《基于SCPTU的黏性土超固结比深度学习预测模型及应用》作者：曾彬 陈憬灏 简典 张立舟【PDF】

书呆熊

基于 SCPTU 的黏性土超固结比深度学习预测模型及应用
曾彬123，陈憬灏12，简典12，张立舟14
（1. 重庆交通大学河海学院，重庆 400074；
2. 山区公路水运交通地质减灾重庆市高校重点实验室（重庆交通大学），重庆 400074；
3. 招商局重庆交通科研设计院有限公司，重庆 400067；
4. 重庆市测绘科学技术研究院，重庆 401121）
摘要：超固结比（overc onsolidation ratio,OCR）是衡量土体固结状态的重要参数。基于地震波孔压静力触探（seismic piezocone penetration test,SCPTU）测试数据集，利用非线性映射能力强的BP 神经网络方法作为深度学习算法，建立黏性土OCR 预测模型，分析预测结果的可靠性及效果，进一步讨论输入变量对预测结果影响的敏感性。结果表明：以σ_V0.σ_V0^'、f_s/σ_V0^'、V_sl、S_u/σ_V0^'为输入参数训练得到的 BP 神经网络模型，对于黏性土 OCR值的预测效果最好；BP 神经网络模型对于黏性土 OCR 值的预测效果全面优于 Mayne 模型，且后者易出现过高预测结果；对于 BP 神经网络模型，输入参数同时含有 V_SI 和S_uG_VO^将有利于模型的预测，而同时含有Q_t和f_s/σ_V0^'将不利于模型的预测；基于 SCPTU 测试数据集的 BP 神经网络模型的预测效果显著优于基于 CPTU 测试数据集模型的预测效果。研究成果可为软土地区黏性土OCR 值的快速、高效获取提供理论依据。
关键词：超固结比；BP 神经网络；SCPTU；预测模型
中图分类号：TU431