水泥深层搅拌桩在水厂大面积地基加固中的应用

根据对一个具体工程的室内水泥土配比试验、施工工艺制定、水泥土桩静载荷试验、水澉试水试验的分析，以及对其造价的对比分析，介绍了水泥深层搅拌桩加固软弱地基的成功经验，从而得出它是一种造价低，施工速度快、加固效果好的软弱地基加固方法。     

深层搅拌法在真空预压后地基工程上的应用

为使经真空预压首期加固后的地基承载力从80 kPa提高到230kPa,设计采用深层搅拌法-水泥搅拌桩二次加固软弱地基.经现场成桩工艺试验和检测表明,桩身水泥土强度在90 d龄期时＞1.80 MPa,单桩承载力标准值＞150kN;以φ600桩径、桩长13.5 m、置换率为0.308和φ500桩径、桩长13.5m、置换率为0.267两种方案布置的复合地基承载力标准值均超过了设计要求.     

水泥搅拌桩对软弱地基加固的应用

在无锡市区老城改造中,遇到不少软弱地基或较厚的杂填土,范围不大,埋层较浅,而又处在建筑物密集的地方,无法采用大型设备施工,成为不少建设和设计单位的棘手问题。针对这个问题,我们采用了水泥搅拌桩进行地基处理,取得较好的较果,并延伸到对复杂地质条件的处理,成效显著,因而有一定的推广意义。     

工业厂房软弱地基综合加固方案

珠江三角洲某轧钢厂主厂房拟建于下卧淤泥质土的软弱地层之上,为此提出综合加固方案,按１．２ｍ×１．２ｍ的密度布置深层搅拌桩（桩径０．５５ｍ,桩长６ｍ）处理上部６ｍ厚的素填土层,按２．４ｍ×２．４ｍ的密度布置水泥碎石桩（桩径０．５０ｍ,桩长１７．５ｍ）穿越过埋深８～１４ｍ的淤泥质土进入粉质粘土１ｍ,此方案不但满足构筑物对地基承载力（１５０ｋｐａ）和沉降变形（２０ｍｍ）的要求,且施工工艺简单,处理成本较     

深层搅拌法在岩溶软弱地基处理中的应用

水泥土搅拌桩对软弱土地基具有较好的加崮效果，针对岩溶地区存在有土（溶）涮时，分析计算水泥土深层搅拌桩复合地基承载力，并对在地基处理过程中遇到的问题及施上中的一些处理方法进行了探讨。     

预应力管桩—水泥土搅拌桩组合法加固软土地基

由预应力混凝土管桩、水泥土搅拌桩及桩间土组成的复合地基，其承载力是由桩和桩间土共同分担的。通过预应力混凝土管桩和水泥土搅拌桩的施工，实现对桩问土的挤密加固，可充分发挥和利用地基土的承载潜力，有效地解决软土地基承载力不足的问题。本文结合工程实例，采用多种试验测试方法对这类复合地基进行检测和分析，表明：在一定地质条件下，混凝土管桩-水泥土搅拌桩复合地基不失为一种节约投资、行之有效的软基处理方法。     

水泥复合偏高岭土稳定粉砂土力学特性试验研究

使用低成本高硅铝矿物掺合料可在提升水泥土工程性能的同时降低水泥用量。通过开展系列抗压强度试验研究了水泥偏高岭土掺比、水/水泥偏高岭土比、凝胶总掺量和养护龄期对水泥复合偏高岭土稳定粉砂土抗压强度的影响规律,归纳了水泥复合偏高岭土稳定粉砂土的强度经验公式。结果表明：将水泥和偏高岭土按质量比5:1混合用于粉砂土稳定时可获得最佳强度提升,节约1/6水泥消耗,且该掺比关系不因凝胶总掺量变化而改变;水泥复合偏高岭土稳定粉砂土抗压强度随水/水泥偏高岭土比增加近似线性降低,随凝胶总掺量增加线性提升,随龄期发展而提高,其28天强度增加趋势仍未趋缓;总结归纳了四个关于强度影响因素的经验预测公式。该研究成果可为水泥偏高岭土用于复合稳定工程软弱土提供理论参考。     

考虑块段效应的RBF神经网络在土壤空间插值中的应用

定义了土壤变异中的块段效应,提出了考虑块段效应的RBF神经网络空间插值模型(RBFBE法),以期提高土壤水分和养分的插值精度;并以江苏省扬州市区北部某试区为例,通过A、B两种训练方案,将RBFBE法对土壤含水率与有机质含量的插值结果与常规的RBF神经网络(RBFANN法)空间插值结果及普通克里金法(OK法)插值结果进行了对比分析。结果表明:与OK法相比,RBFBE法能使土壤特性的均方误差M_se缩小19.0%~62.2%,预测吻合度G提高8.9%~28.8%;与输入信息相同的RBFANN法相比,RBFBE法亦能使土壤特性的均方误差M_se缩小10.0%~48.8%,预测吻合度G提高3.4%~22.0%;此外,研究也表明RBFBE法具有较强的泛化能力。考虑块段效应的RBF神经网络方法有利于拓展人工神经网络方法在土壤特性空间插值中的应用范围,具有一定的应用前景。     

Predicting moisture content of soil from thermal properties using artificial neural network

Monitoring of soil moisture contents is an important practice for irrigation water management. The benefit of periodic soil water content data includes improved irrigation scheduling in order to optimize water usage for improved crop productivity. However, the in situ equipment for measuring soil water contents have high maintenance and operation cost and are highly affected by neighboring soil conditions, and some have overwhelming calibration and data interpretation, whereas the common standard laboratory procedure requires much effort and can be time-consuming for large dataset. The objective of this study is to evaluate the applicability of artificial neural network (ANN) to predict moisture content of soil using available or measured thermal properties (thermal conductivity, thermal diffusivity, specific heat, and temperature) of soil. We used both multilayered perception (MLP) and radial basis function (RBF) types of ANN. The study area is a farmland situated within the premises of the University of Ibadan campus. Thermal properties were measured with KD2 Pro at 42 points along seven transects. Soil samples were also collected at these points to determine their moisture contents in the laboratory. ANN analysis carried out effectively predicted the soil moisture content with very low root-mean-square error (RMSE) and high correlation coefficient (R) of approximately 0.9 for the two methods evaluated. The overall results suggest that ANN can be incorporated to predict the moisture content of soil in this area where thermal properties are known.     

纤维水泥土力学性能的试验研究

为了解加入纤维对水泥土力学性能的影响,对素水泥土及纤维水泥土进行了无侧限抗压和疲劳试验。研究结果表明,添加纤维可小幅度提高水泥土的抗压强度;与素水泥土相比,纤维水泥土在达到应力峰值时的应变明显增大,破坏后的残余强度也有所提高;纤维的加入提高了水泥土的延性,减少了裂缝的开展,改善了其力学性能;添加纤维后水泥土抵抗疲劳的能力明显增强;掺入纤维对水泥土抗疲劳能力的提高程度远大于其对水泥土无侧限强度的提高程度;水泥土的应力水平和疲劳寿命之间具有单对数线性关系;在循环荷载作用下水泥土表现为低应力性破裂特征。     

人工神经网络在岩体质量分级中的应用

结合四川省金沙江某水电站工程实例，应用BP人工神经网络方法建立3层BP网络模型，选取岩石单轴抗压强度等6个影响因素为输入变量，对坝基复杂岩体进行质量分级。通过机算机Visual C 语言编程实现神经网络模型，进行网络的学习和运算。以神经网络合理结构分析方法选取合理结构，确定合理隐层单元的数量，提高网络测试的精度。对测试结果的分析发现，经过优化的BP网络模型经多次学习后，测试精度提高，结果可靠，取得较好的实际应用效果。     

基于人工神经网络的砂土液化势评价

本文利用静力触探（ＣＰＴ）场地液化数据,建立了液化势判定的反向传播神经网络模型,研究表明,同传统方法相比,人工神经网络方法在判别砂土液化势方面是可行的。     

人工神经网络在海浪数值预报中的应用

探讨将人工神经网络技术和传统的数值模式相结合,以期得到一个更有效的海浪预报方法.以第3代海浪模式的模拟结果作为输入,浮标观测资料作为输出,采用人工神经网络进行训练,训练的初步结果显示,人工神经网络可以改进海浪数值模式的预报精度,但在波高比较大时,改进的效果并不令人满意.为此,对观测值大于1.5m时的有效波高进行再训练,从而结果有了进一步的改善.研究结果证明人工神经网络技术可以提高海浪数值预报的精度.     

碳化作用对水泥固化/稳定化铅污染土溶出特性影响

采用室内加速碳化试验方法,分析了碳化作用对水泥固化/稳定化重金属污染土淋滤特性的影响规律。对人工配制的不同浓度铅污染土进行水泥固化/稳定化处理,标准养护28 d后对部分土样进行加速碳化试验,剩余试样继续标准养护。通过半动态淋滤试验方法测试了碳化后试样和标准养护试样的铅溶出量,并计算铅扩散系数、固化/稳定化土淋滤指数,分析碳化作用对水泥固化/稳定化铅污染土环境安全性以及铅溶出机制的影响。结果表明,单位面积上铅的溶出速率随淋滤时间的增加而降低;浸出液中铅累计溶出量与淋滤时间的平方根呈近似线性关系;碳化养护试样的铅累计溶出量是标准养护试样的0.68~0.91倍,碳化有利于铅的固化/稳定化。固化稳定化处理后铅的扩散系数在2.12×10-12~1.39×10-9 cm~2/s之间,淋滤指标在8.86~11.7之间,且碳化作用下铅的扩散系数进一步降低,淋滤指标略有升高。低铅含量土样中铅溶出机制为表面侵蚀,而高铅含量试样中铅溶出机制为表面侵蚀和扩散共同作用,并以扩散为主。     

利用神经网络技术在储层非均质性上的研究

储层非均质性对油气田的勘探和开发效果影响很大。结合测井资料二次解释的孔隙度(φ)、泥质含量(Vsh)、粒度中值(Md)、束缚水饱和度(Swi)等资料,借助BP网络算法,对渗透率进行预测。BP网络算法是人工神经网络算法中的一种,采用的是误差逆传算法,即把网络输出的误差归纳为各连接权的过程,通过把输出层的误差逐层向输入层逆向传播以分摊给各层单元,从而获取各层单元的参考误差,以便调整相应的联接权。如此反复,直至网络输出与期望输出之间的误差减少到允许误差为止。通过这样学习过程,消除了系统误差,提高了渗透率预测的精度,并为定性定量描述储层非均质性打下了坚实的基础。通过对萨尔图油田中部葡萄花油层组的非均质性进行了定量半定量的研究,认为萨尔图油田中部葡萄花油层组PI2小层层内非均质性最严重,与沉积微相密切相关。单砂层垂向上渗透率的变化以正韵律和复合式韵律为主,局部发育反韵律模式。经对葡萄花油层组PI1~PI4系统研究,层内非均质性强弱依次为PI2a、PI3、PI2b、PI1、PI4;层间非均质性在PI3和PI4间表现得最强,其他相对要弱;各小层平面非均质性相差无几,整体表现为较强的非均质性。     

An artificial neural network for groutability prediction of permeation grouting with microfine cement grouts

The use of microfine cements in permeation grouting has been growing as a strategy in geotechnical engineering because it usually provides improved groutability (N). One of the major challenges of using microfine cement grouts is the ability to estimate the N within a reasonable level of error. The suitability of traditional groutability prediction formulas, which are mostly based on the grain-size of the soil and the grout, is questionable for semi-nanometer scale grout. This study first investigated the accuracy of the current formulas; we found that the accuracy ranges from 45% to 68%, a level that is not adequate for practical engineering. An alternative approach, based on a Radial Basis Function Neural Network (RBFNN), was developed. RBFNN provides a prediction with a 95.8% accuracy within a short time frame. Several parameters were considered in our proposed network; besides the grain-size of the soil (D₁₀/D₁₅), other important parameters included the void ratio (e), the fines content (FC), the uniformity coefficient (C_u), the coefficient of gradation (C_z) and the water-to-cement ratio (w/c). A total of 240 in situ data samples were collected to support the training and testing of the network. After finding a good correlation between the field observation and the RBFNN output, it was concluded that RBFNN is a suitable and reliable tool to predict the outcome of permeation grouting when microfine cement grout is used.