三轴实验能够严格控制试样的排水条件,获得土体变形、破坏的全过程以及有关的力学参数,因此三轴实验在科研、工程上得到了广泛的应用。但是三轴实验具有仪器构造复杂、实验耗时长、实验人员主观性对结果影响大等不足,这在一定程度上制约了三轴实验的应用与发展。本文提出了利用机器学习方法的非线性映射能力,将砂土的基本物理参数、实验条件与三轴实验结果建立联系,得到了砂土受力变形规律。实验人员利用基于机器学习建立的砂土本构曲线预测软件,只需输入经简单室内实验确定的砂土基本物理参数以及实验条件,便可获得砂土的应力应变曲线。本文的具体内容如下:（1）通过一定方式对砂土常规三轴实验应力应变曲线进行表述,建立包含控制因素在内的数据库。基于应力应变曲线数据库对误差逆传播（Back Propagation,BP）神经网络模型、支持向量机（Support Vector Machine,SVM）模型、遗传算法优化的误差逆传播（Error Back Propagation in Genetic Algorithm Optimization,GA-BP）神经网络模型展开调试、训练,使三种模型具备对应力应变曲线预测的能力。其中BP神经网络预测的效果最佳,其整体的平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）值为0.138,预测数据符合实际应力应变曲线变化趋势的占比为98%。SVM模型和GABP神经网络整体MAPE值为0.249、0.297,均高于BP神经网络。应用平均影响值分析法（Mean Impact Value,MIV）,通过BP神经网络模型对控制因素的影响程度进行排序,按由大及小的顺序进行排序,其顺序为围压、干密度、曲率系数、排水条件、不均匀系数、相对密实度、平均粒径。（2）通过一定方式对砂土常规固结排水三轴实验体应变曲线进行表述,建立包含控制因素的体应变曲线数据库。基于数据库训练BP神经网络模型、SVM模型、GA-BP神经网络模型,对体应变曲线进行预测,其数据结果MAPE值分别为0.232、0.505、0.708,显然SVM模型、GA-BP神经网络模型的误差过大,无法进行应用。BP神经网络模型体应变曲线预测数据的变化趋势基本与实验数据变化趋势相符。应用平均影响值分析法（MIV）,通过BP神经网络模型对体应变曲线控制因素的影响程度进行排序,其由大到小的顺序为:不均匀系数、干密度、相对密实度、曲率系数、平均粒径、围压。（3）通过操作实验室三轴实验,从数值、变化趋势两个方面证明了应用BP神经网络模型预测应力应变曲线具有一定的实际应用价值。目前已经将BP神经网络模型预测应力应变曲线的程序软件在国家虚拟仿真实验平台三轴实验部分进行应用,实验者在相应页面输入土体基本物理参数以及实验条件,通过虚拟实验操作,便可获得经BP神经网络模型预测的应力应变曲线的数据。