1. 沈阳大学建筑工程学院
2. 东北地质科技创新中心
3. 辽宁省环境岩土工程重点实验室
纸质出版:2026
移动端阅览
赵佃文, 杨春峰, 晏晓彤, 等. 优化算法对BP神经网络预测粗粒土渗透系数精度的影响[J]. 水电能源科学, 2026,44(4):38-42+32.
赵佃文, 杨春峰, 晏晓彤, et al. 优化算法对BP神经网络预测粗粒土渗透系数精度的影响[J]. 2026, 44(4): 38-42+32.
赵佃文, 杨春峰, 晏晓彤, 等. 优化算法对BP神经网络预测粗粒土渗透系数精度的影响[J]. 水电能源科学, 2026,44(4):38-42+32. DOI: 10.20040/j.cnki.1000-7709.2026.20250824.
赵佃文, 杨春峰, 晏晓彤, et al. 优化算法对BP神经网络预测粗粒土渗透系数精度的影响[J]. 2026, 44(4): 38-42+32. DOI: 10.20040/j.cnki.1000-7709.2026.20250824.
针对现有研究中PSO与GA算法优化BP神经网络对土壤渗透系数预测效果存在分歧的问题,以粗粒土渗透系数为研究对象,对比两种优化算法的性能差异,旨在明确算法选型对预测精度的影响。基于80组文献公开的粗粒土渗透试验数据并结合五折交叉验证方法,以全级配d10~d100与孔隙比作为输入变量,标准温度(20℃)下渗透系数作为输出变量,分别构建PSO-BP、GA-BP模型进行分析。试验结果表明,GA-BP模型在五折验证中表现最优,其平均绝对误差波动范围为0.004 5~0.012 2
R
2
最高达0.995 66
显著优于BP、PSO-BP模型,尤其在高渗透系数样本预测中展现出更强的稳定性和适应性。研究验证了GA-BP模型在粗粒土参数反演中的独特优势,揭示了优化算法性能对土体类型的依赖性,可为同类工程场景的模型选择提供依据。
Fei Yan,Zhibin Lin,Xingyu Wang,Fardad Azarmi,Konstantin Sobolev.Evaluation and prediction of bond strength of GFRP-bar reinforced concrete using artificial neural network optimized with genetic algorithm[J].Composite Structures,2017.
朱崇辉,刘俊民,王增红.粗粒土的颗粒级配对渗透系数的影响规律研究[J].人民黄河,2005(12).
刘建坤,于钱米,刘景宇,王冬勇.细粒土不均匀分布对粗粒土力学特性的影响[J].岩土工程学报,2017(03).
李祚泳,汪嘉杨,郭淳.PSO算法优化BP网络的新方法及仿真实验[J].电子学报,2008(11).
谢定松,蔡红,魏迎奇,李维朝.粗粒土渗透试验缩尺原则与方法探讨[J].岩土工程学报,2015(02).
李文波.粗粒土渗透特性影响因素及渗透规律试验研究[J].价值工程,2013(36).
徐文硕,李克升,陈龙霄,宋贵磊,耿雨晗,刘传孝.基于BP神经网络的重塑盐碱土冻融后渗透性预测[J].山东农业大学学报(自然科学版),2021(05).
杨建林,贺傅江山,吴琨营,冯若强.基于遗传算法的自由曲面单层空间结构网格参数化自动生成及方向优化[J].建筑结构,2024(11).
韩立炜,陈明.基于神经网络模型胶凝砂砾石渗透性能研究[J].水电能源科学,2024(03).
0
浏览量
133
下载量
CSCD
关联资源
相关文章
相关作者
相关机构