Large-scale triaxial tests on unit cell of composite soil with cement-soil columns under static loading
-
摘要: 水泥土桩法作为一种常用的软土加固方法,可有效提高地基承载力、减小沉降。国内外众多学者对水泥土桩复合地基进行了相关研究,但由于现场试验和模型研究中其应力状态不够明确,无法正确分析其力学特性。采用大型三轴试验研究静荷载下水泥土桩复合单元体的力学特性,获得了置换率和围压对其峰值强度与残余强度的影响。最后提出了改进的水泥土桩复合体等效黏聚力经验公式,可为水泥土桩复合地基的设计提供参考。Abstract: The cement-soil column, as one of the commonly-used ground improvement methods, can effectively improve the bearing capacity of foundation and reduce settlement. There have been many researches focused on this topic. However, the stress state of the composite soil is not clear in field and model tests, therefore, its real mechanical behavior is difficult to be obtained. A series of large-scale triaxial tests are conducted to investigate the unit cell of the composite soil with cement-soil columns under static loading. The influences of replacement ratio and confining stress on the peak and residual strengths are gained. An empirical method for calculating the equivalent cohesion of the composite soil is proposed, providing a reference for the design of composite foundation with cement-soil columns.
-
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 不同围压下水泥土桩复合单元体应力-应变关系
Figure 3. Stress-strain curves of specimens under different confining stresses
![]()
图 4 不同置换率下水泥土桩复合单元体应力-应变关系曲线
Figure 4. Stress-strain curves of specimens with different replacement ratio
![]()
图 6 水泥土桩复合单元体强度随围压的变化
Figure 6. Variation of strength of unit cell with confining stress
![]()
图 7 水泥土桩复合单元体强度随置换率的变化
Figure 7. Variation of strength of unit cell with replacement ratio
表 2 等效黏聚力计算结果
Table 2 Calculated results of equivalent cohesion
置换率/% 试验结果/kPa 式（2）/kPa 式（5）/kPa 偏差 式（2） 式（5） 11.1 25.0 57.9 25.3 0.43 0.99 16.0 39.0 80.4 38.2 0.49 1.02 21.7 55.3 106.5 55.8 0.52 0.99 平均值 0.48 1.00 
下载: 导出CSV
-
[1] 刘慧芬, 郑伟锋, 程春香, 等. 水泥土搅拌桩加固软土地基施工质量控制[J]. 地基处理, 2020, 2(6): 527-532. https://www.cnki.com.cn/Article/CJFDTOTAL-DJCL202006019.htm LIU Hui-fen, ZHENG Wei-feng, CHENG Chun-xiang, et al. Construction quality control of cement mixing pile for soft ground treatment[J]. Journal of Ground Improvement, 2020, 2(6): 527-532. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DJCL202006019.htm
[2] 刘汉龙, 赵明华. 地基处理研究进展[J]. 土木工程学报, 2016, 49(1): 96-115. https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201601013.htm LIU Han-long, ZHAO Ming-hua. Review of ground improvement technical and its application in China[J]. China Civil Engineering Journal, 2016, 49(1): 96-115. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201601013.htm
[3] 章定文, 范礼彬, 刘松玉, 等. 水泥土搅拌桩复合地基固结机理室内模型试验[J]. 中国公路学报, 2014, 27(12): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201412002.htm ZHANG Ding-wen, FAN Li-bin, LIU Song-yu, et al. Laboratory model tests on consolidation mechanism of soft clay improved by deep mixing cement columns[J]. China Journal of Highway and Transport, 2014, 27(12): 1-9. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201412002.htm
[4] 马洪友, 刘林. 水泥搅拌桩复合地基承载力研究[J]. 公路, 2013(2): 50-53. https://www.cnki.com.cn/Article/CJFDTOTAL-GLGL201302014.htm MA Hong-you, LIU Lin. Study on bearing capacity of cement mixing pile composite foundation[J]. Highway, 2013(2): 50-53. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GLGL201302014.htm
[5] LIU F, ZHU K, HU X, et al. Experimental simple shear study of composite soil with cemented soil core[J]. Marine Georesources and Geotechnology, 2019, 37(8): 960-971. doi: 10.1080/1064119X.2018.1513614
[6] ZHANG Z, XIAO Y, HAN J, et al. Modified equivalent area method for calculating factors of safety against deep-seated failure of embankments over deep-mixed foundations[J]. International Journal of Geomechanics, 2020, 20(3): 1-16.
[7] 水泥土配合比设计规程：JGJ/T 233—2011[S]. 2011. Specification for Mix Proportion Design of Cement Soil: JGJ/T 233—2011[S]. 2011. (in Chinese)
[8] OMINE K, OCHIAI H, YASUFUKU N. Evaluation of scale effect on strength of cement-treated soils based on a probabilistic failure model[J]. Soils and Foundations, 2005, 45(3): 125-34.
[9] AHNBERG H, JOHANSSON S E. Increase in strength with time in soils stabilised with different types of binder in relation to the type and amount of reaction products[C]//International Conference on Deep Mixing, 2005-Best Practice and Recent Advances, 2005, Stockholm.
-
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: 174
- HTML全文浏览量: 14
- PDF下载量: 93
- 被引次数: 6
