineering》：A CPTU-based marine soil stratification method considering classification probability

　　•提出了一种考虑土壤分类概率的CPTU分层方法。•基于分类不确定性对层界进行迭代优化。•在保留层间关系的同时消除那些无关紧要的薄层。•研究发现分类概率与实际精度之间存在强相关性。

引言
近年来，海上风电场、跨海桥梁、海底隧道以及海上石油天然气开发等海洋工程项目发展迅速。在复杂的海洋环境中，准确识别海底土壤层结构对于确保工程设计的合理性及施工安全至关重要（Houlsby和Houlsby，2013；Orakci等人，2023；Mert等人，2025）。锥形贯入试验结合孔隙水压力测量技术（CPTU）（Lunne等人，1997）是一种原位场地特征描述技术，能够提供随深度变化的锥尖阻力qc、套管摩擦力fs以及孔隙水压力u2的连续曲线。由于其操作效率高，且测试数据具有较高的垂直分辨率和原位性，CPTU已成为海洋场地特征描述中不可或缺的工具，被广泛用于土壤分类（Li等人，2016；Wang等人，2019；Xiao等人，2021）、土壤层结构分析（Zhao等人，2020；Farhadi和L?nsivaara，2022；Xie等人，2024；Zinas等人，2025）、桩基承载力评估（Cai等人，2009；Byrne等人，2018；Tott-Buswell等人，2024；Zhou等人，2025）以及液化风险评估（Hutabarat和Bray，2022）。在各类土壤分类方法中，Robertson（1990、2009、2016）提出的土壤行为类型（SBT）图表是最为常用的方法之一。该图表通过标准化锥尖阻力Qt、标准化摩擦比FR以及孔隙水压力比Bq，将土壤分为九个类别。Jefferies和Davies（1993）进一步提出了土壤行为类型指数Ic，作为另一种分类方案。这些土壤分类方法都是基于全球范围的数据集建立的。将这类通用模型应用于特定场地条件时，往往会产生偏差（Jung等人，2008；Ching等人，2025；Wang等人，2022）。

机器学习方法越来越多地被应用于土壤分类和层结构分析领域（Wang和Zhao，2017；Cao等人，2019；Ching等人，2020；Ulloa等人，2024；Zhang等人，2024a；Bouayach等人，2025；Li等人，2025；Liu等人，2025；Wang等人，2025a、2025b；Zeng等人，2025；Zheng等人，2026）。数据驱动型模型能够从多维度的原位测量数据中提取特征，并捕捉复杂的非线性关系，从而为土壤分类提供强大的描述能力和适应性。根据不同的学习范式，机器学习方法可大致分为无监督学习和有监督学习两类。无监督学习不需要手动标记的数据，而是通过衡量特征之间的相似度自动对数据进行聚类，进而实现土壤分类。Hegazy和Mayne（2002）将统计聚类方法引入CPTU数据分析中，利用标准化锥尖阻力和孔隙水压力来区分不同的土壤层。Zhang等人（2024b）评估了三种无监督学习算法（K均值、高斯混合过程以及BIRCH）在包含两到五种土壤类型的混合土壤数据集上的分类性能。然而，无监督学习方法没有纳入明确的地质先验知识，因此难以将聚类结果与工程设计中定义的土壤类型相联系。在岩土工程设计中，不同的土壤类型对应着不同的承载力计算方法和参数值，这些因素会直接影响后续的稳定性与变形分析。此外，大多数聚类算法都需要预先确定聚类数量。如果设定的聚类数量不足，可能会忽略土壤层之间的重要差异；而若设定过高的聚类数量，则会导致划分过于细碎，降低地质解释性和工程实用性。

钻孔取样是除了CPTU试验之外，海洋场地勘察中另一种常用的技术手段。钻孔数据可用于识别土壤类型并确定层界（Lunne等人，1997；Xiao等人，2021）。工程师首先会对取出的岩芯样本进行目视检查，凭借工程经验初步判断土壤层结构。随后，会挑选少量具有代表性的样本送至实验室进行测试，根据颗粒大小分布、孔隙比、含水量以及液塑限等指标，并依据相关标准来确定土壤分类。但由于实验室测试需要耗费大量时间和资金，只能对有限数量的样本进行测试，这导致沿深度方向的测量参数分布较为稀疏，难以精准界定土壤层。此外，钻孔取样过程本身也耗时、费力且成本高昂。需要通过连续钻探获取样本，而且取出的岩芯必须妥善密封、标注并保存，这对人员和设备都提出了较高要求。此外，样本还需经过运输、储存，再按照相关标准送至实验室进行后续测试。在海上环境中，取样更容易受到干扰，获取高质量样本的成本和难度也会进一步增加。钻孔取样虽然能提供工程设计所需的、符合规范定义的土壤类型，但这些分类信息仅存在于有限的深度范围内。相比之下，CPTU能够提供沿深度方向的连续土壤行为数据，但却无法直接识别设计规范中规定的土壤类型。当然，从钻孔中获得的虽不够全面但相对准确的土壤分类信息可作为标签，帮助有监督学习方法建立CPTU测量数据与钻孔所得土壤类型之间的关联。有监督学习策略避免了无监督模型存在的上述缺陷，比如产生的分类结果可能与规范规定的土壤类型不一致，或是需要预先确定聚类数量等问题。已有多项研究探讨了基于CPTU和有监督学习的土壤分类方法。例如，Cai等人（2015）使用广义回归神经网络根据CPTU数据预测土壤类型。Zhang等人（2024c）则运用数据驱动技术，以基于机器学习的分类精度作为性能指标，评估并优化多套管CPT设备的传感器配置。尽管CPTU数据的记录垂直间隔较细，可达0.01米，但其有效感知分辨率实际上受贯入仪的几何结构以及应力扩散的影响，通常在几十厘米量级。厚度小于这一规模的土壤层无法与相邻层可靠区分，而且从工程角度而言，如此细微的层结构也没有必要。此外，贯入速率的变化、孔隙水压力滞后以及仪器噪声都可能使qc、fs和u2的曲线出现高频波动。自动分层或分类算法可能会将这些波动误判为多个薄层。Ganju等人（2017）指出，CPT无法可靠地区分厚度小于约0.15–0.20米的层，建议将厚度小于150毫米的层视为“薄层”，应通过最小层厚标准将其剔除。其他研究（Boulanger和DeJong，2018；Collico等人，2024）也提出，可以根据最小厚度规则或相邻土壤行为的相似性合并薄层，从而得到更具地质合理性与工程实用性的地层剖面。准确的CPTU-based土壤层结构分析非常重要，因为所确定的地层结构通常是后续岩土参数评估、基础分析以及工程设计的基础。

本研究提出了一种考虑分类概率的、基于CPTU的海洋土壤层结构分析方法。该方法将CPTU测量数据与来自邻近钻孔的有限数量的土壤类型标签相结合，用于训练有监督分类器，进而用于预测未标记深度点的土壤类型及其对应的分类概率。通过考虑分类概率，可以识别出置信度较低的区间，在这些区间避免直接细分，从而抑制虚假的薄层出现。在此基础上，构建了分层目标函数，并将其纳入迭代优化过程中，逐步完善地层结构，从而在边界模糊或过渡区域更准确地识别层界。本文的其余部分安排如下：第2节介绍土壤分类方法及相应的土壤层结构分析框架，第3节介绍一个实际的海洋岩土工程勘察项目。第4节通过与不同的消融分层方案及其他土壤分类模型的对比，验证所提分层方法的有效性。最后，第5节给出结论。

片段摘录
基于树的土壤分类与不确定性评估
由于先前的研究已表明，作为典型的有监督学习方法的基于树的分类模型，能够基于CPTU数据提供稳定且准确的土壤分类结果（Chala和Ray，2023；Fatehnia等人，2024；Ulloa等人，2024），因此本研究选择决策树作为所提分层方法的基本组成部分。这些树模型通过学习钻孔所得的土壤类型标签，建立CPTU指标（qc、fs和u2）与土壤类型之间的映射关系。

场地描述与数据特征
本研究使用的数据来自中国东南沿海的一个海洋岩土工程勘察项目。在该项目中共进行了8次CPTU试验，每次试验位置都配套钻了一个钻孔，用于土壤取样和实验室测试。从钻孔中得到的土壤分类结果被用作监督标签，用于建立实测土壤类型与CPTU指标之间的对应关系，进而训练分类模型。Xiao等人（2021）

所提方法的分层结果
为评估所提出的基于CPTU的分层方法的有效性，设计了两种消融方案进行对比分析，通过去除所提方法中的关键组件，来评估它们对分层性能的影响。消融方案1仅根据深度方向上预测土壤类型的变更来确定分层边界，而不考虑相关的分类概率；也就是说，只要预测的土壤类型发生变化，就会设置一个边界。

结论
本研究提出了一种基于CPTU的分层方法，该方法通过纳入概率性的土壤分类结果，对土壤层边界进行迭代优化。该方法首先使用随机森林来估算初始的土壤类型及其对应的分类概率，然后建立基于分类概率的目标函数。通过多次迭代，逐步调整和优化分层界面以及层内分类，从而实现……

CRediT作者贡献说明
陶元琴：资金获取、方法学、可视化、初稿撰写、审稿与编辑。陈松婷：数据整理、调研、方法学、可视化、初稿撰写。曾绍祥：软件应用、验证、可视化、审稿与编辑。孙洪磊：资金获取、项目管理、资源协调、监督工作。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢
本研究得到了国家自然科学基金（项目编号42307218）、国家重点研发计划（项目编号2023YFC3009400）、中国博士后科学基金会特别计划（项目编号2024T170807）以及浙江省应用基础研究计划“新苗”项目（项目编号2026XMGD010）的支持。

陶元琴|陈松婷|曾绍祥|孙洪磊