原状非饱和黄土的三轴试验研究

利用特制的非饱和土三轴仪器,对不同含水量条件下原状非饱和黄土的强度和土-水特征曲线进行了试验研究。试验结果表明：非饱和黄土的抗剪强度随着含水量的不同而不同,含水量越大,非饱和黄土的基质吸力就越小,抗剪强度亦越小。含水量趋于饱和时,非饱和黄土的抗剪强度值逐渐接近于饱和黄土的强度值。原状非饱和黄土的抗剪强度均高于饱和黄土的抗剪强度。非饱和黄土的内摩擦角受含水量的影响不大。凝聚力受含水量的影响很大,含水率越大,基质吸力越小,总凝聚力越小。根据实验结果,提出了非饱和土的抗剪强度模型,该模型易于确定,与实测基本吻合,误差较小,满足非饱和黄土的强度计算要求。     

黄河大堤非饱和土土-水特性试验研究

模拟工程中非饱和土体的实际受力状态,利用改进的非饱和土三轴仪对黄河大堤非饱和土在不同围压条件下的土-水特性进行了试验研究。根据试验结果,分析了黄河大堤非饱和土体在外荷作用下土-水特征曲线及其变化规律。并对相应的土-水特征曲线模型进行了拟合,得出其拟合函数。根据土-水特征曲线可知,非饱和土的基质吸力随着土体所受周围压力的增大而减小,随着含水量的增大而减小;对于某一类土而言,在高含水量(含水量＞20 %) 时,土的基质吸力随含水量的变化较小,而在低含水量 (含水量≤20 %)时,土的基质吸力随含水量的变化较大。随着含水量的增加,非饱和土的工程性质向弱性变化。     

基于基质吸力的粘性路基土动回弹模量预估模型研究

为解决非饱和粘性路基土动回弹模量参数取值问题,采用滤纸法测定土样基质吸力,获取其土水特征曲线,并利用室内重复动三轴测试方法,进行了动态回弹模量测试,并探讨了动回弹模量的影响因素及其规律,进而在考虑含水量与基质吸力之间对应关系的基础上,集成创建了综合反映湿度状况(基质吸力)与应力状况(围压和循环偏应力)影响的粘性路基土新型动态回弹模量预估模型。研究结果表明,土水特征曲线Fredlund&Xing模型能够较好地关联非饱和粘性路基土基质吸力与湿度之间的相关关系;回弹模量测试值随围压、基质吸力和压实度的提高而增大,随循环偏应力和含水量的增大而减小。     

密度对砂土基质吸力的影响研究

目前主要是依据土-水特征曲线及含水量来确定基质吸力,而忽略了土体密度对基质吸力的影响,这不论从理论上,还是从应用方面都是不完善的。为此,笔者选取霸桥砂土,进行了大量不同密度、不同含水量土样的基质吸力测试。经过对实验资料的分析研究,得到了三种密度下的基质吸力随含水量的变化关系式,并进一步得到了既考虑土体密度,又考虑含水量的基质吸力表述关系式,最后经水分迁移试验,验证了密度对水分迁移进程的影响。研究结果表明：基质吸力随密度的变化是明显的,含水量越低,这一趋势越明显。在含水量相同的情况下,当砂土从疏松状态逐级变密时,吸力值先后经历变小、变大、又变小的过程,笔者对造成这一现象的原因作了初步分析。     

盐渍土土水特征曲线测试及预测

作为一种特殊土,盐渍土有着独特的工程性质并由此引发了盐胀、溶陷等工程问题,其发生及发展均与土体含水量密切相关,不同含水量条件下土中的吸力也对土体工程性质有着较大影响.本文选取甘肃酒泉地区的盐渍土,室内利用Ku-pF非饱和导水率仪测试了不同干密度状态下盐渍土试样的土水特征曲线,发现渗透吸力的存在使得盐渍土试样的土水特征曲线转化阶段较一般土平缓,同一含水量条件下土中的吸力较一般土大,土体持水能力有所增强.不同干密度试样土水特征曲线的测试结果表明,干密度增大后土中大孔隙减少,中、小孔隙增多,孔隙连通性变差,导致土样饱和含水量降低,进气值增大,失水速率减慢,土体持水能力有一定增强.对比国内外广泛使用的模型对实测盐渍土土水特征曲线进行拟合,发现Fredlund and Xing模型能较好地反映盐渍土土中吸力与含水量的关系.最后,基于盐渍土的颗粒累积分布曲线及其基本物理指标,依据Fredlund物理-经验预测模型的理论和方法,预测了不同干密度盐渍土的完整土水特征曲线,以期为盐渍土地区土体工程性质的研究和预测提供理论支持和有益参考.     

陕北非饱和重塑红土渗透特性试验研究

以实测土水特征曲线为基础,采用 Van Genuchten 模型,详细研究了干密度和体积含水量对非饱和保德组红土渗透特性的影响。研究表明:不同干密度下,在半对数坐标系中,非饱和保德组红土渗透系数与体积含水量呈现出近似直线关系,非饱和保德组红土渗透系数随体积含水量的增大而单调加速增大,且密实状态非饱和保德组红土渗透系数对体积含水量的变化比较敏感。不同干密度下,在半对数坐标系中,非饱和保德组红土渗透系数与基质吸力之间呈现出指数函数关系,且非饱和保德组红土渗透系数随基质吸力的增大而减小,当土体干密度较大时,非饱和保德组红土渗透系数随基质吸力的增大变化较大,同样表明密实状态非饱和保德组红土的渗透系数对干密度的变化比较敏感。     

陕北非饱和重塑红土渗透特性试验研究

以实测土水特征曲线为基础,采用Van Genuchten模型,详细研究了干密度和体积含水量对非饱和保德组红土渗透特性的影响。研究表明:不同干密度下,在半对数坐标系中,非饱和保德组红土渗透系数与体积含水量呈现出近似直线关系,非饱和保德组红土渗透系数随体积含水量的增大而单调加速增大,且密实状态非饱和保德组红土渗透系数对体积含水量的变化比较敏感。不同干密度下,在半对数坐标系中,非饱和保德组红土渗透系数与基质吸力之间呈现出指数函数关系,且非饱和保德组红土渗透系数随基质吸力的增大而减小,当土体干密度较大时,非饱和保德组红土渗透系数随基质吸力的增大变化较大,同样表明密实状态非饱和保德组红土的渗透系数对干密度的变化比较敏感。     

考虑基质吸力变化时非饱和土的一维本构模型

当地下水位上升或地面遇水浸润时,土的饱和度将因毛细作用而变化,以此使土体产生变形。其中由于含水量增加而使土的重度增大,从而引起压缩变形;同时含水量的增加而使基质吸力下降,从而引起土的回弹变形,因此最终变形取决于上述两种变形趋势的综合效应。根据广义Hook定律、Fredlund的双应力状态变量及Brooks和Corey关于基质吸力与饱和度之间的经验关系,建立了K0状态下非饱和土的一维本构模型。将这一模型与分层总和法相结合,可以计算基质吸力变化时土的竖向变形。通过研究发现,非饱和土的地面变形不仅取决于土的性质与土层的厚度,而且依赖于土中吸力变化前后的分布及应力状态等因素。所建议的一维本构模型可以用于非饱和土地基上基础的沉降估算。     

结构性黄土吸力的试验研究

利用轴平移法量测吸力技术,进行了等吸力三轴剪切试验,研究人工制备结构性黄土吸力与周围压力的关系;利用土吸力量测仪进行了原状结构性黄土吸力的量测,研究了结构性黄土吸力随含水量及饱和度的变化关系,随着三轴剪切试验的周围压力的增大,吸力逐渐减小;原状结构性黄土的含水量(饱和度)对吸力有显著的影响,随着土的含水量的增加吸力减小。      

非饱和黄土基质吸力的变化

天然状态下存在大量的非饱和黄土。因此,非饱和黄土中存在的基质吸力在很大程度上可以控制抗剪强度。本次研究的非饱和黄土土样采自中国兰州市,用以展开室内试验,探讨黄土中基质吸力的变化规律以及其脱离含水量的影响因素。结果显示:结构性、矿物成分以及可溶盐含量是控制非饱和黄土基质吸力变化的最重要的三个影响因素。其中,残余含水量和土样密度有相反的相互关系。土样中存在大量的蒙脱石和伊利石的互层(I/S),以及土样中存在的可溶盐也在某种程度上影响着基质吸力的变化。     

Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network

Modelling the mechanical behaviour of unsaturated soils has been the subject of many research works in the past few decades. A number of constitutive models have been developed to describe the complex behaviour of unsaturated soils. Despite the significant advances in the constitutive theories for unsaturated soils, none of the existing models can completely describe the various aspects of the real behaviour of unsaturated soils. In this paper, a new unified approach is presented, based on the integration of a neural network and a genetic algorithm, for the modelling of unsaturated soils. In the proposed approach, a genetic algorithm was used to optimise the weights of the neural network. A three-layer sequential architecture was chosen for the neural network. The network had eight input neurons, five neurons in the hidden layer and three neurons in the output layer. The eight input neurons represented the initial gravimetric water content, initial dry density, degree of saturation, net mean stress with respect to pore-air pressure, axial strain, deviatoric stress, soil suction and volumetric strain, and the three neurons in the output layer represented the deviatoric stress, suction and volumetric strain at the end of each increment. The network was trained and tested using a database that included results from a comprehensive set of triaxial tests on unsaturated soils from the literature. The predictions of the proposed model were compared with the experimental results. The comparison of the results indicates that the proposed approach was accurate and robust in representing the mechanical behaviour of unsaturated soils.     

非饱和残坡积土强度随含水量变化的改进BP神经网络预测研究

水是导致残坡积土边坡滑坡的最主要原因,因此研究水对残坡积土力学性质的影响具有重要的理论和工程实际意义。本文在普通三轴仪上进行非饱和残坡积土的强度试验,并基于试验结果建立了非饱和残坡积土强度随含水量变化的改进BP神经网络预测模型。模型计算结果与试验结果对比分析表明,该神经网络预测模型具有较高的拟和精度和良好的泛化能力,能较好地预测试验含水量范围内任意含水量下对应的非饱和残坡积土应力-应变关系,从而能够弥补室内试验由于设计方案等自身缺陷引起的不足。研究结果可为工程应用提供参考。     

吸力内摩擦角的确定方法研究

吸力内摩擦角在非饱和土抗剪强度理论中是一个关键参数,因受设备、测试技术以及试验方法等的限制,对于其值的确定难度较大。详细地分析了土的基本物理力学性质、测试方法对吸力内摩擦角数值的影响,并通过定性分析和定量计算结合,认为干密度、含水率、内摩擦角、黏聚力与吸力内摩擦角之间存在着一定的非线性关系,因而借用人工智能--BP神经网络的方法构建了4:9:1的网络结构模型,实现了对吸力内摩擦角 的预测和计算。通过预测结果的分析可知,该模型模拟和预测的精度均较高,因此,该种方法可以应用到非饱和土吸力内摩擦角值的预测之中去。     

Predicting effective stress parameter of unsaturated soils using neural networks

In the effective stress equation for unsaturated soils proposed by Bishop, shear strength in these soils depends on the effective stress parameter, χ, a function of soil suction [1]. To estimate the shear strength of unsaturated soils, one must already know this parameter and its variation with soil suction. Though theories on the shear strength of unsaturated soils are consistent with experimental measurements, estimating the effective stress parameter directly from tedious laboratory tests is impractical. Thus, researchers have performed numerous intensive studies to effectively obtain the unsaturated shear strength using simplified empirical methods.This paper shows an adaptive learning neural network method for predicting this parameter, χ. The proposed network is a multilayer perceptron network with six neurons in the input layer representing the air entry value, the volumetric water content at residual and saturated conditions, the slope of soil water characteristic curve, the net confining stress and suction. The available literature uses a database prepared from triaxial shear test results to train and test the network. The results show the suitability of the proposed approach for estimating the effective stress parameter. Network analysis indicates that the χ-parameter depends strongly on the net mean stress.     

Sensitivity of the active fracture model parameter to fracture network orientation and injection scenarios

Active fractures refer to the portions of unsaturated, connected fractures that actively conduct water. The active fracture model parameter accounts for the reduction in the number of fractures carrying water and in the fracture–matrix interface area in field-scale simulations of flow and transport in unsaturated fractured rocks. One example includes the numerical analyses of the fault test results at the Yucca Mountain site, Nevada (USA). In such applications, the active fracture model parameter is commonly used as a calibration parameter without relating it to fracture network orientations and infiltration rates. A two-dimensional, multiphase lattice-Boltzmann model was used in this study to investigate the sensitivity of the active fracture model parameter to fracture network orientation and injection scenarios for an unsaturated, variable dipping, and geometrically simple fracture network. The active fracture model parameter differed by as much as 0.11–0.44 when the effects of fracture network orientation, injection rate, and injection mode were included in the simulations. Hence, the numerical results suggest that the sensitivity of the active fracture model parameter to fracture network orientation, injection rates, and injection modes should be explored at the field-scale to strengthen the technical basis and range of applicability of the active fracture model.     

裂隙岩体非饱和渗流的分形模型

基于毛细吸持理论和Sierpinski空间的假定,建立了用分维数表示的毛细压力-有效饱和度及毛细压力-相对渗透系数关系的裂隙岩体非饱和渗流分形模型。根据Monte-Carlo模拟技术由平硐资料生成三维裂隙网络,利用盒维数方法计算裂隙岩体体积分维数。探讨了分维数与裂隙渗透率的关系。结合糯扎渡水利工程实例,将模型计算结果与Brook-Corey模型对比,结果表明相对渗透率主要受最大裂隙开度的影响,当裂隙开度范围不大时,分形模型可较好描述岩体裂隙的毛细压力与有效饱和度的关系。当裂隙开度范围较大时, ,忽略最大裂隙开度,模型可以等价于Brook-Corey模型。     

基于SOFM神经网络的边坡稳定性评价

针对边坡工程稳定性分析中参数的不确定性,在分析自组织特征映射神经网络（SOFM）基本学习算法的基础上,从提高算法收敛速度和性能出发,将自组织特征映射神经网络基本学习算法加以改进,据此建立了评价边坡稳定状态的SOFM神经网络模型。然后用收集到的边坡稳定工程实例作为样本,对该模型进行训练和检验,并与BP神经网络判别结果对比。结果表明,SOFM神经网络性能良好、预测精度高,是边坡稳定性评价的一种有效方法。     

A multi-gene genetic programming model for estimating stress-dependent soil water retention curves

Soil water retention curve (SWRC) is an important parameter required for seepage modelling in unsaturated soil and is used for analysing rainfall-induced slope failures, design of waste contaminant liners and cover, etc. The influence of stress, which is one of constitutive variables that governs unsaturated soil behaviour on the SWRC, has been well recognised by researchers. Stress is essential for study as it drastically alters the soil fabric which includes macropores, minipores and micropores and thus affects the ability of soil to retain water. Various computational modelling techniques that formulate models based on existing databases such as UNSODA, ISRIC and HYPRES for the estimation of SWRC do not take into account the stress influence on soil behaviour. In the present work, three artificial intelligence (AI) methods of support vector regression, artificial neural network and multi-gene genetic programming (MGGP) have been applied to formulate the mathematical relationship between the water content and input variables such as stress and suction (i.e. stress-dependent soil water characteristic curves (SDSWRCs)). The results indicate that the MGGP model outperforms the other two models and is able to extrapolate the water content values satisfactorily along the stress value of 800 kPa. This MGGP model can then be deployed by experts for the estimation of SDSWRCs, thus eliminating the need for conducting costly and time-consuming experiments.     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

地铁施工引发地面沉降的BP神经网络预测分析

针对沈阳地铁一号线重工街站至启工街站区间隧道开挖引发地面沉降变形的问题,利用现场实测的地表沉降变形数据建立BP神经网络模型,并进行网络训练与预测。预测结果表明,时间序列神经网络模型能够很好地表达地面沉降监测数据序列间的非线性关系。利用BP神经网络建立的预测模型,所得预测值与实测值拟合很好,是预测地铁施工引发地面沉降变形的一种有效方法,能为沈阳地铁隧道的设计及施工提供科学合理的依据。