Analysis and Prediction of Settlement Characteristics of Double-layer Soft Soil Foundation Treated by Vacuum Preloading Method
-
摘要: 由人工填土层和原始海相沉积土层组成的双层软土地基不同于常规地基形式，其沉降预测结果离散性大。天津滨海地区某工程地基为双层软土地基，采用真空预压法进行地基处理，通过现场监测揭示了双层软土地基沉降的特性。在沉降预测方面，利用卷积神经网络建立了双层软土地基沉降预测模型，并与双曲线拟合法进行比较，研究结果显示，该方法同样可以准确预测地基沉降变形，满足工程建设需求。Abstract: The double-layer soft soil foundation composed of artificial fill layer and original marine sedimentary soil layer is different from the conventional foundation form, and its settlement prediction results have large discreteness. The foundation of a certain project in the coastal area of Tianjin is a double-layer soft soil foundation. The vacuum preloading method was used for foundation treatment. Based on this engineering example, the settlement characteristics of the double-layer soft soil foundation were revealed through on-site monitoring. In terms of settlement prediction, a double-layer soft soil foundation settlement prediction model was established using convolutional neural networks, and compared with hyperbolic fitting method. The research results showed that this method can also accurately predict foundation settlement deformation, meeting the needs of engineering construction.
-
表 1 土层物理力学参数
土层 层厚/m w/% ρ/（g·cm−3） e wL/% wP/% IP IL a/MPa−1 Es/MPa 人工填土 3 24.3 1.91 0.772 31.5 16.3 15.2 0.53 0.505 3.51 淤泥质黏土 6 45.4 1.76 1.267 40.7 20.1 20.6 1.22 0.772 2.85 粉质黏土 3 27.2 1.91 0.815 27.7 14.7 13.0 0.96 0.558 3.25 粉土 2 21.9 1.97 0.667 25.7 17.0 8.7 0.56 0.138 12.08 
下载: 导出CSV
表 2 地表及深层土体沉降量
位置 原始标高/ m 沉降量/ mm 地表 4.0 520 1#磁环 1.0 336 2#磁环 −2.0 231 3#磁环 −5.0 134 4#磁环 −8.0 62
下载: 导出CSV
表 3 深层土体各土层固结变形量
土层 土层厚/mm 固结变形量/mm 占总沉降量百分比/% 人工填土 3000 184 35 淤泥质黏土 6000 202 39 粉质黏土 3000 72 14 粉土及以下 62 12
下载: 导出CSV
表 4 不同加载时间下表层及深层土体沉降量及其占总沉降量比值
加载
时间/d沉降量（占比）/mm（%） 地表 1#磁环 2#磁环 3#磁环 4#磁环 30 347(67) 221(66) 160(69) 90(67) 23(37) 60 449(86) 292(87) 202(87) 110(82) 33(61) 90 492(95) 318(95) 218(94) 122(91) 50(81) 120 520(100) 336(100) 231(100) 134(100) 62(100)
下载: 导出CSV
表 5 学习样本及归一化结果数据表
时间/d 学习样本/mm 样本归一化 样本1 样本2 样本3 样本4 本项目 样本1 样本2 样本3 样本4 本项目 7 167 36 15 23 53 0.304 0.065 0.027 0.042 0.096 8 190 41 28 38 80 0.345 0.075 0.051 0.069 0.145 9 195 41 30 43 106 0.355 0.075 0.055 0.078 0.193 10 213 49 42 60 133 0.387 0.089 0.076 0.109 0.242 11 222 56 54 78 136 0.404 0.102 0.098 0.142 0.247 13 239 68 67 92 158 0.435 0.124 0.122 0.167 0.287 15 247 74 73 104 190 0.449 0.135 0.133 0.189 0.345 17 271 95 88 116 225 0.493 0.173 0.160 0.211 0.409 18 280 101 94 123 236 0.509 0.184 0.171 0.224 0.429 19 290 109 101 132 244 0.527 0.198 0.184 0.240 0.444 20 297 115 106 146 255 0.540 0.209 0.193 0.265 0.464 21 311 122 113 151 261 0.565 0.222 0.205 0.275 0.475 22 315 125 119 156 268 0.573 0.227 0.216 0.284 0.487 23 328 135 128 165 282 0.596 0.245 0.233 0.300 0.513 24 333 140 133 173 294 0.605 0.255 0.242 0.315 0.535 25 342 149 138 184 303 0.622 0.271 0.251 0.335 0.551 26 351 159 146 199 312 0.638 0.289 0.265 0.362 0.567 30 372 179 165 226 347 0.676 0.325 0.300 0.411 0.631 36 396 212 192 266 386 0.720 0.385 0.349 0.484 0.702 43 412 236 217 298 408 0.749 0.429 0.395 0.542 0.742 49 428 257 236 322 424 0.778 0.467 0.429 0.585 0.771 60 446 279 257 349 449 0.811 0.507 0.467 0.635 0.816
下载: 导出CSV
表 6 卷积神经网络预测数据表
时间/d 训练输入数据/mm 学习输出数据 样本1 样本2 样本3 样本4 归一化值 沉降值 /mm 66 456 292 269 366 0.841 462 71 463 304 281 378 0.858 472 78 476 318 293 391 0.881 485 85 480 325 302 402 0.886 488 90 482 331 307 410 0.895 492 98 484 341 318 421 0.905 498 102 489 346 321 423 0.914 503 104 494 350 325 425 0.918 505 106 495 351 325 427 0.920 506 108 495 351 327 430 0.918 505 110 496 353 330 431 0.919 505 113 499 355 332 433 0.921 506 116 500 357 334 435 0.923 507 120 501 359 336 437 0.925 509
下载: 导出CSV
表 7 60～120 d实测数据与预测数据对比表
序号 时间
/d实测值
/mm双曲线法
/mm误差
/%神经网络
/mm误差
/%1 66 463 463 0.0 462 −0.2 2 71 469 472 0.6 472 0.6 3 78 483 483 0.0 485 0.4 4 85 488 493 1.0 488 0.0 5 90 492 499 1.4 492 0.0 6 98 501 507 1.3 498 −0.6 7 102 505 511 1.2 503 −0.4 8 104 507 513 1.2 505 −0.4 9 106 509 515 1.1 506 −0.6 10 108 511 516 1.1 505 −1.2 11 110 513 518 1.0 505 −1.6 12 113 516 521 0.9 506 −1.9 13 116 518 523 0.9 507 −2.1 14 120 520 525 0.9 509 −2.1
下载: 导出CSV
-
[1] 雷华阳, 任 倩, 卢海滨, 等. 相对厚度变化下双层软黏土地基固结特性研究[J]. 地下空间与工程学报,2018,14(3):705-711. [2] GRAY H. Simultaneous consolidation of contiguous layers of unlike compressive soils[J]. ASCE, 1945, 110: 1327-1356. [3] DAVIS E H, RAYMOND G P. A non-linear theory of consolidation[J]. Geotechnique,1965,15(2):161-173. doi: 10.1680/geot.1965.15.2.161 [4] 费涵昌, 王广欣. 双层地基的变形与沉降[J]. 同济大学学报(自然科学版),1995,23(3):288-293. [5] 余子烨, 翟国君, 梅国雄, 等. 循环荷载作用下连续排水边界双层土一维固结[J]. 华中科技大学学报(自然科学版),2021,49(1):99-105. [6] 贾敏才, 王 磊, 周 健, 等. 双层地基沉降预测模型研究[J]. 地下空间与工程学报,2009,5(6):1176-1180, 1187. [7] 王丙乾, 龚 镭, 刘国楠. 双层超软弱欠固结地基沉降的概率分析[J]. 岩土工程学报,2010(8):1241-1246. [8] 李小刚, 张廷会. GM(1, 1)灰色预测模型在道路软基沉降预测中的应用[J]. 铁道科学与工程学报,2016,13(1):63-68. [9] 董 剑, 郑晓国. 软土地基上硬壳层效应分析及其工程应用[J]. 路基工程,2006(4):7-9. [10] 贺明侠, 王连俊. 动量BP算法在路基沉降预测中的应用[J]. 岩土工程技术,2006,20(1):17-20, 28. [11] 冯 劲, 高广运. 人工神经网络在基桩低应变完整性检测中的应用[J]. 岩土工程技术,2005,19(1):5-8. [12] 翟征秋, 程 林, 宋效第, 等. 基于卷积神经网络的防坡堤施工沉降预测[J]. 水运工程,2021(8):202-219. [13] 涌井良幸, 涌井贞美. 深度学习的数学[M]. 杨瑞龙, 译. 北京: 人民邮电出版社, 2019. [14] GB/T 51064—2015 吹填土地基处理技术规范[S]. -
图(3) / 表(7)
计量
- 文章访问数: 116
- HTML全文浏览量: 38
- PDF下载量: 34
- 被引次数: 0
