关键词:
土水特征曲线
特征值
塑性指数
干密度
敏感性分析
机器学习
数据挖掘
摘要:
影响土水特征曲线的因素很多,探讨非饱和土赋存环境中各因素的作用特征和主导因素的影响机理显得尤为重要.以已有试验曲线及大量数据为基础,采用数理统计分析和机器学习方法,以土水特征曲线的3个特征值(进气值、减湿速率、残余含水率)为切入点,分析不同影响因素对曲线特征值的敏感性程度及影响机理,并开展基于遗传神经网络的预测研究.研究结果表明:(1)根据Spearman相关系数结果,至少有8个影响因素与上述3个特征值存在不同程度的相关性;(2)结合偏相关及机器学习分析,塑性指数与干密度无论对进气值、减湿速率或是残余含水率都发挥着主导性作用,颗粒级配的影响排在第三位,且有效粒径d_(10)的作用最明显;(3)相同影响因素对不同特征值的作用程度也存在差异性,塑性指数对减湿速率、进气值和残余含水率的影响均较大;干密度对进气值的作用要略大于其对残余含水率的影响;颗粒级配对残余含水率的影响最大,对减湿速率的影响最弱;干湿循环主要对进气值和减湿速率有一定影响;(4)获得了3个特征值受干密度、塑性指数共同影响下的分布规律,并针对不同种类土给出了各特征值的参考范围;(5)基于BP神经网络优化后的GA-BP神经网络模型,对多因素共同影响下土水特征曲线特征值的预测效果良好,可有效反映土体持水性能的演变特征.