Bibliographic Details
| Title: |
Efficient 3D geological modeling for offshore wind farm with sparse CPTU and borehole data. |
| Authors: |
Wang, Lizhong1,2,3 (AUTHOR), Zhang, Xinhai1,2,3 (AUTHOR), Hong, Yi2,3 (AUTHOR) yi_hong@zju.edu.cn, Xiao, Te4 (AUTHOR), Cao, Zijun5 (AUTHOR), Li, Shuzhao6 (AUTHOR), Wu, Shiguo7 (AUTHOR) |
| Source: |
Canadian Geotechnical Journal. 8/13/2025, Vol. 62, p1-23. 23p. |
| Subject Terms: |
*Geological modeling, *Soil classification, *Offshore wind power plants, *Geological surveys, *Machine learning, *Cone penetration tests, *Interpolation |
| Geographic Terms: |
Yellow Sea |
| Abstract (English): |
Geological modeling of complex marine strata is critical for offshore wind farm development but faces two challenges: (1) inconsistent soil classification between two commonly used site investigation data, i.e., piezocone penetration tests (CPTU) and boreholes, posing a challenge for integrating multi-source information; (2) sparse distribution of investigation data horizontally, which makes 3D spatial interpolation difficult. To tackle these two issues, this study proposes a novel framework for geological modeling of offshore wind farms. The framework encompasses two crucial steps. First, a tailored CPTU-based soil classification model is trained to resolve interpretation discrepancies. Second, an advanced spatial interpolation model is developed for the 3D modeling of sparse investigation data. Both steps make uses of simple but efficient nonparametric machine learning algorithms, e.g., weighted kNN, for predictions, i.e., soil classification and 3D spatial interpolation, respectively. Sequential model-based optimization technique is employed to determine the optimal model hyperparameter. The proposed methodology is demonstrated and validated through benchmark examples and applied to two case studies of offshore wind farms with complex strata in East China Sea and Yellow Sea. It significantly improves soil classification accuracy, especially for silty soils dominated site, and enhances the capability of complex stratigraphy modeling despite sparse data. [ABSTRACT FROM AUTHOR] |
| Abstract (French): |
La modélisation géologique des strates marines complexes est essentielle pour le développement de parcs éoliens en mer, mais elle présente deux défis : (1) une classification des sols incohérente entre les deux sources de données d'investigation de site les plus couramment utilisées, soit les essais de pénétration au piézocône (CPTU) et les forages, ce qui complique l'intégration de l'information multisource; (2) une distribution horizontale éparse des données d'investigation, rendant difficile l'interpolation spatiale en trois dimensions. Pour relever ces deux défis, cette étude propose un cadre novateur pour la modélisation géologique des parcs éoliens en mer. Le cadre comprend deux étapes cruciales. Tout d'abord, un modèle de classification des sols basé sur le CPTU est entraîné pour résoudre les divergences d'interprétation. Deuxièmement, un modèle d'interpolation spatiale avancé est développé pour la modélisation 3D de données d'investigation éparses. Les deux étapes utilisent des algorithmes d'apprentissage automatique non paramétriques, simples mais efficaces, tels que les k plus proches voisins pondérés (kNN), pour les prédictions, à savoir la classification des sols et l'interpolation spatiale 3D, respectivement. Une technique d'optimisation séquentielle basée sur un modèle est utilisée pour déterminer l'hyperparamètre optimal du modèle. La méthodologie proposée est démontrée et validée à l'aide d'exemples de référence, puis appliquée à deux études de cas de parcs éoliens en mer présentant des strates complexes, en mer de Chine orientale et en mer Jaune. Elle améliore considérablement la précision de la classification des sols, en particulier pour les sites dominés par des sols limoneux, et améliore la capacité de modélisation des stratigraphies complexes malgré des données éparses. [ABSTRACT FROM AUTHOR] |
| Database: |
Academic Search Index |