基于贝叶斯理论和条件协同模拟的海上风电场土体参数空间变异性表征

徐加宝; 张泽超; 张璐璐; 曹子君; 王宇; 张一凡; 张德; 陈杨明

doi:10.11779/CJGE20221585

基于贝叶斯理论和条件协同模拟的海上风电场土体参数空间变异性表征 English Version

徐加宝^{1, 2,},
张泽超³,
张璐璐^{1, 4, 5, ,},
曹子君⁶,
王宇²,
张一凡¹,
张德¹,
陈杨明¹

1.
上海交通大学土木工程系海洋工程国家重点实验室, 上海 200240
2.
香港城市大学建筑学及土木工程学系, 香港 999077
3.
中国长江三峡集团有限公司科学技术研究院, 北京 100038
4.
高新船舶与深海开发装备协同创新中心, 上海 200240
5.
上海市公共建筑和基础设施数字化运维重点实验室, 上海 200240
6.
西南交通大学智慧城市与交通学院高速铁路线路工程教育部重点实验室, 四川成都 611756

基金项目:

中国长江三峡集团有限公司科研资助项目 WWKY-2020-0741

国家自然科学基金项目 52025094

国家自然科学基金项目 51979158

上海市教育委员会科研创新计划项目 2021-01-07-00-02-E00089

详细信息

作者简介:
徐加宝(1993—)，男，博士，主要从事岩土工程可靠度方面的研究工作。E-mail: jiabaoxu2-c@my.cityu.edu.hk

通讯作者:
张璐璐, E-mail: lulu_zhang@sjtu.edu.cn

中图分类号: TU43
计量
- 文章访问数: 376
- HTML全文浏览量: 108
- PDF下载量: 66
出版历程
- 收稿日期: 2022-12-28
- 网络出版日期: 2024-03-24
- 刊出日期: 2024-07-31

Spatial variability characterization of soil properties in offshore wind farms based on Bayesian theory and conditional co-simulation method

XU Jiabao^{1, 2,},
ZHANG Zechao³,
ZHANG Lulu^{1, 4, 5, ,},
CAO Zijun⁶,
WANG Yu²,
ZHANG Yifan¹,
ZHANG De¹,
CHEN Yangming¹

1.
State Key Laboratory of Ocean Engineering, Department of Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China
2.
Department of Architecture and Civil Engineering, City University of Hong Kong, Hong Kong 999077, China
3.
Institute of Science and Technology, China Three Gorges Corporation, Beijing 100038, China
4.
Collaborative Innovation Center for Advanced Ship and Deep-Sea Exploration (CISSE), Shanghai 200240, China
5.
Shanghai Key Laboratory for Digital Maintenance of Buildings and Infrastructure, Shanghai 200240, China
6.
MOE Key Laboratory of High-speed Railway Engineering, Institute of Smart City and Intelligent Transportation, Southwest Jiaotong University, Chengdu 611756, China

摘要

摘要: 海上风电场土体参数的空间变异性表征对海上风电工程具有重要意义，多源土体参数融合可降低表征结果的不确定性。然而，现有方法无法利用非同位多源土体参数数据，且不考虑统计不确定性对空间变异性表征的影响。为此，提出了基于贝叶斯理论的条件协同模拟方法，该方法根据非同位多源土体参数数据，利用贝叶斯理论估计交叉变异函数，再利用条件协同模拟方法生成大量土体参数空间分布的模拟样本，表征参数空间变异性，表征过程中合理地考虑模型参数的统计不确定性。以某海上风电场为工程背景，利用提出的方法融合无侧限抗压强度(q_u)和标准贯入试验(SPT)击数N值，表征q_u的空间变异性。结果表明：提出的方法可以根据有限非同位的q_u和N值数据，表征q_u的空间变异性，合理地反映了有限数据条件下统计不确定性的影响。此外，利用强信息先验分布或者融合标准贯入数据，可以降低变异函数模型参数统计不确定性和条件协同模拟结果的不确定性。
- 海上风电场 /
- 空间变异性 /
- 条件协同模拟 /
- 贝叶斯理论 /
- 多源数据融合
Abstract: The spatial variability characterization of soil properties in offshore wind farms is essential for offshore engineering. The multi-source data fusion can reduce the uncertainty of characterization. However, the existing methods cannot simulate geotechnical properties based on the non-co-located multi-source data, and do not consider the effects of statistical uncertainty. To overcome these challenges, a conditional co-simulation method based on the Bayesian theory is proposed. The Bayesian theory is first used to estimate the cross-variogram model based on the non-co-located multi-source data. Then, the conditional co-simulation is used to generate realizations of spatially varied soil properties, which can characterize the spatial variability with consideration of statistical uncertainty. The proposed method is applied to an offshore wind farm to establish the spatial variability model for the unconfined compression strength (q_u) by integrating data on q_u and standard penetration test (SPT) N value. The results show that the proposed method can characterize the spatial variability of q_u from the non-co-located data on the values of q_u and N, and statistical uncertainty is properly taken into account. In addition, the uncertainties of the variogram models and the conditional co-simulation results can be reduced when the prior distribution with more information and/or SPT data is used.
- offshore wind farm /
- spatial variability /
- conditional co-simulation /
- Bayesian theory /
- multi-source data fusion

HTML全文

0. 引言

潜水面上升可能诱发边坡失稳，艾伯凡矿灾^[1]（Aberfan Disaster）、沃楚西特水坝^[2]（Wachusett Dam）等就属于这一破坏模式。Brand^[3]建议研究边坡的破坏机理时，应该考虑边坡内土体单元的应力应变响应。边坡内潜水面上升的应力路径可以简化为等剪应力排水路径^[3-6]。针对等剪应力排水路径下土体的力学响应，研究者们进行了一系列工作^{[2, 6-7]}。Chu等^[2]通过试验证明了等剪应力排水路径下土体的非稳定态与边坡失稳存在相关性。Lashkari等^[7]利用离散元数值模拟等剪应力排水路径，发现松砂和密砂的非稳定态存在区别。此外，研究者还发现各向异性对等剪应力排水路径的非稳定态存在显著影响。Fanni等^[8]通过试验发现大主应力方向从垂直于沉积面旋转到45°时，非稳定态的应力比不断减小，指出在评估边坡稳定时不能忽略各向异性的影响。

一些研究者也在利用本构模型模拟该应力路径。Lashkari等^[7]采用了各向异性临界状态塑性本构模型^[9]模拟了不同孔隙比和剪应力值下的等剪应力排水试验，表明了模型具有模拟该应力路径的能力。但本构模型能否模拟各向异性条件下的等剪应力排水试验，目前仍然未知。

各向异性对砂土的力学响应有显著影响^[10-16]。如何用本构模型描述饱和砂土的力学响应是目前的研究热点之一。为总结各向异性对于砂土力学响应影响的规律，研究者们进行了大量物理试验和离散元数值试验。物理试验方面如Yoshimine等^[17]和Nakata等^[18]研究了不同加载方向和中主应力系数对丰浦砂应力应变关系的影响，发现当大主应力平行于沉积面、中主应力系数为1时，土样表现出更强的剪缩特性，更易发生静态液化。离散元数值试验方面如Fu等^[19]再现了直剪试验，研究各向异性砂土的峰值强度。这些试验为本构模型的建立和验证提供了基础和依据，各类模型通过模拟试验证明了自身的有效性^[20-23]。如Wang等^[22]通过离散元数值试验总结各向异性对塑性模量和剪胀的影响，在CycLiq本构模型^[24]的基础上加入了组构各向异性，并通过离散元试验和物理试验对新模型进行了验证。

本文利用Wang等^[22]提出的各向异性CycLiq本构模型，对Fanni等^[8]进行的一系列定轴不排水试验与定轴等剪应力排水试验进行了模拟，验证了该模型对于各向异性砂土在不同主应力方向下、不同应力路径力学响应的模拟能力，并研究了初始组构强度对于模型模拟定轴等剪应力排水试验结果的影响。

1. 各向异性CycLiq模型

1.1 本构模型

基于排水与不排水循环扭剪试验现象研究，张建民等^[25-26]将砂土的体应变 ${\varepsilon _\text{v}}$ 分解为有效球应力变化引起的弹性体应变 ${\varepsilon _\text{vc}}$ 和剪切引起的塑性体应变 ${\varepsilon _\text{vd}}$ ，又将剪切引起的塑性体应变 ${\varepsilon _\text{vd}}$ 进一步划分为可逆性剪切体应变 ${\varepsilon _\text{vd, re}}$ 与不可逆性剪切体应变 ${\varepsilon _\text{v, ir}}$ 。在此基础上，王刚等^[27]和Wang等^[24]建立了一个能够模拟饱和砂土液化前后应力应变响应的弹塑性循环本构模型，并在模型中引入了状态变量，使得模型能够统一描述砂土在不同状态下的静动力响应。为考虑各向异性，Wang等^[22]基于试验和离散元数值模拟总结的规律，对模型进行了改进，引入了组构张量，在塑性模量与剪胀率的计算中引入了各向异性的影响，使得模型能够描述不同主应力方向下的响应。

CycLiq模型的应力应变关系可以用下式来描述：

$\boldsymbol{\dot \varepsilon} = \frac{{p \boldsymbol{\dot r}}}{{2G}} + \left( {\frac{\boldsymbol{r}}{{2G}} + \frac{\boldsymbol{I}}{{3K}}} \right)\dot p + \left( {\boldsymbol{n} + \frac{D}{3}\boldsymbol{I}} \right)\left\langle L \right\rangle 。$

(1)

式中：p为有效球应力；r为偏应力张量s与球应力p之比；G和K为弹性剪切模量和体积模量；I为单位张量；n为塑性偏应变流动方向与加载方向；D为剪胀率；L为塑性加载指数。参数上加(·)表示增量；〈〉为Macaulay计算符，当x > 0时，〈x〉= x，当x ≤ 0时，〈x〉= 0。

弹性剪切模量和体积模量采用Richart等^[28]提出的线性弹性模量公式，在此不再赘述。塑性加载指数L通过下式计算：

$L = \frac{{p \boldsymbol{\dot r}:\boldsymbol{n}}}{H} 。$

(2)

式中：H为塑性模量。

砂土临界状态采用Been等^[29]提出的状态变量Ψ = $e - {e_\text{c}}$ ，但 ${e_\text{c}}$ 与p的关系采用了与Wang等^[22]所使用的指数关系^[30]不同的对数关系：

${e_\text{c}} = \varGamma - {\lambda _\text{e}}\ln (p) 。$

(3)

这一改动是因为Fanni等^[8]给出了本文模拟试样临界状态下试样的e-p曲线，并采用式（3）的对数关系进行了拟合，且e-p曲线的对数关系被广泛采用，许多模型采用了这种关系^[31-32]，因此对模型中的公式进行了替换。不过需要指出的是，在液化状态时，对数关系不再适用，因此砂土的动力本构模型大都采用指数关系^[33-34]。本文中不涉及液化内容，因此可以选取对数关系进行模拟。

为了考虑各向异性的影响，Wang等^[22]在模型中引入了组构张量 ${\boldsymbol{F}_\text{n}}$ ，并考虑了组构张量对于塑性模量与剪胀率的影响。组构张量 ${\boldsymbol{F}_\text{n}}$ 的演化采用了如下公式：

$\text{d}{\boldsymbol{F}_\text{n}} = \left\langle L \right\rangle c\left[ {\boldsymbol{n} - (1 + D){\boldsymbol{F}_\text{n}}} \right] 。$

(4)

式中：c为模量参数，代表组构张量演化的速率。通过总结离散元数值试验的规律，Wang等^[22]发现组构张量的模|| ${\boldsymbol{F}_\text{n}}$ ||与组构张量和加载方向的联合不变量A_n = ${\boldsymbol{F}_\text{n}}$ : n之差|| ${\boldsymbol{F}_\text{n}}$ ||-A_n可以作为一个良好的指标，以反映塑性模量和剪胀率随加载角度的变化。以水平沉积的试样在三轴压缩中的加载角度为0°，随着加载角度的增加，指标|| ${\boldsymbol{F}_\text{n}}$ ||-A_n不断增大，同时塑性模量不断减小，剪胀率从不断增加。因此，将|| ${\boldsymbol{F}_\text{n}}$ ||-A_n引入到了塑性模量与剪胀率的计算公式中：

$C = \exp \left[ { - {\Delta _1}{{(\left\| {{\boldsymbol{F}_\text{n}}} \right\| - {A_\text{n}})}^{{1 \mathord{\left/ {\vphantom {1 2}} \right. } 2}}}} \right] \text{，}$

(5)

$\begin{align}H = &\frac{2}{3}hg\left( \theta \right)G\exp ( - {n^p}\Psi ) \cdot \\& \left( {\frac{{M\exp ( - {n^{\rm{p}}}\Psi )}}{{{M_\text{m}}}}\frac{{\bar \rho }}{\rho } - \frac{1}{C}} \right) \text{，} \end{align}$

(6)

${D_\text{ir}} = \frac{{{d_\text{ir}} + {\Delta _2}(\left\| {{\boldsymbol{F}_\text{n}}} \right\| - {A_\text{n}})}}{{{d_\text{ir}}}}{D_\text{ir, iso}} 。$

(7)

式中：h，Δ₁，Δ₂，M，d_ir， ${n^{\rm{p}}}$ 为模型参数；g(θ)为形状函数，这里采用的是Zhang等^[35]建议的函数； ${M_\text{m}}$ 为历史最大应力比；D_{ir, iso}为各向同性条件下的不可逆剪胀率，详细公式可见Wang等^[24]。

1.2 参数标定

Fanni等^[8]试验中采用的砂为一种细硅砂，颗粒相对质量密度为2.64，平均粒径D₅₀为0.21 mm，均匀系数C_u为2.3，颗粒呈圆形至亚圆形。因缺乏相关试验，大部分参数参照了Wang等^[22]标定的丰浦砂参数，仅对部分可确定的临界状态参数（n^p，Γ， ${\lambda _\text{e}}$ ）进行了重新标定。标定结果如表 1所示。

其中，Γ和 ${\lambda _\text{e}}$ 由Fanni等^[8]根据试验拟合得到，在更换了Wang等^[22]模型中e_c与p的关系式后可直接使用。展示了 ${n^{\rm{p}}}$ 的标定方法，以Fanni等^[8]进行的一组定轴等剪应力排水试验（中主应力系数b = 0.2，加载角度α = 30°）结果参照进行标定。图中点代表试验所得试样到达非稳定态时的有效球应力与孔隙比，虚线和实线分别为n^p = 6和12时的模拟结果。可以看到当其他参数不变时， ${n^{\rm{p}}}$ 值越大，模拟得到的非稳定态时有效球应力随孔隙比变化越快，曲线更加陡峭。这是由于等剪应力排水路径中的非稳定态代表试样处于峰值应力比状态，而峰值应力比可由Mexp(- ${n^{\rm{p}}}$ Ψ)决定。

图 1 模型参数n^p的标定方法演示

Figure 1. Calibration method for model parameter n^p

下载: 全尺寸图片幻灯片

除了表 1中列出的模型参数外，初始组构强度，即初始组构张量的模||F_nin||，也是一个重要的参数。它代表了试样在试验开始时的各向异性程度，||F_nin||越大，试样的各向异性越强。不同的制样方式制得的试样往往有着不同的各向异性程度^[36]，因此需要取不同的初始组构强度。本次模拟中涉及两种不同的制样方式，湿装夯实法（moist tamped, MT）和干砂雨法（dry pluviated, DP），其中干砂雨法得到的试样孔隙比要小于湿装夯实法，结合Yang等^[37]、叶斌等^[38]通过物理试验与离散元模拟均发现干砂雨法的各向异性强于湿装夯实法，可以推测干砂雨法在制样中，由于受到重力影响，土颗粒的排列具有定向性，而湿装夯实法在制样中，土颗粒更倾向于随机排列，导致其各向异性相对较弱。最终，湿装夯实法制得的试样初始组构强度||F_nin||取为0.5，干砂雨法制得的试样初始组构强度||F_nin||取为0.7。

2. 不同主应力方向下模型的响应

2.1 定轴不排水剪切试验

Fanni等^[8]进行了一系列空心圆柱定轴不排水剪切试验。试验中，初始有效球应力均为171 kPa，大小主应力之差均为64 kPa，中主应力系数b分别为0，0.2，0.5，大主应力与沉积方向的夹角α分别为0°，22.5°，30°和45°，两种制样方法，即湿装夯实法和干砂雨法，各5组试验，如图 2，3所示。其中，湿装夯实法所得试样孔隙比在0.761~0.785，干砂雨法所得试样孔隙比在0.674~0.697。采用表 1中的模型参数对试验进行模拟，模拟结果如图 2，3所示。图 2（a），（b）中横纵坐标为Fanni等^[8]给出的八面体剪应变和八面体偏应力，图 3同理。

图 2 不同中主应力系数与主应力方向下湿装夯实法试样定轴不排水试验结果与模拟

Figure 2. Undrained torsional shear hollow cylinder tests and simulated results at different α and b of moist tamped loose sand

下载: 全尺寸图片幻灯片

图 3 不同中主应力系数与主应力方向下干砂雨法试样定轴不排水试验结果与模拟

Figure 3. Undrained torsional shear hollow cylinder tests and simulated results at different α and b of dry pluviated loose sand

下载: 全尺寸图片幻灯片

表 1 各向异性CycLiq模型参数

Table 1. Model parameters of anisotropic CycLiq model

G_o	κ	h	d_{re, 1}	d_{re, 2}	d_ir	α	γ_{d, r}	n^p	n^d	M	λ_e	Γ	Δ₁	Δ₂	c
100	0.008	4.0	0.7	30	0.3	30	0.05	12	2	1.2	0.008	0.761	1.35	0.8	5

下载: 导出CSV

| 显示表格

图 2展示了湿装夯实法试样定轴不排水试验结果与模拟。湿装夯实法得到的试样均为松砂，各试验和模拟均出现静态液化。总体上来看，随着b和α的增加，试验与模拟中试样的峰值偏应力均不断减小。从图 2（a），（c）中可以看出，试验中b = 0.2的3组曲线极为接近，甚至α = 30°的偏应力要高于α = 22.5°，这主要是试验中不同试样的孔隙比相差较大造成的，在模拟中该现象并不明显。此外，b = 0.5的模拟结果在加载初期剪应力出现了明显的减小，这主要是由于本构模型中组构对塑性模量的影响描述不够准确，在大孔隙比下放大了组构对塑性模量的影响。

图 3展示了干砂雨法试样定轴不排水试验结果与模拟。相比于湿装夯实法，干砂雨法得到的试样孔隙比更小，可认为密砂。各组模拟的曲线与试验结果均有较好的吻合。对于b = 0.2的3组试验和模拟，α = 22.5°时均表现出明显的剪胀，而在α = 45°时则表现出强烈的剪缩。对于b = 0，α = 0°和b = 0.2，α = 22.5°两组试验，试验和模拟的曲线在图 3（a），（b）均出现了交叉，这是由于两者的孔隙比相差较大，在孔隙比、中主应力系数、主应力方向三者的共同作用下出现了图中的效果。

2.2 定轴等剪应力排水试验

在定轴不排水剪切试验的基础上，Fanni等^[8]进行了一系列定轴等剪应力排水试验，以探究各向异性对等剪应力排水应力路径的影响。试验中采用了湿装夯实法（MT）和干砂雨法（DP）两种制样方法，初始有效球应力均为171 kPa，大小主应力之差均为64 kPa，中主应力系数b分别为0，0.2，主应力与沉积方向的夹角α分别为0°，22.5°和45°。每个夹角均用不同的孔隙比进行试验，对于湿装夯实法，b = 0，α = 0°组采用了6个不同的孔隙比，b = 0.2，α = 22.5°组采用了4个，b = 0.2，α = 45°组采用了10个；对于干砂雨法， b = 0.2，α = 22.5°组1个，b = 0.2，α = 45°组2个。采用表 1中的模型参数进行模拟，模拟中保持偏应力不变，当有效球应力无法再减小时，即试样达到峰值应力比时，认为此时试样处于非稳定态，模拟结束。

图 4给出了湿装夯实法试样在不同b和α下的定轴等剪应力排水试验结果与模拟。图中圆代表初始状态，三角形代表试样达到非稳定态，即处于峰值应力比状态。当相同b和α时，非稳定态的有效球应力p随孔隙比e的增加而增加，3组中模拟与试验均吻合较好。当孔隙比e不变、α增加时，模拟与试验得到的有效球应力均增加。

图 4 不同中主应力系数与主应力方向下湿装夯实法试样定轴等剪应力排水试验结果与模拟

Figure 4. Constant shear drained tests and simulated results at different α and b of moist tamped loose sand

下载: 全尺寸图片幻灯片

图 5给出了干砂雨法试样在不同b和α下的定轴等剪应力排水试验结果与模拟。b = 0.2，α = 45°组试验与模拟结果相近，规律也与湿装夯实法中一致；模拟结果在定量上与试验结果存在差距，推测这是由于模型参数或者初始组构强度不准确导致的。当α增加时，模拟与试验得到的有效球应力均增加，这与湿装夯实法中的规律是一致的。

图 5 不同主应力方向下干砂雨法试样定轴等剪应力排水试验结果与模拟

Figure 5. Constant shear drained tests and simulated results at different α and b of dry pluviated loose sand

下载: 全尺寸图片幻灯片

图 6给出了试验和模拟中非稳定态的结果与趋势线。可以看到试验得到的非稳定态在e-p空间内具有良好的线性关系，对模拟得到的非稳定态进行线性回归，得到R²均在0.99以上，表明模型对等剪应力比试验具有良好的模拟能力。对比湿装夯实法的3组试验，可以发现模拟得到的3条趋势线之间的间距要略小于试验所得，这主要受初始组构强度的影响，具体情况在下文中阐释。

图 6 不同中主应力系数、主应力方向下定轴等剪应力排水试验中非稳定态试验与模拟结果及各自的趋势线

Figure 6. Instability states of constant shear drained tests and simulations at different α and b

下载: 全尺寸图片幻灯片

为了说明初始组构强度对于定轴等剪应力排水条件下土体响应的影响，在数值模拟中对不同初始组构强度条件进行了分析。中给出了不同初始组构强度对非稳定态模拟结果的影响。从图中可以发现初始组构越强，不同主应力方向下的非稳定态差异越大，即峰值应力比差异越大。式（5），（6）中可以解释这一现象。试样达到峰值应力比时，有塑性模量H = 0。当初始组构强度增加，即|| ${\boldsymbol{F}_\text{n}}$ ||增加时，指标|| ${\boldsymbol{F}_\text{n}}$ ||-A_n = || ${\boldsymbol{F}_\text{n}}$ ||(1 – n_F: n)（其中n_F指组构张量的方向）的值域[0, 2|| ${\boldsymbol{F}_\text{n}}$ ||]随之扩大，式（5）所得C的值域也相应扩大。对于定轴试验，初始组构强度增加，导致了不同的b和α计算得到C值之间的差异增加，因H = 0，进而使得式（6）中历史最大峰值应力比M_m（即非稳定态时的应力比）的差异增加，在剪应力q不变的情况下，非稳定态时的球应力p之间的差异也就增加了。这些反映在图 7中即为趋势线之间的间距增加。

图 7 初始组构强度对定轴等剪应力排水试验非稳定态e-p关系的影响

Figure 7. Effects of initial fabric norm on instability state of constant shear drained loading at different α and b

下载: 全尺寸图片幻灯片

3. 结论

本文利用各向异性CycLiq本构模型，模拟了Fanni等^[8]进行的定轴不排水试验与定轴等剪应力排水试验，对比试验结果与模拟结果，可以得到以下3点结论。

（1）对于定轴不排水剪切试验，该模型与试验均表现为随着中主应力系数和加载角度的增加，土体剪缩增强，更易发生静态液化。在定量上，模型模拟的应力路径和应力应变曲线与试验也有较好的吻合。

（2）对于定轴等剪应力排水试验，模型与试验均表现为非稳定态时的平均有效应力随孔隙比和加载角度的增加而增加，且相同加载角度的非稳定态在e-p空间内呈线性分布。总体来说，CycLiq模型对各向异性下砂土等剪应力排水响应的模拟效果较好，具有运用到实际工程中的潜力。

（3）不同初始组构强度对于等剪应力排水试验的结果有显著的影响。初始组构强度越高，不同主应力方向作用下的非稳定态时平均有效应力相差越大。

图 1 基于贝叶斯理论的条件协同模拟流程图

Figure 1. Flow chart of conditional co-simulation based on Bayesian theory

下载: 全尺寸图片幻灯片

图 2 海上风电场钻孔平面布置图

Figure 2. Layout of boreholes in offshore wind farm

下载: 全尺寸图片幻灯片

图 3 q_u和SPT数据的钻孔位置平面图

Figure 3. Layout of boreholes with q_u and SPT data

下载: 全尺寸图片幻灯片

图 4 实测数据直方图及同位数据散点图

Figure 4. Histogram of measurements and scatter plot between co-located measurements

下载: 全尺寸图片幻灯片

图 5 后验参数直方图及散点图

Figure 5. Marginal distributions and scatter plots of posterior samples

下载: 全尺寸图片幻灯片

图 6 基于先验分布Ⅰ和先验分布Ⅱ估计的变异函数模型对比

Figure 6. Comparison between estimated variogram models based on prior distribution Ⅰ and Ⅱ

下载: 全尺寸图片幻灯片

图 7 基于先验分布Ⅰ和先验分布Ⅱ的条件协同模拟结果对比

Figure 7. Comparison between conditional co-simulation results based on prior distribution Ⅰ and Ⅱ

下载: 全尺寸图片幻灯片

图 8 基于先验分布Ⅰ的条件协同模拟与验证数据对比

Figure 8. Comparison between validation data and conditional co-simulation results based on prior distribution Ⅰ

下载: 全尺寸图片幻灯片

图 9 不考虑统计不确定性的条件协同模拟、考虑统计不确定性的条件协同模拟和单变量条件模拟的标准差对比

Figure 9. Comparison of standard deviations among conditional co-simulation without considering statistical uncertainty, conditional co-simulation considering statistical uncertainty, and univariate conditional simulation

下载: 全尺寸图片幻灯片

图 10 融合SPT数据对自变异函数模型估计的影响

Figure 10. Effects of SPT data on estimation of variogram models

下载: 全尺寸图片幻灯片

表 1 常用的变异函数与协方差函数模型

Table 1 Commonly used variogram and covariance models

类型	变异函数	协方差函数
指数模型	$\left\{ \begin{array}{l} {c_1}\left[ {1 - \exp \left( { - \frac{h}{r}} \right)} \right]{\text{ (}}h > 0) \hfill \\ 0{\text{ (}}h = 0) \hfill \\ \end{array} \right.$	$\left\{ {\begin{array}{*{20}{l}} {{c_1}\exp \left( { - \frac{h}{r}} \right){\text{ (}}h > 0)} \\ {{c_1}{\text{ (}}h = 0)} \end{array}} \right.$
高斯模型	$\left\{ {\begin{array}{*{20}{l}} {{c_1}\left[ {1 - \exp \left( { - \frac{{{h^2}}}{{{r^2}}}} \right)} \right]{\text{ (}}h > 0)} \\ {0{\text{ (}}h = 0)} \end{array}} \right.$	$\left\{ {\begin{array}{*{20}{l}} {{c_1}\exp \left( { - \frac{{{h^2}}}{{{r^2}}}} \right){\text{ (}}h > 0)} \\ {{c_1}{\text{ (}}h = 0)} \end{array}} \right.$
球状模型	$\left\{ \begin{array}{l} 0{\text{ (}}h = 0) \hfill \\ {c_1}\left( {\frac{{3h}}{{2r}} - \frac{{{h^3}}}{{2{r^3}}}} \right){\text{ (}}0 < h \leqslant r) \hfill \\ {c_1}{\text{ (}}h > r) \hfill \\ \end{array} \right.$	$\left\{ \begin{array}{l} {c_1}{\text{ (}}h = 0) \hfill \\ {c_1}\left( {1 - \frac{{3h}}{{2r}} + \frac{{{h^3}}}{{2{r^3}}}} \right){\text{ (}}0 < h \leqslant r) \hfill \\ 0{\text{ }}(h > r) \hfill \\ \end{array} \right.$

下载: 导出CSV

表 2 先验分布Ⅰ

Table 2 Prior distribution Ⅰ of parameters

参数	β₁/kPa	c₁/kPa	r/km	β₂/击	c₂/击	c₁₂
下限	0	0	0.1	0	0	0
上限	200	1000	2	50	100	200

下载: 导出CSV

表 3 先验分布Ⅱ

Table 3 Prior distribution Ⅱ of parameters

参数	β₁/kPa	c₁/kPa	r/km	β₂/击	c₂/击	c₁₂
下限	0	100	0.5	0	0	10
上限	200	600	2	50	40	100

下载: 导出CSV

参考文献(27)

[1]	任灏, 刘博, 刘晓建, 等. 阳江沙扒海上风电三桶吸力桩基础局部冲刷试验研究[J]. 人民珠江, 2022, 43(5): 107-113. https://www.cnki.com.cn/Article/CJFDTOTAL-RMZJ202205016.htm REN Hao, LIU Bo, LIU Xiaojian, et al. Study on local scour of suction bucket foundations at offshore wind farms in shapa of Yangjiang[J]. Pearl River, 2022, 43(5): 107-113. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-RMZJ202205016.htm
[2]	刘润, 闫澍旺. 渤海湾地基土随机场特性及可靠度分析[J]. 岩土工程学报, 2004, 26(4): 464-467. http://cge.nhri.cn/cn/article/id/11445 LIU Run, YAN Shuwang. Random field model and reliability analysis of foundation soil in Bohai Gulf[J]. Chinese Journal of Geotechnical Engineering, 2004, 26(4): 464-467. (in Chinese) http://cge.nhri.cn/cn/article/id/11445
[3]	张强林, 吴衍剑, 张祥龙. 海上风电超大直径单桩基础水平位移计算影响因素研究[J]. 水电与新能源, 2021, 35(12): 54-56, 63. https://www.cnki.com.cn/Article/CJFDTOTAL-HBFD202112014.htm ZHANG Qianglin, WU Yanjian, ZHANG Xianglong. On the influencing factors of horizontal displacement calculation of super-large diameter mono-pile foundation for offshore wind turbine[J]. Hydropower and Nwe Energy, 2021, 35(12): 54-56, 63. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HBFD202112014.htm
[4]	沈晓雷, 陈洪飞, 王欣怡. 海上风电高桩承台基础承载特性数值模拟研究[J]. 水力发电, 2021, 47(12): 72-75. https://www.cnki.com.cn/Article/CJFDTOTAL-SLFD202112016.htm SHEN Xiaolei, CHEN Hongfei, WANG Xinyi. Numerical simulation on the bearing characteristics of the high-pile cap foundation for offshore wind power[J]. Water Power, 2021, 47(12): 72-75. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SLFD202112016.htm
[5]	VANMARCKE E. Random Fields, Analysis and Synthesis[M]. Cambridge: MIT Press, 1983.
[6]	JOURNEL A G. Geostatistics for conditional simulation of ore bodies[J]. Economic Geology, 1974, 69(5): 673-687. doi: 10.2113/gsecongeo.69.5.673
[7]	CHEN Q S, WANG C F, JUANG C H. Probabilistic and spatial assessment of liquefaction-induced settlements through multiscale random field models[J]. Engineering Geology, 2016, 211: 135-149. doi: 10.1016/j.enggeo.2016.07.002
[8]	LI X Y, ZHANG L M, LI J H. Using conditioned random field to characterize the variability of geologic profiles[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2016, 142(4): 04015096. doi: 10.1061/(ASCE)GT.1943-5606.0001428
[9]	朱彬. 基于可靠度理论的海床稳定性分析及评价方法[D]. 大连: 连理工大学, 2021. ZHU Bin. Analysis and Evaluation Method of Seabed Stability Based on Reliability Theory[D]. Dalian: Dalian University of Technology, 2021. (in Chinese)
[10]	LUO N, ARWADE S R, DEGROOT D J. Probabilistic analysis of offshore geotechnical site investigation in a homogeneous stiff clay deposit[J]. Journal of Physics Conference Series, 2020, 1452: 012037. doi: 10.1088/1742-6596/1452/1/012037
[11]	林军, 蔡国军, 邹海峰, 等. 基于随机场理论的江苏海相黏土空间变异性评价研究[J]. 岩土工程学报, 2015, 37(7): 1278-1287. doi: 10.11779/CJGE201507014 LIN Jun, CAI Guojun, ZOU Haifeng, et al. Assessment of spatial variability of Jiangsu marine clay based on random field theory[J]. Chinese Journal of Geotechnical Engineering, 2015, 37(7): 1278-1287. (in Chinese) doi: 10.11779/CJGE201507014
[12]	蒋水华, 魏博文, 张文举, 等. 基于多源试验数据空间变异土体参数概率反演及边坡可靠度更新[J]. 岩土力学, 2018, 39(4): 1491-1499. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201804042.htm JIANG Shuihua, WEI Bowen, ZHANG Wenju, et al. Probabilistic back analysis of spatially varying soil properties and reliability updating of slopes with multiple sources of test data[J]. Rock and Soil Mechanics, 2018, 39(4): 1491-1499. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201804042.htm
[13]	MIAO C, CAO Z J, XIAO T, et al. BayLUP: A Bayesian framework for conditional random field simulation of the liquefaction-induced settlement considering statistical uncertainty and model error[J/OL]. Gondwana Research, 2022. https://doi.org/10.1016/j.gr.2022.10.020.
[14]	夏侯云山, 张抒, 唐辉明, 等. 考虑参数空间变异结构的结构化交叉约束随机场模拟方法研究[J]. 岩土力学, 2019, 40(12): 4935-4945, 4962. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201912044.htm XIAHOU Yunshan, ZHANG Shu, TANG Huiming, et al. Study of structural cross-constraint random field simulation method considering spatial variation structure of parameters[J]. Rock and Soil Mechanics, 2019, 40(12): 4935-4945, 4962. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201912044.htm
[15]	REMY N, BOUCHER A, WU J. Applied Geostatistics with SGeMS: A User's Guide[M]. New York: Cambridge University Press, 2009.
[16]	XU J B, ZHANG L L, WANG Y, et al. Probabilistic estimation of cross-variogram based on Bayesian inference[J]. Engineering Geology, 2020, 277: 105813. doi: 10.1016/j.enggeo.2020.105813
[17]	杜文凤, 彭苏萍. 利用地质统计学预测煤层厚度[J]. 岩石力学与工程学报, 2010, 29(增刊1): 2762-2767. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX2010S1028.htm DU Wenfeng, PENG Suping. Coalseam thickness prediction with geostatistics[J]. Chinese Journal of Rock Mechanics and Engineering, 2010, 29(S1): 2762-2767. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX2010S1028.htm
[18]	张仁铎. 空间变异理论及应用[M]. 北京: 科学出版社, 2005. ZHANG Renduo. Spatial Variation Theory and Its Application[M]. Beijing: Science Press, 2005. (in Chinese)
[19]	WEBSTER R, OLIVER M A. Geostatistics for Environmental Scientists[M]. 2nd ed. Chichester: Wiley, 2007.
[20]	张蕾, 李典庆, 唐小松, 等. 基于贝叶斯理论的抗剪强度参数最优Copula函数识别[J]. 岩土力学, 2016, 37(增刊2): 578-588. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S2073.htm ZHANG Lei, LI Dianqing, TANG Xiaosong, et al. Bayesian Copula selection for shear strength parameters of soils and rocks[J]. Rock and Soil Mechanics, 2016, 37(S2): 578-588. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S2073.htm
[21]	蒋水华, 冯泽文, 刘贤, 等. 基于自适应贝叶斯更新方法的岩土参数概率分布推断[J]. 岩土力学, 2020, 41(1): 325-335. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202001038.htm JIANG Shuihua, FENG Zewen, LIU Xian, et al. Inference of probability distributions of geotechnical parameters using adaptive Bayesian updating approach[J]. Rock and Soil Mechanics, 2020, 41(1): 325-335. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202001038.htm
[22]	JOURNEL A G. Geostatistics: models and tools for the earth sciences[J]. Mathematical Geology, 1986, 18(1): 119-140. doi: 10.1007/BF00897658
[23]	田密, 李典庆, 曹子君, 等. 基于贝叶斯理论的土性参数空间变异性量化方法[J]. 岩土力学, 2017, 38(11): 3355-3362. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201711036.htm TIAN Mi, LI Dianqing, CAO Zijun, et al. Quantification of spatial variability of soil parameters using Bayesian approaches[J]. Rock and Soil Mechanics, 2017, 38(11): 3355-3362. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201711036.htm
[24]	CAO Z J, WANG Y, LI D Q. Quantification of prior knowledge in geotechnical site characterization[J]. Engineering Geology, 2016, 203, 107-116. doi: 10.1016/j.enggeo.2015.08.018
[25]	VRUGT J A, TER BRAAK C J F, CLARK M P, et al. Treatment of input uncertainty in hydrologic modeling: doing hydrology backward with Markov chain Monte Carlo simulation[J]. Water Resources Research, 2008, 44(12): W00B09.
[26]	左自波, 张璐璐, 程演, 等. 基于MCMC法的非饱和土渗流参数随机反分析[J]. 岩土力学, 2013, 34(8): 2393-2400. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201308057.htm ZUO Zibo, ZHANG Lulu, CHENG Yan, et al. Probabilistic back analysis of unsaturated soil seepage parameters based on Markov chain Monte Carlo method[J]. Rock and Soil Mechanics, 2013, 34(8): 2393-2400. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201308057.htm
[27]	余志雄, 周创兵, 李俊平, 等. 基于v-SVR算法的边坡稳定性预测[J]. 岩石力学与工程学报, 2005, 24(14): 2468-2475. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200514012.htm YU Zhixiong, ZHOU Chuangbing, LI Junping, et al. Predicting slope stability based on v-SVR algorithm[J]. Chinese Journal of Rock Mechanics and Engineering, 2005, 24(14): 2468-2475. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX200514012.htm