Intelligent geotechnical engineering
-
摘要: 以物联网、现代通讯、大数据、人工智能等技术为核心的第四次工业革命成为了众多研究领域智能化升级的平台,新时代条件下传统岩土工程研究遇到了前所未有的机遇和挑战,岩土工程与最新的信息技术、计算机科学技术相互融合,如建筑信息模型、物联网、人工智能、深度学习、增强现实等可实现岩土工程的智能化转型。研究初步构建了“智能岩土工程”的知识图谱,探索了相应的实现路径,阐述了基于新技术的三维地质建模–物联网–深度学习–扩展现实的岩土工程智能化转型方法;介绍了建筑信息模型(BIM)与地理信息系统(GIS)一体化的三维地质建模、“端–边–云–网”的技术架构、以主动伺服加载系统为代表的岩土工程(深基坑工程)风险主动控制系统;阐明了物联网传感器技术在岩土工程领域的应用情况、虚拟现实与增强现实技术在岩土工程领域的应用现状;分析了人工智能(深度学习)在岩土工程风险预测预警方面的关键作用;构建了未来智能岩土工程的知识图谱,为拟从事智能岩土工程相关的研究人员提供借鉴。Abstract: The fourth industrial revolution based on the core technologies of Internet of Things (IoT), modern communication, big data and artificial intelligence (AI) is an upgrading platform for many different research fields. The traditional geotechnical engineering has great opportunities and grand challenges in this new era. Integration of the geotechnical engineering, innovative information technology and computer science technology such as building information modelling (BIM), IoT, AI, deep learning and argument reality can be used to realize intelligent transformation of the traditional geotechnical engineering. The knowledge mapping of the intelligent geotechnical engineering is preliminarily established, and the relevant realization paths are investigated. The transformation method for the intelligent geotechnical engineering "3D geological modelling-IoT-deep learning-extended reality" based on the innovative technologies is depicted. 3D geological modelling using the fusion of BIM and the geographic information system, the technological frame of "end-edge-cloud-network" and the active risk control for geotechnical engineering (deep excavation engineering) based on the active servo-loading system are introduced. The application status of the IoT sensoring technology visual reality and argument reality in the geotechnical engineering is introduced. The key role of AI (deep learning) in the geotechnical engineering for monitoring and early warning is analyzed. The knowledge mapping of future development of the intelligent geotechnical engineering is proposed, providing advice and guidance for the relevant researchers in the geotechnical engineering.
-
0. 引言
在岩土工程中机械法施工普遍,但黏土堵塞是困扰施工的一大难题。堵塞主要发生在盾构开挖、桩基施工等过程中,其中盾构结泥饼堵塞较为严重。土压平衡盾构穿越黏土地层,渣土容易黏在刀盘、土仓、螺旋输送机等工作部件上,出现刀盘结泥饼、刀具黏结、土仓堵塞、排渣不畅等问题,如图 1所示。黏土对刀盘黏附导致工作扭矩增加,整体掘进速率低,能耗高,严重困扰盾构施工。
目前针对黏土地层带来的盾构施工问题,主要有机械冲刷和化学渣土改良两种处理手段。对于机械手段,通过在盾构刀盘增加冲刷装置,如在刀盘安装高压水刀将坚硬的泥饼切割冲刷,该方法存在占据刀盘空间、无法全盘面清理、处理滞后等弊端[1]。而常采用的渣土改良手段,通过向刀盘、土仓、螺旋输送机等部位添加泡沫剂、分散剂等化学改良剂来降低土体黏附性,将土体调整为“塑性流动”状态,解决盾构泥饼问题。相关学者开展了试验研究,通过加入化学改良剂能够降低土体的法向黏附力、横向黏附力[2-3]。然而改良剂的使用标准较难把控,很难将土体和地下水条件与适当的改良剂相匹配,同时化学改良药剂会带来一定的环保问题,造成排出的渣土需要处理处置,工程整体成本增加。
为此,近年来相关学者旨在寻求新的方法来降低黏土对刀具的黏附。Reuss[4]最早发现,施加到土体上的电流会导致水向阴极移动。如果改变电流方向则可能产生水的渗透,电渗透技术应运而生。电渗透技术最早是由Casagrande[5]提出,作为一种通过脱水来固结土体的技术。在软黏土电渗固结方面,相关学者开展了大量研究,王柳江等[6]开展了电渗加固软黏土的室内模型试验,对排水量、电流和电势、处理后土体表面沉降、以及不同位置的土体含水率和抗剪强度进行对比分析。刘飞禹等[7]研究了逐级加压对电渗的影响,发现逐级加压能提高电渗的作用时间,使电渗加固效果更加均匀。崔允亮等[8]、项鹏飞等[9]分析了软黏土含水率和含砂率对电阻率、电渗透系数的影响,以及含砂率与含水率对电阻率的交互影响。李瑛等[10-12]、龚晓南等[13]从电渗的机理入手,研究了电渗过程及其电极电解反应,分析了土体性质、电极、电源输出和通电方式等因素对电渗固结的影响。为了进一步实现电渗固结效果,减少能耗,满足工程应用。王柳江等[14]发现真空电渗联合振动碾压能加快超软黏土固结速度,减少电渗能耗。周亚东等[15]建立了轴对称真空预压-电渗耦合非线性大变形固结模型,发现真空预压-电渗联合作用的固结效果最优。刘飞禹等[16]研究发现外荷载与电渗法联合作用和单纯电渗法及单纯预压法相比,能够显著提高地基处理效果。
在土体电渗固结的基础上,针对黏土堵塞,相关学者发现通过外加电场使黏土中离子推动水分子从阳极向阴极迁移,在土-金属界面形成水膜来减少黏土与金属界面之间的黏附性[17-20]。Baalen[21]建议应用电渗透在土体和切割轮表面之间的界面上形成一层水膜,以减少堵塞问题。Baalen等[22]首次提出该技术可能同样适用于盾构开挖。Spagnoli等[23]通过开展倾斜板试验,研究了不同电流、电流类型和预加载对土样分离的影响。Heuser等[24]在一个临界稠度指标下,对高岭石和蒙脱石与几种电解质溶液混合进行了电渗透流动试验和zeta电位模拟,电渗透不仅受黏土矿物组分的影响而且还与溶液电解质有关。迄今为止,人们对电渗透降低黏土黏附性的适用性还缺乏了解,特别是对不同工程地质情况没有具体施加标准。
为充分研究不同黏粒含量黏土在电渗透作用下的电动力学行为,开展了倾斜板试验及自主设计并搭建的电渗透试验。针对不同类型的黏土(即高岭石、钠基膨润土和石英砂及其组合)制成的土样开展试验,得到黏土黏附性和渗透率随电渗透作用的变化规律,并分析了电渗透降黏过程的能耗,为盾构工程刀盘降黏提供了一种新的技术思路。
1. 电渗透法作用原理
1.1 水膜理论
水膜理论最早是由Fountaine[25]提出的,也称作水分张力理论,该理论对于水在黏附中的作用提出了两种假设模型,如图 2所示。对于理想的相对干燥或粗糙的土体,土体表面被描绘成一系列的“凸起”,这些“凸起”通过离散的水环附着在固体表面。第二种是对于理想的相对湿润、土质较细的土体,在固体表面和土体之间有一层水膜,土颗粒与金属通过水膜间接接触。层间水膜通常为非连续的,但它通过土颗粒表层之间的通道与大部分土体水相连。水膜理论在液体对固体接触角小于90°时应用情况较好[26],因此该理论常用于解释土体的黏附。
土体黏附力主要由土体固相颗粒对水的吸引力、毛细管力和静电引力组成,其中毛细管力对界面黏附力起决定性作用,大小可由拉普拉斯压力计算[27-29]。土体与金属界面的接触可以用图 3表示,R1为水环弯月面半径,R2为水膜的半径,通常R1<<R1,θ为三相交界点上固-液界面与液-气界面切线间的夹角,称作接触角。
当土体含水率较低时,土体与金属界面通过水环接触。单一水环接触点产生的黏附力为ΔF,则总黏附力F可视为有N个水环接触点产生黏附力:
ΔF=πR22Δp=πR22γ(1R1−1R2), (1) F=∑ΔF=N∑n=1πγR22n(1R1n−1R2n)。 (2) 式中:Δp为拉普拉斯压力;γ为液面张力。
当土体含水率较高时,界面为连续水膜,可将水膜视为一个较大的水环,则产生的黏附力F为
F=πγR22(1R1−1R2)。 (3) 由式(3)可以看出,表面张力γ越大,水环弯月面半径R1越小,水膜半径R2越大,黏附力越大。当土体的含水率增大时,界面的水膜会变得更加均匀,水膜的总面积增加,即R2增加,进而黏附力F增大。当含水率继续增大,液面张力大幅下降,同时水膜面积已不再变化,水膜会变厚,黏附力会大幅下降。水膜主要与水分在土体内部的迁移速率有关,当水分从土体内部向金属界面处渗透时,“水环”向“水膜”发展,水分迁移继续增加时,水膜则逐渐变厚,黏土对金属界面的黏附性大大降低。
1.2 电渗透原理
通常黏土矿物颗粒表面存在着硅烷羟基(Si-OH)、铝烷羟基(Al-OH),这两种羟基在水中发生电离作用,使黏性土颗粒表面带一定量的负电荷。同时黏土矿物颗粒表面对正、负离子的吸附能力不同,阴离子的吸附能力一般比阳离子弱,所以黏土矿物颗粒表面常吸附多量的负离子而带负电荷。在土壤中,带负电的黏性颗粒会吸引周围极化的水分子以及带正电荷的阳离子组成双电层[30]。在外加电场作用下,阳离子从阳极向阴极迁移,同时附着在阳离子上的水分子也向阴极迁移[21]。当阳离子向阴极迁移时,附着在阳离子周围的水作为结合水分子对周围孔隙水的自由水分子产生黏阻力,这种阻力导致自由水分子向阴极移动[31],形成电渗透现象。在电渗透作用下,黏土与阴极界面的水分含量增加,水膜厚度增加,液面张力减小,使得黏土与阴极界面的黏附力大幅度降低,最终实现降黏效果,如图 4所示。
2. 试验材料与方法
2.1 黏土试样制备
在本研究中,试验土样使用膨润土、高岭土、石英砂等材料配制而成,在实验室按照不同配比预制4种不同类型黏土,具体配比如表 1所示。石英砂采用中国ISO标准砂,膨润土采用粒度为400目、蒙脱石含量75%、最大吸水率295%的钠基膨润土。高岭土粒度为1250目,密度为2.58 g/cm3。采用LP-100D型土体液塑限联合测定仪对试验土样进行液塑限测定。将每种土样与蒸馏水充分混合制成45%,55%,65%,80%四种不同含水率在实验室常温条件下覆盖保鲜膜密封静置24 h后分别开展倾斜板试验和电渗透试验。
表 1 试验土样Table 1. Test soil samples类型 石英含量/% 膨润土含量/% 高岭土含量/% 塑限/% 液限/% 塑性指数 对照组 0 0 100 59.18 68.29 9.11 土样1 10 60 30 36.86 454.46 417.60 土样2 0 100 0 38.76 477.72 439.06 土样3 0 50 50 41.99 217.70 175.71 土样4 0 75 25 39.80 422.35 382.55 2.2 倾斜板试验方法
黏土试样重力沿倾斜板分力无法克服切向黏附力Ft保持静止,在外加电场作用下,水分向阴极迁移形成一定厚度的水膜降低了黏土金属界面切向黏附力,当切向黏附力减少到一个临界值试样平衡状态失效开始沿斜面滑动(如图 5所示)。为了探究在不同电压、含水率等条件下电渗透作用对不同类型黏性土黏附性的影响,分别开展了倾斜板试验和电渗透试验。其中倾斜板试验是一种简单有效的试验来研究电渗透对降低黏性土与金属界面黏附性的适用性。本研究中的倾斜板试验(图 6)使用倾斜的(本试验中采用的倾斜角度为30°)钢板作为阴极,将黏土试样放置在倾斜钢板上,使用另一个钢板放置黏土试样顶部作为阳极,对试样施加电压。倾斜板试验电极为表面粗糙程度一致的不锈钢钢板,选择尺寸为200 mm×200 mm,厚度为3 mm的不锈钢钢板作为阴极电极,使用直径为100 mm,厚度为3 mm的不锈钢钢板作为阴极电极放置在试样顶部。将密封养护完成的不同含水率的黏土装填进摸具(直径100 mm;高度20 mm)中用Proctor锤(2.5 kg)压实[22, 32],并用刮刀将表面抹平后脱模取出。将试样夹在两电极之间并水平放置在试验台上,使用2.5 kg的砝码对其进行预加载保证同一类型黏土试样具有一致的黏附性。60 s后取下砝码并将试样连同阴极电极翻转朝下,试样未脱落表明试样预加载成功。在不施加电压情况下,将预加载合格试样轻轻地放在倾斜角度为30°的支架上。黏土试样的制备见图 7。
在试验中,使用直流电源施加电压作用于试样,定义脱离时间为试样从接通电源到开始滑动所需时间,记录试样接通电源后的开始滑动时间。在施加电压情况下,试样的开始滑动时间具有一定的不确定性,所以在同一电压作用下更换新试样进行5次重复试验,每次更换试样前使用吸水纸对两电极钢板擦拭干净。试验中,开始滑动时间取决于试样与钢板的黏附性和电渗透速率,前者与试样的成分和含水率相关,后者通过改变作用于试样上的电压来验证。
2.3 电渗透试验方法
电渗透降黏效果受含水率、电压、土样类型等因素共同影响,同时通过电场作用下黏土黏附力的变化直接反应,宏观现象可通过倾斜板试验中试样脱离时间表示。电渗降黏的本质是黏土在电场作用下水分迁移形成一定厚度的水膜实现降黏效果,所以在电渗降黏研究中电场作用下黏土中水分的迁移速率以及土样的电渗透渗透率是不可忽视的因素。因此采用图 8所示的电渗透试验装置开展相关研究,重点探讨含水率和土样类型的不同对黏土电渗透速率和电渗透渗透率的影响。
自主设计了电渗透试验装置(如图 8所示)进行室内电渗试验,其中电渗透试验装置主体为PE绝缘材料,具体由两个电极端、试样土仓、电解液收集装置和直流电源组成。两个电极端上方分别设有玻璃储液管,端口设有卡槽放置多孔电极和橡胶垫片。电渗透试验所用多孔电极为市售的多孔不锈钢电极,直径为100 mm,厚度为6 mm,过滤精度为45 μm。黏土试样放置在中间的试样土仓。试验过程为避免水力梯度对试验结果的影响,两端储液管的水位应保持一致。
将养护完成的黏土试样分层压实装填进试样土仓(内径100 mm;高度100 mm),每层装填深度为20 mm。通过4根PVC螺栓将试样土仓和装有不锈钢电极的两电极端连接,使试样土仓内的土样与两端多孔电极紧密接触。两个储液管内电解液采用与制备试样相同的蒸馏水。往阴极储液管内注入蒸馏水至略高于排水口,多余的水从排水口排除。阳极储液管内蒸馏水通过下部进水阀门注入,并从上部排水口流至阳极收集管。两储液管上部排水口的水平高度一致。直流电源通过导线连接两端电极,在试样土仓内的土样两端施加电压。试验中,水在电压作用下通过黏土试样从阳极向阴极渗透并从阴极储液管排水口流至阴极收集管内。为减少试验中误差,整个电渗透试验间限定为4 h。试验期间,每隔20 min测量一次阴极的排水量。
3. 试验结果分析
3.1 倾斜板试验结果
在倾斜板试验中对表 1中的土样1~4分别施加1,2,3,4,5,7,9 V和11 V共8组电压,不同电压条件下黏土在倾斜板上的脱离时间如图 9所示。
试验结果发现,应用电渗透法降低黏土与金属界面的黏附性需要满足电压条件,当作用于土样的电压过小时,试样无论多长时间都不会滑动。这是由于土样含水率较小且外部电压过小,水分迁移不充分,在土体和倾斜板间隙形成的水膜不足以克服静态摩擦力,无法实现电渗透降黏。且当时间较长时,阳极表面逐渐干燥导致电极与土样脱落(图 10)。当作用于试样的电压大于某一电压值时试样开始滑动,定义这一电压值为试样的滑动电压阈值。图 11展示了黏土在不同电压下水分的迁移情况。当电压低于脱离电压阈值时,试样中水分以较慢的速度从阳极向阴极迁移。同时阳极端水分减少阻抗值增加,导致试样中的电流逐渐减少,水分迁移速度逐渐减缓至一个极小值。最终试样水分被集中在中间难以到达黏土-金属界面形成水膜,试样无法滑动。当电压达到脱离电压阈值,水分以较快的速度从阳极向阴极迁移并在阴极界面上形成水膜达到阻黏效果,试样发生滑动。继续增加电压超过脱离电压阈值,阴极金属界面形成水膜的速度加快,但达到一定速度后继续增加电压并不会产生额外的效果。
土样发生脱离的实际临界电压阈值在试验所设电压梯度区间内。本研究的临界电压阈值规定为其所在区间的上限值,不同土样的临界电压阈值如图 12柱状图所示。土样1和土样4的临界电压阈值随着含水率变化有轻微变化,其余两种土样的临界电压阈值随着含水率的变化并未出现明显差异。由试验结果发现,不同含水率的土样的临界电压阈值以4 V居多,受含水率的影响较小。Hollmann等[33]结合工程经验基于地层稠度指数对盾构堵塞风险进行了评估预测。当盾构发生堵塞时,土体稠度应处于“软/中”区域,该区域的土体容易发生强堵塞。需要水或土壤改良剂来消除黏在机器上的黏土。当黏土处于“非常软”或“液体”区域时,认为堵塞已被消除。黏土的塑性指数越高,黏土从“软”区向“极软”区或“液态”区转变所需的水量就越多。同时盾构土仓中压实黏土渗透系数较低,需要很长时间和注入大量的水来分散堵塞黏土。因此,仅通过增加含水率难以降低堵塞风险。通过施加电压可以缩短黏土的脱离时间,进一步解释了电渗透法降低黏土黏附性的可行性。
由图 9可知,当施加电压超过临界电压阈值后,增加电压使得土样的脱离时间急剧减少。但随着电压的继续增加对缩短土样脱离时间的效果并不明显,特别是当电压超过9 V后再继续增加电压土样脱离时间未出现明显差异,均保持在1 s左右。土样脱离难度与含水率不是正相关,土样1、土样2和土样3在含水率为45%时最易脱离,随着含水率的增加土样的脱离难度增加,含水率从65%到80%土样的脱离难度呈下降趋势。低电压区间,土样4在含水率在55%~80%内脱离难度与含水率呈正相关。而当电压大于7 V时,土样4含水率在55%~80%内脱离难度随含水率先增加随后又呈下降趋势,在65%含水率脱离最困难。因为含水率和电压是影响土样滑动的主要因素,含水率在一定区间内增加土样的黏附性和电渗透速率增加,同时电渗透速率随电压的提高而增加。在低电压作用下含水率的增加导致黏附性增强效果大于电渗速率的提高。而当电压大于7 V时,80%含水率的土样电渗透速率提高效果强于黏附性的增强,相比于65%含水率土样更快脱离。相同含水率的同一土样,随着电压的增大,黏土块的脱离时间逐渐减小。但减小的速率逐渐变缓,曲线逐渐趋向一个定值。因此电渗透的电压并不是越大越好,当超过到9~11 V的最优电压时,降黏效果基本达到最优,额外增加电压只会增加能耗。
电压和含水率是电渗透降黏应用中不可忽视的两个重要因素。不同含水率的黏土试样的脱离时间与含水率的关系如图 13所示。在低电压作用下,试样的脱离时间受含水率影响较大。同时试样脱离时间随含水率变化曲线有明显拐点。含水率影响黏土的黏附性,含水率在一定范围内增加黏土的黏附性随之增加,继续增加含水率黏土的黏附性呈下降趋势。由图 14(b)所示,电渗透效率受含水率的影响,含水率与电渗透效率在一定范围内呈正相关,但含水率对电渗透效率的影响效果受其他因素的影响。电渗透本质是黏土中离子的在电场作用下的迁移,因此含水率的增加能提高电渗透效率但受限于电压和黏土矿物成分等其他因素。因此,在使用电渗透降低黏土黏附性的应用中应综合考虑含水率、电压和地层类型等因素。
3.2 电渗透试验结果
根据倾斜板试验结果发现,当作用于土样的电压小于滑动电压阈值时土样无法滑动,而当电压增加到一定值后再继续增加电压土样滑动时间未出现明显差异。因此,选择5,7,9 V三种电压梯度对土样进行电渗透试验,4 h后试验的渗透测量结果与电压和含水率的关系如图 14所示。4种土样的渗透量随着电压的增加而增加(图 14(a),但随着土样矿物成分的不同土样的电渗透量有些显著差异。相同电压作用下,含砂的土样1的电渗透量最高,纯膨润土土样和含有25%高岭土的混合土样的电渗透量处于较低水平,但随着高岭土含量的增加土样电渗透量有所增加。对于土样1和土样3在电压为5~7 V时电渗透量的增加受电压影响较小,而当电压从7 V增加到9 V电渗透量增加幅度较大。相比于土样1和土样3,土样2和土样4的电渗透量受电压影响较小。如图 14(b)所示,电渗透量除受电压影响外,土样含水率也是影响电渗透量的一个重要因素。以土样1为例,含水率在45%~65%电渗透量随着含水率增加而增加,但当含水率从65%继续增加到80%时土样的电渗透量有所下降。
ke=QEA。 (4) 表 2 4种土样的电渗渗透系数Table 2. Electro-osmotic permeability coefficients of four soil samples土样类型 电渗透系数/(m2∙s-1∙V-1) 土样1 6.39×10-9 土样2 3.98×10-9 土样3 5.09×10-9 土样4 4.16×10-9 式中:ke为电渗透渗透率(m2/(s∙V));Q为渗流量(m3/s);E为电场强度(V/m);A为土样在电场中的横截面积(m2)。
含砂土样的电渗透渗透率明显高于其他土样,其中纯膨润土的电渗透渗透率最小。这是因为含砂土样的孔隙率要高于纯黏土土样。与纯膨润土相比,土样中高岭土含量的增加其电渗透渗透率有所提高。正如Mitchell等[35]预期的那样,ke的绝对值范围在10-9 m2/(s∙V)。电渗驱动的渗透量与渗透率直接相关,渗透率越高,电渗量越高。电渗透渗透率与土样矿物成分和孔隙率相关。
对于同一试样梯度电压越大电渗透速率越快,试样在5,7,9 V三种梯度电压作用下脱离时间随电渗透速率的变化规律如图 15所示。相比于其他3种土样,一定含砂率的土样1脱离时间随电渗速率变化差异不明显。这是因为土样1含砂孔隙率高于其他土样,由图 14也可发现相同电压作用下试样的电渗透速率最高。同时由图 15曲线可知当电渗速率增加时,土样的脱离时间急剧降低,但当电渗透速率达到一定值后再增加对缩短脱离时间的效果不明显。
3.3 能量消耗
能量消耗是应用电渗透解决黏性地层盾构结泥饼问题的一个相关因素。定义倾斜板试验中从施加电压到土样开始滑动所需能量为有效能量消耗:
E=P⋅T。 (5) 式中:E为有效能耗(J);P为滑动过程的功率(W);T为开始滑动时间(s)。
Casagrande[5]认为在电渗过程中,能量消耗取决于电极尺寸、施加的电位梯度和地下条件(土体电阻率)。所有这些参数都控制着电流强度,从而控制着电渗透。土样在不同电压作用下的电流强度如表 3所示。对于直流电源功率消耗为
PDC=V⋅I。 (6) 表 3 不同电压下土样的电流强度Table 3. Current intensities of samples under different voltages土样类型 电流/A 5 V 7 V 9 V 土样1 0.0224 0.0364 0.0512 土样2 0.0250 0.0470 0.0638 土样3 0.0176 0.0288 0.0402 土样4 0.0220 0.0386 0.0520 式中:V为电压(V);I为电流强度(A)。
4种土样受电压、含水率影响下的有效能量消耗对比如图 16所示。以土样1(图 16(b))为例,有效能量消耗受含水率影响较大,土样含水率增加需要更多的能量来克服黏附力。电压的增加对含沙土样和纯膨润土土样的有效能量消耗没有显著影响。当电压从5 V增加到7 V时,土样4的有效能量消耗明显提高,而当电压从5 V增加到9 V时对效能量消耗没有显著影响。与其余3种土样相比,土样3的有效能量消耗随着电压增加呈下降趋势。在使用电渗透解决黏性地层盾构结泥饼问题的应用中能量消耗成本是一个重要因素,在一定范围内增加电压能提高降低黏土黏附性效率,但继续单独增加电压不会对电渗透产生额外效果。图 17显示电渗透过程的功率消耗,发现电压从7 V增加到9 V功率消耗呈倍数增长,但对电渗透效率别没有明显效果。因此,应用电渗透时电压根据地层类型、含水率等因素具有最优选择。
4. 结论
本文对应用电渗透法降低黏土与金属界面之间黏附性的适用性进行了研究。电压、黏土矿物成分和含水率是影响电渗透降黏效果的相关因素。选择膨润土、高岭土和石英砂制备成含水率不同的4种土样分别开展了倾斜板试验和电渗透试验。
(1)电渗透降低黏土黏附性中的电压条件要满足电压阈值。试验的4种土样的滑动临界电压阈值集中在4 V左右,超过电压阈值后继续增加电压土样脱离时间急剧减少,但当电压超过9 V后再继续增加电压对缩短土样脱离时间无显著差异。
(2)试验的4种土样电压阈值随含水率的变化有轻微差异,但土样脱离时间受含水率和电压影响较大。含水率在一定范围内增加土样的脱离时间增加,继续增加含水率脱离时间又出现下降趋势。因为增加含水率导致黏土黏附性的增加,但电压和含水率的增加也提高了电渗透效率。
(3)在电渗透法降低黏土黏附性的应用中存在最优电压。当试验电压超过电压阈值,一定范围内增加电压对缩短脱离时间作用明显,但继续增加电压不会对电渗透产生显著效果而功率消耗却成倍数增加。因此,在电渗透法降黏的未来工程应用中应综合考虑能耗、地层条件等因素,实现盾构节能、高效的掘进。本试验的未来应用在电极材质和埋置位置的选择方面还需进一步研究。
-
图 3 隧道图像测量设备[21]
Figure 3. Measurement devices for tunnel topography
图 4 沿激光扫描仪视线拍摄的地面混合像素横截面[24]
Figure 4. Example of automatically-detected mixed pixels in a single scan station
图 5 激光扫描仪获取的隧道点云图与处理方法[28]
Figure 5. Obtained point cloud of a tunnel
-
[1] 赵艳莉. 基于计算机三维地质模型的岩土工程设计与可视分析——评《岩土工程勘察与设计》[J]. 岩土工程学报, 2019, 41(7): 1381. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201907028.htm ZHAO Yan-li. Based on the design and visual analysis of geotechnical engineering based on computer three-dimensional geological model[J]. Journal of Geotechnical Engineering, 2019, 41(7): 1381. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201907028.htm
[2] 谭顺辉. 隧道掘进机多功能化及智能化的发展与推广[J]. 隧道建设, 2020, 40(9): 1243–1250. https://www.cnki.com.cn/Article/CJFDTOTAL-JSSD202009001.htm TAN Shun-hui. Development and application of multi-functional and intelligent tunnel boring machine[J]. Tunnel Construction, 2020, 40(9): 1243–1250. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSSD202009001.htm
[3] 陈祖煜, 赵宇飞, 邹斌, 等. 填筑碾压施工无人驾驶技术的研究与应用[J]. 水利水电技术, 2019, 50(8): 1–7. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201908001.htm CHEN Zu-yu, ZHAO Yu-fei, ZOU Bin, et al. Research and application of drive technology of dam filling rolling construction[J]. Water Resources & Hydropower Technology, 2019, 50(8): 1–7. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201908001.htm
[4] 熊自明, 卢浩, 王明洋, 等. 我国大型岩土工程施工安全风险管理研究进展[J]. 岩土力学, 2018, 39(10): 3703–3716. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201810028.htm XIONG Zi-ming, LU Hao, WANG Ming-yang, et al. Research progress on safety risk management for large scale geotechnical engineering construction in China[J]. Rock and Soil Mechanics, 2018, 39(10): 3703–3716. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201810028.htm
[5] 戴妙林, 屈佳乐, 刘晓青, 等. 基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究[J]. 水利水电技术, 2018, 49(5): 165–171. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201805024.htm DAI Miao-lin, QU Jia-le, LIU Xiao-qing, et al. Study on GA-BP hybrid algorithm-based prediction model and its application to rock slope stability and reinforcement effect[J]. Water Resources and Hydropower Engineering, 2018, 49(5): 165–171. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ201805024.htm
[6] ONSEL I E, CHANG O, MYSIOREK J, et al. Applications of mixed and virtual reality techniques in site characterization[C]// 26th Vancouver Geotechnical Society Symp. Vancouver, 2019.
[7] WANG R X, WANG R, FU P C, et al. Portable interactive visualization of large-scale simulations in geotechnical engineering using Unity3D[J]. Advances in Engineering Software, 2020, 148: 102838. doi: 10.1016/j.advengsoft.2020.102838
[8] VAN ECK N J, WALTMAN L, VOSviewer Manual[M]. Leiden: Univeristeit Leiden, 2011.
[9] 韩同春, 林博文, 何露, 等. 基于GIS与数值模拟软件耦合的三维边坡建模方法及其稳定性研究[J]. 岩土力学, 2019, 40(7): 2855–2865. doi: 10.16285/j.rsm.2018.0439 HAN Tong-chun, LIN Bo-wen, HE Lu, et al. Three-dimensional slope modelling method and its stability based on coupled GIS and numerical simulation software[J]. Rock and Soil Mechanics, 2019, 40(7): 2855–2865. (in Chinese) doi: 10.16285/j.rsm.2018.0439
[10] VALERIA N, ROBERTA V, VITTORIA C A. A new frontier of BIM process: geotechnical BIM[C]// Proceedings of the Ⅻ European Conference on Soil Mechanics and Geotechnical Engineering, Icelandic Geotechnical Society. Reykjavik, 2019.
[11] ZOU Y, KIVINIEMI A, JONES S W. A review of risk management through BIM and BIM-related technologies[J]. Safety Science, 2017, 97: 88–98. doi: 10.1016/j.ssci.2015.12.027
[12] FABOZZI S, BIANCARDO S A, VEROPALUMBO R, et al. I-BIM based approach for geotechnical and numerical modelling of a conventional tunnel excavation[J]. Tunnelling and Underground Space Technology, 2021, 108: 103723. doi: 10.1016/j.tust.2020.103723
[13] HONG C Y, ZHANG Y F, ZHANG M X, et al. Application of FBG sensors for geotechnical health monitoring, a review of sensor design, implementation methods and packaging techniques[J]. Sensors and Actuators A: Physical, 2016, 244: 184–197. doi: 10.1016/j.sna.2016.04.033
[14] ZHANG C C, SHI B, ZHU H H, et al. Toward distributed fiber-optic sensing of subsurface deformation: a theoretical quantification of ground-borehole-cable interaction[J]. Journal of Geophysical Research: Solid Earth, 2020, 125(3): e2019JB018878.
[15] ZHANG C C, ZHU H H, CHEN D D, et al. Feasibility study of anchored fiber-optic strain-sensing arrays for monitoring soil deformation beneath model foundation[J]. Geotechnical Testing Journal, 2019, 42(4): 20170321. doi: 10.1520/GTJ20170321
[16] SHI B, ZHANG D, HONGHU Z, et al. DFOS Applications to Geo-Engineering Monitoring[J]. Photonic Sensors, 2021, 11(2): 158–186. doi: 10.1007/s13320-021-0620-y
[17] CMIELEWSKI B. Use of low-cost MEMS technology in early warning system against landslide threats[J]. Acta Geodynamica et Geomaterialia, 2013: 485–490. doi: 10.13168/AGG.2013.0049
[18] BENNETT V, ABDOUN T, O'MEARA K, et al. Wireless MEMS-based in-place inclinometer-accelerometer array for real-time geotechnical instrumentation[C]//Engineering Geology and Geological Engineering for Sustainable Use of the Earth's Resources, Urbanization and Infrastructure Protection from Geohazards. Springer, 2018.
[19] KIM J, KWON S, PARK S, et al. A MEMS-based commutation module with vibration sensor for wireless sensor network-based tunnel-blasting monitoring[J]. KSCE Journal of Civil Engineering, 2013, 17(7): 1644–1653. doi: 10.1007/s12205-013-0108-4
[20] XU C Y, CHEN J W, ZHU H C, et al. Design and laboratory testing of a MEMS accelerometer array for subsidence monitoring[J]. Review of Scientific Instruments, 2018, 89(8): 085103. doi: 10.1063/1.5036666
[21] GAO Z R, LI F J, LIU Y, et al. Tunnel contour detection during construction based on digital image correlation[J]. Optics and Lasers in Engineering, 2020, 126: 105879. doi: 10.1016/j.optlaseng.2019.105879
[22] SALOMA UY E E. Image processing for geotechnical laboratory measurements[J]. International Journal of Geomate, 2016, 10(22): 1964–1970.
[23] STANIER S A, BLABER J, TAKE W A, et al. Improved image-based deformation measurement for geotechnical applications[J]. Canadian Geotechnical Journal, 2016, 53(5): 727–739. doi: 10.1139/cgj-2015-0253
[24] MILENKOVIĆ M, PFEIFER N, GLIRA P. Applying terrestrial laser scanning for soil surface roughness assessment[J]. Remote Sensing, 2015, 7(2): 2007–2045. doi: 10.3390/rs70202007
[25] MAZZANTI P. Displacement monitoring by terrestrial SAR interferometry for geotechnical purposes[J]. Geotechnical News, 2011, 29(2): 25.
[26] XU H, LI H B, YANG X G, et al. Integration of terrestrial laser scanning and NURBS modeling for the deformation monitoring of an earth-rock dam[J]. Sensors, 2018, 19(1): 22. doi: 10.3390/s19010022
[27] OSKOUIE P, BECERIK-GERBER B, SOIBELMAN L. Automated measurement of highway retaining wall displacements using terrestrial laser scanners[J]. Automation in Construction, 2016, 65: 86–101. doi: 10.1016/j.autcon.2015.12.023
[28] XIE X Y, LU X Z. Development of a 3D modeling algorithm for tunnel deformation monitoring based on terrestrial laser scanning[J]. Underground Space, 2017, 2(1): 16–29. doi: 10.1016/j.undsp.2017.02.001
[29] LI Z H, FANG L Q, SUN X K, et al. 5G IoT-based geohazard monitoring and early warning system and its application[J]. EURASIP Journal on Wireless Communications and Networking, 2021: 160.
[30] HUDSON T S, BAIRD A F, KENDALL J M, et al. Distributed Acoustic Sensing (DAS) for natural microseismicity studies: a case study from Antarctica[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(7): e2020JB021493.
[31] 江月新, 黄云龙, 余建军. 基于WiFi通信的矿井监测无线传感器网络研究[J]. 煤炭技术, 2017, 36(6): 278–280. https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS201706106.htm JIANG Yue-xin, HUANG Yun-long, YU Jian-jun. Research on mine monitoring wireless sensor network based on WiFi communication[J]. Coal Technology, 2017, 36(6): 278–280. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-MTJS201706106.htm
[32] DONG W K, LI W G, SUN Z H, et al. Intrinsic graphene/cement-based sensors with piezoresistivity and superhydrophobicity capacities for smart concrete infrastructure[J]. Automation in Construction, 2022, 133: 103983. doi: 10.1016/j.autcon.2021.103983
[33] DAI Y Y, ZHANG K, MAHARJAN S, et al. Edge intelligence for energy-efficient computation offloading and resource allocation in 5G beyond[J]. IEEE Transactions on Vehicular Technology, 2020, 69(10): 12175–12186. doi: 10.1109/TVT.2020.3013990
[34] ARMAGHANI D J, AZIZI A. Empirical, statistical, and intelligent techniques for TBM performance predictionp[J]. Applications of Artificial Intelligence in Tunnelling and Underground Space Technology, Springer, 2021: 17–32.
[35] DING Z, JIN J K, HAN T C. Analysis of the zoning excavation monitoring data of a narrow and deep foundation pit in a soft soil area[J]. Journal of Geophysics and Engineering, 2018, 15(4): 1231–1241. doi: 10.1088/1742-2140/aaadd2
[36] EID A, HESTER J G D, TENTZERIS M M. 5G as a wireless power grid[J]. Scientific Reports, 2021, 11: 636. doi: 10.1038/s41598-020-79500-x
[37] REN J, ZHANG D Y, HE S W, et al. A survey on end-edge-cloud orchestrated network computing paradigms: transparent computing, mobile edge computing, fog computing, and cloudlet[J]. ACM Computing Surveys, 2020, 52(6): 125.
[38] RAWLINGS C. Geotechnical finite element analysis-a practical guide[C]// Proceedings of the Institution of Civil Engineers-Civil Engineering, 2017.
[39] ZHANG W G, ZHANG R H, WU C Z, et al. State-of-the-art review of soft computing applications in underground excavations[J]. Geoscience Frontiers, 2020, 11(4): 1095–1106.
[40] JAFARI M. System identification of a soil tunnel based on a hybrid artificial neural network–numerical model approach[J]. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 2020, 44(3): 889–899.
[41] HASANPOUR R, ROSTAMI J, SCHMITT J, et al. Prediction of TBM jamming risk in squeezing grounds using Bayesian and artificial neural networks[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2020, 12(1): 21–31.
[42] CHEN R P, ZHANG P, KANG X, et al. Prediction of maximum surface settlement caused by earth pressure balance (EPB) shield tunneling with ANN methods[J]. Soils and Foundations, 2019, 59(2): 284–295.
[43] CAO B T, OBEL M, FREITAG S, et al. Artificial neural network surrogate modelling for real-time predictions and control of building damage during mechanised tunnelling[J]. Advances in Engineering Software, 2020, 149: 102869.
[44] QIU H, FANG W, BAO H, et al. A feasibility study of virtual reality technology in guidance design of underground space[C]// International Conference on Applied Human Factors and Ergonomics. Springer, 2021.
[45] CHI H L, KANG S C, WANG X Y. Research trends and opportunities of augmented reality applications in architecture, engineering, and construction[J]. Automation in Construction, 2013, 33: 116–122.
[46] BERTAM J, MOSKALIAK J. Virtual reality training: making construction work safer[J]. Computers in Human Behavior, 2015, 43: 284–292.
[47] XU J Q, MOREU F. A review of augmented reality applications in civil infrastructure during the 4th industrial revolution[J]. Frontiers in Built Environment, 2021, 7: 640732.
[48] HANSEN L H, FLECK P, STRANNER M, et al. Augmented reality for subsurface utility engineering, revisited[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 27(11): 4119–4128.
[49] 唐德琪, 俞峰, 黄祥国, 等. 开挖诱发坑内既有基桩附加内力的模型试验[J]. 浙江大学学报(工学版), 2019, 53(8): 1457–1466. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201908004.htm TANG De-qi, YU Feng, HUANG Xiang-guo, et al. Chamber tests for investigating additional internal forces in existing foundation piles induced by excavation[J]. Journal of Zhejiang University (Engineering Science), 2019, 53(8): 1457–1466. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201908004.htm
[50] LI M G, DEMEIJER O, CHEN J J. Effectiveness of servo struts in controlling excavation-induced wall deflection and ground settlement[J]. Acta Geotechnica, 2020, 15(9): 2575–2590.
[51] 赵自强. 深基坑自动伺服系统应用的变形控制分析[C]// 第十五届全国工程物探与岩土工程测试学术大会. 厦门, 2017. ZHAO Zi-qiang. Deformation control analysis of automatic servo system application in deep foundation pit[C]// The 15th National Engineering Property Exploration and Geotechnical Engineering Test Academic Conference. Xiamen, 2017. (in Chinese)
[52] CHEN B G, YAN T F, SONG D B, et al. Experimental investigations on a deep excavation support system with adjustable strut length[J]. Tunnelling and Underground Space Technology, 2021, 115: 104046.