Page 109 - 2023年第54卷第9期

测模型 ５６％的预测值误差大于 ０．５ｃｍ，３４％的预测值误差大于 １．０ｃｍ，９．８％的预测值误差大于 ２．０ｃｍ。
而 ＷＯＡ － ＢＰ神经网络预测模型 ９９．６％的预测值误差在［０，０．５］ｃｍ区间内，７３．３％的预测值误差小于
０．１ｃｍ。综上，ＷＯＡ － ＢＰ神经网络预测模型能够较好地预测冻土冻结深度变化，预测误差较小，预测
曲线发展趋势与原曲线一致，可以为寒区堤防建设提供基础数据与理论参考。

６ 结论

借助室内设计的太阳辐射模拟器开展考虑辐照影响的物理边坡模型试验，探究了寒区堤防冻结深
度随温度、未冻水、太阳辐射热等因素变化的规律，并建立了 ＢＰ神经网络预测模型和 ＷＯＡ － ＢＰ神经
网络预测模型，与数值计算冻结深度的方法对比。得出以下结论：（１）太阳辐射模拟器的引入更为逼
真模拟探究黏土冻融深度变化规律。将太阳辐射模拟器应用至冻融试验中，并设置对照组和试验组，
在试验中增加了太阳辐射这一影响因素，可以更全面、准确地模拟黏土冻融循环时的外界环境，探究
影响黏土冻融深度变化的因素。受太阳辐射的影响，试验组的缓慢冻结阶段持续时间更长，正向融化
阶段开始时间更早。反向融化阶段融化速率更大，曲线斜率更大。更接近实际情况下的黏土冻结 － 融
化过程，对试验探索冻土冻融作用具有积极意义。（２）基于 ＷＯＡ － ＢＰ神经网络的黏土冻融深度预测模
型预测最大冻深的相对误差为 ０．１７％，为本文中 ４种预测方式中最优。与物理边坡模型试验所得最大
冻深值相比，ＢＰ神经网络预测模型相对误差为 ５．９８％，Ｓｔｅｐｈｅｎ公式计算相对误差为 ３１．８０％，改进
Ｓｔｅｐｈｅｎ公式预测相对误差为 １１．８６％。基于 ＷＯＡ － ＢＰ神经网络的黏土冻融深度预测模型预测最大冻深
精准度更高。（ ３）ＷＯＡ － ＢＰ神经网络预测模型较 ＢＰ神经网络预测模型相对误差减小了 ９０．６７％。与试
验实测值相比，预测误差更小。建立基于 ＢＰ神经网络和 ＷＯＡ － ＢＰ神经网络的融化深度、冻结深度预
测模型，并与 Ｓｔｅｐｈｅｎ公式和改进 Ｓｔｅｐｈｅｎ公式对比。ＷＯＡ － ＢＰ神经网络预测模型的预测误差平均值小于
０．５ｃｍ，ＷＯＡ － ＢＰ神经网络预测模型比 ＢＰ神经网络预测模型预测精度高，预测误差小，预测效果更
好。本文提出的 ＷＯＡ － ＢＰ神经网络预测模型为定量描述寒区堤防冻土冻深变化提供了一种新方法，
能够为寒区堤防工程建设提供基本参考。

参 考 文 献：

［ １］ 龚强，晁华，朱玲，等．东 北 地 区 地 温 和 冻 结 深 度 时 空 特 征 的 细 化 分 析 ［Ｊ］．冰 川 冻 土，２０２１，４３（６）：
１７８２ － １７９３．
［ ２］ 杨震，冀鸿兰，李超，等．冻融作用对岸坡土体宏微观特性及岸坡稳定性影响研究［Ｊ］．水利学报，２０２３，
５４（６）：７０６ － ７１６，７３８．
［ ３］ 柯丽萍，时志宇．堤防设计中堤基设防深度探讨［Ｊ］．内蒙古水利，２０１０（４）：２．
［ ４］ 崔托维奇．冻土力学［Ｍ］．张长庆，朱元林，译．北京：科学出版社，１９８５．
［ ５］ 高荣，韦志刚，董文杰，等．２０世纪后期青藏高原积雪和冻土变化及其与气候变化的关系［Ｊ］．高原气象，
２００３，２２（２）：１９１ － １９６．
［ ６］ 王澄海，靳双龙，吴忠元．估算冻结（融化）深度方法的比较及在中国地区的修正和应用［Ｊ］．地球科学进
展，２００９，２４（２）：１３２ － １４１．
［ ７］ ＮＥＬＳＯＮＦＥ，ＯＵＴＣＡＬＴＳＩ．Ａｆｒｏｓｔｉｎｄｅｘｎｕｍｂｅｒｆｏｒｓｐａｔｉａｌｐｒｅｄｉｃｔｉｏｎｏｆｇｒｏｕｎｄ － ｆｒｏｓｔｚｏｎｅｓ［Ｃ］??Ｐｅｒｍａｆｒｏｓｔ －
ＦｏｕｒｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＰｒｏｃｅｅｄｉｎｇｓ．ＷａｓｈｉｎｇｔｏｎＤＣ ：ＮａｔｉｏｎａｌＡｃａｄｅｍｙＰｒｅｓｓ，１９８３．
［ ８］ ＮＥＬＳＯＮＦＥ，ＡＮＩＳＩＭＯＶＯＡ，ＳＨＩＫＬＯＭＡＮＯＶＮＩ．Ｃｌｉｍａｔｅｃｈａｎｇｅａｎｄｈａｚａｒｄｚｏｎａｔｉｏｎｉｎｔｈｅｃｉｒｃｕｍ － Ａｒｃｔｉｃ
ｐｅｒｍａｆｒｏｓｔｒｅｇｉｏｎｓ［Ｊ］．ＮａｔｕｒｅＨａｚａｒｄｓ，２００２，２６：２０３ － ２２５．
［ ９］ 张中琼，吴青柏．气候变化情景下青藏高原多年冻土活动层厚度变化预测［Ｊ］．冰川冻土，２０１２，３４（３）：
５０５ － ５１１．
［１０］ 苏联科学院西伯利亚分院冻土研究所．普通冻土学［Ｍ］．郭东信，刘铁良，张维信，等译．北京：科学出
版社，１９８８．
［１１］ 徐!祖，傅连弟．根据修正的斯蒂芬公式确定多年冻土最大季节融化深度［Ｃ］??青藏冻土研究论文集．北

１
— １ １ ９ —