智能岩土工程初探

陈湘生; 洪成雨; 苏栋

doi:10.11779/CJGE202212001

智能岩土工程初探 English Version

陈湘生^{1, 2, 3, 4,},
洪成雨^{1, 2, 3, 4, ,},
苏栋^{1, 2, 3, 4}

1.
深圳大学土木与交通工程学院, 广东深圳 518060
2.
深圳市地铁地下车站绿色高效智能建造重点实验室(深圳大学), 广东深圳 518060
3.
深圳大学未来地下城市研究院, 广东深圳 518060
4.
滨海城市韧性基础设施教育部重点实验室(深圳大学), 广东深圳 518060

基金项目:

国家自然科学基金重大项目 52090084

国家自然科学基金重点项目 51938008

详细信息

作者简介:
陈湘生(1956—)，湖南湘潭人，博士，教授，中国工程院院士，主要从事隧道与地下工程、城市轨道交通工程、智能岩土工程、特殊岩土工程、人工冻土力学、建井工程等研究工作。E-mail: xschen@szu.edu.cn

通讯作者:
洪成雨, E-mail: cyhong@szu.edu.cn

中图分类号: TU441
计量
- 文章访问数: 877
- HTML全文浏览量: 278
- PDF下载量: 347
出版历程
- 收稿日期: 2021-09-21
- 网络出版日期: 2022-12-13
- 刊出日期: 2022-11-30

Intelligent geotechnical engineering

CHEN Xiang-sheng^{1, 2, 3, 4,},
HONG Cheng-yu^{1, 2, 3, 4, ,},
SU Dong^{1, 2, 3, 4}

1.
College of Civil and Transportation Engineering, Shenzhen University, Shenzhen 518060, China
2.
Shenzhen Key Laboratory of Green, Efficient and Intelligent Construction of Underground Metro Station, Shenzhen 518060, China
3.
Underground Polis Academy, Shenzhen University, Shenzhen 518060, China
4.
Key Laboratory for Resilient Infrastructures of Coastal Cities (Shenzhen University), MOE, Shenzhen 518060, China

摘要

摘要: 以物联网、现代通讯、大数据、人工智能等技术为核心的第四次工业革命成为了众多研究领域智能化升级的平台，新时代条件下传统岩土工程研究遇到了前所未有的机遇和挑战，岩土工程与最新的信息技术、计算机科学技术相互融合，如建筑信息模型、物联网、人工智能、深度学习、增强现实等可实现岩土工程的智能化转型。研究初步构建了“智能岩土工程”的知识图谱，探索了相应的实现路径，阐述了基于新技术的三维地质建模–物联网–深度学习–扩展现实的岩土工程智能化转型方法；介绍了建筑信息模型（BIM）与地理信息系统（GIS）一体化的三维地质建模、“端–边–云–网”的技术架构、以主动伺服加载系统为代表的岩土工程（深基坑工程）风险主动控制系统；阐明了物联网传感器技术在岩土工程领域的应用情况、虚拟现实与增强现实技术在岩土工程领域的应用现状；分析了人工智能（深度学习）在岩土工程风险预测预警方面的关键作用；构建了未来智能岩土工程的知识图谱，为拟从事智能岩土工程相关的研究人员提供借鉴。
- 智能岩土工程 /
- 三维地质建模 /
- 物联网 /
- 人工智能 /
- 深度学习 /
- 扩展现实
Abstract: The fourth industrial revolution based on the core technologies of Internet of Things (IoT), modern communication, big data and artificial intelligence (AI) is an upgrading platform for many different research fields. The traditional geotechnical engineering has great opportunities and grand challenges in this new era. Integration of the geotechnical engineering, innovative information technology and computer science technology such as building information modelling (BIM), IoT, AI, deep learning and argument reality can be used to realize intelligent transformation of the traditional geotechnical engineering. The knowledge mapping of the intelligent geotechnical engineering is preliminarily established, and the relevant realization paths are investigated. The transformation method for the intelligent geotechnical engineering "3D geological modelling-IoT-deep learning-extended reality" based on the innovative technologies is depicted. 3D geological modelling using the fusion of BIM and the geographic information system, the technological frame of "end-edge-cloud-network" and the active risk control for geotechnical engineering (deep excavation engineering) based on the active servo-loading system are introduced. The application status of the IoT sensoring technology visual reality and argument reality in the geotechnical engineering is introduced. The key role of AI (deep learning) in the geotechnical engineering for monitoring and early warning is analyzed. The knowledge mapping of future development of the intelligent geotechnical engineering is proposed, providing advice and guidance for the relevant researchers in the geotechnical engineering.
- intelligent geotechnical engineering /
- 3D geological modelling /
- Internet of Things /
- artificial intelligence /
- deep learning /
- extended reality

HTML全文

0. 引言

土石混合体（soil-rock mixture,S-RM）是一种极不均匀的松散材料,如崩积层、残积层和洪积层,主要组成成分是碎块石和土^[1]。在中国西南山区的基础设施建设过程中,土石混合体被广泛地用作土工材料^[2]填充到低洼场地,形成了众多的高填方体边坡。高填方体边坡滑坡破坏制约着中国西南山区基础设施建设的发展,如攀枝花机场填方体滑坡^[3]、贵州某高填方体边坡滑坡^[4],其原因之一为土石混合料填筑体与下伏基岩界面间的抗滑阻力不足^[3]。鉴于此,为了提供更大抗滑阻力,基岩坡面常采用台阶式开挖（如图1所示）,形成了长宽比不同的台阶形状基岩界面。尽管如此,对大多数高填方体边坡来说,其填方体与下伏基岩接触面仍然是边坡的第一不连续面,受地震、堆积体重力、降雨作用等因素的影响,此接触面常常是高填方体边坡失稳不容忽视的潜在滑移面之一。

图 1 填方体边坡示意图

Figure 1. Schematic diagram of fill slope

下载: 全尺寸图片幻灯片

受施工场地地形条件约束,不同地形下基岩放坡开挖所采用的坡率亦有所差异,从宏观上可认为不同坡率开挖所形成的台阶状基岩界面其粗糙度不同。大量研究表明接触面粗糙度对土-基岩界面的剪切强度及变形特征有重要影响。Zhang等^[5-6]对颗粒土-钢板接触面进行的大型接触面静力和循环加载试验结果表明,接触面强度符合莫尔-库仑强度准则；随着钢板表面粗糙度的增加,接触面摩擦角呈现增大的趋势。Borana等^[7-8]对全风化花岗岩土壤-钢板接触面进行的直剪试验也表明,钢板表面粗糙度越大,接触面抗剪强度越高。并指出法向应力变化历史对接触面变形特征和剪切破坏强度参数影响较大。石熊等^[9]研究揭示了红黏土与混凝土接触面粗糙度对接触面抗剪及残余强度有较大的影响。陈俊桦等^[10]指出红黏土与混凝土接触面剪切破坏、变形与接触面粗糙度有较大关系,接触面内摩擦角受其影响较小,接触面黏聚力随接触粗糙度增大而增大并趋近红黏土黏聚力。张吉顺等^[11]重点研究了粗糙度对黏性土与混凝土结构接触面的影响规律,试验制作了表面为规则的锯齿凹凸混凝土试块,指出粗糙度明显影响其力学特性。以上学者在研究接触面粗糙度对颗粒材料和结构物接触面的剪切特性影响机制中,常常采用砂土、黏土和粗粒土,几乎很少考虑土石混合体（填方体）这种极不均匀、松散的材料。虽然陈静等^[12]通过土石混体与混凝土桩接触面室内大型直剪研究了含水率和含石率对其接触面力学特性的影响；Cen等^[13]对土石混合体-台阶状界面接触面开展了数值模拟剪切试验,研究了含石率和土石混体最大块石粒径对其接触界面的力学特性的影响。但接触面粗糙度对土石混合体-基岩接触面剪切力学特性的影响尚不多见,仍需深入研究。鉴于此,本文通过土石混合体-基岩接触面室内大型直剪试验,较系统地研究了接触面粗糙度对填方体-下伏基岩界面的剪切强度及变形特征的影响。可为高填方体或堆积体边坡稳定性分析提供参考。

1. 室内大型直剪试验

1.1 试验设备

室内大型直剪试验采用四川大学华西岩土研究所研制的大型粗粒土压缩直剪仪ZJ50-2G（见图2）,仪器主要由刚性框架、上下剪切盒、水平加载装置、垂直加载装置和数据采集装置等组成,直剪试验过程中,垂直方向加载到法向压力设计值,固定上剪切盒并水平推动下剪切盒,使试样均匀受剪。仪器采用数字控制系统,可以自动化采集数据。试验所用上、下剪切盒长×宽×高为300 mm×300 mm×200 mm。

图 2 ZJ50-2G大型粗粒土压缩直剪仪示意图

Figure 2. ZJ50-2G large coarse soil compression direct shear apparatus

下载: 全尺寸图片幻灯片

1.2 试样制备

土石混合料试样取自重庆武隆某机场填方区具有代表性的强夯区域,为粉质黏土、黏土以及灰岩碎块石组成的混合物,试样基本物理参数指标如表1所示。

表 1 土石混合体及灰岩基本物理参数指标

Table 1. Basic physical parameter indexes of soil-rock aggregate

土体类型	物理参数指标
土体类型	干密度/(g·m^-3)	孔隙比	天然含水率/%	天然密度/(kg·m^-3)	c/kPa	φ/(°)	弹性模量/GPa	单轴抗压强度/MPa
土石混合体	1788	0.24	9.32	2110	23.9	10.54	—	—
灰岩	—	—	—	2730	1433	35.67	29.14	68.09

下载: 导出CSV

| 显示表格

由于室内试验剪切盒尺寸限制,将现场原土石混合体级配按相同比例缩小,根据《水电水利工程粗粒土试验规程》^[14]用相似级配法可将原样粒径按照几何相似条件等比例缩小,各粒组的相对比例保持不变。

将场地原土石级配采用相似级配法等比例缩小后,试验级配中最大块石粒径为25 mm（如图3）。试验土石混合体级配选择5 mm作为土石阈值^[15],试验级配曲线见图4所示。

图 3 样本筛分结果

Figure 3. Sample sieving results

下载: 全尺寸图片幻灯片

图 4 土石混合体试样级配曲线

Figure 4. Gradation curve of soil-rock mixture samples

下载: 全尺寸图片幻灯片

试验所用基岩取自重庆武隆仙女山机场现场,地层为二叠系（P）上统吴家坪组地层,岩性主要是泥质灰岩。采用WDAJ-600型微机控制电液伺服多功能试验机测得岩石试件的单轴抗压强度、抗剪强度指标和弹性模量如表1所示。

台阶状灰岩试件设计坡率分别为1∶2,1∶1.75和1∶1.5。台阶高度h不变,台阶长度L发生变化,使其满足设计的坡率,制作了表面粗糙度不同的3组试件,每组试件长×宽×高为300 mm×300 mm×200 mm。参考张吉顺等^[11]、赵春风等^[16]对不同混凝土试件粗糙度的定义,本试验所用灰岩试件粗糙度定义为（如图5）：

Y = R / S

$Y = R / S$ ,

(1)

图 5 台阶状灰岩试件界面示意图

Figure 5. Interface diagram of step limestone test piece

下载: 全尺寸图片幻灯片

式中,R为台阶峰谷距离,S为两峰的距离。

为更好地描述土石混合体-基岩接触面的剪切机理,定义台阶J斜面角度 $α$ $α$ 为

α = arctan (h / L)

$α = arctan (h / L)$ ,

(2)

式中,h为台阶高度,L为台阶长度（如图5）。

根据粗糙度与J斜面的定义,3组试件的粗糙度及台阶斜面J的角度如表2所示。

表 2 台阶基岩界面力学参数指标

Table 2. Mechanical parameter indexes of step bedrock interface

编号	坡率	台阶高/cm	台阶宽/cm	粗糙度Y/mm	J斜面α/(°)
1	1∶2	25	50	0.399	26.56
2	1∶1.75	25	43.75	0.431	29.74
3	1∶1.5	25	37.44	0.462	33.69

下载: 导出CSV

| 显示表格

将重庆武隆仙女山机场现场不规则的灰岩试块,按照表2设计方案加工后的试件如图6所示。

图 6 加工后的岩石试件

Figure 6. Processed rock samples

下载: 全尺寸图片幻灯片

1.3 试验方案

将台阶状灰岩试件放入下剪切盒中,在上剪切盒中放入土石混合体。室内试验所用土石混合体试验级配如图4所示,将筛分好的不同粒径块石与土颗粒先拌和至粗细颗粒分布均匀,按天然含水率（9.32%）分3次加入水,搅拌至试样干湿均匀；称取适量拌和均匀的土样分3次逐层均匀装填入上剪切盒内,每层都采用静压法压实^[17],按压实系数0.9控制,并对各层接触面凿毛处理,防止层面过于明显,影响剪切效果。考虑到在剪切过程中由于台阶与块石之间的咬合作用,部分块石很难翻越相邻块石或台阶,随着剪切位移的增加,这些块石可能会被剪碎。为了探究剪切面上块石的破碎现象,本文在土样装填完成后,用红色油漆将剪切面块石染色,在试验结束后统计染色块石破碎数量,以此来判断剪切面上块石的破碎情况。

夏红春等^[18]建议直剪试验剪切速率采用0.02～1.2 mm/min,本文采用0.8 mm/min的剪切速率控制。如表3 所示,每组试件在法向应力为 200,400,600和800 kPa下进行土石混合体-基岩接触面的剪切试验。根据《水电水利工程粗粒土试验规程》^[14]当剪切位移为60 mm（试样长度的20%）时终止试验。

表 3 室内大型直剪试验方案

Table 3. Indoor large-scale direct shear test schemes

试件编号	粗糙度C	法向压力/kPa
1	0.399	200,400,600,800
2	0.431	200,400,600,800
3	0.462	200,400,600,800

下载: 导出CSV

| 显示表格

2. 试验结果与分析

2.1 剪应力-剪切位移曲线分析

不同法向应力水平作用下,土石混合体与不同粗糙度试块接触面的剪应力-剪切位移曲线如图7所示。

图 7 剪切应力-剪切位移曲线

Figure 7. Shear stress-shear displacement curves

下载: 全尺寸图片幻灯片

由图7可知,剪应力-剪切位移曲线在低法向应力（如图7（a）,（b））作用下曲线前期呈现出应变硬化现象,后期呈现出塑性应变现象。曲线有明显的峰值,并且接触面粗糙度越大,峰值剪应力对应的位移越小。而在高法向应力（如图7（c）,（d））作用下,曲线均呈现出应变硬化现象,当剪切位移在35～45 mm之前时,剪应力随剪切位移增长较快,之后剪应力仍持续增长但增长速度开始变缓,整个剪切过程无明显峰值；相同法向应力水平作用下,接触面粗糙度越大,剪应力-剪切位移曲线的斜率越大,土石混合体-基岩接触面剪切刚度^[19]越大。

在剪切过程中,随着剪切位移不断增加,台阶凹槽内块石与接触面附近一定范围内块石不断错动和旋转,凹槽内块石与接触面上部一定范围内土石混合体中的块石相互咬合、闭锁形成了块石骨架（如图8）,块石骨架又会与台阶产生咬合力,随着剪切位移的增加,咬合作用力逐渐上升,接触面抗剪强度也在逐渐提高。当剪切继续进行,凹槽内块石、上部土石混合体中块石与台阶三者之间的咬合作用逐渐增强到某一值时,块石骨架中部分块石被剪碎,接触面上剪应力发生跌落。在低法向应力作用下,剪应力跌落后剪切面发生塑性流动破坏（如图7（a）,（b））；而在高法向应力作用下,块石被剪碎,剪切面上的块石数量增加,并能重新发生错动、咬合,形成新的更多的咬合块石骨架（如图9）,因此剪切应力-剪切位移曲线表现出剪应力短暂跌落后又上升的现象（如图7（c）,（d））。

图 8 块石骨架形成示意图

Figure 8. Schematic diagram of block stone skeleton formation

下载: 全尺寸图片幻灯片

图 9 块石破碎后重新形成骨架示意图

Figure 9. Schematic diagram of re-formed skeleton after rock is broken

下载: 全尺寸图片幻灯片

由于台阶状灰岩的弹性模量远大于土石混合体的弹性模量几个数量级,可将灰岩试件近似看作刚性体^[10],因此接触面剪切区的切向变形主要由灰岩试件剪切面上部土石混体和灰岩试件台阶凹槽内土石混合体产生。凹槽内的土石混体沿着台阶斜面发生爬坡现象,将凹槽内的土石混体沿斜面的变形分解为竖向变形分量和切向变形分量,粗糙度大时,剪切斜面J的倾角 $α$ $α$ 越大,在产生相同切向变形下,将产生更大的竖向变形,需要更大的克服法向应力做功,因此剪切应力增长更快,在低法向应力作用下,能更快地达到峰值。

2.2 粗糙度对接触面附近块石破碎的影响

接触面附近的块石破碎量反映了土石混合填方体中块石与基岩接触面相互咬合的紧密程度,咬合作用越强烈,则在剪切时块石越容易被剪碎。如图11所示,块石破碎形态可分为完全破碎、部分破碎和表面磨损3种。块石发生完全破碎或部分破碎意味着块石所受的咬合作用较大,不易翻越相邻块石或台阶,因此块石容易被剪碎（如图10（a））。块石发生表面磨损说明此块石虽然与其它块石或台阶产生了接触,但是咬合作用很小,在剪切过程中主要以滑移为主,所以只在块石表面留下了摩擦的痕迹（如图10（b））。

图 11 块石破碎形态

Figure 11. Broken forms of block stone

下载: 全尺寸图片幻灯片

图 10 块石破碎模式示意图

Figure 10. Schematic diagram of block crushing mode

下载: 全尺寸图片幻灯片

染色的块石是随机布设在剪切面上的,因此在一定程度上染色块石的破碎情况可反映整个剪切面破碎情况。试验结束后挑出事先随机分布于剪切面上的染色块石进行观察,按照图11对块石破碎形态的分类方法,将不同粗糙度下破碎的染色块石进行分类统计,结果如图12所示。由图12可知,相同法向应力作用下,接触面粗糙度越大,完全破碎块石数量越多,完全破碎和部分破碎块石总数也越多。

图 12 染色块石破碎与粗糙度关系

Figure 12. Relationship between broken stone blocks and roughness

下载: 全尺寸图片幻灯片

由于试件表面粗糙度较大时,台阶斜面J也越陡,台阶凹槽内土石混体在沿着台阶斜面J发生爬坡运动时,斜面越陡其法向位移分量越大,剪切破坏区厚度增加,剪切破坏区内有更多的块石相互接触,形成强度较高的块石骨架,随着剪切位移不断增加,紧密咬合的块石更容易被台阶剪断,所以试件粗糙度增加时,块石破碎的现象会加剧。完全破碎或者部分的块石数量可以从侧面体现出剪切面上块石与块石、块石与台阶咬合作用和嵌固作用的强弱程度,在剪切过程中咬合作用和嵌固作用力越强,块石越不易翻越相邻块石或台阶,则块石容易被剪碎。

2.3 粗糙度对接触面抗剪强度的影响

根据《水电水利工程粗粒土试验规程》^[14],抗剪强度取剪应力与水平位移关系曲线上峰值或稳定值,如无明显峰值,则取水平位移达到试样直径或长度10%处的剪应力作为抗剪强度。统计不同粗糙度接触面在不同法向压力下的抗剪强度如表4所示,从表中可见,在相同的法向应力作用下,随着接触面粗糙度的增加,接触面抗剪强度显著提高。

表 4 界面抗剪强度

Table 4. Interface shear strengths

项目		试件编号
项目		1	2	3
抗剪强度	$σ_{n}$ $σ_{n}$ =200 kPa	179.0500	224.2300	264.8700
	$σ_{n}$ $σ_{n}$ =400 kPa	356.9700	401.5600	460.8900
	$σ_{n}$ $σ_{n}$ =600 kPa	490.3700	536.6700	575.6700
	$σ_{n}$ $σ_{n}$ =800 kPa	605.5600	694.8200	794.5600
粗糙度		0.3990	0.4310	0.4620
相关系数R		0.9899	0.9975	0.9874
表观黏聚力/kPa		54.7500	77.6000	98.0400
内摩擦角/(°)		35.2400	37.7200	40.4300

下载: 导出CSV

| 显示表格

在剪切过程中,接触面上的抗剪强度主要来自于两部分：一是克服块石与块石之间、块石与台阶之间的咬合作用力,台阶粗糙度越大,块石与块石之间、块石与台阶之间的咬合作用力越强,在整体上则表现为接触面的抗剪强度越大；二是克服块石与块石、块石与基岩结构面之间的滑移阻力,台阶凹槽内的土石混合体会沿着台阶斜面J发生爬坡现象,爬坡现象增加了剪切破坏区内土石混合体在法向方向上的挤压作用,粗糙度越高,凹槽内土石混合体法向位移分量越大,法向挤压作用越明显,滑移阻力越大,因此需要更大的克服法向应力做功,从而接触面抗剪强度得以提高。同时块石的破碎以及破碎后块石的重新排列需要外力额外做功^[20],这些额外做的功也将会使接触面抗剪强度增大。

2.4 粗糙度对接触面剪切强度参数的影响

不同接触面粗糙度下抗剪强度-法向应力关系曲线如图13所示。进行拟合后其线性相关系数R均大于0.98,这表明在本文试验的法向应力范围内,接触面的抗剪强度与法向应力关系具有较好的线性相关。参考已有研究^[10-13]中研究接触面抗剪强度参数的计算方法,本文采用莫尔-库仑准则对不同粗糙度接触面的抗剪强度与法向应力关系进行描述。

图 13 不同接触面粗糙度下抗剪强度与法向应力关系曲线

Figure 13. Relationship between shear strength and normal stress under different contact surface roughnesses

下载: 全尺寸图片幻灯片

采用莫尔-库仑强度准则对试验数据进行拟合,得到其表观黏聚力^[20-21]和内摩擦角,表观黏聚力和内摩擦角与粗糙度关系曲线如图14所示。由图14可知,随着粗糙度的增大,内摩擦角和表观黏聚力呈线性增长趋势。粗糙度由0.399增加到0.462时,接触面的内摩擦角和表观黏聚力分别提高了14.72%和79.07%,表明粗糙度对表观黏聚力的影响更为显著。

图 14 接触面强度参数与粗糙度关系曲线

Figure 14. Relationship between contact surface strength parameters and roughness

下载: 全尺寸图片幻灯片

在剪切过程中沿接触面发生剪切破坏主要克服摩擦阻力和表观黏聚力。在本文试验中摩擦阻力可分为两部分,一是台阶凹槽内土石混合体与剪切面上部土石混合体之间的滑动摩擦阻力,二是台阶凹槽内土石混合体与台阶凹槽表面的滑动摩擦阻力。由于试验所用土石混合体级配、含水率均保持一致,不同试件的台阶凹槽表面几乎无任何差异,因此不同试件接触面上的摩擦阻力也应该差别不大,但是随着剪切位移的增加,剪切面上的块石发生错动和破碎使这种理想的状态发了改变。李广信^[20]认为颗粒的破碎和重排列均需要外力额外做功,这将会增加剪切面上的内摩擦角。随着粗糙度的增加剪切面上块石破碎越严重,正是这种现象导致了接触面的内摩擦角随着粗糙度的增加有轻微的上升。

沿接触面发生剪切变形需要克服的另一种因素是表观黏聚力。马林^[21]认为表观黏聚力并非来源于颗粒间的胶结和各种化学键,表观黏聚力表现为剪切面上不规则土颗粒之间的咬合力。在本试验中,接触面附近的块石与块石、块石与台阶相互咬合。当剪切不断进行时,剪切面上的块石要么翻越相邻块石或者台阶,要么被剪断,发生剪切破坏。参考前人研究成果^[21],本文认为表观黏聚力产生的原因是块石与块石之间、块石与台阶之间的咬合作用力。随着粗糙度的增加,块石与块石之间、块石与台阶之间的咬合作用力随之增强,导致接触面的表观黏聚力显著提高。需要补充的一点是,接触面上不仅有表观黏聚力,还有台阶凹槽内土石混合体与剪切面上部土石混合体中土颗粒间的黏聚力,但由于本试验土石混合体含石率较大,作为胶结材料的土颗粒之间的接触较少,所以这部分黏聚力很小,接触面上主要由表观黏聚力占主导作用。

2.5 粗糙度对剪切带的影响

Cen等^[13]认为剪切带是接触面附近变形较大的区域,而变形较小的区域被称为非剪切带。在本试验中,凹槽内的土石混体沿着台阶斜面发生爬坡现象,将凹槽内的土石混体沿斜面的变形分解为竖向变形分量和切向变形分量,粗糙度大时,剪切斜面J的倾角 $α$ $α$ 越大,在产生相同切向变形下,将产生更大的竖向变形；同时接触面粗糙度较大时,凹槽内土石混合体法向位移分量越大,法向挤压作用越明显,这使得凹槽内块石与接触面上部一定范围内块石相互咬合、闭锁形成的块石骨架范围更广,当块石骨架在剪切过程中被破坏时,变形较大的区域随之增加。因此接触面粗糙度较大时,剪切过程中形成的剪切带较宽,如图15所示。

图 15 不同粗糙度下剪切带示意图

Figure 15. Schematic diagram of shear zone with different roughnesses

下载: 全尺寸图片幻灯片

3. 结论

通过对土石混体—基岩接触面室内大型直剪试验,分析了基岩在不同粗糙度下接触面的剪切变形特征。

（1）在低法向应力作用下,剪应力-剪切位移曲线前期呈现出应变硬化现象,后期呈现出塑性应变现象,且接触面粗糙度越大接触面发生剪切破坏时变形越小；在高法向应力作用下,剪应力-剪切位移曲线呈现出应变硬化现象,无明显峰值。相同法向应力水平作用下,接触面粗糙度越大,剪应力-剪切位移曲线的斜率越大,土石混合体-基岩接触面剪切刚度越大。

（2）剪切界面上块石的破碎形态可分为完全破碎、部分破碎和表面磨损3种。相同法向应力作用下,接触面粗糙度越大,完全破碎块石数量越多,完全破碎和部分破碎块石总数也越多。说明在剪切过程中剪切面上块石与块石、块石与台阶咬合作用和嵌固作用力越强,块石越不易翻越相邻块石或台阶,则块石容易被剪碎。

（3）采用莫尔-库仑强度准则对试验数据进行了线性拟合,获得了其表观黏聚力和内摩擦角。结果表明：在相同法向应力作用下,接触面抗剪强度随着接触面粗糙度增加而增大；土石混体-基岩接触面的内摩擦角和表观黏聚力随着接触面粗糙度的增加也都有所增大,其中接触面的表观黏聚力增大较为明显。

（4）接触面粗糙度对剪切带宽度有影响作用,表现为接触面粗糙度越大,剪切带越宽。

图 1 智能岩土工程关键词关联性分析

Figure 1. Mapping analysis of co-occurrence of keywords related to intelligent geotechnical engineering

下载: 全尺寸图片幻灯片

图 2 岩土监测MEMS传感器^[19-20]

Figure 2. MEMS sensors for geotechnical monitoring

下载: 全尺寸图片幻灯片

图 3 隧道图像测量设备^[21]

Figure 3. Measurement devices for tunnel topography

下载: 全尺寸图片幻灯片

图 4 沿激光扫描仪视线拍摄的地面混合像素横截面^[24]

Figure 4. Example of automatically-detected mixed pixels in a single scan station

下载: 全尺寸图片幻灯片

图 5 激光扫描仪获取的隧道点云图与处理方法^[28]

Figure 5. Obtained point cloud of a tunnel

下载: 全尺寸图片幻灯片

图 6 沉降预测与建筑物损坏评估的软件SMART^[43]

Figure 6. Settlement prediction and building damage assessment- based software SMART^[43]

下载: 全尺寸图片幻灯片

图 7 微软vGIS与Trimble Site Vision屏幕截图 ^[48]

Figure 7. Screens of vGIS from Microsoft company (upper figure) and Trimble Site Vision (lower figure) ^[48]

下载: 全尺寸图片幻灯片

图 8 深基坑主动伺服加载系统工作原理^[50]

Figure 8. Operating principle of servo-struts in a deep excavation^[50]

下载: 全尺寸图片幻灯片

图 9 智能岩土工程框架知识图谱

Figure 9. Knowledge mapping of intelligent geotechnical engineering

下载: 全尺寸图片幻灯片

参考文献(52)

[1]	赵艳莉. 基于计算机三维地质模型的岩土工程设计与可视分析——评《岩土工程勘察与设计》[J]. 岩土工程学报, 2019, 41(7): 1381. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201907028.htm ZHAO Yan-li. Based on the design and visual analysis of geotechnical engineering based on computer three-dimensional geological model[J]. Journal of Geotechnical Engineering, 2019, 41(7): 1381. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201907028.htm
[2]	谭顺辉. 隧道掘进机多功能化及智能化的发展与推广[J]. 隧道建设, 2020, 40(9): 1243–1250. https://www.cnki.com.cn/Article/CJFDTOTAL-JSSD202009001.htm TAN Shun-hui. Development and application of multi-functional and intelligent tunnel boring machine[J]. Tunnel Construction, 2020, 40(9): 1243–1250. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSSD202009001.htm
[3]	陈祖煜, 赵宇飞, 邹斌, 等. 填筑碾压施工无人驾驶技术的研究与应用[J]. 水利水电技术, 2019, 50(8): 1–7. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201908001.htm CHEN Zu-yu, ZHAO Yu-fei, ZOU Bin, et al. Research and application of drive technology of dam filling rolling construction[J]. Water Resources & Hydropower Technology, 2019, 50(8): 1–7. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201908001.htm
[4]	熊自明, 卢浩, 王明洋, 等. 我国大型岩土工程施工安全风险管理研究进展[J]. 岩土力学, 2018, 39(10): 3703–3716. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201810028.htm XIONG Zi-ming, LU Hao, WANG Ming-yang, et al. Research progress on safety risk management for large scale geotechnical engineering construction in China[J]. Rock and Soil Mechanics, 2018, 39(10): 3703–3716. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201810028.htm
[5]	戴妙林, 屈佳乐, 刘晓青, 等. 基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究[J]. 水利水电技术, 2018, 49(5): 165–171. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201805024.htm DAI Miao-lin, QU Jia-le, LIU Xiao-qing, et al. Study on GA-BP hybrid algorithm-based prediction model and its application to rock slope stability and reinforcement effect[J]. Water Resources and Hydropower Engineering, 2018, 49(5): 165–171. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201805024.htm
[6]	ONSEL I E, CHANG O, MYSIOREK J, et al. Applications of mixed and virtual reality techniques in site characterization[C]// 26th Vancouver Geotechnical Society Symp. Vancouver, 2019.
[7]	WANG R X, WANG R, FU P C, et al. Portable interactive visualization of large-scale simulations in geotechnical engineering using Unity3D[J]. Advances in Engineering Software, 2020, 148: 102838. doi: 10.1016/j.advengsoft.2020.102838
[8]	VAN ECK N J, WALTMAN L, VOSviewer Manual[M]. Leiden: Univeristeit Leiden, 2011.
[9]	韩同春, 林博文, 何露, 等. 基于GIS与数值模拟软件耦合的三维边坡建模方法及其稳定性研究[J]. 岩土力学, 2019, 40(7): 2855–2865. doi: 10.16285/j.rsm.2018.0439 HAN Tong-chun, LIN Bo-wen, HE Lu, et al. Three-dimensional slope modelling method and its stability based on coupled GIS and numerical simulation software[J]. Rock and Soil Mechanics, 2019, 40(7): 2855–2865. (in Chinese) doi: 10.16285/j.rsm.2018.0439
[10]	VALERIA N, ROBERTA V, VITTORIA C A. A new frontier of BIM process: geotechnical BIM[C]// Proceedings of the Ⅻ European Conference on Soil Mechanics and Geotechnical Engineering, Icelandic Geotechnical Society. Reykjavik, 2019.
[11]	ZOU Y, KIVINIEMI A, JONES S W. A review of risk management through BIM and BIM-related technologies[J]. Safety Science, 2017, 97: 88–98. doi: 10.1016/j.ssci.2015.12.027
[12]	FABOZZI S, BIANCARDO S A, VEROPALUMBO R, et al. I-BIM based approach for geotechnical and numerical modelling of a conventional tunnel excavation[J]. Tunnelling and Underground Space Technology, 2021, 108: 103723. doi: 10.1016/j.tust.2020.103723
[13]	HONG C Y, ZHANG Y F, ZHANG M X, et al. Application of FBG sensors for geotechnical health monitoring, a review of sensor design, implementation methods and packaging techniques[J]. Sensors and Actuators A: Physical, 2016, 244: 184–197. doi: 10.1016/j.sna.2016.04.033
[14]	ZHANG C C, SHI B, ZHU H H, et al. Toward distributed fiber-optic sensing of subsurface deformation: a theoretical quantification of ground-borehole-cable interaction[J]. Journal of Geophysical Research: Solid Earth, 2020, 125(3): e2019JB018878.
[15]	ZHANG C C, ZHU H H, CHEN D D, et al. Feasibility study of anchored fiber-optic strain-sensing arrays for monitoring soil deformation beneath model foundation[J]. Geotechnical Testing Journal, 2019, 42(4): 20170321. doi: 10.1520/GTJ20170321
[16]	SHI B, ZHANG D, HONGHU Z, et al. DFOS Applications to Geo-Engineering Monitoring[J]. Photonic Sensors, 2021, 11(2): 158–186. doi: 10.1007/s13320-021-0620-y
[17]	CMIELEWSKI B. Use of low-cost MEMS technology in early warning system against landslide threats[J]. Acta Geodynamica et Geomaterialia, 2013: 485–490. doi: 10.13168/AGG.2013.0049
[18]	BENNETT V, ABDOUN T, O'MEARA K, et al. Wireless MEMS-based in-place inclinometer-accelerometer array for real-time geotechnical instrumentation[C]//Engineering Geology and Geological Engineering for Sustainable Use of the Earth's Resources, Urbanization and Infrastructure Protection from Geohazards. Springer, 2018.
[19]	KIM J, KWON S, PARK S, et al. A MEMS-based commutation module with vibration sensor for wireless sensor network-based tunnel-blasting monitoring[J]. KSCE Journal of Civil Engineering, 2013, 17(7): 1644–1653. doi: 10.1007/s12205-013-0108-4
[20]	XU C Y, CHEN J W, ZHU H C, et al. Design and laboratory testing of a MEMS accelerometer array for subsidence monitoring[J]. Review of Scientific Instruments, 2018, 89(8): 085103. doi: 10.1063/1.5036666
[21]	GAO Z R, LI F J, LIU Y, et al. Tunnel contour detection during construction based on digital image correlation[J]. Optics and Lasers in Engineering, 2020, 126: 105879. doi: 10.1016/j.optlaseng.2019.105879
[22]	SALOMA UY E E. Image processing for geotechnical laboratory measurements[J]. International Journal of Geomate, 2016, 10(22): 1964–1970.
[23]	STANIER S A, BLABER J, TAKE W A, et al. Improved image-based deformation measurement for geotechnical applications[J]. Canadian Geotechnical Journal, 2016, 53(5): 727–739. doi: 10.1139/cgj-2015-0253
[24]	MILENKOVIĆ M, PFEIFER N, GLIRA P. Applying terrestrial laser scanning for soil surface roughness assessment[J]. Remote Sensing, 2015, 7(2): 2007–2045. doi: 10.3390/rs70202007
[25]	MAZZANTI P. Displacement monitoring by terrestrial SAR interferometry for geotechnical purposes[J]. Geotechnical News, 2011, 29(2): 25.
[26]	XU H, LI H B, YANG X G, et al. Integration of terrestrial laser scanning and NURBS modeling for the deformation monitoring of an earth-rock dam[J]. Sensors, 2018, 19(1): 22. doi: 10.3390/s19010022
[27]	OSKOUIE P, BECERIK-GERBER B, SOIBELMAN L. Automated measurement of highway retaining wall displacements using terrestrial laser scanners[J]. Automation in Construction, 2016, 65: 86–101. doi: 10.1016/j.autcon.2015.12.023
[28]	XIE X Y, LU X Z. Development of a 3D modeling algorithm for tunnel deformation monitoring based on terrestrial laser scanning[J]. Underground Space, 2017, 2(1): 16–29. doi: 10.1016/j.undsp.2017.02.001
[29]	LI Z H, FANG L Q, SUN X K, et al. 5G IoT-based geohazard monitoring and early warning system and its application[J]. EURASIP Journal on Wireless Communications and Networking, 2021: 160.
[30]	HUDSON T S, BAIRD A F, KENDALL J M, et al. Distributed Acoustic Sensing (DAS) for natural microseismicity studies: a case study from Antarctica[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(7): e2020JB021493.
[31]	江月新, 黄云龙, 余建军. 基于WiFi通信的矿井监测无线传感器网络研究[J]. 煤炭技术, 2017, 36(6): 278–280. https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS201706106.htm JIANG Yue-xin, HUANG Yun-long, YU Jian-jun. Research on mine monitoring wireless sensor network based on WiFi communication[J]. Coal Technology, 2017, 36(6): 278–280. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS201706106.htm
[32]	DONG W K, LI W G, SUN Z H, et al. Intrinsic graphene/cement-based sensors with piezoresistivity and superhydrophobicity capacities for smart concrete infrastructure[J]. Automation in Construction, 2022, 133: 103983. doi: 10.1016/j.autcon.2021.103983
[33]	DAI Y Y, ZHANG K, MAHARJAN S, et al. Edge intelligence for energy-efficient computation offloading and resource allocation in 5G beyond[J]. IEEE Transactions on Vehicular Technology, 2020, 69(10): 12175–12186. doi: 10.1109/TVT.2020.3013990
[34]	ARMAGHANI D J, AZIZI A. Empirical, statistical, and intelligent techniques for TBM performance predictionp[J]. Applications of Artificial Intelligence in Tunnelling and Underground Space Technology, Springer, 2021: 17–32.
[35]	DING Z, JIN J K, HAN T C. Analysis of the zoning excavation monitoring data of a narrow and deep foundation pit in a soft soil area[J]. Journal of Geophysics and Engineering, 2018, 15(4): 1231–1241. doi: 10.1088/1742-2140/aaadd2
[36]	EID A, HESTER J G D, TENTZERIS M M. 5G as a wireless power grid[J]. Scientific Reports, 2021, 11: 636. doi: 10.1038/s41598-020-79500-x
[37]	REN J, ZHANG D Y, HE S W, et al. A survey on end-edge-cloud orchestrated network computing paradigms: transparent computing, mobile edge computing, fog computing, and cloudlet[J]. ACM Computing Surveys, 2020, 52(6): 125.
[38]	RAWLINGS C. Geotechnical finite element analysis-a practical guide[C]// Proceedings of the Institution of Civil Engineers-Civil Engineering, 2017.
[39]	ZHANG W G, ZHANG R H, WU C Z, et al. State-of-the-art review of soft computing applications in underground excavations[J]. Geoscience Frontiers, 2020, 11(4): 1095–1106.
[40]	JAFARI M. System identification of a soil tunnel based on a hybrid artificial neural network–numerical model approach[J]. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 2020, 44(3): 889–899.
[41]	HASANPOUR R, ROSTAMI J, SCHMITT J, et al. Prediction of TBM jamming risk in squeezing grounds using Bayesian and artificial neural networks[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2020, 12(1): 21–31.
[42]	CHEN R P, ZHANG P, KANG X, et al. Prediction of maximum surface settlement caused by earth pressure balance (EPB) shield tunneling with ANN methods[J]. Soils and Foundations, 2019, 59(2): 284–295.
[43]	CAO B T, OBEL M, FREITAG S, et al. Artificial neural network surrogate modelling for real-time predictions and control of building damage during mechanised tunnelling[J]. Advances in Engineering Software, 2020, 149: 102869.
[44]	QIU H, FANG W, BAO H, et al. A feasibility study of virtual reality technology in guidance design of underground space[C]// International Conference on Applied Human Factors and Ergonomics. Springer, 2021.
[45]	CHI H L, KANG S C, WANG X Y. Research trends and opportunities of augmented reality applications in architecture, engineering, and construction[J]. Automation in Construction, 2013, 33: 116–122.
[46]	BERTAM J, MOSKALIAK J. Virtual reality training: making construction work safer[J]. Computers in Human Behavior, 2015, 43: 284–292.
[47]	XU J Q, MOREU F. A review of augmented reality applications in civil infrastructure during the 4th industrial revolution[J]. Frontiers in Built Environment, 2021, 7: 640732.
[48]	HANSEN L H, FLECK P, STRANNER M, et al. Augmented reality for subsurface utility engineering, revisited[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 27(11): 4119–4128.
[49]	唐德琪, 俞峰, 黄祥国, 等. 开挖诱发坑内既有基桩附加内力的模型试验[J]. 浙江大学学报(工学版), 2019, 53(8): 1457–1466. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201908004.htm TANG De-qi, YU Feng, HUANG Xiang-guo, et al. Chamber tests for investigating additional internal forces in existing foundation piles induced by excavation[J]. Journal of Zhejiang University (Engineering Science), 2019, 53(8): 1457–1466. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201908004.htm
[50]	LI M G, DEMEIJER O, CHEN J J. Effectiveness of servo struts in controlling excavation-induced wall deflection and ground settlement[J]. Acta Geotechnica, 2020, 15(9): 2575–2590.
[51]	赵自强. 深基坑自动伺服系统应用的变形控制分析[C]// 第十五届全国工程物探与岩土工程测试学术大会. 厦门, 2017. ZHAO Zi-qiang. Deformation control analysis of automatic servo system application in deep foundation pit[C]// The 15th National Engineering Property Exploration and Geotechnical Engineering Test Academic Conference. Xiamen, 2017. (in Chinese)
[52]	CHEN B G, YAN T F, SONG D B, et al. Experimental investigations on a deep excavation support system with adjustable strut length[J]. Tunnelling and Underground Space Technology, 2021, 115: 104046.

施引文献(47)

期刊类型引用(19)

1.	杜岩，张洪达，谢谟文，蒋宇静，张明，贾北凝. 矿山采空区边坡动态稳定性评价方法. 工程科学学报. 2025(02): 215-223 . 百度学术
2.	潘网生，马宗源，傅良同. 贵州三叠纪垄头组软岩优势结构面研究意义和进展. 绿色科技. 2024(06): 236-240 . 百度学术
3.	陶通铭. 采动作用下岩质斜坡变形破坏机制研究——以贵州龙场崩塌为例. 中国水运(下半月). 2024(11): 113-114+145 . 百度学术
4.	陶通铭. 采动作用下岩质斜坡变形破坏机制研究——以贵州龙场崩塌为例. 中国水运. 2024(22): 113-114+145 . 百度学术
5.	梁博，杨更社，冯伟，潘振兴，孙杰龙，刘慧，陈奇. 冻融诱发平面滑移型岩质边坡失稳模型试验研究. 西安科技大学学报. 2024(06): 1118-1126 . 百度学术
6.	于群群，孙朝燚. 顺层岩质边坡滑剪破坏规律研究. 河南城建学院学报. 2023(01): 15-21 . 百度学术
7.	杨忠平，向宫固，赵茜，刘新荣，赵亚龙. 水动力-溶蚀作用下灰岩结构面剪切力学特性. 岩土工程学报. 2023(08): 1555-1563 . 本站查看
8.	李华. 基于无人机航摄三维模型的地质信息提取和数值模拟应用. 中国水运(下半月). 2023(09): 31-33 . 百度学术
9.	牛犇，冯春，丛俊余，孙子正，张一鸣. 基于CDEM颗粒流的三维高速远程滑坡成灾范围分析. 岩石力学与工程学报. 2023(S2): 4018-4027 . 百度学术
10.	杨小龙，王刚. 滑坡堆积体反粒序现象的离散元数值分析. 工程地质学报. 2023(06): 1941-1950 . 百度学术
11.	李华. 基于无人机航摄三维模型的地质信息提取和数值模拟应用. 中国水运. 2023(18): 31-33 . 百度学术
12.	穆成林，裴向军，王睿，王超. 基于物理模型试验的含多层软弱夹层顺层开挖高边坡变形破坏特征分析. 中国地质灾害与防治学报. 2022(03): 61-67 . 百度学术
13.	朱彦鹏，杜一博，杨校辉，张卫雄，朱鋆川. 甘肃舟曲河那滑坡变形特征及孕灾机理. 科学技术与工程. 2022(25): 10884-10895 . 百度学术
14.	朱赛楠，殷跃平，王猛，朱茂，王晨辉，王文沛，李俊峰，赵慧. 金沙江结合带高位远程滑坡失稳机理及减灾对策研究——以金沙江色拉滑坡为例. 岩土工程学报. 2021(04): 688-697 . 本站查看
15.	易连兴，李瑜. 岩溶及水动力对鸡尾山滑坡影响作用研究. 工程地质学报. 2021(03): 583-592 . 百度学术
16.	刘宁波，钟立力，龙森. 山区公路单斜坡回头曲线路段滑坡成因及治理方案研究. 路基工程. 2020(03): 190-195 . 百度学术
17.	李巧学，周洪福，冉涛，铁永波. 中倾侧向坡中一种岩体破坏过程的模拟研究. 路基工程. 2020(04): 62-65+72 . 百度学术
18.	崔芳鹏，李滨，杨忠平，吴乐乐，李宁，彭健全. 贵州纳雍普洒滑坡动力触发机制离散元模拟分析. 中国岩溶. 2020(04): 524-534 . 百度学术
19.	何忠明，杨煜，曾新发，刘森峙. 土洞演化过程中路基变形的响应分析. 中南大学学报(自然科学版). 2018(12): 3068-3076 . 百度学术