既有设备基础改造设计

结合具体工程实例,介绍了既有设备基础改造设计,提出了利用原有设备基础进行改造使之应用于新设备的方法,对类似工程有一定的指导意义.     

真空预压法在洪湖湖滨区软土加固中的应用

通过真空预压法在洪湖湖滨区软土加固中的运用,阐述了真空预压法在软土地基处理的施工工艺,分析了在施工过程中得到的监测数据,验证了真空预压法在机场深层地基处理中的可行性,为类似工程提供依据。     

CFG桩复合地基桩土应力现场测试与数值模拟

针对复合地基在路堤荷载下与刚性基础下受力结构模式存在一定的差异,对江西某高速公路软基试验段填砂路堤下CFG桩复合地基承载力特性进行了现场试验,同时采用有限元差分软件FLAC3D建立模型,对复合地基桩土应力与土体沉降进行了数值仿真计算。结果表明,静载试验测试桩间距1.5m的桩土应力比为5.58,与实际路堤加载监测值2.26和数值计算值2.72有一定的误差。因此,对于本工程仅采用静载试验确定路堤荷载下CFG桩复合地基承载力是不合适的。     

强夯法加固不良地基的机理与应用

简要介绍了强夯法的优点和适用范围,具体阐述了强夯法加固地基的机理,推导了强夯的加固深度计算公式,分析了强夯法在具体工程实例中的应用,指出强夯法处理不良地基效果良好,具有很好的推广前景。     

刚性桩复合地基理论及其在广东地区的应用

针对目前刚性桩复合地基现行设计方法的不足,根据刚性桩复合地基桩土的荷载分担情况,通过桩身刚度、桩间土的刚度及桩顶砂垫层厚度等影响因素的分析,提出一种既考虑力的平衡、又考虑变形协调的刚性桩复合地基设计新方法。该方法在广东地区几个项目的应用结果表明:所提出的计算方法是合理可行的。采用刚性复合地基的沉降量与通常桩基础比较没有明显的差别。     

CRG桩在岩溶地层的试验研究

介绍CRG桩施工方法及首次施工的情况,并讨论在岩溶地区施工中遇到的岩层稳定性控制、孔内沉渣清理、桩管的吊装与驳接及灌浆问题。CRG桩按嵌岩桩设计,分析静载试验结果,发现本次的静载试验结果只发挥桩的侧阻力而没有发挥桩的端阻力,对其产生的原因进行分析。同时,总结CRG桩在岩溶地区施工工艺,为后续在花岗岩和泥质砂岩持力层中试验成功及工程应用积累经验。     

水泥搅拌桩加固坝基动力响应分析

以Biot固结方程为基础,采用有效应力法对水泥搅拌桩复合地基及细砂土层进行动力响应及液化分析。该法考虑了阻尼等因素的影响,将应力、位移及孔压等量耦合于Biot固结方程之中,从而可以计算地震期间的孔隙水压力、速度、正应力及剪应力的发展全过程,并探讨了上覆荷载、水泥搅拌桩桩长、置换率等因素对场地动力响应及液化的影响,对地基抗震设计及研究具有一定的指导意义。     

无拉力双参数地基上自由边矩形薄板的弯曲

应用Fourier级数加补充项的方法求解了无拉力双参数地基上自由边矩形薄板的弯曲问题．通过适当设定满足可导条件的Fourier级数加补充项形式的挠度函数．把给定边界条件下的微分方程化成一个无穷代数方程组，因接触区的边界预先不能确定，故这组方程为弱非线性方程，使用迭代法获得解答．     

Detecting anomalies and de-noising monitoring data from sensors: A smart data approach

When monitoring safety levels in deep pit foundations using sensors, anomalies (e.g., highly correlated variables) and noise (e.g., high dimensionality) exist in the extracted time series data, impacting the ability to assess risks. Our research aims to address the following question: How can we detect anomalies and de-noise monitoring data from sensors in real time to improve its quality and use it to assess geotechnical safety risks? In addressing this research question, we develop a hybrid smart data approach that integrates Extended Isolation Forest and Variational Mode Decomposition models to detect anomalies and de-noise data effectively. We use real-life data obtained from sensors to validate our smart data approach while constructing a deep pit foundation. Our smart data approach can detect anomalies with a root mean square error and signal-to-noise ratio of 0.0389 and 24.09, respectively. To this end, our smart data approach can effectively pre-process data enabling improved decision-making and the management of safety risks.