近日，由中國農(nóng)業(yè)大學吳昇珅副教授和清華大學吳必勝副教授聯(lián)合的研究團隊，通過利用人工智能算法預測海洋吸力桶式基礎(chǔ)沉降過程中實時土體力學行為以及在海洋油氣開發(fā)勘探中深部地層原位地應力的大小和方向，并利用物理實驗/現(xiàn)場相關(guān)數(shù)據(jù)證實了預測的可靠性和經(jīng)濟性研究成果。相關(guān)研究成果發(fā)表在《Engineering Applications of Artificial Intelligence》和《SPE Journal》等國際期刊并申請了一項國家發(fā)明專利。

據(jù)介紹，吸力筒式基礎(chǔ)常用于海上風電和海洋油氣開發(fā)使用的海工平臺結(jié)構(gòu)。這項研究的最大意義在于將遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡方法(GA-BPNN)擴展到使用有限的測量數(shù)據(jù)來預測吸力筒基礎(chǔ)在安裝過程中的實時位移、有效橫向應力和所需吸力等參數(shù)。與傳統(tǒng)的用于吸力筒基礎(chǔ)實時現(xiàn)場預測數(shù)值方法相比，實時GA-BPNN方法預測需要更少的假設，還可以在不考慮復雜地質(zhì)條件和傳統(tǒng)方法所需的不同土體本構(gòu)關(guān)系的情況下獲得土體的力學行為。

此外，研究人員建立了一種結(jié)合生成對抗網(wǎng)絡(GAN)和反向傳播神經(jīng)網(wǎng)絡(BPNN)的深度學習模型，用于基于一系列深海鉆井過程中井眼垮塌形狀數(shù)據(jù)預測深部地層中原位地應力。GAN用于通過生成一定量接近原始訓練數(shù)據(jù)的新訓練數(shù)據(jù)來增強實實驗室/現(xiàn)場獲得的訓練數(shù)據(jù)，然后使用增強的訓練數(shù)據(jù)來訓練BPNN，從而根據(jù)井眼垮塌幾何形態(tài)來預測原位地應力。作為兩個獨立模塊,GAN和BPNN分別使用訓練數(shù)據(jù)進行自我訓練。這項工作的最大創(chuàng)新之處在于，通過使用這種雙深度學習模式，從大量數(shù)據(jù)中挖掘井眼破裂形態(tài)與原位地應力之間的潛在關(guān)系，為預測原位地應力提供了簡單、高效的工具。

該項研究是深海能源開采領(lǐng)域的探索創(chuàng)新，研究人員用簡單的神經(jīng)網(wǎng)絡模型，揭示了海洋能源開采過程中最復雜最直接的土體力學行為。該項研究工作為下一代基于人工智能的海洋能源開采方法的應用提供了新思路。作者：中國農(nóng)業(yè)大學吳昇珅副教授