鞏 勝

(中鐵第四勘察設(shè)計(jì)院集團(tuán)公司,湖北 武漢 430063)

吹填淤泥淺表層快速加固處理技術(shù)及神經(jīng)網(wǎng)絡(luò)沉降預(yù)測(cè)方法

鞏 勝

(中鐵第四勘察設(shè)計(jì)院集團(tuán)公司,湖北 武漢 430063)

選取廈門(mén)港海滄港區(qū)軟基處理工程為例,針對(duì)試驗(yàn)區(qū)吹填淤泥的工程特性,運(yùn)用淺表層快速加固處理技術(shù)對(duì)其進(jìn)行加固處理,詳細(xì)介紹了該項(xiàng)技術(shù)的技術(shù)思路、作用機(jī)理以及與真空預(yù)壓法的區(qū)別,評(píng)價(jià)這項(xiàng)技術(shù)的加固效果。然后利用Matlab軟件編制了BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò),Elman網(wǎng)絡(luò)時(shí)序預(yù)測(cè)模型程序?qū)庸毯笤囼?yàn)區(qū)的沉降量進(jìn)行預(yù)測(cè)研究,從預(yù)測(cè)結(jié)果看,Elman網(wǎng)絡(luò)的預(yù)測(cè)精度最高,其次為BP網(wǎng)絡(luò),相對(duì)最差的是RBF網(wǎng)絡(luò),Elman網(wǎng)絡(luò)的反饋型網(wǎng)絡(luò)結(jié)構(gòu)使其具有更好的時(shí)序預(yù)測(cè)能力。

吹填淤泥;沉降預(yù)測(cè);人工神經(jīng)網(wǎng)絡(luò)

目前人們通過(guò)吹填造陸來(lái)滿(mǎn)足港口建設(shè)的需要,但用做工程填料的砂、土等不可再生資源經(jīng)過(guò)多年的開(kāi)采已經(jīng)非常緊缺,與此同時(shí),沿海工程建設(shè)從海底挖掘出大量的淤泥卻作為廢棄物處理,如能將其用于吹填造陸,則將是變廢為利、一舉兩得的好辦法。例如深圳大鏟灣圍海造陸工程、深圳機(jī)場(chǎng)擴(kuò)建工程等均由原計(jì)劃的填砂造陸改變?yōu)榇堤钣倌嘣礻?。吹填淤泥造陸不但可以?jié)約砂、土等不可再生資源,而且有利于環(huán)保,處理方法合適且比較經(jīng)濟(jì),但由于吹填淤泥固有的工程特性,特別是表層,其含水量極高,處于流動(dòng)狀態(tài),強(qiáng)度和承載力極低,各種施工設(shè)備無(wú)法進(jìn)行施工,必須待淺表層有一定的承載力后方可進(jìn)行,所以在利用一般軟基處理方法加固軟弱地基之前,需先對(duì)淺表層進(jìn)行加固。本文選題源于廈門(mén)港海滄港區(qū)軟基處理工程,該工程運(yùn)用一種淺表層快速加固處理技術(shù)對(duì)吹填淤泥淺表層進(jìn)行了加固處理,效果顯著,針對(duì)試驗(yàn)區(qū)所運(yùn)用的淺表層快速加固處理技術(shù),文中分析了該法的作用機(jī)理與加固效果,并結(jié)合現(xiàn)場(chǎng)沉降監(jiān)測(cè)數(shù)據(jù)采用人工神經(jīng)網(wǎng)絡(luò)對(duì)運(yùn)用該法加固的試驗(yàn)區(qū)進(jìn)行沉降預(yù)測(cè)研究。

1 研究區(qū)吹填淤泥淺表層快速加固方案

1.1 淺表層快速加固處理技術(shù)思路

吹填淤泥屬于超軟弱土,針對(duì)現(xiàn)有技術(shù)加固淺表層超軟弱土地基時(shí)存在困難,吹泥區(qū)嘗試了一種新的淺表層快速加固方法,以稻草、蘆葦、雜草、土工編織物中的一種或一種以上作為排水墊層或者排水砂墊層,大大降低成本,縮短施工工期,施工后差異沉降小。淺表層超軟弱土快速加固處理技術(shù)包括如下步驟。

(1) 在超軟弱土上鋪設(shè)一層或多層格柵,垂直插入長(zhǎng)度與超軟弱土淺表層厚度相當(dāng)?shù)乃芰吓潘寤虼b砂井,在格柵上鋪設(shè)排水墊層,并在排水墊層中沿水平方向鋪設(shè)濾管,然后覆蓋密封膜,形成淺表層超軟弱土快速加固裝置。

(2) 對(duì)步驟(1)形成的快速加固裝置內(nèi)的超軟弱土層進(jìn)行真空預(yù)壓處理,持續(xù)時(shí)間一個(gè)月左右。

經(jīng)過(guò)步驟(2)的真空預(yù)壓處理后,超軟弱土的抗剪強(qiáng)度會(huì)得到有效的提高,大型施工設(shè)備可以在其表面進(jìn)行正常工作,為后續(xù)的地基整體加固實(shí)施提供施工條件。

圖1所示為淺表層超軟弱土快速加固裝置,它由密封膜、排水墊層、抽真空濾管、排水板或袋裝砂井、格柵層構(gòu)成。施工過(guò)程中要在排水墊層的上部和側(cè)面覆蓋密封膜,而格柵層置于排水墊層底部,抽真空濾管水平安裝在排水墊層內(nèi),排水板或袋裝砂井垂直插入在超軟弱土中,其上端埋入排水墊層內(nèi)。其中塑料排水板或袋裝砂井的長(zhǎng)度L也代表有效加固深度,通常為數(shù)米,具體可以按照后期施工要求而定;抽真空期間,真空度由濾管、排水墊層和塑料排水或袋裝砂井進(jìn)行傳遞,這樣就可以完成對(duì)有效加固深度內(nèi)的超軟弱土的加固。

圖1 淺表層快速加固技術(shù)工法示意圖Fig.1 Schematic diagram of shallow surface rapid reinforcement technique1.密封膜;2.排水墊層;3.抽真空濾管;4.豎向排水井;5.格柵層;6.基底;7.超軟弱土;8.軟弱下臥層。

1.2 淺表層快速加固處理技術(shù)的作用機(jī)理

對(duì)于一種物理力學(xué)性質(zhì)已知的飽和軟弱土,欲加速其固結(jié)的速度,必須具備兩個(gè)基本條件[1]:一是施加足夠大而穩(wěn)定的外部荷載;二是提供足夠小的排水距離。針對(duì)吹填淤泥高含水率、低強(qiáng)度等物理特性,在真空預(yù)壓技術(shù)的基礎(chǔ)上,提出了淺表層超軟弱土快速加固處理技術(shù)。顧名思義,“快速加固”是指該方法比常規(guī)的淺表層處理技術(shù)更能縮短工期,并可達(dá)到預(yù)加固的目的。

淺表層快速加固處理技術(shù)的加固機(jī)理實(shí)質(zhì)上與真空預(yù)壓法相同,在加固區(qū)地面利用真空泵抽真空產(chǎn)生負(fù)壓,這樣土體中的孔隙水壓力在壓差作用下會(huì)降低,形成負(fù)的超靜孔隙水壓力,即形成的孔隙水壓力小于原靜水孔隙水壓力,增量為負(fù)值,從而導(dǎo)致土體中的孔隙水發(fā)生不穩(wěn)定滲流,不斷經(jīng)豎向排水通道向上排出,最終被真空泵抽走。降低的孔壓轉(zhuǎn)變?yōu)橥馏w的有效應(yīng)力,在有效應(yīng)力增加的情況下,土體固結(jié)壓密。這就是淺表層快速加固處理技術(shù)的作用原理,實(shí)際上就是真空度不斷沿土體深度方向傳遞在加固區(qū)內(nèi)形成真空負(fù)壓,孔隙水不斷被抽走的過(guò)程。

1.3 與真空預(yù)壓法的區(qū)別

盡管淺表層快速加固處理技術(shù)與常規(guī)真空預(yù)壓法的加固機(jī)理相同,但由于前者的處理對(duì)象是流動(dòng)狀、幾乎無(wú)承載力的浮泥,后者加固對(duì)象雖也為軟弱粘土,但通常具備一定的強(qiáng)度及承載力,可滿(mǎn)足正常施工的需要。因此兩者在施工工藝方面存在區(qū)別,如表1所示。

1.4 試驗(yàn)區(qū)淺表層快速加固技術(shù)應(yīng)用情況

廈門(mén)港海滄港區(qū)的試驗(yàn)區(qū)利用該項(xiàng)技術(shù)處理吹填淤泥,吹泥區(qū)淺表層快速加固裝置完成以后,于2007年5月21日開(kāi)始抽真空加固,5月24日膜下真空度基本達(dá)到了70 kPa以上,以后真空度穩(wěn)定在68～84 kPa之間,滿(mǎn)足設(shè)計(jì)要求,也說(shuō)明在吹填淤泥淺表層采用密封技術(shù)措施有效,2007年6月15日卸載,抽真空時(shí)間達(dá)25 d。

表1 快速加固處理技術(shù)與常規(guī)真空預(yù)壓法比較Table 1 Comparison of rapid reinforcement technology and conventional vacuum preloading method

運(yùn)用淺表層快速加固技術(shù)對(duì)吹填淤泥淺表層進(jìn)行處理后,加固效果顯著。在將近一個(gè)月的時(shí)間內(nèi),使原本呈流動(dòng)態(tài)的吹填淤泥淺表層發(fā)生了較大的沉降,圖2為監(jiān)測(cè)點(diǎn)DB3與DB15的沉降隨時(shí)間變化曲線?？梢?jiàn),在快捷經(jīng)濟(jì)的前提下,該項(xiàng)技術(shù)有著其他淺表層處理方法所不能比擬的優(yōu)勢(shì)。

圖2 淺表層快速加固抽真空期間沉降隨時(shí)間變化曲線Fig.2 Settlement curvewhich change along with variation of time during shallow surface rapid reinforcement vacuumizing

2 沉降量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

試驗(yàn)區(qū)吹填淤泥經(jīng)過(guò)淺表層快速加固技術(shù)強(qiáng)度得到較大的提高,如果能進(jìn)行相應(yīng)的沉降預(yù)測(cè),對(duì)后續(xù)施工有一定的指導(dǎo)意義。本文通過(guò)人工神經(jīng)網(wǎng)絡(luò)[2]對(duì)試驗(yàn)區(qū)經(jīng)過(guò)淺表層加固處理的淤泥的沉降量進(jìn)行擬合與預(yù)測(cè),對(duì)比實(shí)測(cè)數(shù)據(jù),評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)的情況。

2.1 數(shù)據(jù)處理

為了提高模型的預(yù)測(cè)精度,在預(yù)測(cè)前對(duì)沉降數(shù)據(jù)進(jìn)行等時(shí)距轉(zhuǎn)化[3]和歸一化處理。采用spline插值法[4]對(duì)這兩監(jiān)測(cè)點(diǎn)的原始數(shù)據(jù)進(jìn)行等時(shí)距轉(zhuǎn)化,具體做法是在Matlab平臺(tái)上采用spline插值函數(shù)(三次樣條插值函數(shù))與interp1函數(shù)編制程序進(jìn)行插值變換生成等時(shí)距序列。完成等時(shí)距轉(zhuǎn)化后,在訓(xùn)練前對(duì)實(shí)測(cè)沉降數(shù)據(jù)進(jìn)行歸一化處理,即將輸入輸出數(shù)據(jù)映射在[-1,1]范圍內(nèi),訓(xùn)練結(jié)束后,將仿真輸出再反歸一化到原數(shù)據(jù)范圍,這樣得到的結(jié)果較為理想。歸一化方法較多,本文歸一化處理是在Matlab平臺(tái)上調(diào)用函數(shù)來(lái)進(jìn)行處理,歸一化函數(shù)為mapminmax函數(shù)。

2.2 不同神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法對(duì)比分析

針對(duì)試驗(yàn)區(qū)淺表層快速加固處理階段,分別用BP網(wǎng)絡(luò)、徑向基RBF網(wǎng)絡(luò)[5]及Elman網(wǎng)絡(luò)[6]對(duì)試驗(yàn)區(qū)監(jiān)測(cè)點(diǎn)DB3沉降進(jìn)行擬合與預(yù)測(cè)。在Matlab[7]上編寫(xiě)了相應(yīng)的軟基沉降時(shí)間序列預(yù)測(cè)模型程序,程序設(shè)計(jì)流程見(jiàn)圖3。

圖3 神經(jīng)網(wǎng)絡(luò)時(shí)序預(yù)測(cè)模型程序流程圖Fig.3 Program flow chart of neural network timing prediction model

經(jīng)過(guò)調(diào)試,其中模型階數(shù)即輸入層單元數(shù)P取5,即按照時(shí)間先后順序依次取6個(gè)等間距時(shí)刻的沉降實(shí)測(cè)值,其中前5個(gè)作為輸入矢量,第6個(gè)作為輸出矢量。BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò)的隱層單元數(shù)按照1987年Hecht-Nielsen提出的“2P+1”法確定[8],其中P為輸入層單元數(shù)。故隱層單元數(shù)為11,這兩個(gè)網(wǎng)絡(luò)的輸入層—隱層的傳遞函數(shù)都為purelin,隱層—輸出層的傳遞函數(shù)都為purelin,訓(xùn)練函數(shù)均為traingdx,網(wǎng)絡(luò)性能目標(biāo)即訓(xùn)練誤差均設(shè)為0.001,最多訓(xùn)練次數(shù)均為100 000次,這樣便于比較兩個(gè)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果;RBF網(wǎng)絡(luò)利用函數(shù)newrbe創(chuàng)建一個(gè)精確RBF神經(jīng)網(wǎng)絡(luò),它會(huì)自動(dòng)選擇隱層單元數(shù),該網(wǎng)絡(luò)中需要調(diào)節(jié)徑向基函數(shù)分布密度spread,通過(guò)對(duì)spread不斷地調(diào)節(jié)嘗試,網(wǎng)絡(luò)會(huì)達(dá)到相應(yīng)的預(yù)測(cè)結(jié)果。

試驗(yàn)區(qū)在5月24日以后真空度穩(wěn)定在68～84 kPa之間,表明荷載基本恒定,對(duì)沉降實(shí)測(cè)數(shù)據(jù)進(jìn)行間隔為一天的等時(shí)距轉(zhuǎn)化后,選取5月24日—6月8日的16個(gè)沉降實(shí)測(cè)值進(jìn)行學(xué)習(xí)訓(xùn)練,選輸入層單元數(shù)p=5,則訓(xùn)練樣本為11個(gè),訓(xùn)練完成后檢驗(yàn)精度,如果精度滿(mǎn)足預(yù)測(cè)精度要求,則對(duì)6月9日—15日的7天沉降進(jìn)行預(yù)測(cè)。下面就監(jiān)測(cè)點(diǎn)DB3展開(kāi)討論。

監(jiān)測(cè)點(diǎn)DB3三種網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練結(jié)果見(jiàn)表2。

表2 淺表層快速加固處理DB3三種網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練結(jié)果Table 2 Three kinds of neural network training results of DB3 in shallow surface rapid reinforcement

從表3可以看出,BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)及Elman網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的沉降擬合值都與實(shí)測(cè)值很接近,相對(duì)誤差都很小,平均相對(duì)誤差分別為1.31%,0,1.40%,均<5%,模型精度為“好”。尤其是RBF網(wǎng)絡(luò),其擬合值與實(shí)測(cè)值基本相同,擬合精度極高,可見(jiàn)它在函數(shù)逼近能力方面優(yōu)于BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò),并且在程序運(yùn)行過(guò)程中,RBF網(wǎng)絡(luò)學(xué)習(xí)速度也快于BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò),充分體現(xiàn)出其最優(yōu)泛函逼近及收斂速度較快的特點(diǎn)。BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)擬合的相對(duì)誤差相差無(wú)幾,擬合比較理想,三種網(wǎng)絡(luò)均可以用于后期預(yù)測(cè)。

監(jiān)測(cè)點(diǎn)DB3隨后7天的預(yù)測(cè)結(jié)果列于表4中。為了更直觀地顯示出三種網(wǎng)絡(luò)的擬合預(yù)測(cè)情況,利用Matlab編程的三種網(wǎng)絡(luò)的訓(xùn)練預(yù)測(cè)結(jié)果依次分別見(jiàn)圖4、圖5、圖6,三種網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果對(duì)比圖及相對(duì)誤差對(duì)比見(jiàn)圖7、圖8。

從表3及圖4-圖6中可以看出,BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)及Elman網(wǎng)絡(luò)的預(yù)測(cè)曲線都與實(shí)測(cè)曲線基本吻合。通過(guò)三種網(wǎng)絡(luò)的對(duì)比(圖7)可見(jiàn),預(yù)測(cè)結(jié)果比較理想,預(yù)測(cè)平均相對(duì)誤差依次分別為0.42%、0.69%、0.39%,均<5%(圖8)。不過(guò)預(yù)測(cè)精度并非呈現(xiàn)學(xué)習(xí)訓(xùn)練時(shí)擬合精度一樣的規(guī)律,雖然RBF網(wǎng)絡(luò)擬合精度最高,但在預(yù)測(cè)方面的表現(xiàn)并沒(méi)有BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)優(yōu)秀,三種網(wǎng)絡(luò)預(yù)測(cè)精度排序?yàn)?Elman網(wǎng)絡(luò)>BP網(wǎng)絡(luò)>RBF網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)預(yù)測(cè)精度最高,應(yīng)該與它的網(wǎng)絡(luò)結(jié)構(gòu)有關(guān),因?yàn)樗且环N反饋型神經(jīng)網(wǎng)絡(luò),它所建立的時(shí)間序列預(yù)測(cè)模型是動(dòng)態(tài)的,可以更好地反應(yīng)沉降隨時(shí)間的變化情況;BP網(wǎng)絡(luò)與RBF網(wǎng)絡(luò)都屬于靜態(tài)時(shí)間序列預(yù)測(cè),它們是前向型神經(jīng)網(wǎng)絡(luò),至于BP網(wǎng)絡(luò)為何優(yōu)于RBF網(wǎng)絡(luò),可能是因?yàn)槌两殿A(yù)測(cè)曲線是較有規(guī)律的收斂曲線,而RBF網(wǎng)絡(luò)更適合解決波動(dòng)大且復(fù)雜的非線性曲線,另外RBF網(wǎng)絡(luò)分布密度spread的選取具有一定的隨機(jī)性,需要不斷調(diào)試才能達(dá)到較理想結(jié)果,預(yù)測(cè)精度較低也可能與之相關(guān)。此次RBF網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)結(jié)果,其分布密度spread設(shè)定為0.75。

圖4 淺表層快速加固處理階段DB3 BP網(wǎng)絡(luò)預(yù)測(cè)圖Fig.4 BP neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖5 淺表層快速加固處理階段DB3 RBF網(wǎng)絡(luò)預(yù)測(cè)圖Fig.5 RBF neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖6 淺表層快速加固處理階段DB3 Elman網(wǎng)絡(luò)預(yù)測(cè)圖Fig.6 Elman neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖7 淺表層快速加固處理階段DB3三種網(wǎng)絡(luò)預(yù)測(cè)對(duì)比圖Fig.7 Three neural network prediction graph of DB3 in shallow surface rapid reinforcement period

圖8 DB3三種網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)相對(duì)誤差對(duì)比圖Fig.8 Relative error comparison of three neural network training prediction of DB3

3 結(jié)束語(yǔ)

采用三種神經(jīng)網(wǎng)絡(luò)時(shí)序預(yù)測(cè)模型(BP網(wǎng)絡(luò),RBF網(wǎng)絡(luò),Elman網(wǎng)絡(luò))對(duì)試驗(yàn)吹泥區(qū)監(jiān)測(cè)點(diǎn)DB3在快速加固處理階段的沉降進(jìn)行了擬合預(yù)測(cè),并與現(xiàn)場(chǎng)實(shí)測(cè)值進(jìn)行對(duì)比,得出以下結(jié)論:

(1) 試驗(yàn)區(qū)運(yùn)用的淺表層快速加固處理技術(shù),雖然加固機(jī)理與真空預(yù)壓法相同,但處理對(duì)象是流動(dòng)狀、幾乎無(wú)承載力的吹填淤泥,這點(diǎn)有別于常規(guī)真空預(yù)壓法的處理對(duì)象,另外施工工藝方面也有著較大區(qū)別。通過(guò)在試驗(yàn)區(qū)的應(yīng)用情況,結(jié)果表明采用淺表層快速加固處理技術(shù)加固效果顯著并且較為合理經(jīng)濟(jì)。

(2) 人工神經(jīng)網(wǎng)絡(luò)對(duì)試驗(yàn)區(qū)經(jīng)過(guò)淺表層加固處理的淤泥的沉降量進(jìn)行擬合與預(yù)測(cè),利用Matlab編制出網(wǎng)絡(luò)相對(duì)應(yīng)的時(shí)序預(yù)測(cè)程序,相比傳統(tǒng)的預(yù)測(cè)方法,沒(méi)有假定沉降發(fā)展模式,最大限度地減少了人為因素造成的預(yù)測(cè)誤差。時(shí)序預(yù)測(cè)模型進(jìn)行短期預(yù)測(cè)時(shí),在訓(xùn)練樣本數(shù)即參與擬合的實(shí)測(cè)值個(gè)數(shù),BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)、傳遞函數(shù)及訓(xùn)練函數(shù)都相同的前提下,從前期訓(xùn)練看,RBF網(wǎng)絡(luò)的擬合精度極高,遠(yuǎn)遠(yuǎn)優(yōu)于擬合精度相差無(wú)幾的BP網(wǎng)絡(luò)與Elman網(wǎng)絡(luò);但從預(yù)測(cè)結(jié)果總體來(lái)看,Elman網(wǎng)絡(luò)的預(yù)測(cè)精度是最高的,其次BP網(wǎng)絡(luò),相對(duì)最差的是RBF網(wǎng)絡(luò)。可見(jiàn)Elman網(wǎng)絡(luò)的反饋型網(wǎng)絡(luò)結(jié)構(gòu)具有更好的時(shí)序預(yù)測(cè)能力。

[1] 唐弈生.天津新港真空預(yù)壓加固軟土地基典型工程總結(jié)[R].天津:交通部一航局科研所,1983.

[2] 張立明.人工沉降網(wǎng)絡(luò)的模型及其應(yīng)用[M].上海:復(fù)旦大學(xué)出版社,1993.

[3] 秦亞瓊.基于實(shí)測(cè)數(shù)據(jù)的路基沉降預(yù)測(cè)方法研究及工程應(yīng)用[D].長(zhǎng)沙:中南大學(xué),2008.

[4] 孟德光,岳祖潤(rùn),李敬平.灰色模型在軟土地基沉降預(yù)測(cè)中的應(yīng)用[J].國(guó)防交通工程與技術(shù),2004(4):51-54.

[5] 李長(zhǎng)冬,唐輝明,胡斌,等.小波分析和RBF神經(jīng)網(wǎng)絡(luò)在地基沉降預(yù)測(cè)中的應(yīng)用研究[J].巖土力學(xué),2008,29(7):1917-1922.

[6] 朱紅霞.神經(jīng)網(wǎng)絡(luò)模型在高速公路軟基沉降預(yù)測(cè)中的應(yīng)用[D].天津:天津大學(xué),2004.

[7] 葛哲學(xué),孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2007.

[8] Hecht-Nielsen R.Applications of counterpropagation networks[J].Neural Networks,1988,1(2):131-139.

.

(責(zé)任編輯：陳姣霞)

Shallow Surface Rapid Reinforcement Technology of Dredger Fill and ArtificialNeural Network Settlement Prediction Method

GONG Sheng
(ChinaRailwaySiyuanSurveyandDesignGroupCo.,LTD.,Wuhan,Hubei430063)

The author took the soft foundation treatment project of Haicang Port Area of Xiamen Port for an instance,and adopted reinforcement treatment by shallow surface rapid reinforcement technology based on the engineering characteristics of dredger fill in experiment plot.In the paper,it also introduced the technical ideas,mechanism of the technology and the difference with vacuum preloading method in detail,in order to evaluate the reinforcement effect.in the meantime,BP neural network,RBF neural network and Elman neural network timing prediction model program have been established by using MATLAB to predict and research the settlement after reinforcement in this plot.From the prediction results,the highest prediction accuracy is Elman neural network,the second is BP neural network,the relative worst is the RBF network.The feedback network structure of Elman makes it have better timing prediction capability.

dredger fill; settlement prediction; artificial neural network

2016-10-21;改回日期:2016-11-10

鞏勝(1986-),男,工程師,地質(zhì)工程專(zhuān)業(yè),從事地質(zhì)路基相關(guān)工作。E-mail:563856886@qq.com

P642

A

1671-1211(2017)02-0213-06

10.16536/j.cnki.issn.1671-1211.2017.02.019

數(shù)字出版網(wǎng)址:http://www.cnki.net/kcms/detail/42.1736.X.20170314.0820.006.html 數(shù)字出版日期:2017-03-14 08:20