静力触探识别场地土层分布的贝叶斯学习方法研究
发布时间:2022-01-15 17:44
静力触探试验(CPT)通常是垂直于地表进行的,用以识别工程场地土层分布情况。实际工程中,常常由于时间和预算的限制,工程场地中的CPT探测点数量有限且分布稀疏。准确推测CPT探测点之间未测区域的数据和分层情况非常困难。本文提出了一种贝叶斯学习算法来解决这一难题。该方法可使用少量CPT探测点来预测二维剖面中土的分类和分层。该方法包括3部分:(1)使用贝叶斯学习对CPT数据进行二维空间插值;(2)利用Robertson土性分类图在二维剖面中确定每个位置(包括已探测和未探测的位置)土性分类(SBT);(3)使用边缘探测方法描绘二维剖面中的土层边界。本方法仅利用少量CPT探测点可直接得到表征二维地质剖面的高分辨率CPT数据和土体分类信息,并自动划定土层边界。本文用模拟算例探讨了该方法的效果。结果表明,仅使用5个CPT探测点的数据即可得到合理的推测结果。此方法可应用于地质信息化研究和城市地下空间建模。
【文章来源】:工程地质学报. 2020,28(05)北大核心CSCD
【文章页数】:7 页
【部分图文】:
二维地质剖面土层分布推测问题
利用插值后的FR和Qt二维剖面和Robertson土性分类图(Robertson,2009),可确定二维剖面内每一点的土性分类。基于图7中插值结果的SBT的二维剖面如图9a所示。在图9a中,黑实线表示此模拟算例的原始边界。从图9a中可以看出,本方法推测的SBT二维剖面的土层分布基本符合原始的土层分布。为了更清楚展现土层分布估计结果,4个检测位置(U1~U4)的土层分布情况如图10a所示。在图10中,原始的SBT值表示为黑色十字符号,对应的推测结果表示为红色方块。从图10a中可以看出大部分的红色方框都与对应的黑色十字重合,即说明本方法的土层推测效果较好。此外,本研究还量化地分析了土层推测的准确性。准确度量化指标定义为某一土层内正确估计的点数与该层内总点数的百分比。如表2中的第3列所示,当只有5个CPT探测点时,二维剖面的总体的估计准确度为92.9%。结果表明,本方法的估计准确度高。第2层土(粉质黏土)的估计准确度相对其他土层偏低。这是由于第2层土只局部存在于剖面两侧,相对其他土层来说面积最小,对插值结果也最为敏感。而且在5个探测点中只有3个探测点有探测到第2层土的信息,其准确度也受到统计不确定性的影响。图9 二维剖面土层划分结果
二维剖面土层划分结果
【参考文献】:
期刊论文
[1]同震滑坡发生概率研究——新一代地震滑坡危险性模型[J]. 许冲,徐锡伟,周本刚,沈玲玲. 工程地质学报. 2019(05)
[2]基于机器学习的地层序列模拟[J]. 周翠英,张国豪,杜子纯,刘镇. 工程地质学报. 2019(04)
[3]联合多种数据驱动建模方法的滑坡位移预测研究[J]. 鄢好,李绍红,吴礼舟. 工程地质学报. 2019(02)
[4]基于CPTU的中国实用土分类方法研究[J]. 刘松玉,蔡国军,邹海峰. 岩土工程学报. 2013(10)
[5]基于聚类分析理论的CPTU土分类方法研究[J]. 蔡国军,刘松玉,童立元,杜广印. 岩土工程学报. 2009(03)
本文编号:3591048
【文章来源】:工程地质学报. 2020,28(05)北大核心CSCD
【文章页数】:7 页
【部分图文】:
二维地质剖面土层分布推测问题
利用插值后的FR和Qt二维剖面和Robertson土性分类图(Robertson,2009),可确定二维剖面内每一点的土性分类。基于图7中插值结果的SBT的二维剖面如图9a所示。在图9a中,黑实线表示此模拟算例的原始边界。从图9a中可以看出,本方法推测的SBT二维剖面的土层分布基本符合原始的土层分布。为了更清楚展现土层分布估计结果,4个检测位置(U1~U4)的土层分布情况如图10a所示。在图10中,原始的SBT值表示为黑色十字符号,对应的推测结果表示为红色方块。从图10a中可以看出大部分的红色方框都与对应的黑色十字重合,即说明本方法的土层推测效果较好。此外,本研究还量化地分析了土层推测的准确性。准确度量化指标定义为某一土层内正确估计的点数与该层内总点数的百分比。如表2中的第3列所示,当只有5个CPT探测点时,二维剖面的总体的估计准确度为92.9%。结果表明,本方法的估计准确度高。第2层土(粉质黏土)的估计准确度相对其他土层偏低。这是由于第2层土只局部存在于剖面两侧,相对其他土层来说面积最小,对插值结果也最为敏感。而且在5个探测点中只有3个探测点有探测到第2层土的信息,其准确度也受到统计不确定性的影响。图9 二维剖面土层划分结果
二维剖面土层划分结果
【参考文献】:
期刊论文
[1]同震滑坡发生概率研究——新一代地震滑坡危险性模型[J]. 许冲,徐锡伟,周本刚,沈玲玲. 工程地质学报. 2019(05)
[2]基于机器学习的地层序列模拟[J]. 周翠英,张国豪,杜子纯,刘镇. 工程地质学报. 2019(04)
[3]联合多种数据驱动建模方法的滑坡位移预测研究[J]. 鄢好,李绍红,吴礼舟. 工程地质学报. 2019(02)
[4]基于CPTU的中国实用土分类方法研究[J]. 刘松玉,蔡国军,邹海峰. 岩土工程学报. 2013(10)
[5]基于聚类分析理论的CPTU土分类方法研究[J]. 蔡国军,刘松玉,童立元,杜广印. 岩土工程学报. 2009(03)
本文编号:3591048
本文链接:https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3591048.html