基于机器学习的软土压缩模量预测及沉降分析

摘要

目前，常规土体试验及预测方法都难以准确获得压缩模量E_s。现基于机器学习理论建立一种非参数集成优化法计算E_s,并与传统回归模型对比分析。从昆明地铁5号线会展中心场地选取203组泥炭质土物理力学指标样本，结合工程经验，选取其中8个重要的物理指标作为输入集，利用遗传算法优化BP神经网络输入层、隐含层及输出层之间的权值及阈值，采用相关系数R、正确率ACC及均方根误差RMSE多个评估指标优化确定算法的重要参数，将建立好的模型应用于多种土体，并与目前应用较多的方法对比分析，最后比较经验公式与本文方法预测地基沉降的性能。结果显示，GA-BP神经网络方法对分析样本适应性强、算法收敛快、所得结果精准可靠，具有较大优越性。该方法对软土场地多参数预测具有一定的指导意义。

关键词

压缩模量 / 机器学习 / 遗传算法 / BP神经网络 / 规范法

基金资助

国家自然科学基金重点项目(41931294)