对土壤反应研究,这种方式更快速更廉价!

   自动化那些事        

细粒土对膨胀和收缩问题的敏感性对基础设施的安全设计、施工和维护至关重要。然而,土壤反应的量化和岩土性质的测量既费时又昂贵,还涉及破坏试验。因此,有必要建立可靠的预测模型,根据快速、廉价、无损的试验结果计算膨胀率。该研究应用三层前馈神经网络(ANN-TFN)对细粒土的膨胀率进行了预测,并与多元回归(MR)的预测结果进行了比较。


总体而言,所建立的三层前馈神经网络模型(ann - tfn1 -6)的预测性能显著高于多元回归模型和简单回归模型。此外,使用Levenberg Marquardt作为训练参数和tan sigmoid作为传递函数更适合于该问题的良好预测性能。因此,该研究的结果表明,使用ANN-TFN模型来确定细粒土的膨胀率是一种很有前途的方法,可以提高在土壤工程工作中做出准确决策的信心。本文以“Application of Artificial Intelligence for Prediction of Swelling Potential of Clay-Rich Soils”为题于2020年6月28日发布于《Geotechnical and Geological Engineering》杂志上。

对土壤反应研究,这种方式更快速更廉价!


研究背景与实验


作为地基物质的细粒土的工程性能受地区的地质和气候状况、土壤的总含水量和结合能的影响很大。细粒土最关键的岩土工程挑战是识别和评价其收缩和膨胀问题的易损性;因为不同的土壤膨胀和收缩的速度不同,这取决于土壤中膨胀矿物的含量。例如,粘土材料具有相当大的膨胀和收缩程度,而砂和砾石则有轻微的收缩。


因此,除非确定和考虑得很好,否则土壤膨胀问题可能会引起地基的扰动,从而导致道路、建筑、管道和其他轻载结构的损坏。在美国,每年因土壤膨胀行为造成的损失估计为23亿美元,80年代中期向苏丹提供600万美元, 1.5亿美元在英国,至少400万美元在南非。


因此,工程结构的详细设计需要在工程应用的最初阶段对细粒土的岩土属性进行合理而有信心的预测,以避免或最小化工程建设和维护过程中不必要的费用和延误。在这方面,必须作出更多的努力来充分表征细粒土的特性,以确定它们的共同特性并为它们的行为制定一个通用模型。土壤粒径分布、稠度限值和密度等简单的指标性质可以很容易地评估,并为土壤的工程分类提供充分的信息。此外,还有一些现场和实验室测试技术来确定土壤的膨胀潜力和量化预期体积变化的大小。


然而,它们的应用需要大量的时间,金钱和有害的测试。另一方面,细粒土的指数特性与膨胀势之间的相互作用,仅用简单的统计方法难以识别;因为,他们有相互依赖和复杂的关系。因此,需要建立可靠的膨胀率(S %)与试验参数之间的相关性预测模型,使膨胀率与试验参数之间的相关性涉及时间短、资金少、对样品没有损害,另一方面可以在工程结构设计的初步阶段提供有价值的信息。


人工智能技术作为科学和工程各个领域的数据处理和分析的替代方法正在显示出相当程度的成功。这些技术灵活、动态,对不确定性有很大的容忍度,这使得它们在处理复杂问题时更有吸引力。


在该研究中,来自4个地点的160个细粒土壤样本,从0.5~5 m的深度采集,进行实验室测试。这些试验包括液限、塑性极限、级配和膨胀率试验。

对土壤反应研究,这种方式更快速更廉价!


图为收集样本的地点


该研究利用matlab 2015b中的“曲线拟合工具”绘制了S的MR模型所得到的观测值与模拟值之间的相关关系,并计算了RMSE、SSE、R等性能指标。

对土壤反应研究,这种方式更快速更廉价!


图为MR模型预测与实验测定S%值的相关性


NN是一个计算智能系统,其设计方式是将其进程传播到许多相对较小的处理器中,对于这些处理器,可以构造简单的硬件计算机,以便以经济的方式实现本来几乎不可能的事情。

对土壤反应研究,这种方式更快速更廉价!


图为用于神经网络训练的神经网络体系结构

对土壤反应研究,这种方式更快速更廉价!


图为AN-TFN模型膨胀率预测值与实测值的比较


百分比为单位的液限值与塑性图上的塑性极限值相对应,如图所示。结果表明,约68%的试样位于A线塑性图下,32%的试样位于A线上方。A线通常将更多类似粘土的材料与更硅质的材料分开。

对土壤反应研究,这种方式更快速更廉价!


图为显示在该研究中所检验的土样的分组,根据它们的一致性极限

对土壤反应研究,这种方式更快速更廉价!


图为该研究中使用的样品膨胀百分比值频率的图表

对土壤反应研究,这种方式更快速更廉价!


图为模型2目标输出线性回归图

对土壤反应研究,这种方式更快速更廉价!


图为模型3目标输出线性回归图


在图中说明了MR、ANN-TFN3和ANN-TFN2预测值的残差与实验观测值之间的差异。这表明,在所有模型中,ANN-TFN 2和AN-TFN3分别表现出最高和较高的预测能力。

对土壤反应研究,这种方式更快速更廉价!


图为从所观察到的变量看MR、ANN-TFN 2和ANN-TFN3模型估计的变量之间的差异


研究结论


该研究以黏土、细粉、液体极限、塑性极限、塑性指数和活度为预测细粒土膨胀潜力的输入参数。研究者尝试在膨胀百分比和输入参数之间创建简单回归、多重回归和ANN-TFN原型。


而单纯回归得到的R2最大值为0.5,多元回归得到的R2最大值为0.51,说明该问题的预测效果较差。在已开发的六个ANN-TFN原型中,型号2和3 (ANN-TFN 2 &ANN-TFN 3)的预测性能分别最高和较高。ANN-TFN 2的性能指标分别为1.529 (RMSE)、369.3 (SSE)、0.80 (R2)和0.798 (AR2)。ANN-TFN 3的RMSE为1.539,SSE为374.4,R2为0.794,AR2为0.793。


这两种模型的高预测性能都是利用隐含层和输出层的tan-sig传递函数得到的。对于其他性能较差的ANN-TFN模型,在其输出层中使用pure-lin作为传递函数。这表明,tan-sig作为传递函数比pure-lin更适合该问题中模型的良好预测性能。


综合来看,利用细土指标性质较易确定的三层前馈神经网络(ANN-TFN)模型的预测效果优于多元回归和简单回归分析。由此可以得出结论,应用ANN-TFN模型,与Levenberg马夸特医生训练算法和tan-sig激活功能,是一种很有前途的方法估算土壤膨胀的粘土比例肥沃情况紧急时,金融约束和其他因素阻碍全面承担岩土调查。


参考文献:Birhanu Ermias & Vikram Vishal Application of Artificial Intelligence for Prediction of Swelling Potential of Clay-Rich Soils  Geotechnical and Geological Engineering 6189–6205(2020



最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐