基于LASSO-BP神经网络模型的滆湖组黏性土抗剪强度预测.pdf

第 卷 第 期 年 月 世 界 地 质 文章编号:()基于 神经网络模型的滆湖组黏性土抗剪强度预测顾春生 许书刚 杨鹏 唐鑫 张其琪 李浩民 江苏省地质调查研究院 南京 自然资源部地裂缝地质灾害重点实验室 南京 上海市城市建设设计研究总院(集团)有限公司 上海 摘要:为了研究苏锡常地区滆湖组黏性土工程地质特性 建立能够描述其抗剪强度特性的预测模型笔者选取 组土工试验数据作为研究样本 运用 算法筛选出对抗剪强度影响显著的参数然后结合 神经网络算法建立抗剪强度预测模型 结果表明:滆湖组黏性土的黏聚力、内摩擦角与液性指数、压缩系数呈反相关 与塑性指数、饱和重度呈正相关 确定液性指数、塑性指数、压缩系数、颗粒比重、饱和重度等 个参数为抗剪强度的预测参数 建立了基于 神经网络算法的滆湖组黏性土抗剪强度预测模型 黏聚力预测模型的拟合优度 平均绝对误差 内摩擦角预测模型的拟合优度 平均绝对误差 (方差膨胀系数 )说明上述各参数两两之间均存在较为紧密的联系 图左下侧为标准化后的参数间散点图 可见部分自变表 滆湖组黏性土物理参数 参数天然含水量/颗粒比重/()天然重度/()干重度/()饱和重度/()天然孔隙比埋深/液限/塑限/塑性指数液性指数压缩系数/黏聚力/内摩擦角/()最大值 最小值 平均值 标准差 变异系数 图 滆湖组黏性土参数概率分布及相关系数热图 世 界 地 质 第 卷量间具有较强的线性关系 因此 为了避免预测模型出现过拟合现象 应尽量避免重复选取图 中出现的强相关自变量作为预测参数 筛选过程与结果根据研究目的 以滆湖组黏性土的、值作为预测模型目标变量 用 算法分别对样本参数进行自变量筛选第一步:基于 语言()软件 将样本参数矩阵进行标准化处理第二步:调用 软件“”函数包 运用 倍交叉验证法对参数平滑渐进 压缩式()中 的 范数 从而获取模型参数 的计算进程(图)第三步:选取合适的参数 对抗剪强度参数影响因素进行变量筛选 从模型均方误差演化图(图)可知:随着惩罚项对自变量系数的不断压缩 模 型 自 由 度()减 少 模 型 均 方 误 差()增大 最小均方误差对应的模型超参数 距离最小均方误差一个标准误差距离时 模型超参数 当 回归模型的 稳定在 而当 所选出参数与抗剪强度具有较强线性关系 且筛选结果变量能够对样本全集进行较好信息表达 确定、为最终筛选结果变量 筛选结果变量与目标变量相关性()、与滆湖组黏性土抗剪强度关系由图 可知 滆湖组黏性土黏聚力随着液性指数降低总体呈增大趋势 此外 随着压缩性降低黏聚力呈增加趋势(图、)内摩擦角同样随着第 期 顾春生 等:基于 神经网络模型的滆湖组黏性土抗剪强度预测液性指数与压缩系数的降低呈增大趋势 但与黏聚力相比 其变化趋势相对较弱(图)数据显示:滆湖组黏土在硬塑状态下()而可塑状态下滆湖组黏土的黏聚力、内摩擦角与压缩性均处于相对较低水平()、对滆湖组黏性土抗剪强度的影响滆湖组黏性土饱和重度、塑性指数 与抗剪强度参数之间关系体现在:黏聚力随塑性指数、饱和重度增大均呈上升趋势(图)内摩擦角同样随着塑性指数与饱和重度的增大呈增大趋势(图)这与塑性指数一定程度上代表了黏性土矿物成分等微观特征有关 由于塑性指数愈大 表明土颗粒愈细 比表面积愈大 土的黏粒或亲水矿物(如蒙脱石)含量愈高 黏性土黏聚力与通过水膜连接的相邻土颗粒之间的电分子引力大小有密切关系 所以随着塑性指数变大 土颗粒越细(土颗粒间距越小)、亲水矿物含量越高 滆湖组黏土黏聚力与内摩擦角呈上升趋势图 压缩系数、液性指数与黏聚力关系 图 压缩系数、液性指数与内摩擦角关系 图 饱和重度、塑性指数与黏聚力关系 图 饱和重度、塑性指数与内摩擦角关系 世 界 地 质 第 卷 基于 算法的抗剪强度参数预测模型基于 算法 运用 软件 调用软件“”函数包 可求出筛选后自变量与抗剪强度参数的预测模型为:()()黏聚力预测模型均方误差 平均绝对误差 内摩擦角预测模型 从上述预测模型评价指标看:基于 模型的预测结果与实际值具有较强相关性 且黏聚力预测模型可靠性要强于内摩擦角预测模型 但上述模型拟合程度均有待进一步提高综上所述 压缩系数 液性指数 塑性指数 饱和重度 颗粒比重 这 个参数为 算法筛选出的对滆湖组黏性土抗剪强度指标进行评价的最佳变量组合 此时如直接用 建立预测模型 预测精度存在较大提升空间 因此 为了提高预测模型的预测性能 将筛选出的参数作为输入层 建立抗剪强度参数的 神经网络预测模型 基于 的抗剪强度预测模型 神经网络模型参数确定输入参数后 选取 组工程地质数据进行神经网络的构建 运用 软件建立 神经网络预测模型 具体步骤如下:()数据的预处理 对单位不同、变化范围不同的各土工参数进行归一化 然后将 组数据设为训练集 组数据设为测试集 组数据留作预测集用于模型验证()输入层节点个数为 输出层节点个数为 隐含层节点个数根据式()确定 ()式中:为隐含层节点数 为输入层节点数 为输出层节点数 为 之间调节常数为防止过拟合取()选择 函数为隐含层激活函数公式为()/()选择线性函数为输出层激活函数 公式为()()模型参数结果经过多次训练 最终确定模型隐含层神经元个数为 时的单隐层神经网络模型 即可达到较好的训练效果 模型的各层权值与偏置值见表 将预测集数据代入模型可得到预测结果 将预测结果反归一化可得到实际的预测值表 神经网络模型权值和偏置值 权值颗粒比重饱和重度塑性指数液性指数压缩系数偏置值输入层隐含层权值 隐含层输出层权值 预测结果及误差分析将经过分类的 组样本带入模型 经过迭代计算后模型训练集、验证集、测试集、样本全集的拟合优度 分别为 、可见该模型具有较高可靠性(图)说明 算法筛选的 个参数作为输入层建立的 神经网络模型 可以实现对滆湖组黏性土抗剪强度参数的有效预测为验证 神经网络模型预测效果 从全集随机选取 组样本进行预测 结果显示:样本黏聚力均值 模型预测均值 平均绝对误差 均方根误差 拟合优度 模型假设检验 可以看出预测数据与实际值基本一致 模型对抗剪强度参数黏聚力的拟合程度较强(图)随机样本内摩擦角样本平均 模型预测均值 模型假设检验 的预测平均误差 的预测平均误差 说明该模型可靠性高 能够对滆湖组特定工程地质参数进行有效预测()运用 神经网络模型对工程地质特性进行研究 可以避免人工筛选变量的不确定因素 增加了模型的可靠性 实现最大限度保持样本信息的同时对因变量降维 也避免了后期 神经网络建模的过度拟合 既提升了模型预测精度(均方误差角度)又能在一定程度上提高预测模型的泛化能力()预测模型引入 算法 建立了 神经网络模型 实现了对滆湖组黏性土抗剪强度参数的有效预测 该研究为运用数学方法找出工程地层参数之间隐含关系提供了借鉴意义 也为大数据时代 深层次挖掘和利用海量工程地质数据价值提供参考致谢:数据处理工作得到同济大学土木工程学院顾晓强教授的帮助 在研究方法使用方面得到盐城工学院房晨老师的启发 在此深表感谢!参考文献:喻胜华 张静.基于 和 神经网络的组合预测及其应用:以居民消费支出预测为例.财经理论与实践 ():.():.刘晓蝶 孟祥瑞 王向前.基于 神经网络模型的江苏省碳排放预测.黑龙江工业学院学报(综合版)():.()():.周晓海.人工神经网络模型在水文地质学中的应用.廊坊师范学院学报(自然科学版)第 期 顾春生 等:基于 神经网络模型的滆湖组黏性土抗剪强度预测():.()():.周志华.机器学习.北京:清华大学出版社:.:.杨晓辉 王祝文 王文华 等.神经网络算法在火成岩泥质含量计算中的应用.世界地质 ():.():.李澄清 刘天为 张海洋 等.基于 神经网络的土体细观力学参数反演分析.工程地质学报 ():.():.雷廷 贾军元 田福金 等.基于 神经网络预测岩石导 热 系 数 .世 界 地 质 ():.():.谷彧.苏州地区滆湖组下段岩土参数不确定性研究.南京:南京大学.:.苟富刚 龚绪龙 王光亚.连云港海相软土不排水强度特征.吉林大学学报(地球科学版)():.()():.苗永阳 郑毅 刘志凯 等.黏性土被动土压力系数计算方法探讨.世界地质 ():.():.李鑫 迟明杰 李小军.基于简化纽马克位移模型的地震滑坡岩土体强度参数研究.地震学报 ():.():.陈鸿宾 陈学军 齐运来 等.干密度与含水率对重塑红黏土抗剪强度参数影响研究.工程地质学报 ():.():.乔峰 薄景山 常晁瑜 等.种特殊土物理力学性质指标统计分析.吉林大学学报(地球科学版)():.().():.陈剑平 刘经 王清 等.含水率对分散性土抗剪强度特性影响的微观解释.吉林大学学报(地球科学版)():.()():.范婷婷 林海 胡小荣.孔隙比对砂类土抗剪强度影响的定量分析.水文地质工程地质 ():.():.蒋建平 罗国煜.苏通大桥地基粉质黏土物性指标相关 关 系 试 验 研 究 .岩 土 力 学 ():.():.潘旭亮 张钦喜 杜修力 等.北京地区黏性土分类指标与力学指标关系回归分析.西北地震学报 ():.世 界 地 质 第 卷 .():.王璐 孙聚波.回归方法在特征变量选择中的应用.吉林工程技术师范学院学报 ():.():.韩晓育 郭颍奎.耦合 回归的 中长期径流预报模型 .水文 ():.():.柯郑林.及其相关方法在多元线性回归模型中的应用.北京:北京交通大学.:.():.():.():.吴标云 李从先.长江三角洲第四纪地质.北京:海洋出版社:.:.高伟.苏州某场地工程地基地质条件及基础评价分析.地下水 ():.():.韩建军 赵道松 李建平.基于 神经网络的垃圾飞灰混凝土抗压强度预测模型.混凝土():.():.陈浩 刘荣桂 闫乾勋 等.基于 神经网络的 内养护机制砂混凝土抗压强度预测.混凝土 ():.():.马高 刘康.基于 神经网络 约束混凝土抗压强度预测.湖南大学学报(自然科学版)():.()():.第 期 顾春生 等:基于 神经网络模型的滆湖组黏性土抗剪强度预测