应用GA-BP神经网络预估砾类土的最大干密度

建立砾类土最大干密度预估模型,为控制砾类土工程填筑压实质量、选取满足工程压实性能要求的砾类土提供最大干密度预估参考。颗粒级配是决定砾类土最大干密度的关键因素,收集并整理得到92组砾类土数据,以全级配(d₁₀～d₁₀₀)作为BP(GA-BP)神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的砾类土最大干密度预估模型,并与BP神经网络进行对比。86组训练样本预估结果的平均相对误差为0.54%,决定系数为0.983;6组检测样本预估结果的平均相对误差为0.57%,证明该网络模型泛化性能良好。采用GA-BP神经网络,由全级配能较好地预估砾类土最大干密度,收敛速度、预估精度及泛化性能均优于标准的BP神经网络模型。     

基于GA-BP神经网络的粗粒土渗透系数预测

针对粗粒土渗透性能受颗粒级配、密实程度等因素影响而呈现明显差异,提出一种粗粒土渗透系数预测方法。收集并整理得到93组粗粒土数据,以全级配(d₁₀~d₁₀₀)和孔隙比作为BP神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的粗粒土渗透系数预测模型。结果表明:该GA-BP神经网络经过55次迭代之后精度满足要求;87组训练样本预测结果的平均相对误差为5.10%,其中有75%的样本相对误差小于平均相对误差;6组检测样本预测结果的平均相对误差为6.39%,该网络模型泛化性能良好。采用GA-BP神经网络,由全级配和孔隙比能较好地预测粗粒土的渗透系数,且收敛速度、预测精度及泛化性能均优于标准的BP神经网络模型。     

植被混凝土新型生境构筑基材稳定性分析

利用植被混凝土生态技术修复的边坡,其失稳破坏问题仍然存在,利用不同破坏模式下的剪切应力—位移曲线,在确定滑面上进行受力分析,考虑降雨对基材重度、冲刷作用及剪切应力折减的影响,确定了基材安全系数与位移变化关系,对新型基材构筑方式进行稳定性分析,对口型坑贡献率进行评价。结果表明:新型构筑方式能有效增大各工况下基材破坏位移,天然状态下为喷播基材的1.25~1.46倍,降雨时为喷播基材的1.14~1.25倍。施工后,随着根土复合体逐渐形成,两种构筑方式下的安全系数可增加为原来的1.53~1.6倍。安全系数随着口型坑尺寸增大,基材破坏位移、贡献率逐渐增加。算例表明,口型坑最大贡献率能达到88.52%。