工程废弃土本身强度低、工程性质很差，若要将其经固化处理后变成固化土，其力学性质将会发生巨大改变。通过分析固化土的抗压强度与剪切变形等的变化规律，可以从宏观角度对废弃土的固化机理进行一定程度的推断。同时，对室内试验结果进行分析，有助于深入了解固化土的稳定性、强度与耐久性。传统的强度预测方法有经验公式法和统计回归法，这两类方法通常受到制样的规范性和试验数据量的制约，易导致预测精度不足，无法应用于工程实际。BP神经网络技术具有有效处理复杂非线性关系的特点。如将人工神经网络引入到固化土强度预测上，可很好地弥补这些不足，从而为固化土强度预测提供新方法和思路。
1. BP 神经网络原理及模型构建
1.1 神经网络原理和结构
神经网络作为一种模仿生物神经结构和功能而设计的人工智能算法，由大量人工神经元组成，通过神经元间的连接和信号传递来进行信息处理。近年来在图像识别、计算机视觉、工业制造、交通运输等各个领域都取得了显著的进展和广泛的应用。BP神经网络是基于误差反向传播算法的人工神经网络，模拟人脑神经元连接和信息传递，由输入层、隐藏层和输出层构成。本研究中输入层接收固化剂掺量和养护龄期等数据；隐藏层处理和提取特征；输出层产生固化土无侧限抗压强度结果。
2.2 模型构建
为分析同固化剂掺量和养护龄期变化对抗压强度的影响，选择水泥掺量、粉煤灰掺量、无水氯化钙掺量、萘系减水剂掺量、聚乙烯醇纤维和养护龄期6个因素作为外部变量，而淤泥软土的抗压强度为唯一输出量。通过多次试算隐含层神经元个数分别为4、5、6、7后，可以发现个数为6时相关系数R最接近1，均方误差最接近0，此时模型预测性能最优。据此，建立了输入层变量为6、隐含层节点为6、输出量为1的单隐含层BP神经网络模型。
3. 固化土强度预测及分析
3.1 模型预测结果分析
表1给出了计算模型预测值和试验实际值的绝对误差和相对误差情况。其中，绝对误差为模型预测值和试验实际值之间的差值，相对误差为绝对误差与试验实际值之间的比值。
从表1中可看出：固化土抗压强度预测中的误差绝对值最大为96.74 kPa，相对误差10.36 %；绝对误差最小值23.73 kPa，相对误差为1.38%，平均相对误差为6.91%，满足工程精度要求。这表明该模型对固化土无侧限抗压强度预测效果较好，可应用于实际工程的固化土无侧限抗压强度预测中。
表1 测试集数据误差分析
3.2 强度预测结果分析
表2给出了不同固化剂掺量和养护龄期对固化土强度影响的权重贡献和权重贡献率预测结果。从表2中可看出：养护龄期对权重贡献率最大，达到29.078%；水泥、粉煤灰、萘系减水剂、无水氯化钙、聚乙烯醇纤维的掺量对BP模型的权重贡献率依次为27.612%，19.764%，10.686%，15.035%和-2.175%，说明五种材料中水泥掺量对BP网络模型中的抗压强度影响最大，粉煤灰其次之；按影响占比大小排序为养护龄期＞水泥掺量＞粉煤灰掺量＞无水氯化钙掺量＞萘系减水剂掺量＞聚乙烯醇纤维掺量。说明水泥作为主固化剂，其水化产物形成固化土骨架结构，贡献最大。粉煤灰促进后期强度增长，无水氯化钙在水化反应中起催化作用但过量有负面影响，萘系减水剂有利于改变水泥颗粒表面性质从而提高固化土的强度；聚乙烯醇纤维的掺入可在固化土中形成网络结构从而增强土体，但效果相对较弱。
表2 预测模型权重和权重贡献率
4. 结 论
通过BP神经网络技术建立固化土强度预测模型，对正交实验室内试验数据进行BP模型的训练和学习，获得不同固化材料和养护龄期下固化土强度指标的权重贡献和权重贡献率。结果表明：正交试验中得到数据集进行训练，并在此基础上进行BP模型的训练和学习。结果表明，BP模型对于固化土强度预测有着良好的适应性，预测值与测试值相差较小，能够满足实际工程需要；通过各因素的权重贡献和权重贡献率的对比分析。得出模型输出量影响最大的是养护龄期，固化材料种类对固化土无侧限抗压强度的影响大小依次为：水泥＞粉煤灰>无水氯化钙>萘系减水剂>聚乙烯醇纤维。
