近日，由中国农业大学吴昇珅副教授和清华大学吴必胜副教授联合的研究团队，通过利用人工智能算法预测海洋吸力桶式基础沉降过程中实时土体力学行为以及在海洋油气开发勘探中深部地层原位地应力的大小和方向，并利用物理实验/现场相关数据证实了预测的可靠性和经济性研究成果。相关研究成果发表在《Engineering Applications of Artificial Intelligence》和《SPE Journal》等国际期刊并申请了一项国家发明专利。

据介绍，吸力筒式基础常用于海上风电和海洋油气开发使用的海工平台结构。这项研究的最大意义在于将遗传算法优化反向传播神经网络方法(GA-BPNN)扩展到使用有限的测量数据来预测吸力筒基础在安装过程中的实时位移、有效横向应力和所需吸力等参数。与传统的用于吸力筒基础实时现场预测数值方法相比，实时GA-BPNN方法预测需要更少的假设，还可以在不考虑复杂地质条件和传统方法所需的不同土体本构关系的情况下获得土体的力学行为。

此外，研究人员建立了一种结合生成对抗网络(GAN)和反向传播神经网络(BPNN)的深度学习模型，用于基于一系列深海钻井过程中井眼垮塌形状数据预测深部地层中原位地应力。GAN用于通过生成一定量接近原始训练数据的新训练数据来增强实实验室/现场获得的训练数据，然后使用增强的训练数据来训练BPNN，从而根据井眼垮塌几何形态来预测原位地应力。作为两个独立模块,GAN和BPNN分别使用训练数据进行自我训练。这项工作的最大创新之处在于，通过使用这种双深度学习模式，从大量数据中挖掘井眼破裂形态与原位地应力之间的潜在关系，为预测原位地应力提供了简单、高效的工具。

该项研究是深海能源开采领域的探索创新，研究人员用简单的神经网络模型，揭示了海洋能源开采过程中最复杂最直接的土体力学行为。该项研究工作为下一代基于人工智能的海洋能源开采方法的应用提供了新思路。