基于循环神经网络的砂土液化预测模型

为快速准确地预测砂土地震液化,选取贯入深度、标准击数、细粒含量、地下水位、总垂向应力、有效垂向应力、地震震级和地表归一化峰值水平加速度等8个参数作为液化判别因素,提出了一种基于改进自适应算法(Rectified Adam)和循环神经网络模型(RNN)的地震液化预测模型(RA-RNN模型)。通过对Hanna等建立的SPT实测场地液化数据进行样本学习,并利用改进自适应算法对循环神经网络的结构进行优化;采用总体精度、准确率、召回率和F指数4项指标对模型液化判别的精度进行评价,并与Adam-RNN和SVM模型进行对比。判别结果表明,RA-RNN模型具有较好的稳定性和较高的准确率,且预测效果优于Adam-RNN和SVM模型。