土工膜動態性料想實體模型動態性料想方式 區別于靜態數據料想方式 的較大 特性取決于:其初始數據處理方法管理體系將會根據觀察數據信息的變動發展趨勢一直調濟，土工膜將會立即將評測數據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。現階段常見的動態性料想方式 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個節點，輸出層有m個節點。神經網絡是一個繁雜的離散系統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。二乘跟BP神經網絡獨有的離散系統才能，土工膜較切實解決了蠕變指數及三主要參數法對蠕變數據擬合精密度不太高的難題。但神經網絡
需要很多的數據信息做為學習培訓跟訓練網絡構造，土工膜實際證明，在貧數據信息的狀況下利用神經網絡，其結果不足想象。
