基于静力触探的液化势概率估计和判别标准

应用人工神经网络模型和可靠度理论 ,对大量液化和未液化场地的静力触探测量数据进行了分析 ,得到地震时饱和砂类土的极限状态函数和失效概率函数。以这两个函数为基础 ,给出液化势的概率估计方法 ,并结合我国建筑抗震设计规范有关设计地震分组的规定 ,提出了一般工程的具有明确概率的CPT液化判别标准。     

地震作用下可液化土的数值模拟与试验验证

将有限差分法程序用于可液化土的地震响应分析,采用动力和流体的流固耦合理论分析了振动过程中土体孔隙水压力的产生、扩散与消散,并对液化场地桩-土-结构相互作用体系振动台试验进行了三维数值模拟;通过与振动台试验数据的对比分析,验证了计算模型的可靠性和合理性。结果表明：采用的方法能较好地模拟可液化土的动力特性,所得结论为液化场地土-结构相互作用体系动力分析提供了参考。     

砂砾土液化判别的基本方法及计算公式

2008年汶川8.0级大地震中液化现象显著且砂砾土液化占很大比重,而我国一些地区砂砾土分布广泛,发展相应液化预测和判别方法十分必要。我国规范液化判别方法来源于砂层（细粒土）液化资料,且按规范规定标准贯入试验不适于砂砾场地,故现有规范中基于标贯的液化判别方法对砂砾土不可行。以汶川大地震液化震害调查和现场测试为基础,提出了基于超重型动力触探试验（动探试验）的砂砾土液化判别方法并建立了计算模型和公式。结果表明：砂砾土液化判别由初判和复判两部分组成,初判以排除不可能液化及可不考虑液化影响情况为目标,复判则可采用动探击数N₁₂₀为基本指标的计算模型。初判包括地质年代、埋藏条件和含砾量3个条件,复判模型则由动探击数基准值、含砾量、砂砾土埋深、地下水深度和地震烈度等5个参数组成。根据此次地震液化砂砾土埋深及地下水位变化范围较大的特点,采用归一化方法导出动探击数基准值,利用优化方法推导出砂砾土深度及地下水位的影响系数。提出的砂砾土液化判别方法,较全面地考虑了砂砾土液化的影响因素,复判模型和公式表达简单明了,回判成功率较高,且与现有规范具有连续性,便于工程应用。     

砂桩加固液化砂土振动台试验中的孔隙水压力

以砂桩加固液化砂土的振动台试验为基础,通过测试加固与未加固模型土、同一桩距不同桩长下加固液化砂土的孔隙水压力,试验得出,未加固模型土埋深较浅的土层易液化,液化持续的时间较长,并随着深度的增加,液化程度有减小的趋势.     

基于黏性流体力学的液化土中桩基桩顶阻抗研究

将液化后的土体视为流体，考虑液化土的黏性，研究了黏性液化土体中端承桩的水平振动问题。用黏性流体运动方程模拟液化后土层的运动，用饱和多孔介质模型模拟饱和未液化土层，联系桩-流体耦合条件运用势函数法、分离变量法得到黏性流体水平振动解析解。利用上层液化土和下层饱和非液化土分界面的位移、转角和内力连续条件得到黏性液化土-饱和土分层条件下的桩顶阻抗解析表达式，将理论解与有限元解进行对比验证了解的正确性，对端承桩桩顶阻抗进行参数分析，表明在分析液化土中桩基桩顶阻抗时，需要考虑液化土的黏滞特性，以免造成刚度阻抗的高估和阻尼阻抗的低估。     

挤土桩对土层液化影响研究

本文建立了挤土桩作用下厚液化土层在水平振动下的动力应变模型 ,经过分析 ,得到了振动情况下液化发展特性。结果表明 ,桩距为 4～ 6D时可使液化土的物理力学性质得到改善 ,液化危害性降低 ,液化的发展速度变速 ,最大液化深度减小     

浅析液化土地基的判别与处理方法

简单介绍了液化土地基的几种判别方法,对我国有代表性的几种液化判别方法及改进的IRN模型的地基液化判别法进行了简单评述,最后介绍了液化地基的处理方法,可为工程技术人员在实际判别和处理液化土地基时提供一些帮助。     

基于细粒含量的粉土液化特性试验研究

通过对4组重塑粉土试样的动三轴试验,分析了细粒含量对粉土抗液化强度的影响;采用"Seed"孔压模型对不同细粒含量粉土液化的孔压发展进行拟合分析,并确定出相应的模型参数。     

地基土液化对多孔拱桥工程设计的影响分析

结合工程案例,从多方面进行地基土液化对多孔拱桥工程设计的影响分析,并对可液化场地中多孔拱桥工程设计要点进行总结。主要考虑地基土液化影响下拱桥结构方案的比选,介绍地基土液化影响下多孔拱桥计算模型的选择,分析地基土液化影响桩基础抗震设计差异性,提出可液化场地中桩基桥梁施工技术要求。为工程实践提供参考经验。     

液化场地桩-土-桥梁结构动力相互作用大型振动台模型试验研究

大型振动台模型试验是目前研究土 -结动力相互作用的一种极其有效的手段。以 1976年唐山地震中倒塌的胜利桥为原型 ,开展 1∶10模型的液化场地桩 -土 -桥梁结构动力相互作用大型振动台模型试验研究 ,很好地再现了自然地震触发地基砂土液化的各种主要宏观震害现象 ,并且模型桩的试验破坏状况与其原型的实际震害情况也比较吻合。主要介绍有关此次大型振动台模型试验的相似设计、操作技术及试验结果等方面的若干关键科学问题 ,以飨同仁。     

A constrained neural network model for soil liquefaction assessment with global applicability

A constrained back propagation neural network (C-BPNN) model for standard penetration test based soil liquefaction assessment with global applicability is developed, incorporating existing knowledge for liquefaction triggering mechanism and empirical relationships. For its development and validation, a comprehensive liquefaction data set is compiled, covering more than 600 liquefaction sites from 36 earthquakes in 10 countries over 50 years with 13 complete information entries. The C-BPNN model design procedure for liquefaction assessment is established by considering appropriate constraints, input data selection, and computation and calibration procedures. Existing empirical relationships for overburden correction and fines content adjustment are shown to be able to improve the prediction success rate of the neural network model, and are thus adopted as constraints for the C-BPNN model. The effectiveness of the C-BPNN method is validated using the liquefaction data set and compared with that of several liquefaction assessment methods currently adopted in engineering practice. The C-BPNN liquefaction model is shown to have improved prediction accuracy and high global adaptability.     

基于未确知均值聚类分析的砂土地震液化评价

基于未确知测度理论,建立了砂土地震液化判别和液化势分级的未确知均值聚类分析模型和方法。针对砂土地震液化评价中的许多不确定性影响因素,选用地震震级,地面地震加速度幅值,标准贯入击数,比贯入阻力,砂土相对密实度,砂土平均粒径和场地地下水位等7个评价指标作为判别因子;选用17个砂土样本作为训练样本,建立各评价指标的未确知测度函数,以样本中的各评价指标数据的平均值表示其分类中心;利用相似权赋权方法确定评价指标的权重,依据未确知测度距离判别地震液化等级;根据建立的模型对训练样本回判,回判正确率为94.12％。将建立的模型对20个测试样本进行判别,将判别结果与地震液化的实际情况、BP神经网络和SOFM神经网络等方法的评价结果进行了对比。研究表明,该模型的评价结果与实测结果,以及BP神经网络、SOFM神经网络等方法的评判结果一致性较高。     

用人工神经网络预测饱和砂土的液化势

介绍了预测饱和砂土的液化势的人工神经网络法，结合工程实例详细阐述了该方法的建模、预测结果与实测值较为吻合，表明在工程抗震中运用这一方法的有效性。     

基于GA的BP神经网络在砂土液化评价中的应用

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。在探讨训练样本选取的基础上,耦合遗传算法和BP神经网络构建了遗传网络并应用于砂土液化的评价,通过与动量梯度下降算法改进的BP神经网络对比,表明了基于遗传算法的BP神经网络在砂土液化评价中的优越性。     

基于可拓学理论的砂土液化势综合评价研究

将可拓学理论引入到砂土液化势评价工作中，利用网络编程技术开发了基于Web平台的可拓综合评价系统，选取最关键的7个参数作为评价指标，建立了砂土液化势的可拓评价模型，从而找到了砂土液化势评价行之有效的新途径。     

基于递归神经网络的基坑工程变形多步预测方法研究

针对深基坑系统的复杂的非线性及基坑工程变形多步预测的重要性 ,将人工神经网络技术引入其中。分析了用BP网络进行多步预测时存在的不足 ,提出了基于递归神经网络的基坑工程变形多步预测模型。通过一软土深基坑工程变形多步预测实例的分析 ,论证了递归神经网络用于基坑工程变形多步预测的可靠性和实用性。该方法有效可行 ,在其他领域的多步预测中同样具有广阔的应用前景。     

A step forward towards a comprehensive framework for assessing liquefaction land damage vulnerability: Exploration from historical data

The unprecedented liquefaction-related land damage during earthquakes has highlighted the need to develop a model that better interprets the liquefaction land damage vulnerability (LLDV) when determining whether liquefaction is likely to cause damage at the ground’s surface. This paper presents the development of a novel comprehensive framework based on select case history records of cone penetration tests using a Bayesian belief network (BBN) methodology to assess seismic soil liquefaction and liquefaction land damage potentials in one model. The BBN-based LLDV model is developed by integrating multi-related factors of seismic soil liquefaction and its induced hazards using a machine learning (ML) algorithm-K2 and domain knowledge (DK) data fusion methodology. Compared with the C4.5 decision tree-J48 model, naive Bayesian (NB) classifier, and BBN-K2 ML prediction methods in terms of overall accuracy and the Cohen’s kappa coefficient, the proposed BBN K2 and DK model has a better performance and provides a substitutive novel LLDV framework for characterizing the vulnerability of land to liquefaction-induced damage. The proposed model not only predicts quantitatively the seismic soil liquefaction potential and its ground damage potential probability but can also identify the main reasons and fault-finding state combinations, and the results are likely to assist in decisions on seismic risk mitigation measures for sustainable development. The proposed model is simple to perform in practice and provides a step toward a more sophisticated liquefaction risk assessment modeling. This study also interprets the BBN model sensitivity analysis and most probable explanation of seismic soil liquefied sites based on an engineering point of view.     

软土地基沉降预测的一种智能方法

常规方法对软土地基沉降的估计存在一定的问题。利用一种新的智能方法来预测软土地基的沉降:通过已经观测到的沉降数据,建立了基于改进观测数据的神经网络预测模型,依此提出了基于部分实测沉降数据来预测短期沉降及最终沉降的方法。算例表明:对高度复杂非线性的土工结构问题,神经网络能够较为精确的解决,而且操作简单、泛化能力强。     

Application of machine learning algorithms for the evaluation of seismic soil liquefaction potential

This study investigates the performance of four machine learning (ML) algorithms to evaluate the earthquake-induced liquefaction potential of soil based on the cone penetration test field case history records using the Bayesian belief network (BBN) learning software Netica. The BBN structures that were developed by ML algorithms-K2, hill climbing (HC), tree augmented naive (TAN) Bayes, and Tabu search were adopted to perform parameter learning in Netica, thereby fixing the BBN models. The performance measure indexes, namely, overall accuracy (OA), precision, recall, F-measure, and area under the receiver operating characteristic curve, were used to evaluate the training and testing BBN models’ performance and highlight the capability of the K2 and TAN Bayes models over the Tabu search and HC models. The sensitivity analysis results showed that the cone tip resistance and vertical effective stress are the most sensitive factors, whereas the mean grain size is the least sensitive factor in the prediction of seismic soil liquefaction potential. The results of this study can provide theoretical support for researchers in selecting appropriate ML algorithms and improving the predictive performance of seismic soil liquefaction potential models.