砂土液化判据

砂土液化判据

土液化给人类带来的灾难是巨大的,历史上的很多地震都因砂土液化而发生地基失效和土坝破坏等重大事故。1966年邢台地震、1975年海城地震、1976年唐山大地震及2008年汶川大地震中,都出现了大量的喷水冒砂、地裂缝现象,造成堤防、岸坡大规模滑塌和桥、涵、闸等河道建立物的严峻破坏。因此,砂土液化的判别是防治地震灾难的重要措施。

标准贯入试验标准贯入试验(SPT)是基于国内几次大地震现场实测资料并借鉴国外液化评价方法而建立起来的,由于多次地震实测资料积累了大量SPT数据,是一种较为牢靠的方法,《建筑抗震设计规范》(GB50011—2001)接受下式判别地基土液化式中,N0为标贯击数基准值;ds为砂层深度;dw为地下水深度;ρc为粘粒含量。由规范定义的标准贯入击数液化判别,当饱和砂土实测标准贯入击数N<Ncr时,砂土液化;当N>Ncr时,砂土不液化;当N=Ncr时为临界状态Seed判别法国外较多接受Seed简化法其实质是将砂土中由振动作用产生的剪应力与产生液化所需的剪应力(即在相应动力作用下砂土的抗剪强度)进行比较。经H.B.Seed修正后简化成等效周期应力比CSR与地基土的周期阻力比CRR的比较。假如CRR＞CSR，则判别为不液化；假如CRR＜CSR，则判别为液化。它属于试验–分析法，也是最早提出的可判别具有水平地面自由场地液化的方法。很多影响液化的因素均得到适当考虑。1971年由美国伯克利地震工程探讨中心的Seed和Idriss教授提出了砂土液化判别的简化计算方法式中:CSR(CyclicStressRatio)为等效循环应力比;σv/σ′v为土的上覆压力与有效应力比;amax/g为地震作用下地面最大加速度与重力加速度比,amax可依据不同烈度按表1取值;rd为应力折减系数,Seed通过2153次地震的探讨表明(见图1中阴影线表示)。Seed判别法Seed等人通过探讨表明,循环阻CRR(CyclicResistanceRatio)与标准贯入试验锤击数可用图表示(见图2)。图2中是以震级约为7.5级、液化或不液化场地的地震现场考察结果为依据得到的CRR和(N1)60关系的散点图。图2中的曲线为NCEER(NationalCenterforEarthquakeEngeeringRecearch,国家地震探讨中心)提出的适用于纯砂土的循环阻力比曲线,曲线可以用下式示式中:(N1)60是将实测标贯锤击数修正为上覆压力为100kPa、能量比或效率为60%时的锤击数,可按下式求得式中:N为实测锤击数;CN为上覆压力修正系数,当CN大于2时取2,小于0.4时取0.4

标准贯入试验与Seed方法的比较目前国内最常用的判别方法是《建筑抗震设计规范》GB50011—2001举荐判别方法(下文简称“规范法”),国外常用的是Seed判别法。规范法是依据邢台地震(1966)、通海地震(1970)、海城地震(1975)、唐山地震(1976)及国外大地震的资料和室内液化试验的探讨成果确定的,是基于实际地震时液化调查而建立的判别方法,方法缺乏理论基础,对深层地基土的判别结果偏于保守;Seed判别法是通过探讨砂土的循环阻力比与标准贯入试验建立关系得出的判别方法,该法判别计算困难,在实际工程应用时工程技术人员不好运用,另外对深层地基土的判别也偏于担忧全。因此,若结合两种判别方法,取其均值作为判别依据,可以互补缺陷。标准贯入试验与Seed方法的综合综合两种判别方法，规范法与Seed判别法的差异,各有优缺点。取两种判别方法的平均值作为砂土液化判别的依据。将不同烈度下不同地下水位时用两种方法算得的临界锤击数的平均值(用N″cr表示,称之为综合临界锤击数)随深度变更关系见图6。综合两种方法后,临界锤击数平均值N′cr随深度的变更关系近似抛物线关系。在某一烈度下,N″cr可以接受下式进行拟合

N″cr=A0+A1z-A2z2

式中:系数A0、A1、A2是与烈度和地下水位有关的参数

基于标准贯入试验的牢靠性分析

Juang[6]主见用概率来反映液化势,按概率水平将液化势分为5个等级,见表1。本文在进行液化判别时,接受Juang建议的液化可能性分类,利用表1且依据液化概率分布状况,定性地描述液化的可能性。

静力触探液化判别法（CPT）静力触探试验（CPT）是岩土工程勘察中常用的一种原位测试技术，起源于1945年荷兰专家提出的“深层触探”，原理是运用动力设备将锥形探头匀速推向土体，在削减扰动的状况下，勘察土体物理力学性质，包括土体孔隙水压力、锥尖阻力、侧摩擦阻力等。CPT相比其它原位测试技术有确定优势，包括可获得连续数据、探头功能多样性、可重复性和可对土层进行土类划分等，是国际上重点发展的原位测试技术之一。

式中，pscr，qccr分别为饱和土CPT液化比贯入阻力临界值和锥尖阻力临界值(MPa)；du为上覆非液化土层厚度(m)，计算时应将淤泥和淤泥质土层厚度扣dw为地下水位深度(m)；ps0，qc0分别为地下水深度dw=2m、上覆非液化土层厚度du=2m时，饱和土液化判别比贯入阻力基准值和液化判别锥尖阻力基准值(MPa)；αw为地下水位埋深dw修正系数，地面常年有水且与地下水有水力联系时，取αw=1.13；αu为上覆非液化土层厚度du修正系数，对于深基础，取=αu1.0；αp为与CPT摩阻比有关的土性修正系数。

静力触探液化判别法（CPT）国外CPT液化判别公式主要有以下两个，其一为Robertson公式：式中，CSR为地震循环剪应力比；Kc

为土性修正系数；qc1N为修正到

100kPa的锥尖阻力值；Rf

为摩阻比；σvo´为有效上覆压力。

剪切波速判别法

该方法是以土在地震作用下的剪应变量作为液化判别的基本量,并利用虎克定律导出其间接判别量——临界剪切波速。由于该判别量稳定性较好,可在土层原位状态下通过测试得到,因而近几年来应用较广泛。该方法通常利用PS测井技术获得场地内各土层的剪切波速Vs值,依据场区的抗震设防烈度和建筑物设防标准,由典型公式计算出各饱和土层振动液化判别点处的临界剪切波速Vscr,即Vscr=Vs0(ds-0.0133ds2)0.5[1.0-0.185(d/ds)]式中Vscr为饱和砂土或粉土液化剪切波速临界值,m/s;Vs0为与烈度、土类有关的阅历系数;ds为砂土或粉土层剪切波速测点深度,m;dw为地下水深度,m,按设计基准期内年平均最高水位接受,也可按近期内年最高水位接受。将临界剪切波速作为液化判别标准,对同一深度的Vs值与Vscr值进行比较,若Vs<Vscr,则判定该点为地震液化土层,否则为非地震液化土层。剪切波速判别法存在3点不足:①无法定量区分土性,须要借助土工试验的颗分试验来确定试验段的土性;②未考虑粉土的粘粒含量ρc,而粘粒含量ρc是影响粉土液化的主要因素;③未考虑上覆地层的岩性和厚度,上覆非液化土层厚度是影响液化的主要因素,覆盖层越薄越易液化。基于RBF神经网络模型的砂土液化预料方法

人工神经网络ANN(AnificialNeuralNetwork),ANN可以通过大量样本的学习来抽取隐含在样本中的因果关系，从数据中提取事物特征，在信息不精确、背景学问不清晰或推理规则不明确的状况下照旧能进行推理推断。为精确描述砂土液化与各影响因素之间困难的映射关系、高砂土液化势评价的牢靠性和精确性，本文将ANN技术引入到砂土液化评判问题提中，接受函数靠近实力、数据拟合实力和收敛速度都明显优‘于BP网络的RBF网络，用于砂土液化势评价，建立各主要影响因素与地基土液化之间的非线性关系。即实现神经网络模型对砂土液化势的自动预估，并利用该模型建立了各因素影响趋势线，通过对该神经网络模型的建立、运行和检验，得到了各因素对砂土液化的影响规律。

基于RBF神经网络模型的砂土液化预料方法

RBF神经网络模型的原理

目前，常用的前馈型神径网络模型包括误差反向传播BP网络模型和RBF网络模型2种。二者不同之处在于BP模型用于函数靠近时，接受负梯度下降法调整权值，存在着收敛速度慢和结果局部微小等缺陷。而RBF网络的作用函数则是局部的，在靠近实力、分类实力和学习速度等方面均优于BP网络模型，训练样本越多，向量维数越高，其优势越明显明。

RBF神经网络模型

R蛋IF神经网络模型是一种将输入矢量扩展或者预处理到高维空间中的神经网络模型，该模型由输入层、隐层和输出层3层构成，其模型结构如图1所示

基于RBF神经网络模型的砂土液化预料方法

RBF神经网络模型的建立考虑到液化判别指标应具代表性以及现场测试的简便性，本文选取黏粒含量p小相对密实度Dr、I临界深度dS。、竖向有效应力σ´、地下水位dW。地震震级M、最大地面水平加速度amax一和标准贯入(简称标贯)次数SPT一N等8个砂土液化的主要影响因素作为RBF神经网络的输入参数。设输入层神经元数为8，输出层神经元数为2。利用MATLAB70中的NEWRB函数自动确定所需隐层单元并训练网络

基于RBF神经网络模型的砂土液化预料方法

RBF网络训练目标依据时松孝次等人的探讨成果和参考行业规范，将砂土液化势的分类标准定为4级，如表1所示。对应训练样本，设定相应目标值。将4类样本的期望输出参数依次设定为：<0．25

(未液化)，0．25--0．5(临界液化)，0．5--0．75(中等液化)，0．75--1(严峻液化)

基于RBF神经网络模型的砂土液化预料方法

RBF神经网络模型评价

依据以上所建立的RBF神经网络模型，共选取40组时松孝次收集的砂土液化势数据，随机选取25组数据作为训练样本进行训练，选取15组数据作为测试样本，对所建立RBF网络的正确性和智能性加以检验。RBF网络训练结果、测试结果及判定标准见表2和表3。依据上述建立的RBF神经网络模型，对表2中数据进行训练时，迭代213次时，网络精度即达到5×10-4，且训练结果与实际结果全部吻合，完全满足砂土液化势判别的精度要求。这说明所建立的RBF神经网络模型具有较好的模拟效果，能够精确模拟输入和输出之间困难的非线性映射关系。在对另15组数据运用上述建立的RBF网络模型，进行测试时，样本点与实测结果亦完全相同。这说明RBF网络模型具有较强的容错性和自适应性，同时也有较高的预料精度。

基于RBF神经网络模型的砂土液化预料方法

基于RBF神经网络模型的砂土液化预料方法

各因素对砂土液化的影响程度是不同的。为探讨各影响因素对砂土液化判别指标的相对贡献，利用MATLAB7.0神经网络工具箱中的权重，计算出各因素对液化判别指标的相对贡献率。相对贡献率的计算公式为C8=W8／W×100％

从表4中可见，各因素对砂土液化的相对贡献率在10．36％一15．62％之间，说明所选取的因素对砂土液化影响显著，从而证明白RBF网络模型中各因素选择的正确性。计算结果表明：各影响因素对砂土液化的相对贡献率在10．36％--15．62％之间，amax对砂土液化的贡献率最大，标贯击数