閆 楠， 楊俊杰??

(1.中國海洋大學(xué)海洋環(huán)境與生態(tài)教育部重點實驗室，山東 青島 266100； 2.中國海洋大學(xué)環(huán)境科學(xué)與工程學(xué)院，山東 青島 266100)

?

海相軟土場地形成的水泥土劣化深度預(yù)測?

閆 楠1，2， 楊俊杰1，2??

(1.中國海洋大學(xué)海洋環(huán)境與生態(tài)教育部重點實驗室，山東 青島 266100； 2.中國海洋大學(xué)環(huán)境科學(xué)與工程學(xué)院，山東 青島 266100)

基于日照嵐山港濱海相軟土場地形成的水泥土的微型貫入試驗，采用BP神經(jīng)網(wǎng)絡(luò)建立了水泥土劣化深度的網(wǎng)絡(luò)模型來預(yù)測場地形成的水泥土的劣化深度。在模型建立過程中，將養(yǎng)護(hù)時間、水泥摻入比、養(yǎng)護(hù)條件、水泥種類、水泥強(qiáng)度等級、含水量及攪拌條件與水泥土劣化深度密切相關(guān)的7個參數(shù)引入到輸入層，用Visual Basic語言編制了以水泥摻入比和養(yǎng)護(hù)時間為主要輸入因素的計算程序，在樣本訓(xùn)練和學(xué)習(xí)過程中，程序可對比顯示實測和計算曲線。結(jié)果表明：水泥土劣化深度的預(yù)測結(jié)果與實測值較為吻合。說明運用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測水泥土劣化深度的方法是切實可行的。

海相軟土；水泥土；劣化深度；BP神經(jīng)網(wǎng)絡(luò)；微型貫入試驗

近年來由于氣候的改變[1]、環(huán)境的惡化、工業(yè)污染的加劇[2]、生活垃圾的增多、海水入侵[3]等因素的影響，使許多土地逐漸具有腐蝕性。此外，隨著發(fā)展的需要，跨海工程、海底隧道工程、港口和海岸工程的規(guī)模越來越大，而濱海相沉積軟土和吹填土等場地也具有不同程度的腐蝕性，以上場地都統(tǒng)稱為腐蝕性場地。長期處于腐蝕性場地中的加固體，會不可避免地受到腐蝕，發(fā)生力學(xué)性能降低、滲透性增大的劣化現(xiàn)象，大大降低水泥加固體的使用壽命[4-6]。

影響水泥土劣化深度(dN)的因素有很多，如土的物理力學(xué)特性、水泥種類、齡期、水泥摻入比、養(yǎng)護(hù)環(huán)境(針對本文，包括室內(nèi)海水養(yǎng)護(hù)、室內(nèi)原土養(yǎng)護(hù)、室內(nèi)不同壓力養(yǎng)護(hù)及現(xiàn)場養(yǎng)護(hù)等)。目前絕大多數(shù)學(xué)者通過室內(nèi)試驗[7-8]和現(xiàn)場試驗[9-16]等手段對水泥土的長期強(qiáng)度進(jìn)行研究，得到了水泥土的長期強(qiáng)度(無側(cè)限抗壓強(qiáng)度)隨時間的對數(shù)近似線性增長的特征。圖1為匯總后水泥土長期強(qiáng)度變化隨齡期的關(guān)系，而針對水泥土劣化深度的預(yù)測卻極為少見。M. Terashi等[9]研究了不同養(yǎng)護(hù)環(huán)境下(人工海水養(yǎng)護(hù)W、土壤養(yǎng)護(hù)S、標(biāo)準(zhǔn)養(yǎng)護(hù)C)2年內(nèi)水泥土攪拌樁樁體表面水泥土強(qiáng)度隨齡期的變化情況。試驗結(jié)果表明：由于Ca的淋溶作用，表層水泥土強(qiáng)度隨時間增長產(chǎn)生衰減現(xiàn)象；衰減強(qiáng)度是一個緩慢的過程，且強(qiáng)度衰減的范圍(劣化深度dN)與時間的對數(shù)近似呈線性關(guān)系。M. Terashi等[9]還提出一種劣化深度的計算方法(見圖2)：假設(shè)劣化深度范圍內(nèi)水泥土強(qiáng)度為零，未衰減部分水泥土強(qiáng)度等于標(biāo)準(zhǔn)養(yǎng)護(hù)時強(qiáng)度qu,c。根據(jù)式(1)～式(3)可求得劣化深度dN。

圖1 水泥土長期強(qiáng)度匯總[4]Fig.1 Summary of long-term strength of cemented soil[4]

圖2 水泥土強(qiáng)度衰減隨時間變化關(guān)系曲線[9]Fig.2 The curves of variation strength attenuation of cemented soil with time[9]

R2qu,w=r2qu,c，

(1)

R2qu,s=r2qu,c，

(2)

dN=0.5(R-r)。

(3)

式中：R為未發(fā)生劣化的水泥土直徑(mm)；r為未劣化部分直徑(mm)；dN為劣化深度(mm)；qu,w為海水養(yǎng)護(hù)條件下水泥土的無側(cè)限抗壓強(qiáng)度(MPa)；qu,s為土壤養(yǎng)護(hù)條件下水泥土的無側(cè)限抗壓強(qiáng)度(MPa)。

從圖2可以看出，土壤養(yǎng)護(hù)時的劣化深度dN較人工海水養(yǎng)護(hù)條件下的劣化深度小，在齡期為700d時，人工海水養(yǎng)護(hù)條件下的劣化深度達(dá)到約20mm，較土壤養(yǎng)護(hù)條件下的劣化深度增加約70%。同時，Ca含量的測試結(jié)果表明：水泥土試樣未劣化部分(試樣中央)的Ca含量為常數(shù)，試樣表層一定范圍內(nèi)的Ca含量顯著降低，說明發(fā)生了Ca淋溶現(xiàn)象，且淋溶作用范圍與劣化深度dN一致。

S. Saiton[7]通過室內(nèi)試驗研究了普通硅酸鹽水泥加固Yokohama黏土試樣強(qiáng)度隨齡期的衰減規(guī)律。水泥土試樣養(yǎng)護(hù)時間為5年，養(yǎng)護(hù)條件和M. Terashi等[9]的試驗相似。研究結(jié)果表明：水泥土劣化深度隨時間而增大；相同的養(yǎng)護(hù)時間，劣化深度隨著水泥摻入量的降低而增加，黏土養(yǎng)護(hù)條件下的劣化深度較海水養(yǎng)護(hù)時小。

圖3匯總了室內(nèi)試驗和現(xiàn)場實測的水泥土劣化深度和時間的關(guān)系曲線。從該圖可以看出，水泥土的劣化深度與時間的雙對數(shù)曲線近似成線性關(guān)系[17]，且其斜率均約為0.5，這為水泥土劣化深度的計算提供了理論依據(jù)。

圖3 水泥土劣化深度與時間的關(guān)系曲線[17]Fig.3 The curves of degradation depth of cemented soil with time[17]

由于影響水泥土劣化深度的因素較多，且各因素之間又會交叉影響，如何確定考慮其劣化深度至今仍然沒有得到很好的解決。人工神經(jīng)網(wǎng)絡(luò)法是以人工智能軟件為依據(jù)，通過對神經(jīng)元傳導(dǎo)過程進(jìn)行模擬，具有一定的理論基礎(chǔ)，適用于描述多因素的非線性復(fù)雜因果規(guī)律，比傳統(tǒng)方法有著明顯的優(yōu)勢，是確定水泥土劣化深度的一條嶄新途徑。

本文利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)預(yù)測水泥土的劣化深度。BP神經(jīng)網(wǎng)絡(luò)是一種比較成熟且應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)，它具有強(qiáng)大的非線性處理能力以及很強(qiáng)的學(xué)習(xí)和容錯能力，在巖土工程領(lǐng)域已經(jīng)得到較為普遍的應(yīng)用[18-22]。據(jù)此，介紹了確定水泥土劣化深度的構(gòu)造過程，用于描述水泥土在不同養(yǎng)護(hù)條件和養(yǎng)護(hù)時間等因素的劣化過程。從模型對訓(xùn)練和檢驗樣本的模擬結(jié)果可以看出，訓(xùn)練后的模型具有較高的學(xué)習(xí)精度和良好的泛化能力，對水泥土劣化深度的預(yù)測和室內(nèi)試驗結(jié)果相對誤差都在10%以內(nèi)，計算精度能夠滿足實際工程應(yīng)用。用BP神經(jīng)網(wǎng)絡(luò)來對水泥土劣化深度進(jìn)行預(yù)測是一種行之有效的方法，具有一定的工程意義。

1 BP神經(jīng)網(wǎng)絡(luò)的計算原理

人工神經(jīng)網(wǎng)絡(luò)是基于模仿人的大腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，它是由大量神經(jīng)單元構(gòu)成。雖然每個單元的運算很簡單，然而由于單元之間的相互作用使得整個神經(jīng)網(wǎng)絡(luò)成為一個復(fù)雜的非線性系統(tǒng)，它具有并行分布的信息處理結(jié)構(gòu)，不需要建立任何數(shù)學(xué)模型，通過對非線性函數(shù)的復(fù)合來逼近輸入到輸出的映射關(guān)系。由于神經(jīng)網(wǎng)絡(luò)本身就是一個模型，只需通過直接向樣本的學(xué)習(xí)、神經(jīng)元的模擬、記憶和聯(lián)想；另外，它還具有很強(qiáng)的容錯能力，能處理各種模糊的、非線性的、不精確并帶有噪聲的數(shù)據(jù)，能從有限的、有缺陷的信息中得到系統(tǒng)的近似最優(yōu)解，這是其它方法所不能比擬的[23-25]。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。三層BP網(wǎng)絡(luò)由輸入層、隱層和輸出層節(jié)點組成。三層BP網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 三層BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 Schematic diagram of three-layer BP network

對于輸入信號，先向前傳播到隱層節(jié)點，經(jīng)過作用函數(shù)后，再把隱層節(jié)點的輸出信息傳播到輸出層節(jié)點，最后得出輸出結(jié)果。

輸入層(Input Layer) 輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元。

隱層(Hidden Layer) 中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程。

輸出層(Output Layer) 顧名思義，輸出層向外界輸出信息處理結(jié)果。

當(dāng)實際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP算法的正向計算的過程如下[18，26-29]：

(1)輸入層節(jié)點i的輸出Oi等于其輸入xi，即Oi=xi。

(2)隱層節(jié)點j的輸入Ij和輸出Oj為

(4)

(5)

式中:wjl為隱層節(jié)點j與輸入層節(jié)點i之間的連結(jié)權(quán)值；θj為隱層結(jié)點j的閾值；f(x)為作用函數(shù)，是S形函數(shù)。

(3)輸出層節(jié)點l的輸入Il和輸出Oi為

(6)

(7)

式中：wjl為輸出層節(jié)點l與隱層節(jié)點j之間的連結(jié)權(quán)值；θl為輸出層節(jié)點l的閾值。

為了改進(jìn)輸出值靠近±1和0時學(xué)習(xí)效果則較差的問題，采用相對量形式定義的誤差函數(shù)代替通常所用的絕對量誤差函數(shù)：

(8)

總的誤差可以表示為

(9)

式中:ti為第i個樣本點的教師值；p為第p次訓(xùn)練。

權(quán)的修正應(yīng)使誤差E不斷減小，利用最速下降法，令網(wǎng)絡(luò)的權(quán)值沿E函數(shù)的負(fù)梯度方向改變。于是得誤差反向傳播的過程為：

(1)對于輸出層與隱層之間的連結(jié)權(quán)w有

wjl(k+1)=wjl(k)+ηδlOj。

(10)

(2)對于隱層與輸入層之間的連結(jié)權(quán)wij有

wij(k+1)=wij(k)+ηδjOi。

(11)

為了使訓(xùn)練加速收斂，在公式中考慮上一次權(quán)值修正對本次的影響，增加一項(稱為動量項)使權(quán)值變化得更平滑：

wj1(k+1)=wj1(k)+ηδ1Oj+
α[wj1(k)-wj1(k-1)]。

(12)

式中α為慣性系數(shù)，一般取值為0.7～0.9。

2 水泥土劣化深度神經(jīng)網(wǎng)絡(luò)模型的建立

本文采用的BP網(wǎng)絡(luò)模型由輸入層、隱層和輸出層構(gòu)成。按照劣化深度的模擬要求，輸入層單元的組成應(yīng)考慮影響水泥土劣化深度的主要相關(guān)因素。輸入層包含養(yǎng)護(hù)時間、水泥摻入比、養(yǎng)護(hù)條件(海水養(yǎng)護(hù)、原土養(yǎng)護(hù)、現(xiàn)場養(yǎng)護(hù))、水泥種類、水泥強(qiáng)度等級、含水量及攪拌條件等7個神經(jīng)元；輸出層只有一個神經(jīng)元，即劣化深度dN；隱層的層數(shù)和包含的單元數(shù)目，一般根據(jù)映射的復(fù)雜程度來確定。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型Fig.5 Model of BP neural network

3 模型的樣本及訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練是按照反向傳播學(xué)習(xí)算法進(jìn)行的?；镜挠?xùn)練步驟如下[18]：

(1)將已知樣本的輸入矢量的分量賦予輸入層的相應(yīng)單元；

(2)先假設(shè)各單元的初始權(quán)值和閾值，其中初始權(quán)值和閾值為隨機(jī)的小數(shù)，然后根據(jù)計算模型逐層計算每一層中單元的輸入和輸出，一直計算到輸出層；

(3)將輸出層的輸出與樣本提供的目標(biāo)輸出進(jìn)行比較，并計算(相對)誤差；

(4)根據(jù)誤差修正各聯(lián)結(jié)權(quán)的值。

對所有樣本，重復(fù)(1)～(4)的訓(xùn)練過程，直到總體誤差達(dá)到所希望的程度。

基于Matlab平臺，用Visual Basic語言編制了以水泥摻入比和養(yǎng)護(hù)時間為主要輸入因素的BP神經(jīng)網(wǎng)絡(luò)計算水泥土劣化深度的程序，程序由樣本訓(xùn)練階段和使用階段兩部分組成，計算框圖如圖6所示。

圖6 BP算法流程圖Fig.6 BP algorithm flow chart

4 試驗與預(yù)測結(jié)果及討論

4.1 試驗概況

本次試驗采用日照嵐山港的濱海相軟土作為試驗用土，水泥采用濰坊魯元建材有限公司生產(chǎn)的42.5#普通硅酸鹽水泥，試模選用直徑95mm、高105mm的500mL塑料燒杯。試驗分別以7%、10%、15%及20%的摻入比(水泥與原土的重量之比)將水泥直接摻入原土中制備水泥土試樣。水泥土試樣制備完成后不脫模立即放入海水中養(yǎng)護(hù)，僅試樣頂面暴露于海水中，養(yǎng)護(hù)時間分別為7、28、60、90、180和360d，對達(dá)到養(yǎng)護(hù)時間的試樣實施微型貫入試驗(見圖7)。利用文獻(xiàn)[30]中的方法確定水泥土的劣化深度。因為水泥土直接在腐蝕性環(huán)境中養(yǎng)護(hù)，所以，養(yǎng)護(hù)時間即為腐蝕時間。

圖7 微型貫試驗Fig.7 Photo of micro cone penetration test

4.2 水泥土劣化深度預(yù)測

用經(jīng)過訓(xùn)練的權(quán)值和閾值，預(yù)測水泥土的劣化深度。不同養(yǎng)護(hù)條件、不同養(yǎng)護(hù)時間及不同水泥種類的水泥土試樣都有由試驗結(jié)果得出的劣化深度，便于對比分析。在訓(xùn)練過程中可以根據(jù)不同的需要選擇不同的學(xué)習(xí)速率和訓(xùn)練精度等參數(shù)。對于養(yǎng)護(hù)條件、水泥種類、水泥強(qiáng)度等級及攪拌條件等此類定性變量須轉(zhuǎn)換成整數(shù)區(qū)間上的分布數(shù)字，然后再進(jìn)行歸一化處理。養(yǎng)護(hù)條件的賦值如下：海水養(yǎng)護(hù)—0，原土養(yǎng)護(hù)—1，現(xiàn)場養(yǎng)護(hù)—2。水泥種類賦值如下：普通硅酸鹽水泥—1，高抗硫酸鹽水泥—2，抗氯鹽水泥—3。水泥強(qiáng)度等級賦值如下：32.5級—1，42.5級—2，52.5級—3。攪拌條件賦值如下：攪拌機(jī)攪拌1min—1，攪拌機(jī)攪拌2min—2，攪拌機(jī)攪拌3min—3。通過水泥土室內(nèi)試驗數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬訓(xùn)練，訓(xùn)練過程中誤差曲線如圖8所示。模型經(jīng)過1245次訓(xùn)練后，誤差達(dá)到10-5，滿足訓(xùn)練精度的要求。網(wǎng)絡(luò)訓(xùn)練完成后應(yīng)用測試樣本對網(wǎng)絡(luò)的訓(xùn)練成果進(jìn)行檢驗，網(wǎng)絡(luò)的輸出進(jìn)行還原變換后即預(yù)測的結(jié)果。水泥土劣化深度的計算結(jié)果如圖9、10所示。通過將計算結(jié)果和實測結(jié)果進(jìn)行比較發(fā)現(xiàn)，本文建立的BP網(wǎng)絡(luò)模型能夠預(yù)測出在海相軟土場地形成的水泥土劣化深度隨水泥摻入比和養(yǎng)護(hù)時間的變化趨勢。預(yù)測值與實測值的相對誤差都在10%以內(nèi)，滿足實際工程應(yīng)用需求。

圖8 網(wǎng)絡(luò)訓(xùn)練誤差曲線圖Fig.8 Curve of the network training error

(a 摻入比為7%；b 摻入比為10%；c 摻入比為15%；d 摻入比為20%。a The cement ratio of 7%； b The cement ratio of 10%； c The cement ratio of 15%； d The cement ratio of 20%.)

圖9 不同水泥摻入比劣化深度預(yù)測結(jié)果與試驗結(jié)果比較
Fig.9 Comparison of prediction results with testing results of different cement ratio

圖10 不同養(yǎng)護(hù)時間劣化深度預(yù)測結(jié)果與試驗結(jié)果比較Fig.10 Comparison of prediction results with testing results of different curing time

從圖9不同的水泥摻入比劣化深度預(yù)測曲線和試驗曲線的對比，除水泥摻入比為7%的預(yù)測值較試驗值誤差較大，其它預(yù)測曲線與試驗曲線均具有較好的吻合度。究其原因，不僅與BP神經(jīng)網(wǎng)絡(luò)本身的泛化能力有關(guān)，而且試驗本身也有一定誤差，尤其是摻入比為7%的水泥土試樣，水泥參入量較低，水泥與土的反應(yīng)過弱，水泥固化程度低，劣化明顯，強(qiáng)度離散性也較大，而試驗設(shè)備的精度相同，因此摻入比越低的水泥土試樣相對誤差越大。如果隨著試驗樣本數(shù)量的增加，提高樣本的訓(xùn)練質(zhì)量，水泥土劣化深度的預(yù)測能力會越強(qiáng)，計算精度也將會提高。

從圖10可以看出，不同養(yǎng)護(hù)時間下水泥土劣化深度預(yù)測曲線與試驗曲線吻合較好。同樣，隨著摻入比的增加。水泥土劣化深度預(yù)測值與試驗值的相對誤差逐漸減小。BP神經(jīng)網(wǎng)絡(luò)模擬程序的計算精度取決于學(xué)習(xí)樣本的質(zhì)量和數(shù)量。在樣本較少的情況下，錯誤的樣本對系統(tǒng)誤差的影響比較大，隨著樣本數(shù)量的增加，在一定范圍內(nèi)計算精度將隨之提高。

5 結(jié)論

(1)基于BP神經(jīng)網(wǎng)絡(luò)方法，在輸入層中引入養(yǎng)護(hù)時間、水泥摻入比、養(yǎng)護(hù)條件、水泥種類、水泥強(qiáng)度等級、含水量及攪拌條件等7個影響水泥土劣化深度的主要參數(shù)作為神經(jīng)元，建立了合理的預(yù)測模型。同時程序以曲線的方式給出學(xué)習(xí)或預(yù)測結(jié)果，使大量的數(shù)據(jù)結(jié)果直觀化。

(2)運用BP網(wǎng)絡(luò)模型預(yù)測水泥土劣化深度的方法切實可行，是一種模擬計算水泥土劣化深度的有效方法。所得出的預(yù)測曲線，可用于推算水泥土的長期劣化深度。

(3)采用VB語言編寫的BP網(wǎng)絡(luò)模擬程序的計算精度取決于樣本的數(shù)量和質(zhì)量。隨著樣本數(shù)量的增加，錯誤的樣本對系統(tǒng)誤差的影響越來越小。

(4)影響水泥土劣化深度的因素很多，在實際應(yīng)用中可根據(jù)需要充分考慮各種因素的相互影響并結(jié)合本文的BP網(wǎng)絡(luò)模型，使得預(yù)測的精確度不斷提高。

[1] Kamon M, Ying C, Katsumi T. Effect of acid rain on Lime and cement stabilized soils [J]. Soils and Foundations, 1996, 36(4): 91-99.

[2] 張昆, 楊俊杰, 孫濤, 等. 水泥固化海水濕排粉煤灰的試驗研究 [J]. 湖南大學(xué)學(xué)報(自然科學(xué)版), 2008, 25(11): 63-69.

[3] 蘇喬, 徐興永, 于洪軍, 等. 萊州灣南岸海水入侵現(xiàn)狀評價 [J]. 海岸工程, 2009, 28(1): 9-15.

[4] 劉松玉，錢國超，章定文.粉噴樁復(fù)合地基理論與工程應(yīng)用[M].北京：中國建筑工業(yè)出版社， 2006.

[5] Hara H, Hayashi S, Suetsugu D, et al. Study on the property changes of Lime-treated soil under sea water [J]. Journal of Geotechnical Engineering C, JSCE, 2010, 66(1): 21-31.

[6] Ikegami M. Physical properties and strength of cement-treated marine caly after 20 years [C]. Japan: Proc of 57th Annual Meeting, JSCE. 2002.

[7] Saitoh S. Experimental study of engineering properties of cement improved ground by deep mixing method [D]. Tokyo: Nihon University, 1988.

[8] Kitazume M, Nakamura T, Terashi M, et al. Laboratory tests on long-term strength of cement treated soil [J]. Geotechnical Special Publication, 2002, 1: 586-597.

[9] Terashi M, Tanaka H, Mitsumoto T, et al. Fundamental properties of lime and cement treated soils(3rd) [R]. Japan: Report of the Port and Harbour Research Institute, 1983, 22(1): 69-96. (in Japanese)

[10] Yoshida. Long term strength on cement treated soils by shallow mixing method [C]. Japan: Proc. of 27th Japan National Conference on Soil Mechanics and Foundation Engineering, 1992.

[11] Inagaki T, Fukushima Y, Nozu M, et al. Quality of deep mixing column for organic clay under highway embankment after 10 years [C].Japan: Proc. of the 37th Japan National Conference on Geotechnical Engineering， 2002.

[12] Japan Cement Association. Long term stability of treated soils by a special cement-type hardening agent [C]. Tokyo: Japan Cement Association, 2002.

[13] Hayashi H, Nishikawa J, Ohishi K, et al. Field observation of long-term strength of cement treated soil [J]. Geotechnical Special Publication, 2003, 120(1): 598-609.

[14] L?froth H. Properties of 10-year-old lime-cement columns [C]. Stakholm： Proceedings of the International Conference on Deep Mixing, Best Practice and Recent Advances. 2005, 1: 119-127.

[15] Edstam T, Ekstrom J, Hallingberg A, et al. Testing of lime-cement columns in the G?ta River valley [C]. Swedish: XIV Nordic Geotechnical Meeting, 2004.

[16] Nilsson L. Axial strength distribution in lime-cement columns-a study on test columns in the G?ta River valley [D]. Sweden, Lule?: Lule? Technical University, 2005.

[17] Ikegami M, Ichiba T, Ohishi K, et al. Long-term properties of cement treated soil 20 years after construction [C]. Rottordam: Proceedings 16 th International Conference on Soil Mechanics and Geotechnical Engineering， 2005, 16(3): 1199-1202.

[18] 白曉宇, 張明義, 寇海磊, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的靜壓樁承載力時間效應(yīng)預(yù)測 [J]. 工程勘察, 2014(4): 7-11.

[19] 郭文兵, 吳財芳, 鄧喀中. 開采影響下建筑物損害程度的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型 [J]. 巖石力學(xué)與工程學(xué)報, 2004, 23(4): 583-587.

[20] Pradhan B, Lee S. Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models [J]. Environmental Earth Sciences, 2010, 60(5): 1037-1054.

[21] Shi J, Ortigao J A R, Bai J. Modular neural networks for predicting settlements during tunneling [J]. Journal of Geotechnical and Geoenvironmental Engineering, 1998, 124(5): 389-395.

[22] Jan J C, Hung S L, Chi S Y, et al. Neural network forecast model in deep excavation [J]. Journal of Computing in Civil Engineering, 2002, 16(1): 59-65.

[23] 張立明. 人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用 [M]. 上海: 復(fù)旦大學(xué)出版社, 1993.

[24] Yang Y, Zhang Q. A hierarchical analysis for rock engineering using artificial neural networks [J]. Rock Mechanics and Rock Engineering, 1997, 30(4): 207-222.

[25] 張向東, 董勝, 張磊, 等. 防波堤的人工神經(jīng)網(wǎng)絡(luò) Monte Carlo 法可靠性分析 [J]. 中國海洋大學(xué)學(xué)報(自然科學(xué)版), 2012, 42(4): 82-86.

[26] Ellis G W, Yao C. Stress-strain modeling of sands using artificial neural networks [J]. Jour Geotechnical Engineering, ASCE, 1995(5): 429-435.

[27] Xiating F, Yongjia W, Shizong L. Neural network estimation of slope stability [J]. Journal of Engineering Geology, 1995, 3(4): 54-61.

[28] Neaupane K M, Achet S H. Use of backpropagation neural network for landslide monitoring: a case study in the higher Himalaya [J]. Engineering Geology, 2004, 74(3): 213-226.

[29] Kanayama M, Rohe A, van Paassen L A. Using and Improving Neural Network Models for Ground Settlement Prediction [J]. Geotechnical and Geological Engineering, 2014, 32(3): 687-697.

[30] 楊俊杰, 孫濤, 張玥宸, 等. 腐蝕性場地形成的水泥土的劣化研究 [J]. 巖土工程學(xué)報, 2012, 34(1): 130-138.

責(zé)任編輯 龐 旻

Prediction of Deterioration Depth of Soil Cement Stabilized in Marine Soft Clay Site

YAN Nan1, 2, YANG Jun-Jie1, 2

(1. The Key Laboratory of Marine Environment and Ecology, Ministry of Education, Ocean University of China, Qingdao 266100, China; 2. College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China)

Based on the micro cone penetration test of cement-stabilized soil in the marine soft clay sites of Lanshan harbor of RiZhao, BP neural network is adopted to establish the deterioration depth of cement-stabilized soil of BP neural network model to predict deteriorated depth of cement-stabilized soil in the marine soft clay sites. In the process of modeling, curing time, cement ratio, curing condition, cement type, cement strength level, water content and stirring conditions which deterioration depth of cement-stabilized soil are closely related to the parameters are introduced into the input layer, a calculation program is compiled by the cement ratio and curing time as the main input factors with Visual Basic language, Both calculation curve and measured curve can be displayed by the program. The results of prediction coincide with measured values in the process of sample training and learning. It is shown that BP neural network model is feasible which used to predict deterioration depth of cement-stabilized soil in the marine soft clay sites.

marine soft clay；cement-stabilized soil；deterioration depth；BP neural networks；micro cone penetration test

國家自然科學(xué)基金項目(50779062)資助

2014-11-11；

2015-01-08

閆 楠(1982-)，女，博士生。E-mail：yannan0527@163.com

??通訊作者： E-mail：jjyang@ouc.edu.cn

TD853.34

A

1672-5174(2015)11-092-08

10.16441/j.cnki.hdxb.20140376