[发明专利]一种可考虑土骨架破损影响的土体工程参数预测方法

说明书

本发明公开了一种可考虑土骨架破损影响的土体工程参数预测方法，包括，收集数据，数据包括评价指标和物理指标；建立评价指标与物理指标之间的函数关系以及上下限范围；基于一般工程经验定义物理指标的取值范围，根据评价指标与物理指标之间的函数关系以及上下限范围、物理指标的取值范围生成随机样本集；构建RBF神经网络，训练并验证RBF神经网络，将预测集输入至预测网络进行预测；选择需预测的评价指标，将实测数据中的物理指标输入至预测网络进行预测，获取评价指标的预测值并判断是否满足上下限范围，若满足则将其作为评价指标的取值。建立物理指标和评价指标的关系，将基于关系的数据输入RBF神经网络进行训练预测，提高了预测的准确率。

技术领域

本发明涉及土骨架破损影响的土体领域，尤其涉及一种可考虑土骨架破损影响的土体工程参数预测方法。

背景技术

土骨架破损按照机理不同可分为物理降解和生化降解。物理降解是土体在外力作用下发生颗粒级配变化或固相质量损失的过程，比如土石坝骨料或道砟的破碎、土体的水力侵蚀等；生化降解是土骨架中的活性成分在化学或生化作用下转化为液相和气相的过程。如果不能准确评估土骨架降解对土工构筑物的影响，可能会引发严重的岩土工程问题，比如土石坝因骨料破碎而导致的面板开裂和过大沉降、填埋场因城市固体废弃物的生化降解而引发的环境岩土灾害等。例如，2008年美国亚特兰大渗滤液泄露，8000加仑渗滤液泄露至周边湿地；2015年巴西Campos Novos大坝面板在第一次蓄水至正常水位的90％时面板严重开裂，防渗体系被破坏，导致Campos Novos大坝破坏的一个重要原因是蓄水对坝体施加了很高的荷载，致使大坝底部骨料产生了显著的颗粒破碎，进而导致过大的沉降和变形，使面板脱空开裂；2016年中国广东番禺填埋污泥流滑严重污染周边环境等。发展面向未来的岩土工程，土骨架降解是绕不开的重要议题。由此可见，对土土骨架破损影响的土体的岩土工程进行预测评估可及时防止危害的发生具有重要意义。

土骨架破损影响的土体领域三大特性的评价指标预测分为三大部分，在渗透特性中，预测饱和渗透系数和非饱和渗透系数；在压缩特性中预测修正主压缩指数和修正次压缩指数；在强度特性中预测强度参数粘聚力和内摩擦角。

经过对相关数据的整理和分析发现，参数(饱和渗透系数、非饱和渗透系数、修正主压缩指数、修正次压缩指数、数粘聚力和内摩擦角)与物理指标(组分、孔隙、埋深、龄期、纤维素与木质素之比以及体积含水率、降解情况等)存在联系，讨论物理指标和参数的关系并进行参数预测，为工程应用提供依据。

例如在填埋场渗透特性的预测中，通过建立相关物理指标与饱和渗透系数之间的函数关系在指定物理指标范围和函数范围进行饱和渗透系数预测，对预测得到的饱和渗透系数进行判断：是否符合饱和渗透系数相应取值范围，若预测的饱和渗透系数符合饱和渗透系数要求，则说明工程在渗透特性方面的运营可靠，反之则说明工程存在问题需要及时进行检查与改进，为工程下一步计划进行指导并提供依据。

MATLAB是可用于深度学习等领域的一种数学软件，可在MATLAB中进行算法的实现，以及相应数据处理及可视化，为预测结果提供良好的展示效果。RBF神经网络预测模型主要用于土骨架破损影响的土体领域中关于渗透特性、压缩特性以及强度特性的相关影响参数的预测，可为实际工程提供可靠依据。

但在土骨架破损影响的土体领域中，暂时未有对相关参数的预测研究，而在已有的一般土体领域的相关预测研究中，也未有通过构建物理指标与相应参数关系进行预测的研究，而其他参数预测研究方法大多为通过试验得到样本数据进行训练与预测，导致其样本量少，不具有普适性。同时预测方法基于BP神经网络，但BP神经网络是基于梯度下降的误差反向传播算法进行学习，网络的学习速度较慢，并存在局部极小值的问题。而RBF神经网络则避免了局部极小值问题，它是一种前馈型神经网络，由于只有少量的权值需要调整，推广能力较强，预测能力较强，其逼近能力、分类能力和学习速度优于BP神经网络。

发明内容

本发明提供一种可考虑土骨架破损影响的土体工程参数预测方法，以克服上述技术问题。