土工膜動態(tài)性料想實體模型動態(tài)性料想方式 區(qū)別于靜態(tài)數(shù)據(jù)料想方式 的較大 特性取決于:其初始數(shù)據(jù)處理方法管理體系將會根據(jù)觀察數(shù)據(jù)信息的變動發(fā)展趨勢一直調濟，土工膜將會立即將評測數(shù)據(jù)信息的變動列入管理體系，由
此獲得的蠕變料想值也更加公平。現(xiàn)階段常見的動態(tài)性料想方式 有:
(1)土工膜BP神經網絡實體模型
在料想范圍中利用廣泛的是BP網絡。BP網絡的學習培訓優(yōu)化算法是一種偏差反向傳播式網絡權重值訓練方式 。它的具體基礎是雙層神經網絡實體模型，它包括鍵入層、隱
層跟輸出層三個品味，鍵入層有n個節(jié)點，輸出層有m個節(jié)點。神經網絡是一個繁雜的離散系統(tǒng)電力能源學網絡管理體系，一個存有誤差跟少一個S型暗含層再加一個線形
輸出層的網絡將會迫近一切有理函數(shù)。二乘跟BP神經網絡獨有的離散系統(tǒng)才能，土工膜較切實解決了蠕變指數(shù)及三主要參數(shù)法對蠕變數(shù)據(jù)擬合精密度不太高的難題。但神經網絡
需要很多的數(shù)據(jù)信息做為學習培訓跟訓練網絡構造，土工膜實際證明，在貧數(shù)據(jù)信息的狀況下利用神經網絡，其結果不足想象。
