地震灾害资料表明,强震区工程结构破坏的主要因素是饱和砂土液化所造成的地基大变形,其中包括侧向变形和竖向沉降。地震液化大变形的发生与发展是一个非常复杂的过程,目前对其研究历史较短,且主流的预测公式大多是基于场地实测资料回归得到的经验公式,不能很好的体现大变形与场地参数之间的非线性关系。此外,大多场地资料通过标准贯入试验(SPT)获取,但是测试参数单一,不连续,取样点离散度高,不利于液化场地大变形的精确预测。多功能孔压静力触探(Piezocone Penetration Testing,简称CPTU)技术作为一种新型的原位测试方法,具有测试连续、精度高、快速有效方便等特点,在液化场地资料评价方面具有明显优势。人工神经网络是一种多元非线性系统,在处理非线性关系时有以下优点:自适应性强、自组织性好、良好的自学习能力、联想、容错、抗干扰能力。因此,神经网络可以灵活地对多参数的复杂末知系统进行建模,从而实现考虑各种参数的场地液化大变形预测。本文的主要研究内容如下:(1)通过国内外文献阅读,综述大变形计算方法国内外研究现状,其中包括常规预测方法、基于CPTU的大变形预测方法和基于人工神经网络的大变形预测方法,对其进行分析,并研究神经网络在预测方面的可行性,突出神经网络在对非线性关系拟合过程中所具有的典型优势。(2)总结现有的基于CPTU测试参数的典型液化场地大变形预测方法,并对其进行分析,提出存在的问题,引入基于CPTU测试参数的液化场地大变形神经网络预测模型。以宿新高速公路可液化场地实测参数与CPTU测试资料为基础,建立场地ABAQUS有限元分析模型,预测场地中地震后地表液化大变形,并将计算结果与本文中所提出的GMDH(Group Method of Data Handling)神经网络预测方法及典型的经验公式结果进行对比,验证本文模型的可靠性。(3)利用BP(Back Propagation)神经网络、GA-BP(Back Propagation-Genetic Algorithm)神经网络、RBF(Radial Basis Function)神经网络和GMDH(Group Method of Data Handling)神经网络,以所搜集到的国内外场地的数据库为基础进行训练,分析场地参数与场地大变形之间的非线性关系,从而得到液化场地大变形预测模型。通过对常规预测方法以及神经网络预测的结果对比分析,对神经网络在液化场地大变形预测方面的可行性作出评价,并基于训练结果提出预测液化场地大变形的GMDH神经网络方法。并且,利用训练完成的神经网络模型,对场地土体参数与液化场地大变形值之间的关系进行参数定量分析,得到各个因素与液化场地大变形之间的影响关系曲线,并通过分析结果,与常规大变形预测方法影响规律进行对比分析,得出各个因素对液化场地大变形值的影响规律,从而进一步验证神经网络模型的可行性。(4)提出了使用CPTU数据改进模型参数获取途径,在江苏省宿迁高速公路液化场地中实际使用。以宿新高速为依托,根据场地的CPTU资料和钻孔资料等,利用目前典型的经验方法与本文中所提出的GMDH(Group Method of Data Handling)神经网络预测方法,对场地进行液化判别以及场地液化大变形值的预测分析。