城市轨道交通盾构法隧道工程地表竖向位移控制指标研究

城市轨道交通盾构法隧道工程周边地表竖向位移控制指标是判断工程安全与否的重要依据。通过对我国多个城市50个工程实测案例的分析,研究了盾构法隧道工程周边地表变形的特点。根据隧道断面大小、场地地层条件等影响因素的分类,对地表竖向位移实测结果进行数理统计分析,给出了相应的建议控制值。     

北京市轨道交通基坑工程桩体变形特性

根据基坑开挖深度、地层条件的不同,对北京市轨道交通80个明挖顺作法基坑工程实测结果进行统计分析,研究确定北京砂卵石和黏性土地区深基坑开挖引起的桩体变形规律。研究表明：①围护桩顶和桩体均存在向基坑内和基坑外两个方向的水平位移,水平位移实测结果分布形态均近似符合正态分布。②围护桩整体最大变形均以桩体变形为主,桩向基坑内水平位移平均值约为0.05%H～0.12%H,向基坑外水平位移平均值约为0.02%H～0.07%H。③插入比、长宽比、基坑系统刚度等对桩的最大水平位移有一定的影响。④桩向基坑内水平位移最大值主要出现在0.26H～0.45H处,向基坑外水平位移最大值主要出现在0.18H～0.20H处。研究成果可对未来北京及其他地区城市轨道交通基坑工程变形大小及安全性的预测和评估,指导基坑工程设计与施工工作,对防止基坑事故的发生具有重要意义。     

软土地区双排钢板桩围堰计算分析

双排钢板桩围堰因其具有受力性能好、止水效果好以及施工效率高等优点,而广泛应用于泵站、水闸、堤防等水利工程的施工中.本文结合广州市南沙区某泵站工程的施工围堰,采用工程设计规范中常用的计算方法,将双排钢板桩围堰简化为单排钢板桩+锚杆模型和重力式水泥土墙模型,利用理正深基坑软件对围堰宽度和稳定安全系数进行计算.结果表明,该方...     

金属元素掺杂对SrTiO_3光吸收特性的影响

采用溶胶-凝胶法制备了钙钛矿结构的SrTiO_3、Sr_(0.95)A_(0.05)TiO_3(A=Ph、Bi)和SrTi_(0.95)Co_(0.05)O_3光催化剂。采用X射线衍射、扫描电镜和紫外-可见光吸收等技术对样品形貌及光吸收特性进行了表征。以高压汞灯和碘钨灯为实验光源,通过对甲基橙和罗丹明B的脱色率考察样品的光催化活性。结果表明,各金属离子掺杂增强了SrTiO_3光吸收活性,使其在高压汞灯下对染料溶液的脱色率提高3～5倍,减小了带隙能,在不同程度上拓展了光吸收波长范围。     

基于ETM的水电站厂房抗震分析

耐震时程法是一种动力弹塑性抗震分析方法,该方法的关键在于耐震加速度时程曲线的合成。基于我国水工抗震设计规范的标准设计反应谱人工合成4条耐震加速度时程曲线,并以某实际工程的水电站厂房为例,分别对其进行7条天然地震动下的增量动力分析和4条耐震时程曲线输入下的非线性分析,对比研究了水电站厂房在不同地震强度下的最大层间位移角、上下游墙顶点最大相对位移,并对水电站厂房在设计地震作用下的典型节点的相对地面峰值位移与峰值加速度进行了对比。结果表明:耐震时程方法可有效地预测水电站厂房在不同等级地震作用下的地震响应,其结果处于增量动力分析结果的包络值之内,且在设计地震作用下,耐震时程方法在一定的容许范围之内可有效地对厂房结构作出地震响应评价,较增量动力分析,耐震时程方法避免了多次的调幅计算,大大提高了计算效率。     

上-下部结构相互作用对水电站厂房地震响应的影响研究

为了探究上-下部结构相互作用对水电站地面厂房地震响应的影响,基于工程实例,针对当前普遍应用的简化分析方法,确定了4种方案对比分析下部结构的放大效应、上下部结构的耦联以及下部结构混凝土材料采用线弹性本构模型对厂房结构地震响应的影响。结果表明:不考虑下部结构放大效应或者不考虑上下部结构耦联会使厂房结构的地震响应偏小且偏差较大,据此设防将不利于结构的抗震安全;不考虑下部结构混凝土材料的塑性力学行为时,厂房结构的地震响应偏大但较为接近真实值,进一步比较结构的各项能量分配和受拉损伤演化过程,此方案上部结构的塑性变形耗能和损伤耗能均减小,损伤范围也减小,下游墙体的损伤程度却更为严重,但结构破坏模式相似,均为上下部结构的相交部位发生损伤破坏,所以认为应用此方法做抗震简化分析能够较为准确地反映上-下部结构的相互作用,并且有利于水电站地面厂房的抗震安全。     

二丁基镁产物中氯含量测定

探讨了用电位滴定法分别测定二丁基镁产物中格氏试剂含量和总氯含量.格氏试剂C4H9MgCl在酸性水溶液中水解,采用电位滴定法进行含量测定;总氯测定是将有机氯在NaO和C2H\OH的混合溶液作用下水解为C1-,然后进行测定.测定结果的相对标准偏差为0～2.2%,用标准加入法做回收率实验,结果在95.2%～108.4%之间.     

机器学习在大坝渗流预测中的应用、挑战与展望

渗流的不良影响会提高溃坝风险,利用机器学习精确预测渗流情况对于确保大坝的安全和稳定至关重要。综述了机器学习在大坝渗流预测中的应用、挑战和出路。机器学习不仅可以预测大坝的渗流性态,而且能够识别渗流预测中大坝渗透系数、地下水位等关键参数。人工神经网络、支持向量机、决策树等机器学习算法已经被广泛应用于大坝的渗流预测,集成算法通过整合多种算法的优势,大大提高了预测准确性。机器学习模型在数据数量和质量、模型可解释性、复杂性、可扩展性以及部署和实现等方面仍存在诸多不足。未来的研究方向包括开发先进的机器学习算法、创建物理-数据双驱动模型和可解释模型、加强试验测试和验证等。相关成果可为基于机器学习模型的大坝渗流预测研究提供参考。