利用土壤粒径分布获取水土特征曲线的方法

发布时间：2020-04-02 07:18

【摘要】：基于介质粒径分布(Particle size distribution,PSD)与水土特征曲线(Soil water characteristic curve,SWCC)形状相似性间接预测SWCC的方法快速、经济,具有潜在的应用价值。但是,以该原理为基础的传统模型均存在对高吸力段含水率的低估,本文研究了产生该误差的原因,提出了三种改进模型,并用大量实测数据进行了模型验证,比较评价了三种改进模型以及传统模型的预测性能。研究表明,传统模型预测的SWCC高吸力段含水率低估主要出自于粒径分布向孔隙分布的转化方法。针对该问题,三种改进模型中,吸力仍沿用了传统模型中的计算方法,用孔径和粒径的线性关系通过Young-Laplace方程获取,主要对粒度分数向孔隙分数的转化方法(即含水率估算)进行了完善。改进方法Ⅰ把介质含水率概化为毛细水含水率和薄膜水含水率之和,引入薄膜水后高吸力下的含水率明显增加;改进方法Ⅱ把介质的孔隙概化为带狭缝的孔隙模型,由此估算的小孔隙的体积分数明显增加,从而增加高吸力下的含水率。改进方法Ⅲ利用实测孔隙分布与粒径分布曲线的关系,采用统计方法从粒径分布预测孔隙分布,明显增加了高吸力段含水率。改进方法Ⅰ预测的SWCC与实测曲线的变化趋势一致,且具有继续研究使其能够预测从完全干燥至饱和的整段SWCC,其预测准确度主要受经验法获得的比表面积的影响。改进方法Ⅱ计算相对复杂,但其对各种介质的预测性能稳定,对壤砂土和砂土的预测效果最好,该方法的主要误差在于经验法获得的比表面积误差和孔隙模型参数选取的误差。改进方法Ⅲ所需的输入参数最少,计算过程简单,其准确度受统计分析得到的参数ε的影响。总体上,三种改进法均能较好的预测水土特征曲线,准确度有明显提高,能够改善传统法预测的SWCC高吸力段含水率低估的问题。
【图文】：

水土特征曲线,模型预测,实测值,模型

图 2.1 MV 模型和 Jensen 等的模型预测的水土特征曲线与实测值的比较表 2.2 列出了 50 个样品的 MV 模型和 Jensen 模型预测含水率与实测含水率的均方根误差 RMSE 值，可以看出，MV 模型的计算含水率与实测含水率的 RMSE 为 0.044 -0.096，均值为 0.057；Jensen 模型的 RMSE 为 0.043-0.0106，均值为 0.061，说明 MV 模型的准确度略高于 Jensen 模型。但是对黏土和砂土，Jensen 模型的准确度略高于 MV 模型，总体上，两模型的预测准确度相差不大，这也说明了两模型吸力算法的计算结果相差不大。相较于 MV 模型，Jensen 模型用线形关系表示孔径与粒径的关系，形式简单，便于与其他方法结合使用。因此后文所述的改进的水土特征曲线预测法均采用 Jensen 模型中吸力的计算方法。表 2.2 MV 模型和 Jensen 模型预测与实测水土特征曲线的均方根误差（RMSE）介质类型样品数量RMSEJensen 等的模型 MV 模型黏土 8 0.055 0.056壤土 4 0.091 0.081壤砂土 10 0.055 0.048

水土特征曲线,中毛,吸附力,砂土

图 3.1 砂土水土特征曲线中毛细力和吸附力的贡献[21]研究将薄膜水量表达为土壤比表面积与水膜厚度a w hSA 量（kg·kg-1）；h 为水膜厚度（m）；SA 为介质比表不同吸力水头下含水率不同，对应的薄膜水吸附面力条件下对应的薄膜水含水率应用式（3.2）计算：ai i bs1iSAh 水阶段对应薄膜水含水率（cm3·cm-3）；ρb是样品的隙体积比值的大小随粒度的变化呈接近幂函数的形式来表达不同含水率下，，水膜吸附面积占总比表面年的参数 γ 的设置，现改进参数取值如下，改进的
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TU43

【参考文献】