当前世界环境

介绍

土的最大历史有效应力是指预固结压力，它决定了土在形成过程中应力的变化。¹由于地质效应和应力变化的不同，固结过程在形成和当前过程中可能存在差异。根据预固结压力的定义，当外荷载低于预固结压力时，天然土仅产生微小变形;否则破坏土体结构;当施加相当大的外部负载时。因此，正确估算预固结压力对于估算其运行期间的变形值至关重要。的卡萨格兰德的方法,²也被称为基于经验的图法或C法，通常被用来得到预固结应力。由于难以提高确定最大曲率点的精度，影响了根据函数曲线变化特征求得的预固结压力的计算。本研究采用多节点逐次逼近的非线性神经网络预测模型，以降低获取最大曲率点的误差，为获得更精确的预固结应力提供了一种新方法。

神经网络方法

人工神经网络是在现代神经科学的基础上提出和发展起来的一种模拟人脑功能的抽象数学模型。具有自我调节和组织功能，通过监督“学习”完成具体任务;最显著的优点是自学习能力，即使学习数据之间存在偏差，也能取得令人满意的结果。网络根据结构和工作方式可分为两种类型:前馈网络和反馈网络。本文介绍了BP网络，即前馈反向传输网络。人工神经网络能够自动组织和调整各节点的权值，能够描述极其复杂的非线性问题，充分考虑各种因素并进行综合处理;因此，BP网络可以看作是一个从输入到输出的高度非线性映射。^3、4人工基础神经元如图1所示:

图1:神经元示意图 点击这里查看图

组织神经细胞，BP神经网络形成如下：

图2 BP神经网络示意图 点击这里查看图

通过训练网络模型，计算出输出值之间的误差y_k将期望输出值yk取最小值，以误差平方和最小值作为评价指标⁵：

通过递归方法可以校正给定权重的初始值，从而可以校正⁶

其中m表示m^th递归计算，λ指定人工指定的速率常数，中间变量e^米_K，E.^米j可以通过迭代计算。

BP神经网络构建

本文采用人工神经网络直接分析e-p曲线的趋势和规律，减少了分析过程中的信息损失。

确定输入和输出项目;不同应力下的土壤质量对应于不同的孔比，随着固结压力的增加，空隙率E的变化与负指数相似，并且E-P曲线的较慢变得越慢，如图3所示。

图3：E-P曲线的趋势 点击这里查看图

以e为横坐标，以p-e曲线非纵坐标的曲线分布密度为纵坐标，空隙率频率分布曲线如图4所示。

图4：空隙率E的分布 点击这里查看图

利用神经网络模型的权值对不同密度分布下的空隙率e进行识别，通过目标监督训练不断提高识别能力，最终对具有目标特征的空隙率e进行反馈。因此，将不同应力作用下的孔隙率作为输入项，将实验中得到的与预固结应力相对应的孔隙率作为目标输出项。最后，得到相应的预固结应力p_c是根据空隙率通过线性插值得到的。

合理选择隐藏层的数量和元素的数量是模型设计的难点之一。隐含层节点太少可能导致网络泛化差，而节点太多则需要更多的时间，不一定对应最佳训练误差。一般采用经验公式或试确定，隐层数l的经验公式为:

其中n，m是输出的数量和输入节点的数量;分别。a是1到10之间的常数。⁶

预测的例子

建立两个或更多隐藏层的BP模型相对复杂。在本文中，采用了单一隐藏层模型，并根据经验公式，L = 9.4;因此，隐藏层中可能有四个节点。通过重复的试验，当采用四个节点时获得了更好的结果;在对不同应力下的空隙率作为输入项和空隙率，作为输出项目的预整合应力。实验中不同应力下的空隙率作为输入项，并且对应于作为目标输出项的预先整合应力，并在Matlab平台完成编程和计算。学习组的数据如表1所示。通过线性插值获得预整合应力下的相应空隙率。

表1：测试和预测数据

学习组不同土样的压缩曲线如图5所示。

图5:各数据行合并曲线 点击这里查看图

以学习组的A-E为输入向量，以实测的预固结压力为目标值，对神经网络模型进行训练，直至误差小于0.0001，结束训练。图6显示了反馈孔隙比变化的曲线的次数的训练小组学习的进口,可以看出前馈的错误,改变每个连接的权值,输出结果迅速关闭目标,显示网络建设是有效的。

图6例1训练结果曲线 点击这里查看图

采用训练后的神经网络模型，在给定的输入向量处计算预测组的输出，进行20次迭代计算:预测组的空隙率为0.5418，与实测曲线值的误差小于0.04%;和先期固结压力是334.02 kpa基于逆计算,其精度已达到甚至超过所需的精度在实验室测试(0.01毫米精度千分表、天然孔隙比为0.5和土壤样本高度13.3毫米,即孔隙比e只能达到0.00075,低于本实验得到的0.0001)。表2为计算孔隙率及其百分比误差。

表2:20次计算后的空隙率及误差

图6 A:空隙率预测值及相对误差 点击这里查看图

作为集成数据培训，优化，学习和反馈预测的数学模型，BP神经网络模型在数据利用方面表现出很大的优势：它充分利用了历史中各种实验数据，并将数据作为数据源。学习组提高数据预测能力;当存在许多数据时，原始数据可以根据土壤的性质分类为不同水​​平的固结应力，可以采用相应的预测组数据集进行预整合应力，使得预整合应力可以准确，快速，轻松地预测，直接应用于工程实践。

表3:神经网络方法与其他方法的比较

结论

本文提出了一种基于BP人工神经网络模型的方法来计算土壤的预整齐压力。建立了具有三层和四个隐藏节点的发达的神经网络。通过现有类似的测试数据训练网络，并针对预测组进行计算和投影。根据培训的结果，模型快速接近目标值，达到预测组的百分比误差小于0.04，证明人造BP神经网络模型可以准确地预测与预整合应力相对应的空隙率，不需要绘制和更少的手动干预，但与常用的Casa Grande方法相比，计算的计算速度更快，并且具有一定的实际应用价值。

参考

1. Celik，S.和O. TAN，用人工神经网络测定预巩固压力。2005. 22（4）：p。217-231。
2. 陈志伟，预固结荷载的确定及其实际意义，土木工程学报，1936(3):60-64。
3. 姜安龙，赵春峰，高大钊。岩土力学，2003,24(2):292-295。
4. 张志强，张志强，张志强。基于压电圆锥试验结果估算预固结压力的神经网络。2012.29日(8):842 - 855页。
5. 《高等工程数学》，2007。
6. 张，C.，Q.杨和M.栾，不饱和土抽吸预测的进化神经网络模型。2004. 25（1）：p。73-76。