循环荷载下重塑弱膨胀土滞回曲线形态特征定量研究

以重塑弱膨胀土为研究对象,利用GDS动静态真三轴仪采用分级、单级加载方式对土体进行循环动荷载试验,研究不同围压、频率、固结应力比下土体滞回曲线演化规律。采用滞回曲线形态特征(包围的面积S、长轴斜率k、相邻滞回曲线中心间距d及不闭合程度ε_p)对土体滞回曲线进行定量描述。试验结果表明:膨胀土滞回曲线的S、d、ε_p随动应力幅值增大呈非线性增大,随围压、频率、固结应力比的增大而减小;k随动应力幅值的增大呈对数关系衰减,随围压、频率、固结应力比的增加而增大;单级循环荷载下膨胀土滞回曲线ε_p、d、S均随振次的增加呈非线性衰减,出现循环蠕变现象,分级加载历史对膨胀土滞回曲线的影响较小。     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_size、正则化参数及参与网络训练的测井个数等5个超参数对网络性能及计算速度的影响,为深度学习地震反演超参数选取提供依据.研究结果可为三维大面积深度学习反演提供一个可行的质控手段,对于推动深度学习方法在石油物探中广泛应用具有一定意义.     

基于迭代反演的层间多次波压制方法

层间多次波与有效波在走时、频率和叠加速度上差异较小,因此层间多次波压制常难以获得理想效果.本文提出一种基于迭代反演的层间多次波压制方法（MSI,Multiple Suppression Inversion）,该方法以共聚焦点（CFP,Common Focus Point）层间多次波压制理论为基础,通过构建卷积因子,将层间多次波压制转变为迭代反演的问题,直接利用观测的地震数据进行迭代反演计算,进而完成多次波压制.MSI方法避免了共聚焦点方法中构建CFP道集的聚焦运算,大幅降低层间多次波预测的计算成本;同时该方法为全数据驱动方法,无需地下介质任何先验信息,算法容易实现.模型数据测试表明,本文提出的方法可有效压制层间多次波,而且对有效波也具有很好的保幅性.

     

膨胀土的电导率与膨胀性的关系研究EI北大核心CSCD

膨胀土是一种高塑性、强亲水的黏性土。由于黏土矿物含量较高,膨胀土颗粒的交换阳离子含量也较高,总比表面积较大,在电导率测试指标上反映是膨胀土的导电性随膨胀性的增大而增强。选取强、中、弱3种不同膨胀等级的代表性试样,采用无电极电阻率测定仪和便携式电导率探头,测试了膨胀土泥浆和孔隙水溶液电导率测试,采用原子吸收光谱仪检测了膨胀土孔隙水溶液中的离子种类、含量等。研究表明,膨胀土孔隙水溶液的导电性与膨胀土泥浆的导电性均随膨胀性增大而增大,膨胀土的电导率和自由膨胀率具有良好的线性关系,工程中可以利用这一原理进行膨胀土的快速判别。     

冻融循环下膨胀土物理力学特性研究EI北大核心CSCD

处在季节性冻土区的膨胀土渠道极易受到冻融循环作用的影响,影响工程的稳定安全。为了探究冻融循环作用对膨胀土物理力学特性的影响,以南阳膨胀土为研究对象,开展了不同含水率条件下膨胀土试样的冻融循环试验,对经历不同冻融循环次数作用后的试样进行了变形测量、无侧限压缩试验和微细结构试验。结果表明,在冻融循环过程中含水率低的膨胀土体积变化规律表现为"冻缩融胀",含水率高的膨胀土体积变化规律表现为"冻胀融缩";冻融循环作用对膨胀土的应力应变曲线、强度和弹性模量有着显著的影响,尤其是第1次冻融循环作用;试样的含水率越高,膨胀土的力学参数受冻融循环作用的影响越大;试样的面孔隙度和孔隙定向度的变化规律与力学参数的大致呈负相关,说明冻融循环作用下土体内部微细结构的变化直接影响着膨胀土的力学性质。     

浸水-循环加卸载条件下压实膨胀岩的变形特征

膨胀岩的体积变形具有明显的水-力路径效应,为了研究浸水-循环加卸载条件下压实膨胀岩的变形特征,以延吉膨胀岩为研究对象,开展了不同初始含水率试样的一维膨胀-循环压缩试验。根据试样浸水膨胀后的压缩-回弹曲线,确定了压缩指数、回弹指数以及二者之差,并引入累积总变形率和累积残余变形率的概念来表征其在循环加卸载条件下的变形特征。结果表明:膨胀率与初始含水率具有显著的线性负相关关系;随着循环次数增加,加、卸载曲线越来越平缓,卸载-再加载滞回环面积逐渐减小,试样的压缩指数、回弹指数以及二者之差均呈逐渐减小的趋势,单次循环产生的总变形和残余变形逐渐减小,累积总变形和累积残余变形先增加后逐渐趋于稳定;初始含水率越小的试样,压缩指数和回弹指数越大,累积总变形和累积残余变形越大;循环加卸载过程对不同初始含水率试样的力学性质有强化和同化作用。     

干湿循环作用下膨胀土的贯入特性试验研究

揭示干湿循环作用下膨胀土力学特性的演化规律对防治膨胀土灾害有重要指导意义。提出了一种基于超微型贯入试验的土体内部力学特性研究方法,在干湿循环条件下对重塑膨胀土开展了一系列贯入试验,获得3次干燥过程中试样贯入阻力随深度和含水率的变化曲线。结果表明:(1)通过超微型贯入试验能够简单、快速和有效地掌握膨胀土在干湿循环过程中力学特性的时空演化特征;(2)试样的贯入阻力在干燥过程中总体呈增加趋势,相对于深部土体,表层土体的贯入阻力对干燥作用更加敏感;(3)干湿循环作用对膨胀土的力学特性有重要影响,随干湿循环次数的增加,膨胀土的贯入阻力总体上呈减小趋势,贯入曲线由单峰结构逐渐向多峰结构过渡,贯入阻力的空间差异性更加突出,且该现象在低含水率区间更加明显。基于土力学、土结构的基本理论以及试验中观测到的一些现象,对干燥过程和干湿循环作用下膨胀土的贯入力学特性进行了分析和探讨。干燥过程中土颗粒收缩靠拢、密实度和颗粒接触点增加及土吸力增加是导致膨胀土贯入阻力增加的重要原因,而干湿循环作用导致的土结构松散化、裂隙化则是引起膨胀土整体力学性质弱化的重要原因。     

微晶石墨氧化-膨胀过程中微形貌与结构变化

为深度揭示微晶石墨氧化和膨胀过程中结构的变化规律,分别采用SEM-EDS、XRD、Raman和FTIR等测试分析手段对其产物结构进行表征研究.结果表明:微晶石墨经氧化后,层间域被撑大,结构层上接入大量的羟基、羧基和环氧基等亲水性含氧官能团.随氧化剂（KMnO₄）用量增加,产物层间距、结构缺陷和无序度逐渐增大.高温膨胀后,氧化微晶石墨被还原,结构中的部分吸附水和含氧官能团被除去,结构缺陷与无序度减小,部分sp2区域得到了恢复.膨胀微晶石墨颗粒含有丰富的网络型孔隙结构,孔径集中在2~5 nm.      

卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例

大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。