基于极限学习机在土层承载力预测的可行性研究

【摘要】：基础设施建造过程中,承载力的确定在工程设计中起着至关重要的作用。进一步改善工程设计的潜力在于提高承载力模型的精度。实际工程中,原位试验耗时费力且无法适用于既有建筑的后期检测;经验公式或数值方法受地质背景约束大,且准确性有待考究。新兴的机器学习方法对这种具有耦合性质的预测问题提供了一种可行的解决方案。本文首次采用极限学习机(ELM)预测土层承载力,通过室内及现场原位试验得到140组有效数据,以含水率、密度、比重、孔隙度、液性指数、塑性指数、压缩系数、压缩模量作为输入向量进行训练分析,以得到最佳模型。对比BP神经网络(BPNN)在承载力预测中的表现,得出ELM算法的预测性能较好,计算速度较快。基于以上结果,认为ELM算法能够准确预测土层承载力,相关系数可达0.921 3,为工程应用中承载力的确定提供了一个新的解决思路。