基于次加载面的砂黏统一本构模型(clay and sand model with subloading surface,简称CASM-S)适用于描述砂土和超固结黏土的力学行为,然而该模型仍沿用线性临界状态描述砂土的应力−孔隙比关系。考虑高应力状态下砂土的压缩特性及其临界...基于次加载面的砂黏统一本构模型(clay and sand model with subloading surface,简称CASM-S)适用于描述砂土和超固结黏土的力学行为,然而该模型仍沿用线性临界状态描述砂土的应力−孔隙比关系。考虑高应力状态下砂土的压缩特性及其临界状态线在e-lnp平面内的非线性,在CASM-S中引入了描述砂土非线性临界状态线和参考固结线(reference compression curve,简称RCC)的幂函数形式;通过引入参数ξ和λ_(r),修正了CASM-S的屈服面与次加载面函数以描述砂土剪切特性,并利用参考固结线在e-(p/p_(a))^(ξ)(其中e为临界状态下的孔隙比,p为正应力,pa为标准大气压)平面内的线性关系给出了先期固结压力p_(c)0的求解方法。新建本构模型的11个参数均可通过常规土工试验或经验方法确定。基于修正CASM-S的预测结果,对比分析了4种砂土的三轴排水和不排水剪切试验结果,证实了该模型能够有效考虑非线性临界状态线的影响,并能够精确描述饱和砂土在不同孔隙比和围压下的三轴剪切特性。展开更多
为在稀疏测点超孔隙水压力数据条件下预测饱和软土的固结行为,引入物理信息深度算子网络(physics-informed deep operator network,PI-DeepONet)方法,并利用稀疏孔隙水压力测点数据对饱和土体全域内超孔隙水压力分布进行实时预测。通过...为在稀疏测点超孔隙水压力数据条件下预测饱和软土的固结行为,引入物理信息深度算子网络(physics-informed deep operator network,PI-DeepONet)方法,并利用稀疏孔隙水压力测点数据对饱和土体全域内超孔隙水压力分布进行实时预测。通过分析常规黏土变形固结及软弱黏土大变形固结2个实例进行预测,引入相对L2误差和R2这2个评估指标,验证了PI-DeepONet算法在预测全域超孔隙水压力演化方面的性能,并与纯数据驱动的DeepONet算法的计算结果进行了对比。预测结果表明:在相同的测点数目和各测点拥有相同超孔隙水压力数据量的条件下,DeepONet算法对全域超孔隙水压力的预测绝对误差在10^(-2)~10^(-1)左右,而PI-DeepONet算法的绝对误差范围则在10^(−3)~10^(-2)左右,表现出更好的预测效果。其次,在常规黏土变形固结行为研究中,通过对超孔隙水压力数据添加3种不同噪声水平来模拟现场监测环境,观察到即使噪声水平达到5%,PI-DeepONet算法仍能在水压力数据稀疏且带噪声的条件下提供高质量的全域超孔隙水压力实时预测。最后,在软弱黏土大变形固结行为研究中,将PI-DeepONet算法运用于上下边界排水速率不同的固结问题中,发现训练好的一维模型在单一测点条件下,能对其他界面参数条件下饱和土体全域内超孔隙水压力分布规律进行准确预测,表明PIDeepONet算法能为岩土工程中相关问题提供新的解决办法。展开更多
文摘基于次加载面的砂黏统一本构模型(clay and sand model with subloading surface,简称CASM-S)适用于描述砂土和超固结黏土的力学行为,然而该模型仍沿用线性临界状态描述砂土的应力−孔隙比关系。考虑高应力状态下砂土的压缩特性及其临界状态线在e-lnp平面内的非线性,在CASM-S中引入了描述砂土非线性临界状态线和参考固结线(reference compression curve,简称RCC)的幂函数形式;通过引入参数ξ和λ_(r),修正了CASM-S的屈服面与次加载面函数以描述砂土剪切特性,并利用参考固结线在e-(p/p_(a))^(ξ)(其中e为临界状态下的孔隙比,p为正应力,pa为标准大气压)平面内的线性关系给出了先期固结压力p_(c)0的求解方法。新建本构模型的11个参数均可通过常规土工试验或经验方法确定。基于修正CASM-S的预测结果,对比分析了4种砂土的三轴排水和不排水剪切试验结果,证实了该模型能够有效考虑非线性临界状态线的影响,并能够精确描述饱和砂土在不同孔隙比和围压下的三轴剪切特性。
文摘为在稀疏测点超孔隙水压力数据条件下预测饱和软土的固结行为,引入物理信息深度算子网络(physics-informed deep operator network,PI-DeepONet)方法,并利用稀疏孔隙水压力测点数据对饱和土体全域内超孔隙水压力分布进行实时预测。通过分析常规黏土变形固结及软弱黏土大变形固结2个实例进行预测,引入相对L2误差和R2这2个评估指标,验证了PI-DeepONet算法在预测全域超孔隙水压力演化方面的性能,并与纯数据驱动的DeepONet算法的计算结果进行了对比。预测结果表明:在相同的测点数目和各测点拥有相同超孔隙水压力数据量的条件下,DeepONet算法对全域超孔隙水压力的预测绝对误差在10^(-2)~10^(-1)左右,而PI-DeepONet算法的绝对误差范围则在10^(−3)~10^(-2)左右,表现出更好的预测效果。其次,在常规黏土变形固结行为研究中,通过对超孔隙水压力数据添加3种不同噪声水平来模拟现场监测环境,观察到即使噪声水平达到5%,PI-DeepONet算法仍能在水压力数据稀疏且带噪声的条件下提供高质量的全域超孔隙水压力实时预测。最后,在软弱黏土大变形固结行为研究中,将PI-DeepONet算法运用于上下边界排水速率不同的固结问题中,发现训练好的一维模型在单一测点条件下,能对其他界面参数条件下饱和土体全域内超孔隙水压力分布规律进行准确预测,表明PIDeepONet算法能为岩土工程中相关问题提供新的解决办法。
