2.1 引言

準確地探測和識別海底沉積物物性不僅對海洋石油勘探具有重要意義，而且對海洋工程、海洋地質、海洋漁業及水文和環境監測具有重要意義。目前，實驗室沉積物樣本測試是測量海底沉積物物性最為精確的方法，然而這種方法需要從海底沉積物攫取樣本或巖心，費用昂貴且僅能獲得一個點位上的信息；在進行超聲波測試時，操作復雜耗時。此外，這一傳統方法又忽略了海水對聲波吸收的衰減傳播，以及海底淺層沉積物含水甚至呈現半流體性狀的影響因素。

為了更加精確地對海底沉積物類型進行劃分，側掃聲納影像技術開始被廣泛采用，這一技術首先需要對識別海底底質進行分類訓練，使其能夠識別影像屬性，然后再建立影像屬性與海底沉積物類型之間的聯系。先期培訓需要大量先驗信息和影像匹配，在側掃聲納影像解釋中，目前還是以人工解釋為主，繪制的聲納影像也只是聲納鑲嵌圖。作為一種替代方法，遙感聲學手段長久以來被認為是描述和劃分海底沉積物物性的一個快速和具有成本效益優勢的方法，這種方法主要利用來自海底反射的聲波散射信號對海底沉積物進行鑒別分類。海底反射的散射信號中包含海底沉積物物性信息，可以用來評估海底沉積物的粒度大小和粗糙程度，這一方法被廣泛應用在單波和多波束探測儀器上。然而，海底沉積物在粒度上多變，橫向不均勻性顯著，這給散射信號的解釋帶來了很大誤差。此外，通常對散射數據的解釋需要一個先驗資料數據庫，供以后進行多波束海底底質分類使用，這就需要大量的海底已知信息作為驗證。

此外，反演和匹配場處理也被用于對海底沉積物的描述和分類中，然而在實時處理時，基于模型的大數據計算要求阻礙了這一方法的應用，并且海底界面不平整，散射和背景噪聲的干擾會對波阻抗等參數的準確性造成很大干擾。在海底沉積物的分類識別中，人工神經網絡技術被廣泛應用，選擇合適的回聲特征類型進行訓練和輸入是利用神經網絡方法識別海底沉積物能否成功的關鍵，不合適的輸入會在訓練和識別時發生錯誤。因而，準確選擇具有顯著識別特征的回聲屬性類型顯得尤為重要。

海底沉積物物性信息包含在反射的聲波信號中，為了更好地提供更加敏感和準確識別沉積物類型的屬性參數，眾多基礎科學研究和試驗相繼展開。中國科學院南海海洋研究所探討了利用聲速、波形和振幅3個參數來判別沉積物物性，論證了利用這3個參數定性判斷沉積物物性的方法，由于試驗方法和步驟簡單、粗糙，僅給出了利用這3個參數識別沉積物物性的可行性，并沒有給出較為定量的參考數據。英國帝國理工學院利用環形超聲波導波測量了S波和P波在海底未固結沉積物中的傳播速度，討論了超聲波導波在沉積物中的衰減特征，為海底沉積物識別提供參考數據。英國國家海洋學中心在實驗室測量了砂巖和灰巖超聲波品質因子在超壓條件下的數值變化特征，并嘗試利用品質因子分辨巖性，但未考慮海底沉積物半流體和未固結的特征。東京大學通過實驗室測量了在不同溫度和頻率情況下，超聲波衰減受微觀孔隙影響的特征，探索了孔隙參數和海水溫度變化對超聲波衰減的影響。

目前，海洋淺層沉積物物性識別研究基本停留在海洋聲學角度，通常采用的在海水中實際測量識別的方法會受噪聲干擾而使識別結果缺乏準確的檢驗標準，而利用海底采樣結合實驗室測量的方式忽略了海水對聲波吸收的衰減傳播，以及海底淺層沉積物含水甚至呈半流體特征的影響因素。因此，如何在應用廣泛的人工神經網絡識別算法中，選取最合適的算法用于神經網絡的訓練和輸入，這需要更加全面的基礎試驗分析。為了解決這些問題，本書作者在山東科技大學沉積成礦作用與沉積礦產重點實驗室設計了深海沉積環境的水槽超聲實驗系統，分別模擬了不同孔隙度和密度的海底沉積物基質的聲波信號，統計對比了在不同介質、不同孔隙度和密度條件下，不同超聲波屬性之間的關系和變化特征，為海底沉積物物性探測劃分提供了直接的參考數據，并為用海底表層反射地震數據識別海底沉積物提供了物理模擬基礎。