Experimental study on scale effect of mechanical properties of rockfill materials
-
摘要: 针对近年来堆石料力学特性缩尺效应试验研究成果较少的现状,开展了系列不同级配、不同最大粒径料的大三轴试验。试验料最大颗粒粒径分别为20,40,60 mm,级配采用同一分形维数控制,分别为2.3,2.6和2.7,代表了粗料、中间料和细料,共9组级配。制样标准采用同一相对密实度控制。研究表明：采用同一分形维数级配设计和同一相对密实度制样,堆石料内摩擦角、初始切线模量、体积模量总体上表现出随着颗粒最大粒径增大而增大的规律。但与变形模量相比,抗剪强度缩尺效应较小。Abstract: Due to few experimental achievements on scale effect of mechanical properties of rockfill materials, series of triaxial tests are made with different gradations and maximum diameters. The maximum diameters are 20, 40 and 60 mm. The 9 groups of gradations are designed with the same fractal dimensions under differecnt maximum diameters. The values of fractal dimensions are 2.3, 2.6 and 2.7, respectively, which represents coarse materials, medial materials and fine materials. The sample preparation standard is designed under the same relative density. The results show that the internal friction angles, initial tangent moduli and bulk moduli increase with the increase of the maximum diameters.
-
0. 引言
随着城市化进程的推进,基坑工程向更深、更复杂的趋势发展,为了保证周边环境安全,基坑变形的现场监测和预报已成为基坑工程的重要内容。传统的理论分析、数值模拟等方法虽然理论上可以实现变形的预测,但是岩土工程的变形机理复杂,涉及的影响因素众多,这类方法无法全面考虑[1]。
近年来,基于数据分析的时间序列建模方法被逐渐应用于岩土工程领域。其中灰色预测模型对样本数据量要求低,但对于非线性序列的预测效果较差[2]；人工神经网络具有较强的非线性映射能力,但存在网络结构难以确定、容易陷入局部最优、样本数据量要求高等缺点[3]；遗传算法、粒子群算法等优化算法与人工神经网络结合的组合模型改善了神经网络的性能,但仍然存在数据量要求高、泛化能力差的问题[4]。现有方法在预测时都以单测点的监测数据作为输入变量,只关注数据在时间维度上的关联性,而忽略了邻近监测点之间空间维度上的关联性。实际工程会设置大量的监测点,如何充分利用多个监测点的监测数据以提高预测精度是值得进一步研究的问题。针对上述不足,本文提出运用卷积神经网络与长短期记忆神经网络（CNN-LSTM）结合的组合模型,考虑监测数据在时间维度和空间维度上的关联性,对基坑工程多维序列进行预测。该方法在上海云岭超深基坑工程的地表沉降实际监测数据预测中取得了令人满意的效果。
1. CNN-LSTM模型
1.1 卷积神经网络（CNN）
卷积神经网络（convolutional neural networks）是一类包含卷积运算的前馈神经网络。CNN通过对数据的卷积和池化操作,提取数据之间的相互关系,可以用少量参数表达数据的空间特征,具有优秀的高维特征提取能力,被广泛用于图像处理、计算机视觉等问题。CNN网络的核心结构如图1所示。卷积层通过设置卷积核,对输入数据按式（1）进行离散卷积运算,提取输入数据的空间特征。池化层通过对卷积核内的数据进行取最大值、取平均值等操作,实现数据的降采样,即去除杂余信息,保留关键特征。
yi,j=σ(Wk⊗xi,j+bk), (1) Wk⊗xi,j=a−1∑m=0b−1∑n=0wm,n×xi+m,j+n, (2) 式中 xij为卷积层的输入数据；yij为卷积层的输出数据；为离散卷积运算；Wk和bk分别为第k个卷积核的权重系数和偏置参数；
σ 为神经元的激活函数；a,b为卷积核的尺寸参数。1.2 长短期记忆神经网络（LSTM）
LSTM神经网络（long short-term memory neural network）是循环神经网络RNN（recurrent neural network）的一种变体。LSTM神经网络通过设置特殊的“门”结构,可以有选择性地记忆长短期信息,解决了RNN结构的长时间依赖问题,在时序数据的预测问题上表现优异。LSTM单元结构如图2所示。
1.3 CNN-LSTM模型
卷积神经网络CNN与循环神经网络LSTM结合的CNN-LSTM神经网络结构如图3所示。CNN部分以多个监测点的标准化后的历史数据构成的多维时间序列Xt,n作为输入数据。Xt,n是一个二维矩阵,一行表示某一时刻n个监测点的监测值,一列表示某一监测点在时间步长t内的监测值。将该序列输入CNN部分后,进行卷积运算,提取空间特征,输出多个由空间特征组成一维序列。LSTM部分以CNN网络输出的一维序列作为输入数据。LSTM对序列进行回归预测,输出多个空间特征的预测值。最后通过全连接层整合空间特征预测值,输出监测数据的预测值。
2. 工程实例验证
2.1 工程概况
云岭竖井基坑是上海苏州河深隧工程的一部分。竖井基坑为圆形,深度约60 m,支护结构为1500 mm地下连续墙。基坑位于上海软土地区,且基坑开挖深度范围内的深层土体力学特性尚不明确,给基坑周边地表沉降的计算带来了困难。为了实时地进行动态化施工反馈,在基坑周边布置了大量监测点。基坑周边对称布置DB-1、DB-2、DB-3和DB-4四条测线,其中DB-4的监测点在施工中被破坏,监测数据不完整。
本文选取其余三条测线的第一个测点（DB1-1、DB2-1、DB3-1）从2020年7月27日至2020年12月28日,共计155组数据,前135组数据用于训练模型,后20组数据用于验证模型的精度。
2.2 监测数据建模预测
现在以DB1-1测点的监测数据作为预测目标,详细描述如何利用CNN-LSTM模型进行时序预测。
（1）数据预处理
现场采集的数据受各种因素的干扰,包含大量噪声[5]。为避免拟合噪声,在导入模型训练前,对原始数据进行降噪处理。降噪后数据如图4所示。此外,不同监测点的监测数据在绝对值上相差较大,为了避免模型训练时的梯度方向被某一监测点的数据控制,本文按式（3）标准化数据,标准化后的数据符合均值为0,方差为1的正态分布。
x′t,i=xt,i−μiσi, (3) 式中,μi,σi为第i个测点全部监测数据的均值和方差。
（2）CNN-LSTM模型构建
本文基于Python的Keras库构建CNN-LSTM模型。第一层为卷积层,卷积核个数为80,即提取80个空间特征,卷积核尺寸为1×3；第二层为LSTM层,LSTM层的神经元个数对网络的性能影响最大,因此取初始值80,在训练过程中优化；第三层为Dense层。需要指出的是由于本文选取的数据集在空间维度上只有3个监测点,数据规模不大,不设置池化层可以取得更好的效果。
（3）训练样本构造与模型训练
本文采用“5+1”的样本构造模式,即以3个测点前5天的监测数据作为输入数据,输入数据为5×3的二维矩阵,第6天DB1-1测点的监测数据作为输出数据。训练集共135组监测数据构造130组训练样本。训练优化器选择Adam,迭代次数epoch取100次,损失函数为均方误差MSE,模型收敛。
（4）监测值预测
最后利用训练完毕的模型对最后20组数据进行滚动预测。考虑到前期数据的降噪预处理,本文同时对噪声采用统计学模型ARMA进行分析、预测后,与CNN-LSTM的输出结果合并,作为最终预测值。为了验证CNN-LSTM模型的预测效果,本文同时单独采用LSTM模型进行预测,两种方法的结果和预测相对误差对比如图5,6所示。对DB2-1、DB3-1测点采用同样方法的预测结果和误差如图7～10所示。
图5和图6表明,CNN-LSTM组合模型的预测结果与单一LSTM模型相比,在所有观测时间点上都更接近实测值,但是两种模型预测结果的趋势仍然与实测值有明显不同,这是由于噪声的预测模型难以拟合本例的数据。采用CNN-LSTM模型时,预测结果的相对误差介于0.01%～3.44%之间,平均值为2.00%,而LSTM模型相对误差介于0.02%～4.36%,平均值为2.84%,说明前者预测精度更高,效果更为理想。
图7～10表明,DB2-1测点和DB3-1测点的预测结果与DB1-1测点基本一致,CNN-LSTM模型的预测结果更接近实测值。采用CNN-LSTM模型,DB2-1测点、DB3-1测点的预测平均相对误差分别为0.93%、1.35%,而采用LSTM模型的平均相对误差分别为1.84%和1.69%,综合来看,CNN-LSTM模型取得了更好的效果。
需要指出的是,CNN-LSTM的精度优化得益于测点之间的空间关联度,选择测点时可综合测点的几何分布和历史监测曲线两方面判断。本例测点对称分布于基坑周边,且历史监测曲线的趋势也具有一致性。
3. 结论
本文在已有岩土工程时间序列预测方法的基础上,提出可以考虑监测数据空间关联性的CNN-LSTM组合模型。通过基于上海云岭竖井超深基坑工程现场地表沉降监测数据的工程实例验证,得出以下结论：
（1）多个监测点的监测数据构成一个多维时间序列,不同监测点数据之间的空间关联特征可以用CNN网络中的卷积运算提取。
（2）CNN-LSTM模型采用CNN网络提取多维时间序列的空间特征,LSTM网络多空间特征序列进行回归预测。工程实例表明,该模型在预测精度上相较于基于单测点数据的LSTM模型具有更高的精度。
（3）本文预测的多维时间序列的均为地表沉降,即同一类监测数据。工程现场的不同监测项目之间,理论上也可采用CNN-LSTM模型建模预测,如何将该模型推广到任意监测项目组成的多维时间序列是值得深入研究的问题。
-
![]()
图 3 内摩擦角与最大粒径关系曲线
Figure 3. Relationship between internal friction angle and maximal particle size
![]()
图 4 初始切线模量与最大粒径关系曲线
Figure 4. Relationship between initial tangent modulus and maximal particle size
![]()
图 5 体积模量与最大粒径关系曲线
Figure 5. Relationship between bulk modulus and maximal particle size
表 1 相对密实度试验成果及制样干密度
Table 1 Minimal densities, maximal densities and sample densities
级配 最小干密度/(g·cm-3) 最大干密度/(g·cm-3) 制样干密度/(g·cm-3) 60-2.3 1.60 2.20 2.08 60-2.6 1.74 2.26 2.16 60-2.7 1.77 2.24 2.15 40-2.3 1.57 2.18 2.06 40-2.6 1.70 2.23 2.13 40-2.7 1.75 2.22 2.13 20-2.3 1.52 2.14 2.02 20-2.6 1.65 2.18 2.08 20-2.7 1.67 2.15 2.06 
下载: 导出CSV
表 2 邓肯E-B模型参数汇总表
Table 2 Summary of parameters of Duncan Model E-B
级配 参数 Rf K n Kb m 60-2.3 0.805 841 0.498 606 0.086 60-2.6 0.763 921 0.500 1015 0.192 60-2.7 0.708 855 0.495 1389 0.123 40-2.3 0.817 841 0.500 544 0.134 40-2.6 0.805 1044 0.500 946 0.158 40-2.7 0.756 829 0.500 1497 0.094 20-2.3 0.798 671 0.498 617 0.045 20-2.6 0.726 689 0.500 1451 0.018 20-2.7 0.737 722 0.500 1435 0.037
下载: 导出CSV
-
[1] 武利强, 朱晟, 章晓桦, 等. 粗粒料试验缩尺效应的分析研究[J]. 岩土力学, 2016, 37(8): 2187-2197. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201608009.htm WU Li-qiang, ZHU Sheng, ZHANG Xiao-hua, et al. Analysis of scale effect of coarse-grained materials[J]. Rock and Soil Mechanics, 2016, 37(8): 2187-2197. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201608009.htm
[2] 周伟, 常晓林, 马刚, 等. 堆石体缩尺效应研究进展分析[J]. 水电与抽水蓄能, 2017, 3(1): 17-23. https://www.cnki.com.cn/Article/CJFDTOTAL-DBGC201701006.htm ZHOU Wei, CHANG Xiao-lin, MA Gang, et al. Analysis on the research development of rockfill scale effect[J]. Hydropower and Pumped Storage, 2017, 3(1): 17-23. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DBGC201701006.htm
[3] 孔宪京, 刘京茂, 邹德高. 堆石料尺寸效应研究面临的问题及多尺度三轴试验平台[J]. 岩土工程学报, 2016, 38(11): 1941-1947. doi: 10.11779/CJGE201611002 KONG Xian-jing, LIU Jing-mao, ZOU De-gao. Scale effect of rockfill and multiple-scale triaxial test platform[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(11): 1941-1947. (in Chinese) doi: 10.11779/CJGE201611002
[4] 孔宪京, 宁凡伟, 刘京茂, 等. 基于超大型三轴仪的堆石料缩尺效应研究[J]. 岩土工程学报, 2019, 41(2): 255-261. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201902003.htm KONG Xian-jing, NING Fan-wei, LIU Jing-mao, et al. Scale effect of rockfill materials using super-large triaxial tests[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(2): 255-261. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201902003.htm
[5] 赵婷婷, 周伟, 常晓林, 等. 堆石料缩尺方法的分形特性及缩尺效应研究[J]. 岩土力学, 2015, 36(4): 1093-1101. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201504028.htm ZHAO Ting-ting, ZHOU Wei, CHANG Xiao-lin, et al. Fractal characteristics and scaling effect of the scaling method for rockfill materials[J]. Rock and Soil Mechanics, 2015, 36(4): 1093-1101. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201504028.htm
[6] 马刚, 周伟, 常晓林, 等. 堆石料缩尺效应的细观机制研究[J]. 岩石力学与工程学报, 2012, 31(12): 2473-2482. doi: 10.3969/j.issn.1000-6915.2012.12.011 MA Gang, ZHOU Wei, CHANG Xiao-lin, et al. Mesoscopic mechanism study of scale effects of rockfill[J]. Chinese Journal of Rock Mechanics and Engineering, 2012, 31(12): 2473-2482. (in Chinese) doi: 10.3969/j.issn.1000-6915.2012.12.011
[7] 花俊杰, 周伟, 常晓林, 等. 堆石体应力变形特性的尺寸效应研究[J]. 岩石力学与工程学报, 2010, 29(2): 328-335. HUA Jun-jie, ZHOU Wei, CHANG Xiao-lin, et al. Study of scale effect on stress and deformation of rockfill[J]. Chinese Journal of Rock Mechanics and Engineering, 2010, 29(2): 328-335. (in Chinese)
[8] 周伟, 常晓林, 周创兵, 等. 堆石体应力变形细观模拟的随机散粒体不连续变形模型及其应用[J]. 岩石力学与工程学报, 2009, 28(3): 491-499. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200903010.htm ZHOU Wei, CHANG Xiao-lin, ZHOU Chuang-bing, et al. Stochastic granule discontinuous deformation model of rockfill and its application[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(3): 491-499. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200903010.htm
[9] 朱晟, 王永明, 翁厚洋. 粗粒筑坝材料密实度的缩尺效应研究[J]. 岩石力学与工程学报, 2011, 30(2): 348-357. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201102020.htm ZHU Sheng, WANG Yong-ming, WENG Hou-yang. Study of scale effect of density of coarse-grained dam materials[J]. Chinese Journal of Rock Mechanics and Engineering, 2011, 30(2): 348-357. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201102020.htm
[10] 王永明, 朱晟, 任金明, 等. 筑坝粗粒料力学特性的缩尺效应研究[J]. 岩土力学, 2013, 34(6): 1799-1806, 1823. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201306041.htm WANG Yong-ming, ZHU Sheng, REN Jin-ming, et al. Research on scale effect of coarse-grained materials[J]. Rock and Soil Mechanics, 2013, 34(6): 1799-1806, 1823. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201306041.htm
[11] 朱晟. 高面板坝堆石体的填筑质量控制指标研究与应用[J]. 岩土工程学报, 2020, 42(4): 610-615. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202004005.htm ZHU Sheng. Study and application of control indices for filling quality of high concrete face rockfill dams[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(4): 610-615. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202004005.htm
[12] 郦能惠, 朱铁, 米占宽. 小浪底坝过渡料的强度与变形特性及缩尺效应[J]. 水电能源科学, 2001, 19(2): 39-42. https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY200102011.htm LI Neng-hui, ZHU Tie, MI Zhan-kuan, et al. Strength and deformation properties of transition zone material of Xiaolangdi Dam and scale effect[J]. International Journal Hydroelectric Energy, 2001, 19(2): 39-42. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SDNY200102011.htm
-
期刊类型引用(3)
1. 符传邦，吴育麒，吴月磊. 水泥搅拌桩各项参数对软土路基沉降的影响. 市政技术. 2023(02): 73-77 . 
百度学术
2. 赵楠. 地铁隧道基底围岩动三轴试验研究. 资源信息与工程. 2022(02): 116-120 . 百度学术
3. 魏丽，柴寿喜，张琳，李瑶. 冻融作用下三类纤维加筋固化土的抗压抗拉性能. 岩土力学. 2022(12): 3241-3248+3280 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 229
- HTML全文浏览量: 24
- PDF下载量: 64
- 被引次数: 6
