路液（Roadyes<sup>TM</sup>）固化剂改性黄土的力学特性研究

李宏儒; 赵伟龙; 楠钟凯

doi:10.11779/CJGE2023S10043

路液（Roadyes^TM）固化剂改性黄土的力学特性研究 English Version

李宏儒^{1, 2,},
赵伟龙^{1, 2},
楠钟凯^{1, 2}

1.
西安理工大学土木建筑工程学院, 陕西西安 710048
2.
陕西省黄土力学与工程重点试验室, 陕西西安 710048

基金项目:

陕西省自然科学基础项目 2017JM5059

陕西省黄土力学与工程重点试验室项目 13JS073

详细信息

作者简介:
李宏儒(1972—)，男，博士，副教授，主要从事黄土力学与工程的教学和科研工作。E-mail: lhr2008@126.com

中图分类号: TU431
计量
- 文章访问数: 173
- HTML全文浏览量: 33
- PDF下载量: 40
出版历程
- 收稿日期: 2023-07-04
- 网络出版日期: 2023-11-23
- 刊出日期: 2023-10-31

Mechanical properties of Roadyes^TM-modified loess

LI Hongru^{1, 2,},
ZHAO Weilong^{1, 2},
NAN Zhongkai^{1, 2}

1.
School of Civil and Architectural Engineering, Xi'an University of Technology, Xi'an 710048, China
2.
Shaanxi Provincial Key Laboratory of Loess Mechanics and Engineering, Xi'an 710048, China

摘要

摘要: 黄土具有结构性，难以碾压密实，如何解决黄土压实问题一直是黄土场地地基处理挑战性的技术难题。选取路液（Roadyes^TM）固化剂分别结合石灰和水泥对黄土进行不同组合方案下的改性处理研究。通过压缩、三轴剪切试验，研究了添加剂不同组合下改性黄土的压缩和回弹指数及抗剪强度指标差异性。研究结果表明：路液、路液分别结合石灰、水泥改性黄土，发现固化剂并非掺量越大，改性效果越好。综合对比分析后，路液掺量0.25%，并将其分别和7%石灰，3%的水泥组合使用效果最优，改性黄土抗压缩性、抗剪强度指标均远大于未改性黄土，可显著提高重塑黄土的强度指标，并随着养护期延长，改性黄土力学特性向硬脆性发展。研究成果能够为路液结合石灰或水泥改性黄土的应用提供重要的参考。
- 路液 /
- 改性黄土 /
- 压缩指数 /
- 回弹指数 /
- 抗剪强度指标
Abstract: The loess is structural and difficult to compact. How to solve the problem of loess compaction has always been a challenging technical problem in treatment of loess site foundation. In this study, the Roadyes^TM curing agent combined with lime or cement is used to modify loess under different combinations. Through the compression and triaxial shear tests, the differences of compression and resilience indexes and shear strength indexes of the modified loess with different additive combinations are studied. The results show that for the Roadyes^TM-modified loess with lime or cement respectively, the modification effects are not better with the increasing dosage of the curing agent. Among them, the combination scheme of adding 0.25% Roadyes^TM and 3% cement is better than the 3% cement-modified loess without Roadyes^TM, and it can significantly improve the strength index of the remolded loess. With the extension of the curing period, the modified loess develops towards hard and brittle. The research results may provide important reference for the application of the Roadyes^TM-modified loess with lime or cement.
- Roadyes^TM /
- modified loess /
- compression index /
- rebound index /
- shear strength index

HTML全文

0. 引言

随着中国软土地区城市地下空间工程的大规模建设，基坑工程朝着更大、更深、更复杂的趋势发展。基坑开挖卸荷作用会打破土体原有平衡状态，引起基坑周边土体应力重分布，进而导致地层产生位移和变形，最终对邻近既有建筑产生不利影响^[1-2]。而软土由于物理力学特性差和结构性强等特点，受扰动后极易发生性能劣化，产生较大应力变化和变形^[3]。因此，预测基坑开挖引起地表位移对确保既有建筑物的风险预警具有重要意义。

学者们对基坑开挖引起地表位移预测开展了深入研究，研究方法主要包括数值模拟^[4]、解析解法^[5]等。这些方法在一定程度上反映了土体本构关系和基坑开挖与土体之间的力学响应，但存在本构关系确定困难、计算成本高、推导过程复杂和效率较低等缺点。机器学习作为一种高效的代理模型，成为基坑开挖引起地表位移的一种高效方法^[6]。赵华菁等^[7]基于实测数据，对比反向传播算法BP和长短期记忆神经网络LSTM预测结果，得出LSTM模型具有较好的稳定性。张生杰等^[8]基于LSTM模型对地下连续墙的变形预测，并与传统神经网络模型相比，证明了该模型的稳定性和可靠性。徐长节等^[9]通过支持向量机SVM、多层感知器模型ANN、长短期记忆模型LSTM模型及门循环单元模型GRU模型对支护结构最大侧移预测，得出GRU模型总体预测效果最好。单一神经网络预测模型有较好的准确性和可靠性，但受限于数据特征提取能力，并不能很好的处理非线性和非平稳序列^[10]。

综上所述，本文结合CNN模型和单一时序神经网络LSTM模型、GRU模型，建立混合神经网络CNN-LSTM模型、CNN-GRU模型。基于基坑开挖引起邻近地表位移实测数据，对比单一时序神经网络LSTM模型、GRU模型和混合时序神经网络CNN-LSTM模型、CNN-GRU模型的预测精度，并将混合时序神经网络CNN-LSTM模型、CNN-GRU模型的优化效果进行比较，为基坑开挖引起邻近地表位移预测提供参考。

1. 时序预测模型建立

1.1 卷积神经网络CNN模型

卷积神经网络CNN模型具有局部连接和权值共享特性，可高效实现输入特征的提取。其结构特征可分为输入层、卷积层、池化层、全连接层和输出层，如图 1所示。其中，卷积层通过卷积运算对数据特征提取，池化层通过去除数据进行特征降维，最后通过全连接层特征加权，提高数据特征质量。

图 1 CNN神经网络

Figure 1. CNN neural network

下载: 全尺寸图片幻灯片

1.2 长短期记忆神经网络LSTM模型

长短期记忆神经网络LSTM模型具有长效记忆能力和在必要时更新信息的特性，实现考虑时序性输入参数。其结构特征可分为遗忘门、输入门和传输门，如图 2所示。其中，输入门通过激活函数，决定输入信息，遗忘门选择信息保留，输出门控制信息输出，通过反向传播算法进行训练，以此适应数据特征。LSTM模型中参数计算公式为

${f_t} = \sigma \left( {{{\boldsymbol{W}}_{\mathrm{f}x}}{x_t} + {{\boldsymbol{W}}_{\mathrm{f}h}}{y_{t - 1}} + {b_\mathrm{f}}} \right) \text{，}$

(1)

${i_t} = \sigma \left( {{{\boldsymbol{W}}_{ix}}{x_t} + {{\boldsymbol{W}}_{ih}}{y_{t - 1}} + {b_i}} \right) \text{，}$

(2)

$\tilde{S}_t=\tanh \left(\boldsymbol{W}_{\mathrm{c}x} x_t+\boldsymbol{W}_{\mathrm{c}h} y_{t-1}+b_{\mathrm{c}}\right),$

(3)

${S_t} = {f_t} \otimes {S_{t - 1}} + {i_i} \otimes {S_t} \text{，}$

(4)

${O_t} = \sigma \left( {{{\boldsymbol{W}}_{\mathrm{o}x}}{x_t} + {{\boldsymbol{W}}_{\mathrm{o}h}}{h_{t - 1}} + {b_\mathrm{o}}} \right) \text{，}$

(5)

${h_t} = {O_t} \otimes \tanh {S_t} 。$

(6)

图 2 LSTM单元结构图

Figure 2. Structure of LSTM cell

下载: 全尺寸图片幻灯片

式中：x_t为输入特征；S_t，S_t-1为记忆单元中的状态向量；W为输出门的权重；b为输入门的偏置项；σ与tanh为激活函数； $\otimes$ 为矩阵元素相乘。

1.3 门控循环单元GRU模型

门控循环单元GRU模型是LSTM模型的改进模型，实现少于LSTM模型输入参数，取得与LSTM模型相同效果。其结构特征可分为更新门和重置门，如图 3所示。其中，更新门控制保留多少前一时刻状态信息到当前状态程度。重置门控制当前状态与先前信息结合程度。GRU模型中各参数的计算公式为

${z_t} = \sigma \left( {{{\boldsymbol{W}}_z} \cdot \left[ {{s_{t - 1}},{x_t}} \right]} \right) \text{，}$

(7)

${r_1} = \sigma \left( {{{\boldsymbol{W}}_r} \cdot \left[ {{s_{t - 1}},{x_t}} \right]} \right) \text{，}$

(8)

$\tilde{S}_t=\tanh \left(\boldsymbol{W} \cdot\left[s_{t-1} \cdot r_1, x_t\right]\right) \quad,$

(9)

$s_t=\left(1-z_t\right) s_{t-1}+z_t \tilde{S}_t 。$

(10)

图 3 GRU模型结构

Figure 3. Structure of GRU model

下载: 全尺寸图片幻灯片

1.4 混合时序神经网络CNN-LSTM模型和CNN- GRU模型

混合时序神经网络CNN-LSTM模型是基于CNN模型的空间特征提取能力，将数据进行多次重复卷积和池化后，有效提取强化后的特征信息，通过LSTM模型中门的控制机制，对CNN模型提取的特征值进行长短期记忆训练。混合时序神经网络模型CNN-GRU模型是在CNN模型提取特征信息基础上，引入GRU模型中重置门和更新门，捕捉数据中的时序关系，实现对未来数据的预测，其结构特征如图 4所示。

图 4 CNN-LSTM和CNN-GRU结构

Figure 4. Structure of CNN-LSTM and CNN-GRU

下载: 全尺寸图片幻灯片

2. 地表位移预测框架搭建

2.1 工程概况

本文选取杭州某邻近既有车站基坑开挖工程为依托。基坑开挖工程平面尺寸约为210 m×85 m，深度约为15 m。南、北基坑工程的正中间是地铁1号线从打铁关站至西湖文化站隧道运营段，地铁1号线车站主体结构紧邻基坑东侧，在车站主体结构中设有多个监测断面，站台两侧各设置两组监测棱镜，如图 5所示。

图 5 杭州某邻近既有隧道基坑开挖工程概况

Figure 5. Overview of project adjacent to excavation of existing tunnel in Hangzhou

下载: 全尺寸图片幻灯片

2.2 数据集建立

通过棱镜采集DM33断面中车站主体结构段地表位移数据，共计186组。为提高模型收敛速度，对数据集进行如下归一化处理：

$x^*=\frac{x-x_{\min }}{x_{\max }-x_{\min }} 。$

(11)

式中： ${x^*}$ 为归一化后数据；x为归一化前数据；x_max为样本最大值；x_min为样本最小值。

将归一化后的数据集采用滚动预测方法，得到180组数据，滚动预测方法具体步骤如下：

（1）设置滚动窗口为7，输入层神经元数量为6，输出层为神经元数量为1。

（2）进行地表位移滚动预测，将k_y-k_y+6时刻实测数据作为k_y+7时刻的数据的输入特征，k_y+7时刻数据为输出层。

（3）重复上述步骤，进行滚动迭代，最终建立所有时刻的地表位移数据集，如图 6所示。

图 6 滚动预测法

Figure 6. Rolling forecasting method

下载: 全尺寸图片幻灯片

2.3 预测模型结构设计

将数据集以8︰1︰1比例分为训练集、验证集和测试集，分别输入到单一时序神经网络预测模型LSTM模型、GRU模型和混合时序神经网络预测模型CNN-GRU模型、CNN-LSTM模型中进行预测。

单一神经网络主要取决于神经元数目与层数对预测模型结果的影响。GRU模型网络模块：初始参数设置为1层GRU，神经元数目为32，随机失活系数为0.01。LSTM网络模块：设置为1层LSTM，神经元数目为32，随机失活系数为0.01。

混合神经网络中主要设置CNN模型卷积层数和时序预测中神经元目数对预测模型结果的影响^[11]。混合时序神经网络预测模块初始设置如下：CNN模型特征提取模块为一层Conv1 D层，卷积核数为16，大小为2；LSTM模型模块：神经元目数为32，随机失活系数为0.01。GRU模型模块，神经元数目为32，随机失活系数为0.01。

2.4 模型预测精度

为检验模型预测精度，通过平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE对模型预测结果进行评价，计算公式为

$\text{RMSE} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {{{\hat y}_i} - {y_i}} \right)}^2}} } \text{，}$

(12)

$\text{MAPE} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {\frac{{{{\hat y}_i} - {y_i}}}{{{y_i}}}} \right|} \text{，}$

(13)

$\text{MAE} = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {{{\hat y}_i} - {y_i}} \right|} 。$

(14)

式中：N为样本个数； ${\hat y_i}$ 为输出预测值； ${y_i}$ 为真实值。

3. 模型预测结果

3.1 模型预测结果分析

以180组实测地表位移数据为基础，分别通过LSTM模型、GRU模型、CNN-LSTM模型和CNN-GRU模型对数据集进行训练预测，4种模型预测结果如图 7所示。

图 7 地表位移预测值对比

Figure 7. Comparison of predicted surface displacements

下载: 全尺寸图片幻灯片

由图 7可知，4种模型预测结果均能捕捉到地表位移实测数据的变化趋势。对于单一神经网络模型，LSTM模型和GRU模型均未能预测到地表由沉降到隆起的变化，且LSTM模型整体拟合度较差，这可能是预测误差随着时间序列长度增加而累积，引起LSTM模型预测值明显偏离实测值^[12]。此外，地表由沉降到隆起的过程存在复杂的非线性关系，LSTM模型和GRU模型虽然能够处理非线性问题，但是在小样本数据情况下仍可能无法准确地捕捉到复杂的非线性变化，忽略了由沉降变为隆起的相关性特征。对于混合神经网络模型，CNN-LSTM模型和CNN-GRU模型预测效果均优于单一神经网络模型，且对于地表由沉降到隆起的变化也有较好的预测效果。这可能是在CNN模型数据空间特征提取作用下，LSTM模型^[13]和GRU模型能够更好地捕捉数据中的空间特征和序列依赖关系。

3.2 预测精度及优化效果

图 8是4种模型预测结果的平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE对比。从图 8中可以看出，对于平均绝对误差MAE，4种模型预测结果均在0.1以下，即4种模型预测偏差较小。对于均方根误差RMSE，4种模型预测结果均处于0.1左右，即4种模型均有较好的拟合能力。对于平均相对误差MAPE，CNN-GRU最小，其次是CNN-LSTM模型，然后是GRU模型，最后是LSTM模型，即CNN-GRU模型具有最优的预测准确性。表 1是单一时序神经网络预测模型和混合时序神经网络预测模型预测精度对比。由表 1可知，相较于单一时序神经网络预测模型LSTM模型和GRU模型，混合时序神经网络预测模型CNN-LSTM模型和CNN-GRU模型具有较好优化效果。对于平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE，CNN-LSTM模型较LSTM模型分别降低了24.4%，53.8%，4.1%，CNN-GRU模型较GRU模型分别降低了13.9%，49.1%，1%。由此可见，特征提取后的LSTM模型和GRU模型均表现出较好的预测效果。

图 8 地表位移预测精度对比

Figure 8. Comparison of prediction accuracies of surface displacement

下载: 全尺寸图片幻灯片

表 1 预测模型评价指标

Table 1. Evaluation indexes of prediction models

评判指标	LSTM	CNN-LSTM	优化效果/%	GRU	CNN-GRU	优化效果/%
MAE	0.1019	0.0819	24.4	0.0902	0.0782	13.9
MAPE	1.2779	0.5909	53.8	1.0970	0.5581	49.1
RMSE	0.1251	0.1199	4.1	0.1185	0.1174	1.0

下载: 导出CSV

| 显示表格

4. 结论

以杭州某邻近既有车站基坑开挖工程为研究对象，分别建立LSTM模型、GRU模型、、CNN-LSTM模型以及CNN-GRU模型预测邻近基坑开挖引起地表位移实测数据，分析模型预测效果和预测精度。得到2点结论。

（1）模型预测效果中CNN-GRU模型预测效果最优，CNN-LSTM模型次之，其次是GRU模型，最后是LSTM模型。在CNN模型的数据空间特征提取作用下，LSTM模型和GRU模型能够更好地捕捉数据中的空间特征和序列依赖关系。

（2）CNN-LSTM模型和CNN-GRU模型相较于LSTM模型和GRU模型有较好的优化效果，对于平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE，CNN-LSTM模型较LSTM模型分别降低了24.4%，53.8%，4.1%，CNN-GRU模型较GRU模型分别降低了13.9%，49.1%和1%。

图 1 不同配方改性黄土压缩试验曲线

Figure 1. Compression test curves of modified loess with different formulations

下载: 全尺寸图片幻灯片

图 2 不同配方改性黄土压缩指数曲线

Figure 2. Compression index curves of modified loess with different formulas

下载: 全尺寸图片幻灯片

图 3 不同配方改性黄土回弹指数曲线

Figure 3. Rebound index curves of modified loess with different formulas

下载: 全尺寸图片幻灯片

图 4 不同条件下改性黄土抗剪强度指标与石灰掺量关系曲线

Figure 4. Curves of shear strength index and lime content of modified loess under different conditions

下载: 全尺寸图片幻灯片

图 5 不同条件下改性黄土抗剪强度指标与水泥掺量关系曲线

Figure 5. Curves of shear strength index and cement content of modified loess under different conditions

下载: 全尺寸图片幻灯片

图 6 不同条件下改性黄土抗剪强度指标的对比曲线

Figure 6. Comparison curves of shear strength indexes of modified loess under different conditions

下载: 全尺寸图片幻灯片

表 1 黄土基本物理性质指标

Table 1 Basic physical properties of loess

干密度
/(g·cm^-3) 含水率/
% 塑限/
% 液限/
% 塑性
指数I_p 土粒相对质量密度G_s

1.44 17.2 20.1 30.3 10.2 2.70

下载: 导出CSV

参考文献(13)

[1]	YUAN Z X, WANG L M. Collapsibility and seismic settlement of loess[J]. Engineering Geology, 2010, 105(S1/2): 119-123.
[2]	邓津, 王兰民, 张振中. 黄土显微结构特征与震陷性[J]. 岩土工程学报, 2007, 29(4): 542-548. http://www.cgejournal.com/cn/article/id/12459 DENG Jin, WANG Lanmin, ZHANG Zhenzhong. Microstructure characteristics and seismic subsidence of loess[J]. Chinese Journal of Geotechnical Engineering, 2007, 29(4): 542-548. (in Chinese) http://www.cgejournal.com/cn/article/id/12459
[3]	王谦, 王兰民, 王峻, 等. 基于密度控制理论的饱和黄土地基抗液化处理指标研究[J]. 岩土工程学报, 2013, 35(增刊2): 844-847. http://www.cgejournal.com/cn/article/id/15503 WANG Qian, WANG Lanmin, WANG Jun, et al. Indices of anti-liquefaction treatment of saturated compacted loess foundation based on theory of density control[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(S2): 844-847. (in Chinese) http://www.cgejournal.com/cn/article/id/15503
[4]	郭婷婷, 张伯平, 田志高, 等. 黄土二灰土工程特性研究[J]. 岩土工程学报, 2004, 26(5): 719-721. http://www.cgejournal.com/cn/article/id/11512 GUO Tingting, ZHANG Boping, TIAN Zhigao, et al. Study on engineering characteristic of lime-flyash loess[J]. Chinese Journal of Geotechnical Engineering, 2004, 26(5): 719-721. (in Chinese) http://www.cgejournal.com/cn/article/id/11512
[5]	CHEN X, YU F, HONG Z M, et al. Comparative investigation on the curing behavior of GS-stabilized and cemented soils at micromechanical and microstructural scales[J]. Journal of Testing and Evaluation, 2022, 50(6): 20200631. doi: 10.1520/JTE20200631
[6]	YANG B H, WENG X Z, LIU J Z, et al. Strength characteristics of modified polypropylene fiber and cement-reinforced loess[J]. Journal of Central South University, 2017, 24(3): 560-568. doi: 10.1007/s11771-017-3458-0
[7]	SU X P. Research on the properties of collapsible loess reinforced by cement[J]. Advanced Materials Research, 2014, 3441(1015): 110-113.
[8]	王谦, 刘红玫, 马海萍, 等. 水泥改性黄土的抗液化特性与机制[J]. 岩土工程学报, 2016, 38(11): 2128-2134. doi: 10.11779/CJGE201611025 WANG Qian, LIU Hongmei, MA Haiping, et al. Liquefaction behavior and mechanism of cement-stabilized loess[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(11): 2128-2134. (in Chinese) doi: 10.11779/CJGE201611025
[9]	NG Qing-wei. A comparative study on shear strength of the fly ash-treated expansive soil and the expansive soil[J]. Building Science, 2011, 2(7): 50-52.
[10]	陈瑞锋, 田高源, 米栋云, 等. 赤泥改性黄土的基本工程性质研究[J]. 岩土力学, 2018, 39(S1): 89-97. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2018S1012.htm CHEN Ruifeng, TIAN Gaoyuan, MI Dongyun, et al. Study of basic engineering properties of loess modified by red mud[J]. Rock and Soil Mechanics, 2018, 39(S1): 89-97. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2018S1012.htm
[11]	刘钊钊, 王谦, 钟秀梅, 等. 木质素改良黄土的持水性和水稳性[J]. 岩石力学与工程学报, 2020, 39(12): 2582-2592. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202012019.htm LIU Zhaozhao, WANG Qian, ZHONG Xiumei, et al. Water holding capacity and water stability of lignin-modified loess[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(12): 2582-2592. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202012019.htm
[12]	徐菲, 蔡跃波, 钱文勋, 等. 脂肪族离子固化剂改性水泥土的机理研究[J]. 岩土工程学报, 2019, 41(9): 1679-1687. doi: 10.11779/CJGE201909012 XU Fei, CAI Yuebo, QIAN Wenxun, et al. Mechanism of cemented soil modified by aliphatic ionic soil stabilizer[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(9): 1679-1687. (in Chinese) doi: 10.11779/CJGE201909012
[13]	张耀, 胡再强, 陈昊, 等. 酸性溶液对黄土结构改良的试验研究[J]. 岩土工程学报, 2018, 40(4): 681-688. doi: 10.11779/CJGE201804012 ZHANG Yao, HU Zaiqiang, CHEN Hao, et al. Experimental study on evolution of loess structure using acid solutions[J]. Chinese Journal of Geotechnical Engineering, 2018, 40(4): 681-688. (in Chinese) doi: 10.11779/CJGE201804012