《砂土液化判据.ppt》由会员分享，可在线阅读，更多相关《砂土液化判据.ppt（20页珍藏版）》请在三一文库上搜索。
1、砂土液化判据,土液化给人类带来的灾难是巨大的, 历史上的许多地震都因砂土液化而发生地基失效和土坝破坏等重大事故 。 1966 年邢台地震 、1975 年海城地震、1976 年唐山大地震及 2008 年汶川大地震中 , 都出现了大量的喷水冒砂、地裂缝现象, 造成堤防 、岸坡大规模滑塌和桥、涵 、闸等河道建造物的严重破坏。因此, 砂土液化的判别是防治地震灾害的重要措施。,标准贯入试验,标准贯入试验( SPT) 是基于国内几次大地震现场实测资料并借鉴国外液化评价方法而建立起来的,由于多次地震实测资料积累了大量 SPT 数据 ,是一种较为可靠的方法 , 建筑抗震设计规范( GB 50011 2001)
2、 采用下式判别地基土液化 式中, N0为标贯击数基准值; ds为砂层深度 ; dw为地下水深度; c 为粘粒含量。由规范定义的标准贯入击数液化判别, 当饱和砂土实测标准贯入击数 N N cr时 ,砂土不液化; 当 N =Ncr时为临界状态,Seed判别法,国外较多采用 Seed 简化法 其实质是将砂土中由振动作用产生的剪应力与产生液化所需的剪应力(即在相应动力作用下砂土的抗剪强度)进行比较。经 H. B. Seed 修正后简化成等效周期应力比CSR 与地基土的周期阻力比 CRR 的比较。如果CRRCSR，则判别为不液化；如果 CRRCSR，则判别为液化。它属于试验分析法，也是最早提出的可判别具
3、有水平地面自由场地液化的方法。许多影响液化的因素均得到适当考虑。 1971 年由美国伯克利地震工程研究中心的Seed 和 Idriss 教授提出了砂土液化判别的简化计算方法 式中 : CSR( Cyclic Stress Ratio) 为等效循环应力比 ; v/ v为土的上覆压力与有效应力比 ; amax/g 为地震 作用下地面最大加速度与重力加速度比, amax 可根据不 同烈度按表 1 取值 ; rd为应力折减系数 ,Seed 通过 2153 次地震的研究表明( 见图 1 中阴影线表示) 。,Seed判别法,Seed 等人通过研究表明 , 循环阻CRR( Cyclic Resistance
4、 Ratio) 与标准贯入试验锤击数可用图表示( 见图 2)。图 2 中是以震级约为 7. 5 级 、液化或不液化场地的地震现场考察结果为依据得到的CRR和(N1)60关系的散点图。图2中的曲线为NCEER(National Center for Earthquake Engeering Recearch ,国家地震研究中心) 提出的适用于纯砂土的 循环阻力比 曲 线, 曲线可以用下式示 式中: ( N 1)60是将实测标贯锤击数修正为上覆压力为 100 kPa、能量比或效率为 60 %时的锤击数 ,可按下式求得 式中 : N为实测锤击数 ; CN 为上覆压力修正系数 ,当 CN大于2时取2
5、, 小于0.4时取0.4,标准贯入试验与Seed方法的比较,目前国内最常用的判别方法是建筑抗震设计规范 GB 50011 2001 推荐判别方法( 下文简称“规范法”), 国外常用的是 Seed 判别法 。规范法是根据邢台地震( 1966)、通海地震( 1970)、海城地震( 1975)、唐山地震( 1976) 及国外大地震的资料和室内液化试验的研究成果确定的, 是基于实际地震时液化调查而建立的判别方法, 方法缺乏理论基础, 对深层地基土的判别结果偏于保守 ; Seed 判别法是通过研究砂土的循环阻力比与标准贯入试验建立关系得出的判别方法 ,该法判别计算复杂, 在实际工程应用时工程技术人员不好
6、运用 ,另外对深层地基土的判别也偏于不安全 。因此 , 若结合两种判别方法 ,取其均值作为判别依据, 可以互补缺陷 。,标准贯入试验与Seed方法的综合,综合两种判别方法，规范法与 Seed 判别法的差异, 各有优缺点。取两种判别方法的平均值作为砂土液化判别的依据。将不同烈度下不同地下水位时用两种方法算得的临界锤击数的平均值( 用 Ncr表示 ,称之为综合临界锤击数) 随深度变化关系见图 6 。综合两种方法后,临界锤击数平均值 Ncr随深度的变化关系近似抛物线关系 。在某一烈度下, N cr可以采用下式进行拟合 Ncr =A0 +A 1z -A2z2式中 : 系数 A0 、A1 、A2 是与烈
7、度和地下水位有关的参数,基于标准贯入试验的可靠性分析,Juang 6 主张用概率来反映液化势, 按概率水平将液化势分为 5 个等级, 见表 1 。本文在进行液化判别时 ,采用 Juang 建议的液化可能性分类 ,利用表1 且根据液化概率分布情况, 定性地描述液化的可能性。,静力触探液化判别法（CPT）,静力触探试验（CPT）是岩土工程勘察中常用的一种原位测试技术，起源于 1945 年荷兰专家提出的“深层触探” ，原理是使用动力设备将锥形探头匀速推向土体，在减少扰动的情况下，勘察土体物理力学性质，包括土体孔隙水压力、锥尖阻力、侧摩擦阻力等。CPT相比其它原位测试技术有一定优势，包括可获得连续数据
8、、探头功能多样性、可重复性和可对土层进行土类划分等，是国际上重点发展的原位测试技术之一。 式中，pscr， qccr 分别为饱和土 CPT 液化比贯入阻力临界值和锥尖阻力临界值(MPa)； du 为上覆非液化土层厚度(m)，计算时应将淤泥和淤泥质土层厚度扣 dw 为地下水位深度(m)； ps0， qc0 分别为地下水深度dw = 2 m、上覆非液化土层厚度 du =2 m 时，饱和土液化判别比贯入阻力基准值和液化判别锥尖阻力基准值(MPa)；w为地下水位埋深 d w 修正系数，地面常年有水且与地下水有水力联系时 ，取w=1.13； u为上覆非液化土层厚度 du 修正系数，对于深基础，取 =u1
9、.0； p为与 CPT 摩阻比有关的土性修正系数。,静力触探液化判别法（CPT）,国外 CPT 液化判别公式主要有以下两个， 其一为Robertson 公式： 式中， CSR 为地震循环剪应力比； Kc 为土性修正系数；qc1N 为修正到 100 kPa 的锥尖阻力值； Rf 为摩阻比； vo为有效上覆压力。,剪切波速判别法,该方法是以土在地震作用下的剪应变量作为液化判别的基本量 , 并利用虎克定律导出其间接判别量 临界剪切波速 。由于该判别量稳定性较好 ,可在土层原位状态下通过测试得到 , 因而近几年来应用较广泛 。该方法通常利用 PS 测井技术获取场地内各土层的剪切波速 Vs 值 ,根据场
10、区的抗震设防烈度和建筑物设防标准 ,由典型公式 计算出各饱和土层震动液化判别点处的临界剪切波速 Vscr ,即 Vscr = Vs0(ds-0 .0133ds2 )0.5 1. 0 -0.185( d/ds) 式中 Vscr 为饱和砂土或粉土液化剪切波速临界值 , m/s ; Vs0为与烈度 、土类有关的经验系数 ; ds为砂土或粉土层剪切波速测点深度 , m ; dw为地下水深度 , m , 按设计基准期内年平均最高水位采用 , 也可按近期内年最高水位采用 。 将临界剪切波速作为液化判别标准 , 对同一深度的 Vs值与 Vscr值进行比较 ,若VsVscr ,则判定该点为地震液化土层 ,否则
11、为非地震液化土层 。 剪切波速判别法存在3点不足 : 无法定量区分土性 , 需要借助土工试验的颗分试验来确定试验段的土性 ; 未考虑粉土的粘粒含量 c,而粘粒含量 c是影响粉土液化的主要因素 ; 未考虑上覆地层的岩性和厚度 ,上覆非液化土层厚度是影响液化的主要因素 ,覆盖层越薄越易液化 。,基于RBF神经网络模型的砂土液化预测方法,人工神经网络ANN(Anificial Neural Network) ,ANN可以通过大量样本的学习来抽取隐含在样本中的因果关系，从数据中提取事物特征，在信息不准确、背景知识不清楚或推理规则不明确的情况下依然能进行推理判断。 为准确描述砂土液化与各影响因素之间复杂
12、的映射关系、高砂土液化势评价的可靠性和准确性，本文将ANN技术引入到砂土液化评判问题提中，采用函数逼近能力、数据拟合能力和收敛速度都明显优于BP网络的RBF网络，用于砂土液化势评价，建立各主要影响因素与地基土液化之间的非线性关系。即实现神经网络模型对砂土液化势的自动预估，并利用该模型建立了各因素影响趋势线，通过对该神经网络模型的建立、运行和检验，得到了各因素对砂土液化的影响规律。,基于RBF神经网络模型的砂土液化预测方法,RBF神经网络模型的原理目前，常用的前馈型神径网络模型包括误差反向传播BP网络模型和RBF网络模型2种。二者不同之处在于BP模型用于函数逼近时，采用负梯度下降法调节权值，存在
13、着收敛速度慢和结果局部极小等缺陷。而RBF网络的作用函数则是局部的，在逼近能力、分类能力和学习速度等方面均优于BP网络模型，训练样本越多，向量维数越高，其优势越明显明。RBF神经网络模型R蛋IF神经网络模型是一种将输入矢量扩展或者预处理到高维空间中的神经网络模型，该模型由输入层、隐层和输出层3层构成，其模型结构如图1所示,基于RBF神经网络模型的砂土液化预测方法,RBF神经网络模型的建立 考虑到液化判别指标应具代表性以及现场测试的简便性，本文选取黏粒含量p小相对密实度Dr、I临界深度dS。、竖向有效应力、地下水位dW。地震震级M、最大地面水平加速度amax一和标准贯入(简称标贯)次数SPT一N
14、等8个砂土液化的主要影响因素作为RBF神经网络的输入参数。设输入层神经元数为8，输出层神经元数为2。利用MATLAB 70中的NEWRB函数自动确定所需隐层单元并训练网络,基于RBF神经网络模型的砂土液化预测方法,RBF网络训练目标 依据时松孝次等人的研究成果和参考行业规范，将砂土液化势的分类标准定为4级，如表1所示。 对应训练样本，设定相应目标值。将4类样本的期望输出参数依次设定为：025(未液化)，025-05(临界液化)，05-075(中等液化)，075-1(严重液化),基于RBF神经网络模型的砂土液化预测方法,RBF神经网络模型评价根据以上所建立的RBF神经网络模型，共选取40组时松孝
15、次收集的砂土液化势数据，随机选取25组数据作为训练样本进行训练，选取15组数据作为测试样本，对所建立RBF网络的正确性和智能性加以检验。RBF网络训练结果、测试结果及判定标准见表2和表3。依据上述建立的RBF神经网络模型，对表2中数据进行训练时，迭代213次时，网络精度即达到510-4，且训练结果与实际结果全部吻合，完全满足砂土液化势判别的精度要求。这说明所建立的RBF神经网络模型具有较好的模拟效果，能够精确模拟输入和输出之间复杂的非线性映射关系。在对另15组数据运用上述建立的RBF网络模型，进行测试时，样本点与实测结果亦完全相同。这说明RBF网络模型具有较强的容错性和自适应性，同时也有较高的
16、预测精度。,基于RBF神经网络模型的砂土液化预测方法,基于RBF神经网络模型的砂土液化预测方法,各因素对砂土液化的影响程度是不同的。为研究各影响因素对砂土液化判别指标的相对贡献，利用MATLAB 7.0神经网络工具箱中的权重，计算出各因素对液化判别指标的相对贡献率。 相对贡献率的计算公式为 C8=W8W100 从表4中可见，各因素对砂土液化的相对贡献率在1036一1562之间，说明所选取的因素对砂土液化影响显著，从而证明了RBF网络模型中各因素选择的正确性 。计算结果表明：各影响因素对砂土液化的相对贡献率在1036-1562之间，amax对砂土液化的贡献率最大，标贯击数STP-N和地下水位dW对砂土液化的贡献次之。,参考文献,RBF神经网络模型在砂土液化判别中的应用研究 饱和土液化的判别方法_刘颖 港口工程沙土液化判别方法_乔伟刚 基于 J C法的砂土液化判别方法 基于改进一次二阶矩法的砂土液化判别方法_高健 基于静力触探测试的国内外砂土液化判别方法_蔡国军 基于可靠性理论的砂土液化判别方法研究_曹振中 砂土地震液化的模糊优化判别_季倩倩 砂土地震液化的模糊综合评判法_薛新华 砂土液化判别和评价综合方法研究_石兆吉 适用于新疆巴楚地区的CPT液化判别新方法_李兆焱,THE END,谢谢观看,