期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于优化的多输出神经网络预测软弱土压缩和回弹指数研究
1
作者 陈凯 林军 +1 位作者 聂利青 段伟 《地质科技通报》 北大核心 2025年第2期130-145,共16页
软弱土的压缩指数C_(c)和回弹指数C_(s)是计算土体沉降和回弹的重要参数,采用机器学习算法可高效预测C_(c)和C_(s),减少室内试验周期和费用。引入孔压静力触探(CPTU)原位测试数据,利用土类指数I_(c)量化土层信息,融合室内试验和原位测... 软弱土的压缩指数C_(c)和回弹指数C_(s)是计算土体沉降和回弹的重要参数,采用机器学习算法可高效预测C_(c)和C_(s),减少室内试验周期和费用。引入孔压静力触探(CPTU)原位测试数据,利用土类指数I_(c)量化土层信息,融合室内试验和原位测试数据,改进遗传算法优化的BP神经网络(GA-BPNN),实现多输出功能,同时预测C_(c)和C_(s)。通过相关性分析,确定多输出GA-BPNN模型输入参数,利用TC 304标准场地数据库,将预测结果与多输出BPNN模型、单输出GA-BPNN模型比较,进而验证多输出GA-BPNN模型能效,并获得预训练模型参数。在南京有限场地数据条件下,进一步讨论多输出GA-BPNN模型的优越性,分析预训练、原位测试数据对模型效果的影响,最后进行敏感性分析。结果表明,利用标准场地数据获得预训练多输出GA-BPNN模型,在有限数据条件下,可有效预测C_(c)和C_(s);加入原位测试数据的的GA-BPNN模型预测C_(c)(R^(2)=0.96)和C_(s)(R^(2)=0.97)精确度较高,预测结果更加接近实测值,预测结果相关性与已有研究保持一致。通过预训练的多输出GA-BPNN模型,可在有限场地数据条件下,快速准确预测软弱土的C_(c)和C_(s),对工程实践中的多元参数预测具有良好的应用前景。 展开更多
关键词 压缩指数 回弹指数 多输出 优化神经网络 GA-BPNN模型 软弱土
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部