本文以智慧海洋工程为研究背景,运用机器学习方法对海洋工程研究相关数据进行了信息抽取、趋势分析、温跃层识别以及突发事故人群疏散等关键问题展开研究。具体内容包括:1.随着海洋工程的快速发展,海洋科学研究热点频出,研究论文数量呈爆炸性增长,以人工方式从海量文献中抽取信息并追踪研究热点变得十分困难。本文搜集了发表在14份海洋工程期刊的3万篇文献数据(2010年至2019年),引入 Latent Dirichlet Allocation 模型和 Phrase Latent Dirichlet Allocation 模型捕捉研究热点和前沿技术。结合聚类算法分析预测海洋工程的研究趋势,同时对重要研究趋势进行了验证。2.海洋物理属性研究一直是海洋工程领域的研究重点。跃层是海洋中的重要物理现象,尤其是温度跃层研究对于海洋气候与预测以及水下通讯有着重要的价值。然而目前海洋中的传感器采集的数据不够全面、统计粒度不够精细、标记数据较少。World Ocean Atlas 2013(WOA13)是为数不多的全球海洋气候实测数据集,WOA13原始数据具有数据量大、噪声多等特点。本文首先将该数据集预处理成栅格地图,然后使用生成对抗网络(Generative Adversarial Networks,GAN)来扩展,最后引入ResNet深度学习模型运用基于信息熵的判别方式识别温跃层。研究发现ResNet的识别结果好于原始数据,GAN网络对海洋数据有增强作用。3.风险控制是海洋工程领域研究热点之一。随着全球气候变化剧烈,船只在海洋上受到极端天气影响的概率增大。海上交通工具人口高度密集,出口有限,极容易产生拥挤和踩踏等事件。因此,建立合适的场景模型和人群模型来模拟仿真真实场景,可以指导构建更为合理的疏散模型,提高发生灾难时的人员生还能力。本文引入了卷积神经网络、Faster R-CNN等深度学习模型进行数据预处理、人员跟踪、投影坐标转换、双脚位置判断和社会力的行为仿真,并对人员轨迹进行了预测,构建了疏散模型。