一种高精度海底底质沉积物声速预测方法技术

本发明专利技术公开了一种高精度海底底质沉积物声速预测方法，包括：步骤1、采集沉积物柱状样品并测量声学参数，获取沉积物的声速和声衰减系数；步骤2、测量物理参数，获取沉积物的孔隙度、密度、粒度和颗粒组分含量；步骤3、运用随机森林算法建立沉积物声速预测模型；步骤4、通过声速预测模型进行声速预测。本发明专利技术的预测方法，相对于传统的经验公式，预测得到的声速值更加接近于真实值，预测结果误差更低，精度更高；预测模型可以进一步升级，提高预测精度；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。

A High Precision Method for Sound Velocity Prediction of Submarine Sediments

【技术实现步骤摘要】
一种高精度海底底质沉积物声速预测方法
本专利技术涉及一种高精度海底底质沉积物声速预测方法。
技术介绍
声速是海底沉积物最重要的声学性质之一，是声传播理论的基础参数，声速的准确预报决定着地声模型的精度，是海洋声场研究不可缺少的研究内容。目前海底沉积物的声速预测主要是根据声速经验方程进行预测，但是由于经验方程都是根据不同区域的声学数据建立的方程，具有一定的局域性，根据不同海域建立的声速经验方程并不能通用。而且经验方程大多数是单参数或者双参数方程，而单参数或者双参数并不能完全代表海底沉积物的性质，其预测结果与实际测量结果相差较大。
技术实现思路
针对现有技术的不足，本专利技术提供一种高精度海底底质沉积物声速预测方法，综合考虑各种因素对沉积物声速的影响，从而提高沉积物声速的预测精度。为实现上述目的，本专利技术的技术方案为：一种高精度海底底质沉积物声速预测方法，包括以下步骤：步骤1、采集沉积物柱状样品并测量声学参数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，获取沉积物的声速和声衰减系数；步骤2、物理参数测量声学特性测量完成后，将沉积物柱状样品按2cm间隔取样品进行沉积物孔隙度和粒径分布的测量，获取沉积物的孔隙度、密度、粒度和颗粒组分含量；步骤3、运用随机森林算法建立沉积物声速预测模型将测量得到的物理参数数据、样品测量环境数据和采集站位数据整作为训练集，将测量得到的声学参数数据作为测试集，通过随机森林算法对输入的训练集进行训练，得到沉积物声速预测模型；步骤4、声速预测将物理参数数据、样品测量环境数据和采集站位数据输入声速预测模型，就可以直接得到高精度的声速预测值。进一步地，所述的实验室标准状态为标准大气压、温度为23℃的实验室环境。进一步地，所述的声学参数测量的方法为声透射法。与现有技术相比，本专利技术具有以下优点：1、预测精度高相对于传统的经验公式，如Hamilton经验公式，本方法预测得到的声速值更加接近于真实值，预测结果误差更低，精度更高。2、预测模型可以进一步升级本专利技术的预测模型最重要的一点优点就是可以“进化”，在以后的工作中，可以逐渐的将实测数据添加到模型的数据库中，然后预测模型就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。本方法并不需要输入全部参数，在相关数据缺失的情况下，也可较高精度的预测声速值，这一点在实际操作中尤其重要。3、便于操作对于操作人员来说，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。附图说明图1为本专利技术预测方法的流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1所示，一种高精度海底底质沉积物声速预测方法，步骤如下：步骤1、采集沉积物柱状样品并测量声学参数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(一个大气压，23℃)下开始声学参数测量，实验室样品声特性测量方法采用声透射法。声透射法是测量声波通过一定固定距离的沉积物的传播时间以确定其声速，并测量该距离上声能的衰减，确定其衰减系数，本专利技术采用WSD-3数字声波仪构建的声学测量平台进行测量。具体操作流程如下：在实验室中测量声学特性时，首先利用游标卡尺对样品进行长度测量，获取珊瑚礁岩芯的长度L，然后将珊瑚礁岩芯柱状样品放在声学测量平台上固定好，基于旅行时间法(TOF)测量获取声波在样品中的传播时间结合样品长度计算声速V，如式(1)：式中，L1为样品的长度，t为通过样品的传播时间，ts为测试系统的声波传播迟滞时间。测量完成后，将测量数据保存在电脑上，同时填写好实验记录表。声衰减系数测量开始时，将上面测试用的珊瑚礁样品从测量平台上拿下，然后用切割机将珊瑚礁岩芯切割成两份，基于同轴差距衰减测量法测量样品全长状态和分段状态的声波传播能量差(用测量声压表示)及传播路径长度差计算声衰减系数α，如式(2)，式中，A1、A2分别为整段样品和分段样品的声波传播声压，d＝L1-L2，L2为切下来用于测试的样品长度。测量得到的原始数据以DAT或者TXT格式保存，处理后的声学数据以excel表格或者word文档的形式保存在电脑上。测试过程中，声速数据质量控制：测量误差优于±5％。主要测量参数：声速V、声衰减系数α。辅助参数：海水声速、水深、海水温度、实验室测量温度。步骤2、物理参数测量声学特性测量完成后，对底质沉积物样品按2cm间隔取样品以便进行沉积物孔隙度和粒径分布的测量。孔隙度采用重量损失法测量，即测量样品在105°温度下烘干24h后的重量损失，并进行残余盐分校正。颗粒密度采用比重计法测量。沉积物体密度由测量的孔隙度、孔隙水密度和沉积物颗粒密度来计算。沉积物粒径测量时，不同于传统的处理方法，样品不需要去掉有机质和碳酸盐，采用筛析法和MalvernMastersizer2000激光粒度仪测试样品的全样粒度，获得平均粒径、中值粒径、颗粒组分含量等数据。步骤3、运用随机森林算法建立沉积物声速预测模型沉积物的声速受多种参数影响，例如孔隙度、密度、粒度、颗粒组分含量、水深、地形等参数，为了综合考虑各种因素对沉积物声速的影响，从而提高沉积物声速的预测精度，本专利技术利用沉积物柱状样品的物理(孔隙度、密度、粒度、颗粒组分含量等参数)和声学特性参数(声速、声衰减系数、声阻抗等参数)，运用随机森林(randomforest)算法，根据已有的数据进行深度学习，分析多个特征量之间的相互关系，建立了沉积物声速预测模型，与传统的声速经验方程相比，该模型可以提高沉积物声速预测精度，还可以根据用户的需求，将其他数据导入到模型中，如经纬度，水深，地形等数据导入到模型中，该模型可以对导入的数据进行重新训练，从而完成模型的“进化”，进一步提高预测精度。另外，该模型在相关数据缺失的情况下仍然可以保持较高的预测精度，在相关领域的实际运用中有着重要的意义。具体地，将测量得到的物理参数数据、样品测量环境数据、采集站位数据整合成一个数据库，该数据库是模型建立的训练集，而测量得到的声学参数数据作为测试集。利用随机森林算法对输入的训练集进行训练，建立多个决策树，然后将这些决策树整合在一起从而获得更加稳定的输出，最终得到沉积物声速预测模型。该方法建立的模型是基于实测数据库的，因此，数据库的质量能够决定声速预测值的精度，而且随着数据库的壮大，建立的模型精度会不断的提高。步骤4、声速预测在实际运用过程中，只需要在电脑上输入相关参数，如物理参数数据、样品测量环境数据、采集站位数据等，就可以直接得到高精度的声速预测值。该方法的优势在于即使在数据较少，参数缺失的情况下，仍然可以保持较高的精度。本专利技术的海底底质沉积物声速预测方法，基于实测数据库和随机森林算法建立声速预测模型，该模型可以利用沉积物的物理参数、环境参数等，将各种参数输入到模型中，即可给出海底底质沉积物的声速值。随机森林算法能够对众多的特征量进行分析，根据已有的数据进行深度学习，分析多个特征量之间的相互关系，深度挖掘数据，从而对目标(沉积物)的特征(声速)进行预测，提高预测精度。而且根据随机森林算法建立的预测模型不仅可以在特征参数本文档来自技高网...

【技术保护点】
1.一种高精度海底底质沉积物声速预测方法，其特征在于：包括以下步骤：步骤1、采集沉积物柱状样品并测量声学参数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，获取沉积物的声速和声衰减系数；步骤2、物理参数测量声学特性测量完成后，将沉积物柱状样品按2cm间隔取样品进行沉积物孔隙度和粒径分布的测量，获取沉积物的孔隙度、密度、粒度和颗粒组分含量；步骤3、运用随机森林算法建立沉积物声速预测模型将测量得到的物理参数数据、样品测量环境数据和采集站位数据整作为训练集，将测量得到的声学参数数据作为测试集，通过随机森林算法对输入的训练集进行训练，得到沉积物声速预测模型；步骤4、声速预测将物理参数数据、样品测量环境数据和采集站位数据输入声速预测模型，就可以直接得到高精度的声速预测值。

【技术特征摘要】
1.一种高精度海底底质沉积物声速预测方法，其特征在于：包括以下步骤：步骤1、采集沉积物柱状样品并测量声学参数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，获取沉积物的声速和声衰减系数；步骤2、物理参数测量声学特性测量完成后，将沉积物柱状样品按2cm间隔取样品进行沉积物孔隙度和粒径分布的测量，获取沉积物的孔隙度、密度、粒度和颗粒组分含量；步骤3、运用随机森林算法建立沉积物声速预测模型将测量得到的物理参数数据、样品测量环境数据和采...

【专利技术属性】
技术研发人员：侯正瑜，
申请(专利权)人：中国科学院南海海洋研究所，
类型：发明
国别省市：广东,44