人工神經網絡在砂土液化判別及震陷預估中的應用.pdf

1、南京工業(yè)大學碩士學位論文人工神經網絡在砂土液化判別及震陷預估中的應用姓名：李方明申請學位級別：碩士專業(yè)：巖土工程指導教師：陳國興20050101摘要摘要地震作j|】造成的砂上液化及液化性震陷，會給建筑物造成難以修復的破壞。地震tlJ工程建設場地是夼會液化發(fā)生液化的叮能性有多大以及液化的后果如何這是r程勘察部門需要回答的問題，也是工程場地地震安全性評價：[作的重要內容之。砂土液化及其震陷『佝發(fā)生、發(fā)展是一個復雜的過程，其影響因素很多，各因

2、素之問呈高度的非線性關系。傳統(tǒng)的砂二E液化預測方法大多數是在宏觀震害現象和室內試驗基礎j二總結、分析得到的，存在著一定的局限性，其預測々歧千i待提商：J阿人I：III經網坌足一種多冗=m線性動力學系統(tǒng)，具有良好的自適應。勝、f組l磐呲硐l緞強的盼學習、聯想、容錯、抗干擾能力，可以靈活方便地對多成問的復雜朱知系統(tǒng)進行J高度建模，I，J以實現全麗考慮各種因素的砂土液化判劇及艘陷測。以岡內外25次火地震的眾多實測液化資料為基礎，經LVQ分類神

3、經嘲絡分類后的有效液化資料為樣本，以描述地震動特性、砂土層埋減環(huán)境和砂土物理力。乒1：能的11個指標的小同組合為輸入變量，采用BP神經網絡(1M算法和快速BP算法)、RBF神經網絡(廣義剛歸神經網絡newffrnn算法和概率神經網絡newpnn竹法)平遺f‘神經嘲絡((；^肌)，建立了砂土液化預測模型，通過所建網絡模型的訓練、驗證、應用和比較表明：①BP神經網絡液化預測模型有較高的預測精度，其預測精度與模型的輸入變量的不同組合有關，LM

4、算法的計算速率比快速BP算法快得多：②增加BP神經網絡模型的節(jié)點不～定能夠提高網絡模型的預測正確度；③以經LVQ分類后的樣本為學習樣本，BP模型、GA—BP模型和RBF模型的液化判別成功率相差不大，四參數的LM算法的BP模型法和RBF概率模型法的液化判別成功率最高。以Ⅲ內外25次火地震中的344l：『l場地液化實洲資荊為艱礎，通過I刪神經州絡?！恢輋內訓練利檢驗，分析了修ni標貫，|_l數(Ⅳ，)。與飽刷砂上抗液化強度之叫的非線性關系，

5、建立了飽和砂土液化極限狀態(tài)曲線或抗液化強度臨界曲線經驗公式，經統(tǒng)計分析，給出了液化和非液化的概率密度函數及抗液化安全系數與液化概率之問的經驗公式，導出了具有概率意義的飽和砂土抗液化強度經驗公式。當液化概率水平為50％時，即等價于傳統(tǒng)的確定性砂土液化判別，該方法預測液化和非液化的可靠性分別為904％和812％，具有較高的可靠性。本文提出的砂土液化概率判別方法，使：L程場地的砂土液化概率判別如I同確定性砂土液化判別一樣簡幣、方便，從而使砂土