基于反向传播神经网络的固化疏浚高岭土抗压强度预测

陈洁金; 李德坤; 胡敏; 张永杰

doi:10.3724/j.gyjzG25031203

基于反向传播神经网络的固化疏浚高岭土抗压强度预测

doi: 10.3724/j.gyjzG25031203

长沙理工大学土木工程学院, 长沙 410114

详细信息

作者简介:
陈洁金，博士，讲师，主要从事岩土隧道工程方面的研究。

通讯作者:
张永杰，博士，教授，主要从事交通岩土工程灾害致灾机理与智能监测方面的研究，zhangyongjie@csust.edu.cn。

计量
- 文章访问数: 13
- HTML全文浏览量: 5
- PDF下载量: 1
- 被引次数: 0
出版历程
- 收稿日期: 2025-03-12
- 网络出版日期: 2026-11-06

Prediction of Compressive Strength of Solidified Dredged Kaolin Based on a BP Neural Network

School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410114, China

摘要

摘要: 疏浚所得高岭土含水量高、压缩性大，直接用作堆场填料困难。为解决此问题，采用钙质砂、水泥和石灰对高岭土进行改良，并基于83组无侧限抗压强度试验结果，构建反向传播（BP）神经网络模型，以预测固化高岭土28 d无侧限抗压强度，从而根据预测结果选择优化配比。同时，将BP神经网络模型与传统线性回归模型进行对比分析。试验结果表明：三种材料联合使用能够显著提升高岭土的抗压强度。结合电镜试验可知，适量石灰（≤2%）促进了土壤颗粒致密化，钙质砂可以填充孔隙并进行碳酸钙沉淀，水泥生成水化产物可以形成致密蜂窝状或网状结构，共同提升土体力学性能。在模型预测方面，BP神经网络模型的均方根误差为142.515，拟合度高达0.985，而传统线性回归模型的均方根误差为154.203，拟合度为0.979，BP神经网络模型表现出更高的准确性。
- 高岭土改良 /
- BP神经网络 /
- 抗压强度 /
- 强度预测模型 /
- 预测误差
Abstract: The kaolin obtained by dredging exhibits high water content and compressibility， making it difficult to be used directly as a filling material. To address this problem， calcareous sand， cement， and lime were used to stabilize the kaolin. Based on the results of 83 groups of unconfined compressive strength tests， a backpropagation （BP） neural network model was developed to predict the 28-day unconfined compressive strength of the solidified kaolin， and the optimal mix proportion was selected according to the predicted results. The BP neural network model was also compared with a traditional linear regression model. The test results showed that the combined use of the three materials significantly improved the compressive strength of the kaolin. Scanning electron microscope （SEM） observations revealed that an appropriate amount of lime （≤2%） promoted the densification of soil particles， calcareous sand filled the pores and precipitated calcium carbonate， and the hydration products generated by cement formed a dense honeycomb or network structure， collectively contributing to the improvement of the soil's mechanical properties. In terms of model prediction， the BP neural network model yielded a root mean square error of 142.515 and achieved a coefficient of determination of 0.985， whereas the traditional linear regression model showed a root mean square error of 154.203 and a coefficient of determination of 0.979. This indicates that the BP neural network model provides higher prediction accuracy.
- kaolin stabilization /
- BP neural network /
- compressive strength /
- strength prediction model /
- prediction error

HTML全文

参考文献(24)

[1]	朱才辉，周小松，乔建伟，等. 孔内深层强夯法处理湿陷性黄土地基试验研究[J]. 自然灾害学报，2025，34（1）：217-229.
[2]	LEI H，CODJIA C E，FENG S，et al. Reinforcement treatment of dredging sludge using a novel method of electro-osmosis vacuum preloading[J]. Marine Georesources& Geotechnology，2025，43（1）：137-153.
[3]	雷华阳，包一琳，冯双喜. 真空预压联合碱渣处理疏浚淤泥加固效果及机理[J]. 岩土工程学报，2024，46（增刊2）：32-37.
[4]	周建，蒋熠诚，朱则铭，等. 电渗加固软土地基界面电阻理论与试验研究[J]. 岩土工程学报，2023，45（10）：1995-2003.
[5]	李雪刚，徐日庆，畅帅，等. 响应面法优化有机质软土复合固化剂配方[J]. 浙江大学学报（工学版），2014，48（5）：843-849.
[6]	LI J，ZHANG Z，LIU X，et al. Assessment on eco-solidified alkali residue reinforced soft soils for intelligent subgrade constructions[J]. Transportation Geotechnics，2025，51：101516.
[7]	唐昌意，刘文献，吴章平，等. 改进的海相淤泥搅拌桩成桩效果试验研究[J]. 工业建筑，2022，52（6）：156-161.
[8]	MA G，XIAO Y，HE X，et al. Kaolin-nucleation-based biotreated calcareous sand through unsaturated percolation method[J]. ACTA Geotechnica，2022，17：3181-3193.
[9]	孙悦，张文亮，张建鹏，等. 海水环境下硫酸盐侵蚀钙质砂注浆体试验研究[J]. 山东大学学报（工学版），2024，54（4）：122-130.
[10]	XUE Z，ZHANG W，ZHAO X，et al. Utilization of cement deep mixing pile for soft soil foundation：a malaysian case study[J]. Frontiers in Materials，2024，11：1484228.
[11]	孙海超，王文军，凌道盛. 低掺量水泥固化土的力学特性及微观结构[J]. 浙江大学学报（工学版），2021，55（3）：530-538.
[12]	ZHU F，LI Z，DONG W，et al. Geotechnical properties and microstructure of lime-stabilized silt clay[J]. Bulletin of Engineering Geology and the Environment，2019，78（4）：2354.
[13]	JEREMIAH J J，ABBEY S J，BOOTH C A，et al. Behaviour and microstructural characteristics of Lime-GGBS-Treated kaolin clay contaminated with gypsum[J]. Materials，2023，16（2）：874.
[14]	田维恒，王宁远，杨海华，等. 石灰掺量对分散性土工程性质的时效影响分析[J]. 科学技术与工程，2023，23（32）：13987-13994.
[15]	JI Q，JIA X，WANG Y，et al. Study on strength prediction and material scheme optimization for modified red mud based on Artificial Neural Networks[J]. Buildings，2024，14（11）：3544.
[16]	王海波. 基于贝叶斯神经网络的钢筋与混凝土黏结强度预测模型研究[J]. 工业建筑，2022，52（9）：87-93.
[17]	赵辉伟，邴慧. 基于超声波速的冻融盐渍土强度预测模型构建[J]. 冰川冻土，2024，46（2）：612-624.
[18]	刘海峰，刘浩天，李罗胤，等. 基于改进BP模型的沙漠砂混凝土高温后抗压强度预测[J]. 河南理工大学学报（自然科学版），2026，45（1）：179-188.
[19]	曲广雷，闫宗伟，郑木莲，等. 基于神经网络与回归分析的多孔混凝土性能预测[J]. 吉林大学学报（工学版），2025，55（1）：269-282.
[20]	旷杜敏，龙志林，周益春，等. 基于BP神经网络的岩土胶结材料速率敏感效应预测研究[J]. 岩土力学，2019，40（增刊1）：390-399.
[21]	韩纪晓，宁熙雯，安庆锋，等. 基于BP神经网络的纤维混凝土力学性能研究[J]. 工业建筑，2023，53（增刊2）：669-672.
[22]	中华人民共和国住房和城乡建设部. 土工试验方法标准：GB/T 50123—2019[S]. 北京：中国计划出版社，2019：717.
[23]	中华人民共和囯住房和城乡建设部. 建筑地基处理技术规范：JGJ 79—2012[S]. 北京：中国建筑工业出版社，2012.
[24]	王硕，唐正光，华伦. 基于BP神经网络的固化红土抗压强度预测[J]. 交通科学与工程，2024，40（2）：108-115.