【摘要】：考虑到砂土液化的特点，本文采用的是三层BP神经网络预测。由于影响砂土液化的因素很多，输入层元素越多，并不跟结果精确度成正比，且增加学习时间。对砂土液化的数值评价处理可分为两个标准：液化取1，不液化取0。建立一个5×n×1的神经网络模型，采用了Sigmoid函数并适当地提取、调整了部分数据，对训练数据进行交叉验证。
2 砂土液化评价BP神经网络模型的建立
考虑到砂土液化的特点，本文采用的是三层BP神经网络预测。本文只选取震级（M）、SPT值即标准贯入锤击数（N63.5，击）、上覆有效压力（
，kPa），以及黏粒含量（F，％）和砂土平均粒径（D50，mm）5个指标，即输入层的神经元节点数为5。选取该五层输入层主要基于以下原因：地震强度越大，地面加速度越大，在相同条件下饱和砂土层越容易被液化；上覆土层厚度和透水性也会影响液化；土性条件中黏粒含量和砂土本身粒径对液化影响较明显［6～9］。由于影响砂土液化的因素很多，输入层元素越多，并不跟结果精确度成正比，且增加学习时间。故只采取了这三种主要影响因子中的部分元素作为试验数据输入层元素。
对砂土液化的数值评价处理可分为两个标准：液化取1，不液化取0。建立一个5×n×1的神经网络模型，采用了Sigmoid函数并适当地提取、调整了部分数据，对训练数据进行交叉验证。希望通过神经网络的学习，能够模拟出希望的或是实际的输入输出关系。
总共30个样本进行神经网络模拟，20组为学习样本，10组为检验样本，针对这些数据，调整神经网络的系数来获得最吻合的输出数。具体数据见表1。数据来源于参考文献［10］，模块采用东南大学胡伍生教授的神经网络模块。
表1 训练样本评价指标值
根据以上参数得出了拟合结果见表2，最大误差为0.29，最小为0.02，与实际数据基本吻合。
表2 预测结果与实际结果的比较评价
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
