微生物矿化动力学理论与模拟

赵常; 何想; 胡冉; 刘汉龙; 谢强; 王誉泽; 吴焕然; 肖杨

doi:10.11779/CJGE202206014

微生物矿化动力学理论与模拟 English Version

赵常^1,,
何想¹,
胡冉²,
刘汉龙¹,
谢强¹,
王誉泽³,
吴焕然¹,
肖杨^1, ,

1.
重庆大学土木工程学院，重庆 400045
2.
武汉大学水资源与水电工程科学国家重点实验室，湖北武汉 430072
3.
南方科技大学海洋科学与工程系，广东深圳 518000

基金项目:

国家自然科学基金优秀青年基金项目 51922024

国家自然科学基金面上项目 52078085

重庆市自然科学基金杰出青年基金项目 cstc2019jcyjjqX0014

重庆市科技局技术创新与应用发展专项项目 cstc2019jscx-msxmX0335

详细信息

作者简介:
赵常(1997—)，男，博士研究生，主要从事微生物岩土工程方面的研究工作。E-mail: zhaochangchn@163.com

通讯作者:
肖杨, E-mail: hhuxyanson@163.com

中图分类号: TU43
计量
- 文章访问数: 364
- HTML全文浏览量: 27
- PDF下载量: 204
出版历程
- 收稿日期: 2021-08-05
- 网络出版日期: 2022-09-22
- 刊出日期: 2022-05-31

Kinetic theory and numerical simulation of biomineralization

1.
School of Civil Engineering, Chongqing University, Chongqing 400045, China
2.
State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 430072, China
3.
Department of Ocean Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China

摘要

摘要: 微生物矿化技术作为一个新兴研究课题，近些年来得到了广泛关注，然而因其反应机制复杂，很难从时间和空间尺度对矿化反应过程进行定量表示。在微生物诱导碳酸盐沉淀原理的基础上，考虑细菌的吸附和筛滤效应，以及尿素水解动力学和沉淀动力学模型，对微生物矿化反应动力学理论进行了探究，并结合孔隙尺度下的微生物矿化反应试验，采用有限元软件进行多物理场耦合模拟。结果表明，细菌吸附和筛滤行为引起了细菌分布的差异性，而这种差异性进而影响了碳酸钙的沉积分布；溶液汇合初始段碳酸钙生成量横向分布不均匀，纵向分布呈增长趋势；经历40h的反应时间，渗透率可降低80%左右；当钙离子含量丰富时，碳酸钙沉淀速率受限于尿素水解速率；附着细菌量和沉淀速率的叠加效应表现为细菌被沉淀包裹的衰亡速率。本模型验证了微生物矿化沉积反应过程，丰富了微生物矿化反应理论，并有望为现场工程应用的效果预测提供参考。
- 微生物矿化 /
- 生化反应 /
- 溶质运移 /
- 细菌吸附筛滤 /
- 多物理场耦合
Abstract: The biomineralization technology that becomes an emerging research topic has attracted wide attentions in recent years. However, it is hard to quantify the reaction process of biomineralization on temporal and spatial scales due to its complicated reactive mechanisms. Based on the principle of microbially induced carbonate precipitation, considering the adsorption and straining of bacteria, adopting the kinetic model for urea hydrolysis and precipitation, a reactive kinetic theory of biomineralization is investigated. Finally, based on the biomineralization experiments on a pore scale, a finite element software is adopted for multi-physics coupling. The results show that the adsorption and straining effects lead to the differences in distribution of bacteria, and then further influence the spatial distribution of calcium carbonate. The transverse distribution of CaCO₃ content during the initial mixing stage is not uniform, while the longitudinal distribution shows an increasing trend. The permeability shows an 80% reduction after 40 hours of reaction. The rate of CaCO₃ precipitation is limited by the rate of urea hydrolysis when calcium ions are abundant. The decay rate of bacteria due to CaCO₃ encapsulation is the combined effect of amounts of adsorbed bacteria and precipitation rate. The model can reflect the evolution of biomineralization-induced precipitation during reaction process, further enrich the theory of biomineralization reaction. This study is expected to provide reference in predicting the effect for the field-scale geotechnical engineering.
- biomineralization /
- bio-chem reaction /
- solute transport /
- bacteria attachment and straining /
- multi-physics coupling

HTML全文

0. 引言

改革开放以来,中国高土石坝筑坝技术的快速提升,为满足不断增长的能源需求和改善能源结构的重要选择,一大批大型水利工程已建成或者在建,如糯扎渡、双江口、如美等300 m级高土石坝^[1],但是这些高坝大多数位于中国西南地震强度和频率很高的区域,一旦遭受强震失事,将会极大损害人民生命及财产安全^[2]。因此实时监测大坝的健康状况,并基于大坝真实特性分析大坝抗震安全是水电行业高度关注的关键性问题,其中大坝抗震安全动力分析主要采用有限元法,而坝体的模态参数,包括频率、阻尼比等,以及动力模型中参数等反映坝体的动态特征^[3],是更新大坝抗震分析有限元模型的重要参数,也是大坝在长期运行期间健康状况的评价指标。这些参数一般通过室内试验、现场试验或借鉴其他工程的参数确定,然而由于室内和现场条件的不确定性以及不同工程场地的差异,通过上述方法确定的参数和实际值往往会存在差异^[4],因此这些参数的合理选择和识别对于抗震安全十分重要。

许多学者基于地震记录和强迫振动试验进行大坝的模态参数识别。Alves等^[5]采用MODE-ID方法,基于地震数据确定了Pacoima拱坝的前两阶振动模式。Loh等^[6-7]采用带外源输入的自回归（auto regressive eXogenous, ARX）模型算法,基于强迫振动数据和地震记录识别了翡翠拱坝的模态参数。Yang等^[8]和李帅等^[9]基于地震数据采用ARX模型和频域法识别了二滩拱坝的模态参数。谯雯等^[10]和Cheng等^[3]基于地震数据,分别采用希伯特-黄变换方法和矢量自回归滑动平均模型模型对水口重力坝进行了模态参数识别。综上所述,可以看出模态参数的识别研究主要在于混凝土坝中,鲜有基于地震数据对土石坝进行模态识别。然而位于强震地区的一些土石坝也获得了大量的地震数据^[11-16],充分利用这些地震资料进行土石坝的模态参数识别,对土石坝的抗震安全评价有很重要的意义。

目前,主要有频域分解法和时域类等方法应用于基于环境激励的模态参数识别中^[17]。其中在频域内容易造成个别频率丢失,而时域类方法具有较好的识别精度和鲁棒性强等优点,并且随着计算机技术的快速发展,时域内根据结构的振动响应进行模态识别得到了大量应用^[18-23]。高土石坝是一种规模宏大的工程结构,其自由度高,模态密集。时域内的协方差驱动的随机子空间（stochastic subspace identification, SSI）可以较好识别密集模态,其假定激励源为高斯白噪声,在桥梁和高层建筑等结构广泛应用^[18,22-25],本文将其应用于高土石坝模态参数识别,取得了较好计算精度。

本文基于高土石坝的地震观测数据,提出了一种基于协方差驱动的随机子空间模型和改进的稳定图,以及谱系聚类的模态参数自动识别方法。首先,通过假定坝体上各个测点的监测数据满足白噪声序列来构造随机子空间模型；然后,构建并计算多个不同维度的Hankel矩阵所对应的SSI模型来获得稳定图,这样可以较好地剔除虚假模态,并且可以获得较为清晰的稳定轴；最后,采用谱系聚类分析自动准确识别出模态参数。通过两个数值算例对提出的模态识别方法进行了验证,获得了较好的结果,并将其应用于糯扎渡心墙堆石坝模态参数识别,验证了所提出的方法在工程应用上的可靠性和有效性,可以为高土石坝抗震安全评价提供有效的动力计算依据。

1. 协方差驱动的随机子空间算法

1.1 离散型随机状态空间模型

对于一个n维自由度系统,其离散型随机状态空间模型为

。

$\begin{array}{l} x_{k + 1} = A x_{k} + w_{k}, \\ y_{k} = C x_{k} + v_{k} 。 \end{array}}$

(1)

式中 $x_{k} \in R^{n \times 1}$ , $y_{k} \in R^{l \times 1}$ 分别为系统离散时间的状态矢量x和输出矢量y在k时刻的值,l为系统输出的数目； $A \in R^{n \times n}$ , $C \in R^{l \times n}$ 分别为系统状态空间方程的状态矩阵和输出矩阵； $w_{k} \in R^{n \times 1}$ , $v_{k} \in R^{l \times 1}$ 分别为系统建模过程噪声w和测量噪声v在k时刻的值,其亦为均值为零的白噪声。

定义输出协方差矩阵R_i：

$R_{i} = E [y_{k + i} \cdot y_{k}^{T}]$ ,

(2)

定义状态-输出协方差矩阵G：

$G = E [x_{k + 1} \cdot y_{k}^{T}]$ ,

(3)

可证明如下关系成立：

$R_{i} = C A^{i - 1} G$ 。

(4)

式（1）～（4）详细推导见文献[19]。

1.2 求解状态矩阵及输出矩阵

定义Hankel矩阵 $Y_{p} \in R^{l i \times j}$ , $Y_{f} \in R^{l i \times j}$ 为

$Y_{p} = \frac{1}{\sqrt{j}} [\begin{matrix} y_{0} & y_{1} & y_{2} & \dots & y_{j - 1} \\ y_{1} & y_{2} & y_{3} & \dots & y_{j} \\ y_{2} & y_{3} & y_{4} & \dots & y_{j + 1} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ y_{i - 1} & y_{i} & y_{i + 1} & \dots & y_{i + j - 1} \end{matrix}]$ ,

(5)

$Y_{f} = \frac{1}{\sqrt{j}} [\begin{matrix} y_{i} & y_{i + 1} & y_{i + 2} & \dots & y_{i + j} \\ y_{i + 1} & y_{i + 2} & y_{i + 3} & \dots & y_{i + j + 1} \\ y_{i + 2} & y_{i + 3} & y_{i + 4} & \dots & y_{i + j + 2} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ y_{2 i - 1} & y_{2 i} & y_{2 i + 1} & \dots & y_{2 i + j - 1} \end{matrix}]$ ,

(6)

$Y_{f +} = \frac{1}{\sqrt{j}} [\begin{matrix} y_{i + 1} & y_{i + 2} & y_{i + 3} & \dots & y_{i + j + 1} \\ y_{i + 2} & y_{i + 3} & y_{i + 4} & \dots & y_{i + j + 2} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ y_{2 i - 1} & y_{2 i} & y_{2 i + 1} & \dots & y_{2 i + j + 1} \\ y_{2 i} & y_{2 i + 1} & y_{2 i + 2} & \dots & y_{2 i + j} \end{matrix}]$ 。

(7)

式中 i,j分别为矩阵的行块数和列块数,理论上 $j \to \infty$ ；l为通道数,在本文中为监测点的个数,假定地震激励为白噪声序列；则y_i表示第i时刻各通道记录的输出信号构成的系列,即 $y_{i} \in R^{l \times 1}$ ；下标p,f分别表示“past”,“future”。

由（5）～（7）可得Toeplitz矩阵 $T_{1 | i} \in R^{l i \times l i}$ ：

$T_{1 | i} = Y_{f} Y_{p}^{T}$ ,

(8)

$T_{2 | i + 1} = Y_{f +} Y_{p}^{T}$ 。

(9)

结合式（2）中协方差矩阵的定义,式（8）为

$T_{1 | i} = [\begin{matrix} R_{i} & R_{i - 1} & R_{i - 2} & \dots & R_{1} \\ R_{i + 1} & R_{i} & R_{i - 1} & \dots & R_{2} \\ R_{i + 2} & R_{i + 1} & R_{i} & \dots & R_{3} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ R_{2 i - 1} & R_{2 i - 2} & R_{2 i - 3} & \dots & R_{i} \end{matrix}]$ 。

(10)

此外,结合式（3）和（4）,Toeplitz矩阵 $T_{1 | i}$ 可进一步改写为

$T_{1 | i} = O_{i} M_{i}$ 。

(11)

式中, $O_{i} = [\begin{matrix} C \\ C A \\ ⋮ \\ C A^{i - 1} \end{matrix}] \in R^{l i \times n}$ 为观测矩阵, $M_{i} =$ $(A^{i - 1} G A^{i - 2} G \dots G) \in R^{n \times l a}$ 为控制矩阵。

对Toeplitz矩阵 $T_{1 | i}$ 进行SVD分解可得

$T_{1 | i} = [\begin{matrix} U_{1} & U_{2} \end{matrix}] [\begin{matrix} S_{1} & 0 \\ 0 & S_{2} \end{matrix}] [\begin{matrix} V_{1}^{T} \\ V_{2}^{T} \end{matrix}] \approx U_{1} S_{1} V_{1}^{T}$ ,

(12)

式中, $U_{1} \in R^{l i \times n}$ , $V_{1} \in R^{l i \times n}$ 均为正交矩阵, $S_{1} =$ $d i a g [σ_{s}]$ , $σ_{1} \geq σ_{2} \geq \dots \geq σ_{n} \geq 0$ 为降序排列的n个主奇异值对角阵。

联立式（11）,（12）可求得矩阵的估计值：

$\begin{array}{l} O_{i} = U_{1} S_{1}^{1 / 2}, \\ M_{i} = S_{1}^{1 / 2} V_{1}^{T} 。 \end{array}}$

(13)

式中, $O_{i}$ 的前l行为输出矩阵C。由式（9）,（11）可得

$T_{2 | i + 1} = O_{i} A M_{i}$ 。

(14)

将式（13）代入式（14）可得

$A = {(O_{i}^{})}^{+} T_{2 | i + 1} {(M_{i}^{})}^{+} = (S_{1}^{- 1 / 2} U_{1}^{T}) T_{2 | i + 1} (V_{1} S_{1}^{- 1 / 2})$ ,

(15)

式中, ${(•)}^{+}$ 表示伪逆运算。

1.3 求解模态参数

对离散系统状态矩阵 $A$ 进行特征值分解

$A = ϕ Λ ϕ^{- 1}$ ,

(16)

式中, $Λ = d i a g (z_{s})$ （s=1,2,3,…,n）为由离散时间复特征值 $z_{s}$ 组成的n阶对角矩阵, $ϕ$ 为复特征向量组成的矢量矩阵。实际的系统是连续的,设 $λ_{s}$ 为 $z_{s}$ 对应的第s个连续时间特征值, $Δ t$ 为采样间隔,则有 $λ_{s} = \frac{\ln z_{s}}{Δ t}$ 。

系统的固有频率和阻尼比进而可以表示为

$\begin{array}{l} f_{i} = \frac{| λ_{i} |}{2 π}, \\ ξ_{i} = \frac{- Re (λ_{i})}{| ω_{i} |} 。 \end{array}}$

(17)

式中,Re表示取实部。

2. 模态参数的自动识别

稳定图作为一种有效剔除虚假模态的工具,假定系统有不同的阶次,通过计算可以得到每个阶次的模态参数,然后对各个阶次按照提前设置的条件进行参数识别,对于某一模态频率出现次数较多的点则为稳定点,由稳定点进而组成稳定轴。然而,在实际工程中,由于有时候激励源为地震波,此外噪声的干扰和结构的复杂性,传统的稳定图中仍会出现虚假模态,此外计算得到稳定极点较少时,难以获得清晰的稳定轴,对工程人员辨识模态参数造成干扰。

为能有效地移除虚假极点,同时避免一些稳定极点在某一维度Hankel矩阵中未识别到,造成稳定轴不清楚,本文通过构造多组不同维度的Hankel矩阵（根据经验,一般取5～10组就可以获得较好的结果）,将不同组辨识的结果在同一阶次进行两两对比,来剔除不稳定的极点,主要依据是稳定极点受构造矩阵行数影响较小,而计算模态或虚假模态受其影响较大,基本思路：假设有L组矩阵,在系统阶次p时,首先根据第i组(1≤i≤L)中第m个极点对应的模态参数组合 $(f_{p, m}^{i}, ξ_{p, m}^{i})$ ,在第j组(1≤j≤L)中选定与第i组中所选极点的固有频率最近极点n,其对应的模态参数组合 $(f_{p, n}^{j}, ξ_{p, n}^{j})$ ,然后按照式（18）进行计算,在两两计算循环结束后,满足条件式（18）最多的点作为稳定极点予以保留。

$\begin{array}{l} {(\frac{f_{m}^{i} - f_{n}^{j}}{Δ f})}^{2} + {(\frac{ξ_{m}^{i} - ξ_{n}^{j}}{Δ ξ})}^{2} + {(\frac{1 - M A C (Φ_{m}^{i}, Φ_{n}^{j})}{Δ m a c})}^{2} < 1, \\ Δ f = \min (δ_{f} \max (f_{m}^{i}, f_{n}^{j})), \\ Δ ξ = \min (δ_{ξ} \max (ξ_{m}^{i}, ξ_{n}^{j})) 。 \end{array}}$

(18)

式中 f, $ξ$ , $Φ$ 分别为极点处的固有频率、阻尼比和模态振型； $M A C (Φ_{m}^{i}, Φ_{n}^{j})$ 为 $Φ_{m}^{i}$ 与 $Φ_{n}^{j}$ 模态置信准则值； $δ_{f}$ 为频率相对偏差,取值5%； $δ_{ξ}$ 为阻尼比相对偏差,取值10%； $Δ m a c$ 为模态置信准则值绝对偏差,取值2%。

借助谱系聚类的方法对挑选出的稳定极点进行自动选择,将距离在一定范围内的数据进行聚类,认为同一类中的数据属于同一模态,最后选择元素个数大于一定值的类作为识别结果。

步骤（1）：假设由SSI方法识别得到的稳定极点总数为N,令N个样本自成一类。通过计算各极点之间的距离（相似性）d_ij：

$d_{i j} = {(\frac{f_{m}^{i} - f_{n}^{j}}{Δ f})}^{2} + {(\frac{ξ_{m}^{i} - ξ_{n}^{j}}{Δ ξ})}^{2} + {(\frac{1 - M A C (Φ_{m}^{i}, Φ_{n}^{j})}{Δ m a c})}^{2},$

(19)

即可得到初始距离矩阵D₀。

步骤（2）：通过判断距离矩阵D₀中的各数值大小来实现相同模态的聚类,设定距离阈值为1,即当 $d_{i j} \leq 1$ 时,则认为第F_i和F_j的模态为同一类,将其合并为新的一类F_ij。并与其余类建立新的分类。

步骤（3）：通过最短距离法得到新的距离矩阵D₁^[20],然后跳转步骤（2）,重复计算并合并,当D_k的最小分量超过1,算法停止,此时将N个样本分成了k类。

步骤（4）：统计每一类中聚类元素的个数,并设定聚类数目阈值X,若每一类中元素个数大于X,则判定为稳定极点,予以保留,并将其绘制于稳定图中。最后采用每一类中统计均值作为最终的模态参数估计值。其中,X=N/3,N为系统阶数。

3. 算例验证

为了讨论随机子空间法和模态参数自动识别方法的可靠性,本文采用一个双自由度系统和一个均质堆石坝在非平稳随机激励下的动力反应进行模态参数识别两个算例。

3.1 双自由度模型

双自由度模型如图1所示,利用Newmark-β方法求解地震情况下各质点的反应。模型参数分别为^[26]：质量 $m_{1} = 0.050 t \cdot s^{2} / c m$ , $m_{2} = 0.055 t \cdot s^{2} / c m$ ；刚度 $k_{1} = k_{2} =$ $120 t / c m$ ；阻尼系数 $c_{1} = 1.0 t \cdot s / c m$ , $c_{2} =$ $0.6 t \cdot s / c m$ 。根据模型参数,通过特征值法计算系统的理论模态参数,结构的固有频率分别为f₁=4.653 Hz,f₂=12.458 Hz；振型阻尼比 $ξ_{1} = 0.107$ , $ξ_{2} = 0.234$ 。地面输入的非平稳激励为EI Centro波南北向地震动记录,如图2所示。

图 1 双自由度系统模型

Figure 1. Two degrees of freedom system model

下载: 全尺寸图片幻灯片

图 2 EI Centro地震波

Figure 2. EI Centro seismic waves

下载: 全尺寸图片幻灯片

为满足协方差驱动的随机子空间法的识别需求,模型Hankel矩阵的行数i $＞$ N/l,且列数j $＞$ 20i^[17]。在算例中,构造协方差的振动数据是两个质点的水平向的加速度,因此通道数l=2。分析时最大阶次为100,则Y_p矩阵的最小行数i_min为50。假定每个通道信号的总采样长度为L,则利用所有数据点来构造矩阵Y_p和Y_p+1的列数为j=L-2i,输入的非平稳激励是EI centro地震波前30 s数据,其采用长度L=400 Hz×30 s=12000,取构造矩阵行数i=60,则j=11880,利用随机子空间识别方法,得到传统稳定图如图3所示。由图3可以看出,存在较多的虚假极点,并且出现了虚假的稳定轴。采用第2节提出的方法对虚假极点进行剔除生成清晰的稳定图,并自动识别模态参数,分析时构造5组不同行数的Hankel矩阵,矩阵的行数为i=50+randn(50,5）,获得的稳定图如图4所示,可以看出虚假极点基本被剔除,并且相对于原始稳定图来说稳定轴更为连续,较好地避免了稳定极点的在某一组计算时的丢失；为了较好看出各个频率下的阻尼比关系,并以频率和阻尼比建立簇分析图,如图5所示,稳定点被聚集到2个簇中；采用参数统计均值法计算模态结果,如表1所示,可以看出识别得到的频率值和阻尼比与理论值十分接近,说明本文方法对激励源为地震波情况下的结构进行模态参数识别具有较好的精度。

图 3 原始稳定图(i=60)

Figure 3. Original stable graph

下载: 全尺寸图片幻灯片

图 4 剔除虚假极模态后稳定图

Figure 4. Stable graph after removing false polar modes

下载: 全尺寸图片幻灯片

图 5 频率–阻尼比簇分析图

Figure 5. Cluster analysis chart of frequency-damping ratio

下载: 全尺寸图片幻灯片

表 1 双自由度模态参数识别结果

Table 1. Identified model parameters of two degrees of freedom system model

振型	频率/Hz		阻尼比
振型	理论值	计算值	理论值	计算值
1阶	4.653	4.614	0.107	0.105
2阶	12.458	12.856	0.234	0.246

下载: 导出CSV

| 显示表格

3.2 均质堆石坝模型

均质堆石坝断面有限元网格如图6所示,坝高150 m,上下游坝坡均为1∶2。为获得动力计算需要的初始应力场,采用邓肯-张E-B模型进行静力填筑计算,模型参数^[27]： $ρ$ =2.2 g/cm^-3, $φ_{0}$ =51.8, $Δ φ$ =10.4°,K=1100,n=0.35,R_f=0.82,K_b=600,m=0.1。动力计算采用等效黏弹性模型,计算参数：K=3000,n=0.5。堆石料的归一化动剪应变和阻尼比与动剪应变的关系采用孔宪京等^[28]建议的平均值,其中阻尼比在小应变10^-5时约为0.02。有限元计算得到的大坝前四阶频率见表2。地面输入的非平稳激励仍为EI Centro波南北向地震动记录,由于堆石坝在弱震时近似线弹性变化,因此调整峰值为0.05 m/s²进行动力计算。

图 6 堆石坝网格图

Figure 6. FEM mesh of rockfill dam

下载: 全尺寸图片幻灯片

表 2 均质堆石坝模态参数识别结果

Table 2. Identified model parameters of homogeneous rockfill dam

振型	频率/Hz		阻尼比
振型	计算值	FEM	计算值	FEM
1阶	1.11	1.09	0.023	0.020
2阶	1.75	1.76	0.016	0.020
3阶	1.93	1.96	0.022	0.020
4阶	2.20	2.24	0.015	0.020

下载: 导出CSV

| 显示表格

坝体下游坝坡按照等高设置3个测点,利用3个测点的水平向加速度记录作为输入,构造Hankel矩阵,通道数l=3,每个通道长度为30 s,频率为400 Hz,矩阵行数i=100,j=11800,通过协方差驱动的随机子空间法可以获得图7所示的稳定图,可以看出原始的稳定图中出现了较多的虚假极点,采用第2节提出的剔除虚假极点和谱系聚类筛选法,分析时构造5组不同行数的Hankel矩阵,矩阵的行数为i=100+ randn(100,5）,获得图8所示的稳定图,可以看出不仅剔除了虚假极点,还使稳定图中的稳定轴相对于原始稳定图更为清晰连续。图9是频率和阻尼比的簇分析图。最终的模态参数统计均值如表2所示。识别得到的结果和有限元计算值十分接近,说明本文方法对激励源为地震波情况下的堆石坝进行模态参数识别也具有较好的精度。

图 7 原始稳定图(i=100)

Figure 7. Original stable graph (i=100)

下载: 全尺寸图片幻灯片

图 8 剔除虚假极模态后稳定图

Figure 8. Stable graph after removing false polar modes

下载: 全尺寸图片幻灯片

图 9 频率–阻尼比簇分析图

Figure 9. Cluster analysis chart of frequency-damping ratio

下载: 全尺寸图片幻灯片

4. 糯扎渡心墙堆石坝模态参数识别

4.1 工程概况

糯扎渡水电站位于澜沧江下游普洱市思茅区和澜沧县交界处,坝址区位于青藏地震区的滇西南地震带,区内地震活动比较强烈,其地震基本烈度为Ⅶ。该工程主体挡水结构为高261.5 m的心墙堆石坝,是目前国内已建成的最高的土石坝。坝顶高程824.1 m,坝顶长630 m,宽18 m,上游坡度比为1.9∶1,下游坡度比为1.8∶1,大坝水库正常蓄水位812 m。为了监测大坝受地震情况下的影响,根据结构物对地震的反应特征,在大坝典型断面安置了若干个强震监测仪,坝体典型断面及强震仪布置如图10所示,在典型断面坝顶是T2测点,下游坝坡780高程处是T6测点,下游坝坡高程701高程处是T7测点,下游坝坡高程626高程处是T8测点,这些测点在2014年10月7日发生的6.6级景谷地震中均测到并记录了完整的加速度时程,图11给出了各个测点顺河向的地震动记录。

图 10 坝体典型断面及强震仪布置图

Figure 10. Typical cross-section with material zones in Nuozhadu core-wall rockfill dam

下载: 全尺寸图片幻灯片

图 11 坝体T2、T6、T7、T8测站的顺河向加速度记录

Figure 11. Downstream acceleration records of dam body at monitoring points T2, T6, T7 and T8

下载: 全尺寸图片幻灯片

4.2 基于SSI的坝体模态参数识别

选取坝体上4个测点的顺河向加速度记录作为输入,构造Hankel矩阵,通道数l=4,每个通道长度为35 s,采用频率为400 Hz,矩阵行数i=60,j=13880,通过协方差驱动的随机子空间法可以获得图12所示的稳定图,可以看出原始的稳定图中出现了较多的虚假极点,对于模态识别增加了干扰。采用第2节提出的剔除虚假极点和谱系聚类筛选法,分析时构造5组不同行数的Hankel矩阵,矩阵的行数为i=50+ randn(50,5）,获得图13所示的稳定图,在0～4 Hz范围内,有4类模态参数被识别出来。图14是频率和阻尼比的簇分析图,可以清楚地看出不同阶次下频率和阻尼比的分布情况。最终的模态参数统计均值如表3所示。此外并和有限元分析结果对比,分别采用相互作用模型和刚性边界有限元模型进行分析,相互作用模型如图15所示,刚性边界模型为图中去除地基部分模型,并采用文献[12]根据坝体实测响应反演得到的坝料参数,采用“直接滤频法”求解特征方程,得到坝体的前四阶坝体频率,如表3所示。

图 12 糯扎渡大坝原始稳定图

Figure 12. Original stable graph of Nuozhadu dam

下载: 全尺寸图片幻灯片

图 13 糯扎渡大坝剔除虚假极模态后稳定

Figure 13. Stable graph after removing false polar modes

下载: 全尺寸图片幻灯片

图 14 糯扎渡频率–阻尼比簇分析图

Figure 14. Cluster analysis chart of frequency-damping ratio

下载: 全尺寸图片幻灯片

表 3 糯扎渡大坝模态参数识别结果

Table 3. Identified model parameters of Nuozhadu dam

振型	频率/Hz			阻尼比
振型	计算值	FEM1	FEM2	计算值	FEM
1阶	1.15	1.10	1.22	0.051	0.04
2阶	1.35	1.27	1.42	0.034	0.04
3阶	1.83	1.54	1.73	0.027	0.04
4阶	2.37	1.74	1.96	0.043	0.04
注：FEM1为相互作用有限元模型,FEM2为刚性边界模型。

下载: 导出CSV

| 显示表格

图 15 糯扎渡大坝三维有限元模型

Figure 15. 3D FEM of Nuozhadu dam

下载: 全尺寸图片幻灯片

从表3中可以看出,SSI法识别的前三阶模态频率基本上是一致的,第四阶模态频率较大。分析产生的原因可能是在弱震情况下,很难激发坝体的某些高阶振型,对于土石坝这种密频结构在坝体响应中未能完整体现。进一步计算刚性边界有限元模型较高阶频率,得到第5阶频率为2.13 Hz,第6阶频率为2.30 Hz,对比可以发现在景谷地震中未能识别出实际的第4和5阶振型。但是在土石坝进行抗震稳定性分析时,一般比较关心的前两阶频率,SSI方法可以较好地识别出坝体基频和第二阶频率,可以为大坝抗震安全性评价提供一定的依据。此外有限元模拟时阻尼比计算采用的是糯扎渡大坝室内动三轴试验得到的阻尼比与动剪应变幅值之间的关系曲线,根据试验曲线在动剪应变幅值为10^-5时堆石料阻尼比约为0.04,心墙料阻尼比约为0.03^[29],考虑到堆石料占大坝主要部分,认为大坝在弱震情况下阻尼比为0.04。对比识别的模态参数,坝体前几阶的阻尼比都在0.05左右,和室内试验值也较为接近,符合坝体在弱震情况下的一般规律,也说明景谷地震对坝体的影响不大,处于弹性范围内。

楚金旺等^[30]通过考虑三维河谷效应对国内外20余座土石坝的实测基本自振周期资料进行了统计分析,提出了大坝一阶自振周期计算公式,根据此公式糯扎渡大坝的一阶自振频率约为1.1 Hz。毛文娟^[31]对不同坝坡和河谷地形因素研究指出300级均质坝自振频率在0.84～1.06 Hz,由于其所采用地震工况峰值为0.2g,地震时坝体进入非线性使得自振频率偏小。杨玉生等^[32]对300 m级双江口心墙堆石坝模型试验研究指出双江口原型坝在弱震情况下一阶自振频率在0.8～1.2 Hz。通过对比以上学者研究,本文识别得到的糯扎渡心墙堆石坝的自振频率在合理范围内,这也说明本文提出的高土石坝模态参数识别方法是合理的。

5. 结语

本文利用地震情况下坝体测点反应构建协方差驱动的随机子空间模型,通过构造多组不同维度的Hankel矩阵,不仅可以很好地剔除虚假模态,同时也避免了稳定极点的在某一组计算时的丢失,采用谱系聚类的筛选方法,可以有效的识别坝体的固有频率和阻尼比,并且实现了物理模态参数的自动获取,规避了人为选择引入的误差,保障了识别结果的稳定性。

在两个数值算例中,改进后的稳定图很好地剔除了虚假极点,也使得稳定轴较为清晰,并且获得的模态参数与模型的实际模态分析结果较为一致,说明在利用地震波的非平稳环境激励下,本文方法仍可以获得较好的模态参数识别精度。

根据景谷地震的地震监测数据,将其应用于糯扎渡心墙堆石坝的模态参数识别,较好地识别坝体的固有频率和阻尼比,可以进一步根据模态参数来识别坝体动力参数,为土石坝抗震安全评价提供一种新的方法。

随着大坝高度向300 m级建设,在强震情况下大坝的监测在水利工程中受到很大的关注,在本文的基础上进一步研究基于强震记录的大坝模态识别方法,可以为大坝运行期的健康监测和抗震安全分析提供基础,也具有重要的理论意义和工程应用价值。

图 1 几何模型简化和细菌吸附与筛滤示意图

Figure 1. Schematic graph of simplified geometry model and adsorption and straining of bacteria

下载: 全尺寸图片幻灯片

图 2 微生物矿化反应模型与试验结果的对比分析

Figure 2. Comparative analysis of reactive model for biomineralization and experimental results

下载: 全尺寸图片幻灯片

图 3 细菌分布特性与浓度变化

Figure 3. Characteristics of bacteria distribution and concentration variation of bacteria

下载: 全尺寸图片幻灯片

图 4 碳酸钙含量、流速的空间分布和碳酸钙含量对孔隙率影响及渗透率变化

Figure 4. Spatial distribution of CaCO₃ content, spatial distribution of flow rate and effect of CaCO₃ content on porosity and variation of permeability

下载: 全尺寸图片幻灯片

图 5 反应速率的时空演变和细菌衰竭速率的轴向分布及其对反应速率影响

Figure 5. Spatial-temporal evolution of reaction rates and axial distribution of bacteria decay rates and its effect on reaction rates

下载: 全尺寸图片幻灯片

表 1 微生物矿化反应模型参数

Table 1 Parameters used in reaction model for biomineralization

参数	取值	参数	取值
${\theta _0}$	0.5 ^[23]	$D_{{\text{bac}}}^*$	$0.4 \times {10^{ - 5}}$ cm²/s ^[23]
$\rho _{\text{b}}^0$	1325 kg/m^3①	$D_{{\text{urea}}}^*$	$1.34 \times {10^{ - 5}}$ cm²/s ^[23]
${d_{\text{c}}}$	75 μm^①	$D_{{\text{C}}{{\text{a}}^{2 + }}}^*$	$0.79 \times {10^{ - 5}}$ cm²/s ^[34]
${v_0}$	$0.95 \times {10^{ - 4}}$ m/s ^[23]	$D_{{\text{CO}}_3^{2 - }}^*$	$9.23 \times {10^{ - 6}}$ cm²/s ^[34]
$C_{{\text{bac}}}^0$	$1 \times {10^8}$ cells/mL^①	$D_{{\text{NH}}_4^ + }^*$	$1.96 \times {10^{ - 5}}$ cm²/s ^[34]
$C_{{\text{urea}}}^0$	0.5 mol/L ^[23]	${\alpha _{\text{L}}}$	$2 \times {10^{ - 4}}$ m ^[35]
$C_{{\text{C}}{{\text{a}}^{{\text{2 + }}}}}^0$	0.5 mol/L ^[23]	${\alpha _{\text{T}}}$	$1 \times {10^{ - 4}}$ m ^[35]
${K_{{\text{att}}}}$	0.3 min^-1②	${u_{{\text{sp}}}}$	0.167mol/m³/s/OD^③
${K_{{\text{det}}}}$	0.008 min^-1②	${K_{{\text{m,urea}}}}$	0.305 mol/L ^[32]
${K_{{\text{str}}}}$	0.03 min^-1②	${K_{{\text{i,Ca}}}}$	0.6 mol/L ^[10]
${K_{{\text{lib}}}}$	0.005 min^-1②	${A_{{\text{s0}}}}$	292 m²/L ^[36]
$\beta$	-0.6	${k_{{\text{prec}}}}$	$1.0 \times {10^{ - 8}}$ mol/m²/s ^[36]
$S_{{\text{max}}}^{{\text{str}}}$	5 cm³/g $C_{{\text{bac}}}^0$ ^②	${n_{\text{p}}}$	1 ^[37]
$S_{{\text{max}}}^{{\text{str}}}$	2.5 cm³/g $C_{{\text{bac}}}^0$ ^②	${M_{{\text{CaCO}}{ _3}}}$	100.1 g/mol ^[33]
${n_{\text{v}}}$	1.5	${\rho _{{\text{CaCO}}{ _3}}}$	2710 kg/m^{3 [33]}
注：①根据文献[23]提供的数据进行预估；②参考文献[29，30]试验数据拟合而得，其值主要与多孔介质特性有关；③文献[32]换算而得，其中OD表示光密度，1 OD等于4.0×10⁸ cells/mL^[22]。

下载: 导出CSV

参考文献(40)

[1]	PACHECO T F, LABRINCHA J A, DIAMANTI M V, et al. Biotechnologies and Biomimetics for Civil Engineering[M]. Cham: Springer International Publishing, 2015.
[2]	刘汉龙, 肖鹏, 肖杨, 等. 微生物岩土技术及其应用研究新进展[J]. 土木与环境工程学报(中英文), 2019, 41(1): 1–14. https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN201901001.htm LIU Han-long, XIAO Peng, XIAO Yang, et al. State-of-the-art review of biogeotechnology and its engineering applications[J]. Journal of Civil and Environmental Engineering, 2019, 41(1): 1–14. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN201901001.htm
[3]	何稼, 楚剑, 刘汉龙, 等. 微生物岩土技术的研究进展[J]. 岩土工程学报, 2016, 38(4): 643–653. doi: 10.11779/CJGE201604008 HE Jia, CHU Jian, LIU Han-long, et al. Research advances in biogeotechnologies[J]. Chinese Journal of Geotechnical Engineering, 2016, 38(4): 643–653. (in Chinese) doi: 10.11779/CJGE201604008
[4]	XIAO Y, CHEN H, STUEDLEIN A W, et al. Restraint of particle breakage by biotreatment method[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2020, 146(11): 04020123. doi: 10.1061/(ASCE)GT.1943-5606.0002384
[5]	桂跃, 吴承坤, 刘颖伸, 等. 利用微生物技术改良泥炭土工程性质试验研究[J]. 岩土工程学报, 2020, 42(2): 269–278. doi: 10.11779/CJGE202002008 GUI Yue, WU Cheng-kun, LIU Ying-shen, et al. Improving engineering properties of peaty soil by biogeotechnology[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(2): 269–278. (in Chinese) doi: 10.11779/CJGE202002008
[6]	MA G L, HE X, JIANG X, et al. Strength and permeability of bentonite-assisted biocemented coarse sand[J]. Canadian Geotechnical Journal, 2021, 58(7): 969–981. doi: 10.1139/cgj-2020-0045
[7]	XIAO Y, ZHANG Z C, STUEDLEIN A W, et al. Liquefaction modeling for biocemented calcareous sand[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2021, 147(12): 04021149. doi: 10.1061/(ASCE)GT.1943-5606.0002666
[8]	程晓辉, 麻强, 杨钻, 等. 微生物灌浆加固液化砂土地基的动力反应研究[J]. 岩土工程学报, 2013, 35(8): 1486–1495. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201308017.htm CHENG Xiao-hui, MA Qiang, YANG Zuan, et al. Dynamic response of liquefiable sand foundation improved by bio-grouting[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(8): 1486–1495. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201308017.htm
[9]	XIAO Y, TANG Y, MA G, et al. Thermal conductivity of biocemented graded sands[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2021, 147(10): 04021106. doi: 10.1061/(ASCE)GT.1943-5606.0002621
[10]	PAASSEN L Van. Biogrout Ground Improvement by Microbially Induced Carbonate Precipitation[D]. Rijswijk Netherland: Delft University of Technology, 2009.
[11]	赵常, 张瑾璇, 张宇, 等. 微生物加固土多尺度研究进展[J]. 北京工业大学学报, 2021, 47(7): 792–801. https://www.cnki.com.cn/Article/CJFDTOTAL-BJGD202107014.htm ZHAO Chang, ZHANG Jin-xuan, ZHANG Yu, et al. Research Progress on Multi-scale Biocemented Soil[J]. Journal of Beijing University of Technology, 2021, 47(7): 792–801. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BJGD202107014.htm
[12]	崔明娟, 郑俊杰, 赖汉江. 颗粒粒径对微生物固化砂土强度影响的试验研究[J]. 岩土力学, 2016, 37(增刊2): 397–402. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S2051.htm CUI Ming-juan, ZHENG Jun-jie, LAI Han-jiang. Experimental study of effect of particle size on strength of bio-cemented sand[J]. Rock and Soil Mechanics, 2016, 37(S2): 397–402. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2016S2051.htm
[13]	彭劼, 冯清鹏, 孙益成. 温度对微生物诱导碳酸钙沉积加固砂土的影响研究[J]. 岩土工程学报, 2018, 40(6): 1048–1055. doi: 10.11779/CJGE201806010 PENG Jie, FENG Qing-peng, SUN Yi-cheng. Influences of temperatures on MICP-treated soils[J]. Chinese Journal of Geotechnical Engineering, 2018, 40(6): 1048–1055. (in Chinese) doi: 10.11779/CJGE201806010
[14]	XIAO Y, STUEDLEIN A W, RAN J Y, et al. Effect of particle shape on strength and stiffness of biocemented glass beads[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2019, 145(11): 06019016. doi: 10.1061/(ASCE)GT.1943-5606.0002165
[15]	XIAO Y, STUEDLEIN A W, PAN Z Y, et al. Toe-bearing capacity of precast concrete piles through biogrouting improvement[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2020, 146(12): 06020026. doi: 10.1061/(ASCE)GT.1943-5606.0002404
[16]	张鑫磊, 陈育民, 张喆, 等. 微生物灌浆加固可液化钙质砂地基的振动台试验研究[J]. 岩土工程学报, 2020, 42(6): 1023–1031. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202006007.htm ZHANG Xin-lei, CHEN Yu-min, ZHANG Zhe, et al. Performance evaluation of liquefaction resistance of a MICP-treated calcareous sandy foundation using shake table tests[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(6): 1023–1031. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202006007.htm
[17]	刘汉龙, 马国梁, 肖杨, 等. 微生物加固岛礁地基现场试验研究[J]. 地基处理, 2019, 1(1): 26–31. https://www.cnki.com.cn/Article/CJFDTOTAL-DJCL201901007.htm LIU Han-long, MA Guo-liang, XIAO Yang et al. In situ experimental research on calcareous foundation stabilization using MICP technique on the reclaimed coral reef islands[J]. Chinese Ground Improvement, 2019, 1(1): 26–31. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DJCL201901007.htm
[18]	XIAO Y, HE X, EVANS T M, et al. Unconfined compressive and splitting tensile strength of basalt fiber–reinforced biocemented sand[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2019, 145(9): 04019048. doi: 10.1061/(ASCE)GT.1943-5606.0002108
[19]	谢约翰, 唐朝生, 尹黎阳, 等. 纤维加筋微生物固化砂土的力学特性[J]. 岩土工程学报, 2019, 41(4): 675–682. doi: 10.11779/CJGE201904010 XIE Yue-han, TANG Chao-sheng, YIN Li-yang et al. Mechanical behavior of microbial-induced calcite precipitation (MICP)-treated soil with fiber reinforcement[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(4): 675–682. (in Chinese) doi: 10.11779/CJGE201904010
[20]	马国梁, 何想, 路桦铭, 等. 高岭土微粒固载成核微生物固化粗砂强度[J]. 岩土工程学报, 2021, 43(2): 290–299. doi: 10.11779/CJGE202102009 MA Guo-liang, HE Xiang, LU Hua-ming et al. Strength of biocemented coarse sand with kaolin micro-particle improved nucleation[J]. Chinese Journal of Geotechnical Engineering, 2020, 43(2): 290–299. (in Chinese) doi: 10.11779/CJGE202102009
[21]	WANG Y, SOGA K, DEJONG J T, et al. A microfluidic chip and its use in characterising the particle-scale behaviour of microbial-induced calcium carbonate precipitation (MICP)[J]. Géotechnique, 2019, 69(12): 1086–1094. doi: 10.1680/jgeot.18.P.031
[22]	WANG Y, SOGA K, DEJONG J T, et al. Effects of bacterial density on growth rate and characteristics of microbial-induced CaCO3 precipitates: particle-scale experimental study[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2021, 147(6): 04021036. doi: 10.1061/(ASCE)GT.1943-5606.0002509
[23]	何想, 马国梁, 汪杨, 等. 基于微流控芯片技术的微生物加固可视化研究[J]. 岩土工程学报, 2020, 42(6): 1005–1012. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202006005.htm HE Xiang, MA Guo-liang, WANG Yang et al. Visualization investigation of bio-cementation process based on microfluidics[J]. Chinese Journal of Geotechnical Engineering, 2020, 42(6): 1005–1012. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC202006005.htm
[24]	EBIGBO A, PHILLIPS A, GERLACH R, et al. Darcy-scale modeling of microbially induced carbonate mineral precipitation in sand columns[J]. Water Resources Research, 2012, 48(7): W07519.
[25]	MINTO J M, LUNN R J, EL MOUNTASSIR G. Development of a reactive transport model for field‐scale simulation of microbially induced carbonate precipitation[J]. Water Resources Research, 2019, 55(8): 7229–7245. doi: 10.1029/2019WR025153
[26]	NASSAR M K, GURUNG D, BASTANI M, et al. Large-scale experiments in microbially induced calcite precipitation (MICP): reactive transport model development and prediction[J]. Water Resources Research, 2018, 54(1): 480–500. doi: 10.1002/2017WR021488
[27]	BEAR J. Dynamics of Fluids in Porous Media[M]. New York: American Elsevier, 1972.
[28]	BRADFORD S A, WANG Y S, KIM H, et al. Modeling microorganism transport and survival in the subsurface[J]. Journal of Environmental Quality, 2014, 43(2): 421–440. doi: 10.2134/jeq2013.05.0212
[29]	NING Z G, LI R, LIAN H S, et al. Effects of flow-interruption on the bacteria transport behavior in porous media[J]. Journal of Hydrology, 2021, 595: 125677. doi: 10.1016/j.jhydrol.2020.125677
[30]	BRADFORD S A, BETTAHAR M. Concentration dependent transport of colloids in saturated porous media[J]. Journal of Contaminant Hydrology, 2006, 82(1): 99–117.
[31]	WHIFFIN V S. Microbial CaCO3 Precipitation for the Production of Biocement[D]. Perth: Morduch University, 2004.
[32]	LAUCHNOR E G, TOPP D M, PARKER A E, et al. Whole cell kinetics of ureolysis by sporosarcina pasteurii[J]. Journal of Applied Microbiology, 2015, 118(6): 1321–1332. doi: 10.1111/jam.12804
[33]	WIJNGAARDEN W K, VERMOLEN F J, MEURS G A M, et al. A mathematical model for biogrout[J]. Computational Geosciences, 2013, 17(3): 463–478. doi: 10.1007/s10596-012-9316-0
[34]	HAYNES W M. CRC Handbook of Chemistry and Physics[M]. Boca Raton: CRC Press, 2014.
[35]	WANG X R, NACKENHORST U. A coupled bio-chemo-hydraulic model to predict porosity and permeability reduction during microbially induced calcite precipitation[J]. Advances in Water Resources, 2020, 140: 103563. doi: 10.1016/j.advwatres.2020.103563
[36]	BARKOUKI T H, MARTINEZ B C, MORTENSEN B M, et al. Forward and inverse bio-geochemical modeling of microbially induced calcite precipitation in half-meter column experiments[J]. Transport in Porous Media, 2011, 90(1): 23–39. doi: 10.1007/s11242-011-9804-z
[37]	DUPRAZ S, PARMENTIER M, MÉNEZ B, et al. Experimental and numerical modeling of bacterially induced pH increase and calcite precipitation in saline aquifers[J]. Chemical Geology, 2009, 265(1): 44–53.
[38]	CUTHBERT M O, RILEY M S, HANDLEY-SIDHU S, et al. Controls on the rate of ureolysis and the morphology of carbonate precipitated by S. Pasteurii biofilms and limits due to bacterial encapsulation[J]. Ecological Engineering, 2012, 41: 32–40. doi: 10.1016/j.ecoleng.2012.01.008
[39]	QIN C Z, HASSANIZADEH S M, EBIGBO A. Pore-scale network modeling of microbially induced calcium carbonate precipitation: insight into scale dependence of biogeochemical reaction rates[J]. Water Resources Research, 2016, 52(11): 8794–8810. doi: 10.1002/2016WR019128
[40]	HOMMEL J, EBIGBO A, GERLACH R, et al. Finding a balance between accuracy and effort for modeling biomineralization[J]. Energy Procedia, 2016, 97: 379–386. doi: 10.1016/j.egypro.2016.10.028

施引文献(13)

期刊类型引用(7)

1.	刘华仁，佟大威，余佳，苏哲. 基于模糊聚类和随机子空间的高土石坝模态参数自动识别. 水力发电学报. 2025(02): 107-115 . 百度学术
2.	蔡正银，范开放，朱洵. 基于现场试验的海上筒型基础风电结构动力特性研究. 岩土工程学报. 2025(03): 443-452 . 本站查看
3.	张翰，张锋，谭尧升，姚孟迪，邓检华. 基于运行时模态分析和代理模型的大坝力学参数反演方法. 粉煤灰综合利用. 2025(01): 163-166 . 百度学术
4.	王晓澎，张浩，李欣，肖森，刘璇. 基于随机子空间法的滑动轴承运行模态参数识别. 噪声与振动控制. 2024(01): 126-133 . 百度学术
5.	樊圆，卢文胜，虞终军，任祥香. 多次地震作用下高层建筑结构动力特性识别和响应分析. 建筑结构学报. 2023(01): 225-234 . 百度学术
6.	翟世龙，刘萍，黄静，艾萨·伊斯马伊力，毛玉剑. 基于大坝地震反应台阵的土石坝模态参数识别. 内陆地震. 2023(04): 353-361 . 百度学术
7.	黄嘉思，徐文城，段元锋，章红梅. 基于随机子空间方法的向量式有限元索网模型模态识别. 结构工程师. 2022(06): 1-6 . 百度学术