不同布锚角度锚索抗滑桩抗震性能的离心振动台试验对比

王宇; 郑桐; 孙锐; 齐文浩; 李领贵; 程阳; 张一鸣

doi:10.11779/CJGE2023S20012

不同布锚角度锚索抗滑桩抗震性能的离心振动台试验对比 English Version

王宇^{1, 2,},
郑桐^{1, 2, ,},
孙锐^{1, 2},
齐文浩^{1, 2},
李领贵³,
程阳^{1, 2},
张一鸣^{1, 2}

1.
中国地震局工程力学研究所地震工程与工程振动重点实验室, 黑龙江哈尔滨 150080
2.
地震灾害防治应急管理部重点实验室, 黑龙江哈尔滨 150080
3.
青海省第五地质勘察院, 青海西宁 810028

基金项目:

中国地震局工程力学研究所基本科研业务费专项项目 2020C02

中国地震局工程力学研究所基本科研业务费专项项目 2020C04

中国地震局工程力学研究所基本科研业务费专项项目 2019B10

国家自然科学基金项目 51808515

国家自然科学基金项目 41172293

黑龙江省自然科学基金联合引导项目 LH2020E020

详细信息

作者简介:
王宇(1998—)，男，博士研究生，主要从事边坡抗震加固方面的研究工作。E-mail: iem_wy@163.com

通讯作者:
郑桐，E-mail: zhengt0928@163.com

中图分类号: TU43
计量
- 文章访问数: 86
- HTML全文浏览量: 22
- PDF下载量: 16
出版历程
- 收稿日期: 2023-11-29
- 网络出版日期: 2024-04-19
- 刊出日期: 2023-11-30

Comparative tests on seismic performance of anti-slide piles with prestressed anchor cables with different angles

WANG Yu^{1, 2,},
ZHENG Tong^{1, 2, ,},
SUN Rui^{1, 2},
QI Wenhao^{1, 2},
LI Linggui³,
CHENG Yang^{1, 2},
ZHANG Yiming^{1, 2}

1.
Key Laboratory of Earthquake Engineering and Engineering Vibration, Institute of Engineering Mechanics, China Earthquake Administration, Harbin 150080, China
2.
Key Laboratory of Earthquake Disaster Mitigation, Ministry of Emergency Management, Harbin 150080, China
3.
No.5 Geological and Mineral Survey Institute of Qinghai Province, Xining 810028, China

摘要

摘要: 预应力锚索是预应力锚索抗滑桩的重要组成部件，但其布设角度对预应力锚索抗滑桩抗震性能的影响尚不清晰。鉴于此，设计并完成了考虑锚索水平布设和倾斜布设的两组离心振动台模型试验，对比分析了不同布锚角度时坡体地震变形和加速度放大特征以及桩-锚结构的受力特性，揭示了布锚角度变化对锚索抗滑桩-坡体体系抗震性能的影响规律。结果表明，不同布锚角度时锚索锚固点附近坡体均存在加速度异常放大现象，放大系数随输入地震动强度增加而增大；倾斜布锚时坡体沉降幅度和加速度放大程度明显减小；倾斜布锚有利于改善桩身的地震受力，桩身峰值动弯矩和动土压力相比水平布锚时显著降低；倾斜布锚可以有效减缓锚索内力的增长，降低桩-锚-坡体体系地震失效的风险。
- 地震滑坡 /
- 预应力锚索抗滑桩 /
- 离心机试验 /
- 地震响应 /
- 布锚角度
Abstract: The prestressed anchor cable is an important component of the anti-slide pile of prestressed anchor cable, but the influences of its arrangement angle on the seismic performance of the anti-slide pile of prestressed anchor cable is not yet clear. To this end, a series of centrifugal model tests considering the horizontal and inclined layout of anchor cables are designed and completed. The seismic deformation and acceleration amplification characteristics of the slope are compared and analyzed under different arrangement angles of anchor cable, as well as the stress characteristics of the pile-anchor structure. It is revealed the influences of arrangement angle of anchor cable change the seismic seismic performance of the anti-slide pile of prestressed anchor cable-slope system. The results show that there is an abnormal amplification phenomenon of acceleration near the anchor point of the anchor cable under different arrangement angles of anchor cable, and the amplification coefficient increases with the increase of input seismic intensity. The settlement amplitude and acceleration amplification of the slope are significantly reduced when the inclined anchor placement is applied. The inclined anchor placement is beneficial for improving the seismic stress on the pile, and the peak dynamic bending moment and dynamic soil pressure of the pile are significantly reduced compared to those under horizontal anchor placement. The inclined anchoring method can effectively slow down the growth of internal forces in anchor cables and reduce the risk of seismic failure in the pile-anchor-slope system.
- earthquake landslide /
- anti-slide pile of prestressed anchor cable /
- centrifugal model test /
- seismic response /
- anchor arrangement angle of cable

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 模型结构及传感器布置

Figure 1. Model structure and distribution of sensors

下载: 全尺寸图片幻灯片

图 2 输入地震动时程和傅里叶频谱(A0，EQ4)

Figure 2. Time histories of input acceleration and Fourier spectra (measured by A0, EQ4)

下载: 全尺寸图片幻灯片

图 3 边坡变形特征示意图

Figure 3. Feature images of slope deformation

下载: 全尺寸图片幻灯片

图 4 坡肩永久沉降曲线

Figure 4. Curves of permanent settlement of slope shoulder

下载: 全尺寸图片幻灯片

图 5 加速度放大系数等值线图

Figure 5. Contour distribution map of acceleration amplification factor

下载: 全尺寸图片幻灯片

图 6 桩身动土压力峰值分布

Figure 6. Distribution of the peak dynamic earth pressure of the pile

下载: 全尺寸图片幻灯片

图 7 锚索轴力峰值随输入地震动变化曲线

Figure 7. Curves of peak axial force of cable with input ground motion

下载: 全尺寸图片幻灯片

图 8 桩身动弯矩峰值分布

Figure 8. Peak distribution of dynamic bending moment of piles

下载: 全尺寸图片幻灯片

表 1 材料参数

Table 1 Parameters of model materials

构件	物理量	模型	原型
抗滑桩	抗弯刚度/(GPa·m⁴)	0.49×10^-5	30
锚索	预应力/kN	0.049	122.5
滑体	密度/(g·cm^-3)	1.829	1.829
	含水率/%	18	18
	内摩擦角/(°)	22	22
	黏聚力/kPa	48	48
基岩	内摩擦角/(°)	40.5	—
基岩	黏聚力/kPa	257	—

下载: 导出CSV

参考文献(17)

[1]	CHIGIRA M, WU X, INOKUCHI T, et al. Landslides induced by the 2008 Wenchuan earthquake, Sichuan, China[J]. Geomorphology, 2010, 118: 225-238. doi: 10.1016/j.geomorph.2010.01.003
[2]	YIN Y P, WANG F W, SUN P. Landslide hazards triggered by the 2008 Wenchuan earthquake, Sichuan, China[J]. Landslides, 2009, 6(2): 139-152. doi: 10.1007/s10346-009-0148-5
[3]	ZHANG J, QU H L, LIAO Y, et al. Seismic damage of earth structures of road engineering in the 2008 Wenchuan earthquake[J]. Environmental Earth Sciences, 2012, 65(4): 987-993. doi: 10.1007/s12665-011-1519-5
[4]	QU H, LI R, ZHANG J, et al. A novel approach for seismic design of anchored sheet pile wall[J]. Tehnicki Vjesnik- Technical Gazette, 2016, 23(2): 455-463.
[5]	曲宏略, 张建经, 王富江. 预应力锚索桩板墙地震响应的振动台试验研究[J]. 岩土工程学报, 2013, 35(2): 313-320. http://cge.nhri.cn/cn/article/id/14975 QU Honglue, ZHANG Jianjing, WANG Fujiang. Seismic response of prestressed anchor sheet pile wall from shaking table tests[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(2): 313-320. (in Chinese) http://cge.nhri.cn/cn/article/id/14975
[6]	艾挥, 吴红刚, 陈小云. 单锚点与多锚点抗滑桩的动力响应对比试验研究[J]. 科学技术与工程, 2016, 16(20): 264-270. https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201620048.htm AI Hui, WU Honggang, CHEN Xiaoyun. Research on the dynamic responce of single anchor and multi anchor anti slide pile with seismic wave[J]. Science Technology and Engineering, 2016, 16(20): 264-270. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-KXJS201620048.htm
[7]	GARALA T K, MADABHUSHI G S P. Seismic behaviour of soft clay and its influence on the response of friction pile foundations[J]. Bulletin of Earthquake Engineering, 2019, 17(4): 1919-1939. doi: 10.1007/s10518-018-0508-4
[8]	GHOSH B, MADABHUSHI S P G. Centrifuge modelling of seismic soil structure interaction effects[J]. Nuclear Engineering and Design, 2007, 237: 887-896. doi: 10.1016/j.nucengdes.2006.09.027
[9]	郑桐, 刘红帅, 袁晓铭, 等. 锚索抗滑桩地震响应的离心振动台模型试验研究[J]. 岩石力学与工程学报, 2016, 35(11): 2276-2286. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201611012.htm ZHENG Tong, LIU Hongshuai, YUAN Xiaoming, et al. Experimental study on seismic response of anti-slide piles with anchor cables by centrifugal shaking table[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(11): 2276-2286. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201611012.htm
[10]	国家市场监督管理总局, 国家标准化管理委员会. 滑坡防治设计规范: GB/T 38509—2020[S]. 北京: 中国标准出版社, 2020. Standardization Administration of the People's Republic of China. Code for the Design of Landslide Stabilization: GB/T 38509—2020[S]. Beijing: Standards Press of China, 2020. (in Chinese)
[11]	CHEN H, ZHANG G, CHANG Z, et al. Failure analysis of a highway cut slope with anti-slide piles[J]. Geofluids, 2021: 6622214.
[12]	WANG J, LIU H, LIU H, et al. Centrifuge model study on the seismic responses of shield tunnel[J]. Tunnelling and Underground Space Technology, 2019, 92: 103036. doi: 10.1016/j.tust.2019.103036
[13]	CILINGIR U, MADABHUSHI S P G. Effect of depth on seismic response of circular tunnels[J]. Canadian Geotechnical Journal, 2011, 48(1): 117-127. doi: 10.1139/T10-047
[14]	HERON C M, HAIGH S K, MADABHUSHI S P G. A new macro-element model encapsulating the dynamic moment-rotation behaviour of raft foundations[J]. Géotechnique, 2015, 65(5): 442-451. doi: 10.1680/geot.SIP.15.P.020
[15]	LIU H S, BO J S, LI P, et al. Site amplification effects as an explanation for the intensity anomaly in the Hanyuan Town during the Wenchuan Mw 7.9 earthquake[J]. Earthquake Engineering and Engineering Vibration, 2016, 15(3): 435-444. doi: 10.1007/s11803-016-0334-0
[16]	BRENNAN A J, MADABHUSHI S P G. Amplification of seismic accelerations at slope crests[J]. Canadian Geotechnical Journal, 2009, 46(5): 585-594. doi: 10.1139/T09-006
[17]	曲宏略, 张建经, 朱大鹏. 预应力锚索桩板墙抗震设计计算方法研究[J]. 岩石力学与工程学报, 2013, 32(增刊2): 4149-4156. QU Honglue, ZHANG Jianjing, ZHU Dapeng. Research on aseismic design of prestressed anchor sheet pile wall[J]. Chinese Journal of Rock Mechanics and Engineering, 2013, 32(S2): 4149-4156. (in Chinese)