一种基于机器学习的海洋工程示范区选址方法及系统

1.本发明属于海洋工程选址技术领域，具体涉及一种基于机器学习的海洋工程示范区选址方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.海湾的保护与发展，是沿海城市在新形势下重新审视城市定位，而提出的全新城市发展理念。不仅是对城市发展面貌的深刻重塑，更是对城市资源的高效整合。
4.然而现阶段海洋牧场建设初期处于自发状态，整体缺少深入的研究与规划；国内海洋牧场建设未进行深入的科学研究，论证指导缺位，缺乏前瞻性；部分海洋牧场的发展和布局尚不平衡，规模化建设尚未成熟，缺少总体规划指导。一些适宜建设海洋牧场的海域尚未得到有效利用，存在海域空置、浪费现象。适宜性较好的海洋牧场管理机制尚不完善，造成了局部海域资源量的减少。海洋牧场布局特色尚不明显，产业融合程度低，特色化、多元化、差异化发展不够突出，综合效益没有得到充分发挥。工程总体建设规模大，建设适宜性受区域地质环境的影响和制约相当明显。


技术实现要素：

5.本发明为了解决上述问题，提出了一种基于机器学习的海洋工程示范区选址方法及系统，本发明能够确定各海洋工程示范区选址的适应情况，为示范区的选址提供一定的参考。
6.根据一些实施例，本发明采用如下技术方案：
7.一种基于机器学习的海洋工程示范区选址方法，包括以下步骤：
8.获取已有海洋工程示范区的地质条件、气象条件、水质条件、水质条件和环境条件，作为一级指标；
9.采用机器学习对一级指标的各子指标进行敏感性的分析，筛选出符合要求的权重指标，作为二级指标；
10.获取已有海洋工程示范区的适宜性评价结果；
11.构建神经网络模型，利用传递函数计算神经网络模型的节点数，利用神经网络模型对已有海洋工程示范区的适宜性评价结果进行训练学习，形成评价模型；
12.获取各候选区域的二级指标参数，利用所述评价模型对二级指标参数进行分析，得到各候选区域的适宜性分析结果，根据所述分析结果，确定最终选址区域。
13.作为可选择的实施方式，利用层次分析法对一级指标的各个子指标进行分析，得到不同子指标的权重，将权重大于设定值的子指标作为二级指标。
14.作为进一步的限定，利用层次分析法对一级指标的各个子指标进行分析的过程前，获取一级指标的评价打分，引入一致性指标及随机一致性指数，对打分结果进行一致性
检验，满足一致性检验后，再对各个子指标进行权重计算。
15.作为可选择的实施方式，所述二级指标包括岩体基本质量指标、暴雨期、大风期、ph值、综合营养度、建筑密集度和环境安全等级。
16.作为可选择的实施方式，利用传递函数计算神经网络模型的节点数的具体过程包括根据经验公式中的输出层节点数以及输出层的节点数来确定隐藏层神经元的数目。
17.作为可选择的实施方式，利用神经网络模型对已有海洋工程示范区的适宜性评价结果进行训练学习的具体过程是，以已有海洋工程示范区的评价结果，获取已有海洋工程示范区的二级指标测量数据，以适宜性等级作为输出指标，进行神经网络的学习训练，直到满足设定条件。
18.作为可选择的实施方式，利用所述评价模型对二级指标参数进行分析的具体过程包括，将二级指标中每一个指标作为输入节点单元，将输入节点单元通过处理传递给隐含层，隐含层的传递函数sigmoid函数再将输入单元的节点处理后生成新的节点单元，并输出候选区域适宜性等级。
19.一种基于机器学习的海洋工程示范区选址系统，包括：
20.一级指标获取模块，被配置为获取已有海洋工程示范区的地质条件、气象条件、水质条件、水质条件和环境条件，作为一级指标；
21.二级指标筛选模块，被配置为采用机器学习对一级指标的各子指标进行敏感性的分析，筛选出符合要求的权重指标，作为二级指标；
22.评价结果获取模块，被配置为获取已有海洋工程示范区的适宜性评价结果；
23.评价模型构建模块，被配置为构建神经网络模型，利用传递函数计算神经网络模型的节点数，利用神经网络模型对已有海洋工程示范区的适宜性评价结果进行训练学习，形成评价模型；
24.选址评价模块，被配置为获取各候选区域的二级指标参数，利用所述评价模型对二级指标参数进行分析，得到各候选区域的适宜性分析结果，根据所述分析结果，确定最终选址区域。
25.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
26.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
27.与现有技术相比，本发明的有益效果为：
28.本发明能够对海洋工程选址适宜性进行分析，进而得到各候选区域的适宜性分析结果，根据所述分析结果，确定最终选址区域，为类似工程提供重要的参考依据。
29.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1评价指标体系示意图；
32.图2神经网络模型训练步骤及原理；
33.图3神经网络模型训练结果。
具体实施方式：
34.下面结合附图与实施例对本发明作进一步说明。
35.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
36.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
37.一种机器学习的海洋工程建设选址适宜性评价方法，具体过程及计算原理如图所示：
38.首先，根据相关背景及工程经验，选择海洋工程选址适宜性评价指标，并对其进行说明如下：
39.1.地质条件
40.地质条件是场址区域可否用于工程建设的重要判定依据，一般来说，地质条件优越，即地基稳定，无不良地质条件，适宜进行海洋工程建设及开发，而地基不稳定，地基浅层存在大范围破碎带，地质条件较差，则非常不适应工程建设。因此，根据地质条件，将地质条件的适宜等级分为四个等级即地质条件差、地质条件一般、地质条件良好、地质条件非常好。地质条件则采用岩体基本质量指标bq来表示：
41.bq＝100+3rc+250k
v
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
42.根据分级因素的定量指标岩石单轴饱和抗压强度r
c
(mpa)和岩体的完整性系数k
v
，进一步地，对于不同的岩体基本质量指标及对应的进行以下分级：
43.表1岩体基本质量指标及对应的适宜性等级划分标准
[0044][0045]
2.气象条件
[0046]
海洋工程依靠海洋，其工程建设的特点及目的性毋庸置疑，因此，当地的气候水平也是非常重要的，气候水平则通过气候等级来表示。优先地，采用年暴雨期以及年大风期作为气象条件的评判依据，
[0047]
其中年暴雨期指的是一年内，暴雨的天数；对暴雨定义如下：
[0048]
暴雨：暴雨：12小时内降水量30～70mm或24小时内降水量50～100mm的降雨过程。大暴雨：12小时内降水量70～140mm或24小时内降水量100～250mm的降雨过程。特大暴雨：
12小时内降水量大于140mm或24小时内降水量大于250mm的降雨过程。小雨：雨点清晰可见,没漂浮现象；下地不四溅；洼地积水很慢；屋上雨声微弱，屋檐只有滴水；12小时内降水量小于5mm或24小时内降水量小于10mm的降雨过程。中雨：雨落如线，雨滴不易分辨；落硬地四溅；洼地积水较快；屋顶有沙沙雨声；12小时内降水量5～15mm或24小时内降水量10～25mm的降雨过程。
[0049]
对于大风期，将一年内存在瞬时风速达到或超过17米/秒(或目测估计风力达到或超过8级)的天数作为大风期的分级评价标准。即：
[0050]
表2不同气象条件的适宜性等级
[0051][0052]
3.水质条件
[0053]
对于海洋场区来讲，水质条件不仅会对土壤起到非常重要的作用，更是周围居民及工程建设的重要保证。其中水质条件的判定指标主要包括水的ph值与综合营养度。优先地，ph值则根据现场的水质监测实验实测获取，对于水质而言，ph值越高，水质的碱性越大，ph值越低，水质酸性越大，因此，ph取4左右，水质较为适宜。
[0054]
表3不同ph值及对应的适宜性等级
[0055][0056]
根据水质中包含的高锰酸钾指数(cod)，总氮(tn)，叶绿素(chla)，总磷(tp)，计算水质的营养质量指数nqi，
[0057][0058]
进一步地，如表4所示：
[0059]
表4海水富营养程度等级
[0060][0061]
4.环境条件：
[0062]
环境条件一般指的是环境安全条件，优先地，本发明选择的是建筑密集度及环境安全等级。建筑密集度指的是当地的环境的建筑密集程度，对于海洋工程示范区而言，沿岸建筑空旷，更有利于海洋工程建设，沿岸建筑越密集，海洋工程建设工作越难以开展，因此，对于建筑密度的适宜性分析，如表4所示：
[0063]
表5环境安全等级
[0064][0065][0066]
综上，选择了地质条件、气象条件、水质条件三大类指标来分析评价海洋工程选址适宜性评价的选择，建筑密度则指的是建筑覆盖率，优先地，本发明以工程示范区范围内的所有基底面积之和与规划建设用地之比。可知，建筑密度越大，则可供开发场地越小，进一步，则说明该场地选址适宜性较差。通过建筑密度来衡量选址适宜性的标准如表5所示：
[0067]
表6建筑密度及选址适宜性等级
[0068][0069]
进一步地，对于不同适宜性的等级，同样需要不同的定量及定性的表述，优先地，本文选择年经济效益以及年大型工程建设量作为表述指标，其中年大型工程建设量值得是造价3000万以上的建筑工程项目一年内的建设量，年收益及年大型工程建设量的分级表述如表7所示：
[0070]
表7环境安全等级
[0071][0072][0073]
采用层次分析法ahp对这三类指标进行层次分析，得出不同指标的主观权重。如图1所示：
[0074]
一级指标：地质条件，气象条件，水质条件，环境条件。二级指标：岩体基本质量指标，暴雨期，大风期，ph值，综合营养度，建筑密集度，环境安全等级。
[0075]
进一步地，考虑到本发明涉及到两层的影响指标的计算，因此采用层次分析法计算指标的权重值，如图1所示。
[0076]
一级指标权重计算：
[0077]
优先地，邀请海洋地质专业，岩土工程专业，工程地质专业相关的专家，对一级指标地质条件、气象条件、水质条件、水质条件、环境条件进行评分，经过n轮打分商议，直至最终结果达成一致。
[0078][0079]
如表6所示，分别让一级指标中的e1，e2，e3，e4，两两对比，将专家学者的最终打分结果e1→1，e1→2，e1→3，e1→4，
…
e4→4，填写在表格对应的位置中，进一步地根据最大特征值计算原理，计算矩阵e的最大特征值α，见式(5)：
[0080]
e
·
α＝λ
·
α
ꢀꢀ
(5)
[0081]
不同领域的专家学者的知识背景不同，因此，为保证打分过程中的评判出现矛盾。引入一致性指标ci及随机一致性指数ri，对打分的过程进行一致性的检验。其中ri的取值，如表8所示，并认为当cr>0.1评判过程满足指标一致性准则，进一步，根据式7计算指标权重w'
[0082]
表8专家打分表
[0083][0084]
ci＝(λ
max
‑
α)/(n
‑
1)
ꢀꢀ
(6)
[0085][0086]
进一步地，采用层次分析法计算二级指标的权重w
″
，并根据式(8)计算最终的权重w：
[0087]
w＝w'
·
w
″ꢀꢀ
(8)
[0088]
综上，计算完指标的权重集合(w”1
，w”2
，w”3
，w”4
，
…
w”n
)后，进行筛选，将权重小于0.1的冗余指标去掉，进一步，将剩余的指标权重重新进行分配，获得最终的权重集合(w1，w2，w3，w4，
…
w
n
，)。进一步地，为获取最终的适宜性评价结果，本发明采用bp神经网络算法来预测评价最终的选址适宜性评价结果，步骤如下所示：
[0089]
第一步进行初始权值的选择及优化：
[0090]
第二步选择适合的传递函数来计算神经网络的节点数。优先地，本发明根据经验公式中的输出层节点数m以及输出层的节点数n来确定隐藏层神经元的数目m，α则为[0,10]之间的常数。
[0091][0092]
在完成以上步骤，根据所选指标及对应的实测数据进行bp神经网络算法拟合，根据选定的7个指标，给定7个输入节点单元，然后将输入节点单元通过处理传递给隐含层，隐含层的传递函数sigmoid函数再将输入单元的节点处理后生成新的节点单元，并输出一组或多组节点单元，本发明输出的目标节点为海洋工程示范区选址适宜性等级，因此，设置一组输出单元。如图2所示，形成了神经网络的正向传播过程。
[0093]
进一步地，根据所选指标，选取岩体基本质量指标、暴雨期、大风期、ph值、综合营养状态、建筑密集度、环境安全等级，7项指标的现场实测数据，建立输入指标的小型数据库，将适宜性等级作为输出指标，进行神经网络的学习训练。如图3所示，当训练结果达到理想的误差范围，可以认为训练完成，这个过程通过matlab软件实现。
[0094]
利用训练后的模型，可以对各候选区域进行分析，得到最终选址结果。
[0095]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0096]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0097]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0098]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0099]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0100]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。