基于BP神经网络的海底浅层超软黏土不排水抗剪强度预测

准确评估海底浅层超软黏土的不排水抗剪强度对海洋资源开发、灾害评估、海洋工程建设等具有重要的意义。世界多个海域超软黏土数据分析对比表明,现有不排水抗剪强度评估经验公式存在受地域限制的问题,计算精度较低。因此,以超软黏土的6个物性指标为输入变量,不排水抗剪强度为输出变量,建立BP神经网络模型进行海底浅层超软黏土不排水抗剪强度预测;根据建立的超软黏土不排水抗剪强度与物性指标之间的非线性映射网络,以权积法求解超软黏土不排水抗剪强度对各指标的敏感度系数,定量分析各指标对不排水抗剪强度的影响程度。结果表明:考虑多因素影响的BP神经网络模型在超软黏土不排水抗剪强度预测方面具有普遍适应性,其预测结果非常接近落锥试验实测结果,均方差0.02139,R2值达到0.9874,预测精度远高于现有经验公式;采用权积法计算得到的对数流动性指标对不排水抗剪强度最为敏感;据此建立了以对数流动性指标为参数的黏土不排水抗剪强度预测经验公式,该公式在计算中国海域超软黏土不排水剪切强度方面具有较高精度,但由于数据量有限,依旧存在一定局限性。本研究为海底浅层超软黏土不排水抗剪强度的计算提供了参考。

土体导热系数智能方法预测及影响因素敏感性分析

土体导热系数是描述土传热性能的重要参数之一,对其准确地预测和敏感性分析有助于评估岩土工程的热响应热性,预防工程的变形和破坏。基于Kersten团队的土导热系数试验,分析导热系数的影响因素,考虑将温度变量引入传统经验公式并验证,得到对黏土适用性较好的改进经验公式。基于人工智能算法对导热系数建立以土质、干密度、含水率和温度为输入变量的预测模型。分析预测结果表明随机森林模型、径向基函数神经网络(RBFNN)和鲸鱼优化BP神经网络(WOA-BP)都能准确地预测导热系数,其中WOA-BP的预测性能最好,随机森林和RBFNN次之。选用新的样本集对预测模型进行验证,发现模型预测效果依旧很好,具有一定的泛化能力。利用蒙特卡洛模拟对改进经验公式进行参数敏感度分析;再借助随机森林模型对特征重要性进行排序,评估不同输入变量对模型输出的影响程度:最后通过权积法结合WOA-BP计算影响因素敏感性。发现三种方法得出的结果均一致,即导热系数对含水率、干密度、温度和土质的变化敏感程度依次降低。