地震砂土液化预测模型研究

本文通过对砂土液化机制的研究,建立了临界液化状态下的超静孔隙水压力随地震地面加速度及地震持续时间的关系式,利用该模型可以确定砂土层达到临界液化状态所需地震持续时间及液化可能发生的深度,并根据唐山地区的砂土液化资料进行了实例分析。     

砂土地震液化的神经网络预测

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取砂土的平均粒径(d50／mm)、相对密度(Dr／％)、标准贯入击数(N63.5／击)、上覆有效应力(σv／kPa)、地震烈度(I0)作为指标,预测砂土在地震作用下液化的可能性,取得了较好的预测效果。     

砂土地震液化危害的概率分析

由于砂土地震液化危害具有随机性和不确定性,本文提出了砂土地震液化危害的概率分析方法,即用概率表示不液化、轻微液化、中等液化和严重液化,并给出了采用Monte Carlo法(蒙托卡罗法)计算液化危害概率的表达式.对一算例进行了分析,认为概率分析方法能较清楚地反映液化危害程度.     

砂土地震液化的改进进货遗传算法判别

改进了进化遗传算法,提出了新的交叉算子和变异算子,使之具有更好的全局收敛能力。砂土液化是一种危害极大的地震破坏现象,其影响因素很多,选择地震烈度、砂土粒径、相对密度、标贯击数和有效正应力为判据,利用改进了的进化遗传算法建立了砂土地震液化的判别模型。与液化情况比较表明,改进进化遗传算法应用于砂土地震液化的判别效果良好。     

砂土地震液化的模糊优化判别

利用模糊最优归类方法对砂土地震液化进行判定,通过综合地震烈度、平均粒径、标贯值和有效上覆应力等影响砂土地震液化的因素,利用最优归类隶屑度向量作为砂土是否液化的判别指标,并经实例计算验证了该方法的可行性.该方法采用的指标在现场勘测中容易取得,计算过程简单明了,有一定实用价值.     

砂土地震液化的模糊概率评判方法

利用模糊数学中的模糊概率理论,建立了砂土地震液化的模糊概率综合评判模型。在此模型中,提出了模糊权重的概念,可充分考虑权重的模糊性,从而避免权重取值带来的不确定性。结合砂土地震液化特点,选取地震烈度、标准贯入击数、平均粒径和上覆有效压力作为主要评价影响因子,同时将液化程度划分为不液化、轻微液化、中等液化和严重液化4个等级,进而使其评判结果更为精细化。通过算例分析,表明文中方法对砂土液化评判的合理性与有效性。     

基于MPL神经网络的地震作用下砂土液化评估及预测

砂土在地震的作用下会产生剧烈的液化现象,液化引发的地基失稳会对道路、建筑物、堤坝等各类设施造成严重危害。因此,地震作用下的砂土液化判别预测一直是地质灾害领域研究的热点问题。本文使用过去几十年发生在世界各地的166组地震作用下砂土液化实例数据,通过大量数据训练和参数分析建立了基于机器学习的地震作用下砂土液化判别模型。结果表明,当网络结构为6(输入层)-15(隐藏层)-1(输出层)、训练函数为Levenberg-Marquardt时,对地震液化预测效果较好,最大准确率可达96%。参数分析结果表明不同参数对网络预测准确率影响程度不一:锥端阻力、地表归一化峰值水平加速度影响相对较大;地震震级、总垂向应力、有效垂向应力影响中等;贯入深度对其影响较小。因此在不同网络预测精度要求的条件下,可考虑适当简化输入参数。     

砂土液化的地质综合判别法

本文根据地震烈度七、八、九度区的实际资料,分别建立了包括砂土厚度、砂土密实度、砂土埋深及地下水位埋深等四项因素的藏化判别式和严重液化与轻微液化的判别式。根据对唐山、海城地震区131个钻孔162组资料的统计结果,本判别法的有效率为:七度区91％,八度区88％,九度区95％。     

饱和砂土地震液化判别的可拓聚类预测方法

基于可拓学的物元模型和聚类分析原理,提出了饱和砂土地震液化判别的可拓聚类方法。选取地震烈度、震中距、砂层埋置深度、地下水位、标贯击数、平均粒径、不均匀系数和动剪应力比等8个影响因素,作为饱和砂土地震液化的评价因子,构建了经典域物元和节域物元。应用物元理论和可拓集合中的关联函数,建立预测模型,通过聚类分析得到饱和砂土地震液化的判别结果。实例研究表明,该模型能客观地反映砂土的液化规律,可拓聚类预测方法应用于饱和砂土地震液化判别是有效可行的。     

基于判别分析法的地震砂土液化预测研究

将距离判别分析方法应用于砂土液化的预测问题中,建立了砂土液化预测的距离判别模型。选用震级、研究深度、震中距、标贯击数、地下水位及地震持续时间等6项指标作为判别因子,以大量的工程实例数据作为学习样本进行训练,建立了线性判别函数对待评样本进行了评价。研究结果表明,距离判别分析模型判别砂土液化效果良好,预测准确度高,回判估计误判率低,可望成为砂土液化预测的有效手段。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

砂土地震液化势的二级模糊综合评判

基于砂土地震液化的工程实例,采用模糊综合评判的二级评判方法对砂土的液化势进行了评价,并同其它评判方法进行了对比分析,表明该方法取得了较好的结果.     

Simulation analysis of ground liquefaction induced by earthquake

A dynamic effective stress analysis with the finite element method has long been recommended to predict the liquefaction phenomena of sandy soil by authors and Zienkiewicz et al. as well as the similar approaches by the others. Our approach of the analysis is summarized in the first.

Until recently, however, these approaches has not commonly been used as the means of design, although its capability of prediction is appreciated by geotechnicians. This method has been neglected because of the lack of verification studies of soil models of sand and mathematical formulation for boundary problems of liquefaction phenomena. Therefore the verification of the numerical method to evaluate liquefaction potential are urgent requirement of the recent engineering practice. To respond this requirement, extensive numerical studies on the liquefation simulations are performed by DIANA program for shaking table tests which have been conducted by the authors. The test models are soil-structure type models with combination of homogenous ground and partially improved ground by compaction.

The good performance of our approach is proved by the results of numerical simulation showing good agreement with experimental data in terms of response acceleration, excess pore pressure, and deformation profile. It is also demonstrated that the numerical results can provide substantial information to understand the mechanisms of soil ground behavior which is not easily obtained by experiments.

The procedure to identify soil constants for the reflecting surface model is also reported in details.     

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性问题的有效方法之一。     

砂土液化预测的Fisher判别模型及应用

基于Fisher判别理论建立了砂土液化可能性的Fisher判别分析（FDA）模型。在分析砂土液化影响因素的基础上,选取烈度、震中距、地下水位、砂层埋深、标贯击数、平均粒径、不均匀系数、剪应力比等8个实测特征指标作为FDA模型的预测指标。利用砂土液化的实测数据作为训练样本进行训练,建立FDA模型对砂土液化进行预测,并用其他未参加训练的实测数据进行了验证。研究结果表明,FDA模型简便可行、预测精度高,是解决砂土液化预测问题的有效方法之一。     

基于Logistic回归模型的砂土液化概率评价

以国内外23次地震中200组场地液化实测数据为基础,通过Logistic回归分析,建立关联修正标准贯入击数N160cs与循环应力比CSR的液化概率模型。以50 %液化概率水平为液化与非液化的临界点,建立了指数形式的抗液化应力比CRR计算式,新建概率模型预测饱和砂土液化与非液化的成功率分别为85.71 %和76.14 %,具有较高的可靠性。与已有模型比较,使用了新的数据和修正系数,消除了一些不合理的偏差,总体判别结果偏于安全。为了将确定性分析方法与概率分析方法联系起来,建立了抗液化安全系数FS与液化概率PL的关系式。算例结果表明,新建概率模型简单、实用、可靠。     

Explicit integration of bounding surface model for the analysis of earthquake soil liquefaction

This paper presents a new plasticity model developed for the simulation of monotonic and cyclic loading of non‐cohesive soils and its implementation to the commercial finite‐difference code FLAC, using its User‐Defined‐Model (UDM) capability. The new model incorporates the framework of Critical State Soil Mechanics, while it relies upon bounding surface plasticity with a vanished elastic region to simulate the non‐linear soil response. Stress integration of constitutive relations is performed using a recently proposed explicit scheme with automatic error control and substepping, which so far has been employed in the literature only for constitutive models aiming at monotonic loading. The overall accuracy of this scheme is evaluated at element level by simulating cyclic loading along complex stress paths and by using iso‐error maps for paths involving change of the Lode angle. The performance of the new constitutive model and its stress integration scheme in complex boundary value problems involving earthquake‐induced liquefaction is evaluated, in terms of accuracy and computational cost, via a number of parametric analyses inspired by the successful simulation of the VELACS centrifuge Model Test No. 2 studying the lateral spreading response of a liquefied sand layer. Copyright © 2009 John Wiley & Sons, Ltd.