A hybrid method to identify pulse-like ground motions and pulse periods based on ST-CNN
-
摘要: 如何快速准确地识别脉冲型地震动是困扰学术界和工程界的关键难题，定量识别方法虽然能够克服人工识别的经验性限制，但是传统定量识别方法存在识别结果不一致、适用范围不广泛、难以同时识别脉冲周期或识别的脉冲周期部分情况下差异明显等问题。为此建立了一种问题针对性融合学习规则并结合卷积神经网络（CNN），开发出了一种新的脉冲型地震动与脉冲周期同步识别方法。该学习规则通过对基于不同识别原理的多个传统典型识别方法进行融合学习并采用全球范围的30000条任意方向地震动数据进行训练和验证，摒弃了以往繁琐的人工标记过程并得到了3个问题针对性识别模型，分别命名为Strict识别模型、General识别模型以及TP识别模型。除此之外，为解决地震动时序输入信息不足从而导致模型泛化能力较弱的问题，对CNN的输入结构进行了优化增强，提出了ST-CNN模型。其引入了S变换层以将地震动时序变换至时频，从而增加了频域分布信息并进一步提高了识别精度。结果表明：Strict识别模型能严格区分脉冲型与非脉冲型地震动，识别结果得到已有方法的一致认可；General识别模型的识别能力更强，适用范围更加广泛；TP识别模型识别的脉冲周期更加准确，并可与前述识别模型并用以同步输出识别结果。提出的问题针对性融合学习规则还可推广至其他工程领域与其他机器学习模型，建立的识别方法可为脉冲型地震动研究提供科学指导。Abstract: The rapid and precise identification of the pulse-like ground motions is a key challenge that perplexes both the academic and engineering communities. The quantitative identification methods can overcome the empirical limitations of manual identification. However, the traditional quantitative identification methods suffer from inconsistencies in the identified results, limited applicability, and difficulties in simultaneously determining the accurate pulse periods. In response, a problem-targeted fusion learning rule is established, combined with a convolutional neural network (CNN) model, to develop a novel method to synchronously identify pulse-like ground motions and their pulse periods. This learning rule integrates multiple traditional typical identification methods based on different identification principles, thereby eliminating the cumbersome manual labeling process. It employs 30000 ground motion data from arbitrary directions worldwide for training and validation, resulting in three problem-targeted CNN models named the Strict, General, and TP identification models. To address the issue of insufficient temporal input information for ground motions leading to weak model generalization capability, the input structure of the CNN model is optimized, and the ST-CNN model is proposed, incorporating the S-transform layer to convert ground motion time series to time frequency, thereby enhancing frequency domain distribution information and further improving the identification accuracy. The results indicate that the Strict model can strictly differentiate between the pulse-like and non-pulse-like ground motions, with the results consistent with those of other methods. The General model can identify more pulse-like ground motions and has broader applicability. The TP model accurately identifies pulse periods and can be used in conjunction with the aforementioned models to synchronously output the identified results. The proposed problem-targeted fusion learning rule can also be extended to other engineering fields and other machine learning models, and the established identification method can provide scientific guidance for the study on the pulse-like ground motions.
-
0. 引言
混凝土防渗墙是覆盖层坝基渗流控制最常采用的防渗形式，然而坝基防渗墙施工工艺复杂，受外界因素影响施工质量难以保证，在实际工程中容易出现防渗墙开叉、槽段间搭接不良、墙体不连续等施工缺陷，为工程安全埋下了隐患[1-2]。盛金昌等[3]结合冶勒水电站工程分析了混凝土防渗墙开裂对坝基土体渗透稳定性的影响，结果表明防渗墙裂缝宽度大于2.5 cm时，裂缝附近土体可能发生渗透破坏。也有学者进一步研究防渗墙裂缝出现位置对坝基土体、防渗墙渗透坡降和单宽流量的影响[4]，结果表明防渗墙裂缝宽度、位置对坝基渗透坡降和渗流量均有影响。同时，一些覆盖层坝基浅层的地下水存在氯化物和硫酸盐超标现象，其坝基混凝土防渗墙（帷幕）常年受渗流作用，在环境水作用下，防渗墙（帷幕）的物理、化学性能会发生改变，导致固相钙分解析出，孔隙率增大，强度降低，即发生渗透溶蚀现象[5]。
渗透溶蚀是混凝土结构主要病害之一，其中渗漏及其引起的混凝土坝坝体溶出性侵蚀较为普遍[6-7]。与常规接触溶蚀不同，坝基混凝土防渗墙钙离子析出的驱动力除溶液间浓度梯度外，还有水力梯度[8]。水力梯度作用下，孔隙溶液的运移作用加快了固相钙分解和钙离子析出速率，加速了溶蚀进程[9]。同时，混凝土渗透溶蚀现象将导致材料孔隙率增加，从而引起渗透系数和扩散系数增大，进而改变结构整体的渗流场，渗流场的改变又反作用于溶蚀场，加速溶蚀进程[10-12]。
现有混凝土渗透溶蚀模型存在一些局限，有的将渗透系数定义为常数，忽略溶蚀作用所导致的渗透系数演变；有的为经验模型，没有考虑孔隙率、孔隙结构改变对渗透系数的影响，也未对材料固相钙含量、渗透系数等参数进行分析。防渗墙缺陷对坝基防渗墙附近区域渗流场和溶蚀场影响显著。目前，防渗墙存在施工缺陷情况下的坝基防渗墙渗透溶蚀演化规律的相关成果鲜见，但是防渗墙缺陷的存在会加速坝基防渗墙的渗透溶蚀进程，缩短坝基防渗墙的运行寿命。
本文考虑混凝土防渗墙渗流-溶蚀耦合效应，提出基于孔隙率变化的渗透溶蚀微分控制方程，选取某土工膜防渗砂砾石坝段防渗墙相邻两个槽段范围，建立该土工膜砂砾石坝多物理场渗透溶蚀数值分析模型，研究渗流作用下各施工缺陷对混凝土防渗墙渗透溶蚀演化规律的影响，研究成果可为覆盖层上土石坝坝基防渗墙的设计和施工提供理论依据。
1. 混凝土渗透溶蚀耦合分析模型
1.1 钙离子质量守恒定律
浓度差作用下，水泥水化物孔隙溶液中的离子通过扩散作用保持浓度平衡。通常，多孔介质中的扩散现象通过表观扩散系数计算，通常假定骨料不发生扩散，仅考虑孔隙率对离子传输路径的影响。离子传输过程发生在连通孔隙内溶液中，本文计算假定混凝土处于饱和状态，涉及的孔隙率为连通孔孔隙率[13]。
钙离子在水泥基体孔隙溶液中的质量守恒定律公式如下式所示，涉及孔隙溶液中钙离子总质量和浆体中固相钙的总质量[13-15]。
∂(θCion)∂t+∂Csolid∂t+∇⋅Jion=0。 (1) 式中：θ为孔隙率；t为溶蚀时间；Cion为液相中钙离子的摩尔浓度；Csolid为固相钙的含量；∂Csolid∂t为固相钙的溶解速率；∇为哈密顿算子，∇T=[∂∂x,∂∂y]；Jion为钙离子的传输通量。
液体中的扩散非常缓慢，液体内离子传递几乎都以对流为主，考虑扩散-对流情况下钙离子在多孔介质中的传输通量为[16]
Jion=−Deff⋅∇Cion+θ⋅u⋅Cion。 (2) 式中：Deff为基体内考虑对流及孔隙曲折度的钙离子有效扩散系数；u为达西流速，uT=[ux,uy]。
1.2 孔隙率变化模型
硬化的水泥基体中的孔隙可大致分为滞留空气、夹带空气、毛细孔和凝胶孔，溶蚀过程中的孔隙率可表示为[17-18]
θ=Pvol(θgel+θcap)+θleach。 (3) 式中：
θgel=0.19hα w/c+0.32； (4) θcap=w/c−0.36hα w/c+0.32； (5) θleach=MCHρCH(Cs0−Cs)。 (6) 式中：Pvol为混凝土中水泥基体的体积分数，本文取0.26[11]；θgel为凝胶孔隙率；θcap为毛细孔隙率；θleach为溶蚀过程产生的孔隙率增量；hα 为水泥水化程度；w/c为水灰比，取0.6[11]；MCH为氢氧化钙的摩尔质量；ρCH为氢氧化钙的密度；Cs0为基体中初始固相钙含量；Cs为溶蚀过程中基体中固相钙含量。
混凝土防渗墙内可溶解固相钙主要由氢氧化钙和水化硅酸钙组成。在环境水侵蚀作用下，混凝土内的氢氧化钙和水化硅酸钙依次溶解，首先氢氧化钙开始溶解，当氢氧化钙全部溶解后，水化硅酸钙开始溶解。本文仅考虑氢氧化钙的溶解[19-20]，随着氢氧化钙的不断溶解，防渗墙的孔隙率不断增大，其增长速率为
∂θ∂t=RCH⋅MCHρCH⋅θ。 (7) 式中：RCH为氢氧化钙的溶解速率。氢氧化钙的溶解速率与溶液中钙离子浓度有如下关系[17-18]：
RCH=A(1−C(Ca2+)⋅[C(OH−)]2Ksp)n。 (8) 式中：A为化学反应动力学系数；n为动力学指数；C(Ca2+)为溶液中钙离子浓度；C(OH−)为溶液中氢氧根离子浓度；Ksp为氢氧化钙的溶度积常数。
1.3 扩散系数变化
取钙离子在水溶液中的基本扩散系数为D0，根据文献[14]孔隙率和基质曲折度的变化，孔隙溶液的有效扩散系数表示为
Ds=1−ξGvol1−ζSvolPvolf(θ−θgel)D0。 (9) 式中：Gvol为混凝土中粗骨料的体积分数，取0.414[14]；Svol为混凝土中细骨料的体积分数，取0.326[14]；ξ，ζ为骨料修正系数，分别取1.5，0.86[21]；Pvol为混凝土中水泥基体的体积分数；f(θ−θgel)为反映微孔曲折度的换算系数[14]，
f(θ−θgel)=0.001+0.07(θ−θgel)2+1.8H(θ−θgel−0.18)(θ−θgel−0.18)2。 (10) 式中：H(x)为Heaviside函数。当x > 0时，H(x)=1；当x≤0时，H(x)=0。
考虑对流及孔隙曲折度的钙离子有效扩散系数可表示为[11]
Deff=α⋅u+Ds。 (11) 1.4 渗流-溶蚀耦合分析方程
孔隙溶液中溶质迁移的对流速率在无流动水中为零，当环境水存在水力梯度时，根据渗流微分方程计算对流速率。根据达西定律建立的渗流微分方程为
∂(θρ)∂t+∇⋅(ρu)=Qm,u=−kρg(∇p+ρg)。} (12) 式中：ρ为水的密度；Qm为源汇项；p为孔隙水压力；g为重力加速度；k为渗透系数。水泥基材料的渗透系数通常为孔隙率的函数，根据Kozeny-Carman（K-C）方程可得渗透系数的演化方程为[22]
k=k0(θ/θ0)3(1−θ01−θ)2。 (13) 式中：k0为初始渗透系数；θ0为初始孔隙率，本文取混凝土水化完全时（hα= 1）的孔隙率作为初始孔隙率。
2. 模型验证
选取某重力坝工程为例，该坝坝顶高程112.50 m，最大坝高40.5 m，坝宽31.74 m，坝顶长度645 m，检测发现廊道迎水面和背水面有大量CaCO3溶出物。选取该坝非溢流坝段典型剖面，模拟混凝土面板、坝体、坝体排水管、齿墙、坝基排水管、防渗帷幕和基岩等主要结构，大坝整体计算模型示意图如图 1所示。
![]()
图 1 某重力坝整体计算模型示意图Figure 1. Schematic diagram of computational model for a gravity dam初始条件包含初始水头条件和初始钙离子浓度，上游水位取107.0 m，下游水位为86.0 m。混凝土面板、坝体、帷幕和齿墙初始钙离子浓度取22.0 mol/m3，基岩初始钙离子浓度为0，上游库水初始钙离子浓度取1.0 mol/m3。坝体及坝基各材料分区计算参数选取参考了相关文献[12，19]，具体计算参数见表 1。
表 1 各材料分区计算参数Table 1. Parameters for different material zones材料 θ0 k0/(m·s-1) D0/(m2·s-1) 化学反应动力学参数 A/(mol/(L·s)) n Ksp 常规混凝土 0.08 5.20×10-9 1.00×10-9 1.00×10-8 4.50 5.50×10-6 二级配混凝土 0.08 2.00×10-8 1.00×10-9 1.00×10-8 4.50 5.50×10-6 三级配混凝土 0.08 5.00×10-10 1.00×10-9 1.00×10-8 4.50 5.50×10-6 防渗帷幕 0.08 1.50×10-8 1.00×10-9 1.00×10-8 4.50 5.50×10-6 基岩 0.10 8.00×10-5 1.00×10-9 — — — 坝体排水孔 0.50 2.50×10-3 1.00×10-9 — — — 坝基排水孔 0.50 2.50×10-3 1.00×10-9 — — — 典型服役年份下重力坝基底扬压力计算值和监测值如图 2所示。在基础排水廊道内打孔埋设测压管，布置于防渗帷幕前和幕后，其在基岩面处距离帷幕中心约为2 m。图 2中的两组监测数据分别是2003年9月11日（上、下游水位分别为107.2，86.2 m）和2007年2月5日（上、下游水位分别为107.1，85.9 m）的观测数据，分别对应大坝溶蚀历时4，8 a。由图 2可知，防渗帷幕前侧的测压管监测值与计算值误差很小，服役8 a的防渗帷幕后侧的测压管监测值与计算值最大相差1.95 m，服役4 a的测压管监测值与计算值最大相差0.77 m，但监测值与计算值的变化规律较为一致。
![]()
图 2 典型服役年份下重力坝基底扬压力演化曲线Figure 2. Evolution curves of base uplift pressure of gravity dam for typical service years典型服役年份下重力坝坝基集水井的渗漏量监测值和计算值如图 3所示。由图 3可知，该重力坝服役4~11 a期间（2003年—2010年），其坝基渗流量计算值缓慢增大，8 a增长了5.28%，不同服役年份下坝基监测渗漏量在计算值上、下波动，计算值与监测值的平均绝对误差MAE、均方根误差RMSE、平方根R2分别为8.89%，0.140 L/s和0.971。上述数值模拟结果与工程监测数据较为吻合，说明该混凝土渗透溶蚀分析模型合理。
![]()
图 3 典型服役年份下坝基渗流量演化曲线Figure 3. Evolution curves of seepage flow of dam foundation for typical service years3. 应用实例
3.1 计算模型和参数
某土工膜防渗砂砾石坝位于黄河干流上，坝顶高程1883.50 m，最大坝高23.50 m，水库正常蓄水位1 880.50 m，上游坝坡布置1道复合土工膜，并与上游围堰中的混凝土防渗墙相接，防渗墙厚60 cm，设计顶高程为1870.00 m。
选取该坝防渗墙相邻两个槽段范围，每个槽段取4.0 m，建立三维有限元计算模型，考虑坝体主要结构和地层，计算模型如图 4所示。防渗墙施工缺陷模拟示意图如图 5所示，防渗墙相邻槽段搭接不良采用裂缝模拟，裂缝按照实际尺寸放大10倍，渗透系数按照流量等效原则缩小10倍处理；防渗墙相邻槽段底部分叉实际是由于相邻槽段墙体上下游倾斜或扭曲引起的。本文假设底部分叉发生在Y剖面，此时水流通过此分叉部位的渗径变短，假定情况计算成果偏危险。
![]()
图 5 防渗墙施工缺陷模拟示意图Figure 5. Schematic diagram of simulating construction defects of cutoff wall上游库水中钙离子浓度取1.0 mol/m3 [12]，上游已知水头边界取正常蓄水位1 880.50 m以下坝体上游面与河床覆盖层顶部，下游已知水头边界取正常尾水位1862.31 m以下坝体下游面与河床覆盖层顶部，出渗边界为水位线以上的边界，即与大气相接触的所有边界；不透水边界包括模型上、下游截取边界及模型底边界。以两个槽段中间接缝断面与坝轴线交点为模型坐标原点：取X轴为顺河流方向，垂直于坝轴线，上游指向下游为正；Y轴为坝轴线方向，右岸指向左岸为正；Z轴为垂直方向，向上为正，与高程一致。防渗墙、坝体及坝基的渗透溶蚀计算参数如表 2所示。
表 2 计算模型渗透溶蚀参数Table 2. Leakage dissolution parameters of model材料 k0/(m·s-1) θ0 D0/(m2·s-1) 化学反应动力学参数 A/((mol/(L·s)) n Ksp 防渗墙 1.00×10-9 0.12 1.00×10-9 1.00×10-8 4.50 5.50×10-6 砂砾石填筑料 2.40×10-5 0.30 1.00×10-9 — — — 截流戗堤 1.00×10-6 0.25 1.00×10-9 — — — 上游闭气料 3.00×10-7 0.20 1.00×10-9 — — — 复合土工膜 3.50×10-13 — — — — — 排水棱体 2.00×10-3 0.50 1.00×10-9 — — — 砂卵砾石层 4.60×10-4 0.40 1.00×10-9 — — — 粉砂质泥岩 1.10×10-6 0.20 1.50×10-9 — — — 3.2 计算工况
本文主要考虑防渗墙相邻槽段搭接不良和相邻槽段底部分叉两类施工缺陷，D-1为防渗墙完好工况，D-2~D-4模拟的是防渗墙搭接存在接缝的第一类缺陷工况；D-5~D-7模拟的是防渗墙底部存在分叉的第二类缺陷工况，分叉角度固定，高宽比为10︰1，具体计算工况见表 3。
表 3 计算工况表Table 3. Design of calculation conditions工况 服役年份/a 接缝宽度/cm 分叉高度/m 水位/m D-1 0~100 — — 上游：1880.50下游：1862.31 D-2 0~100 1.0 — D -3 0~100 2.0 — D -4 0~100 3.0 — D -5 0~100 — 1.0 D-6 0~100 — 2.0 D -7 0~100 — 3.0 3.3 结果与讨论
（1）钙离子浓度
图 6为部分工况下混凝土防渗墙中轴面（x = -2.0 m）钙离子浓度分布图。由图 6可知，初始时刻防渗墙未发生水化反应，钙离子分布均匀。溶蚀20 a后，防渗墙受水化反应影响，钙离子浓度较初始时刻明显增大，D-2工况下防渗墙中钙离子浓度最大增至2.75 mol/m3，且分布规律与初始时刻相反，表现为接缝部位附近低，防渗墙外侧中偏下部浓度高的分布规律。离接缝缺陷位置越远，相同高程处钙离子浓度越高，在防渗墙中部尤为明显。防渗墙服役60，100 a后，防渗墙中钙离子分布规律与服役20 a基本一致，数值逐渐减小，服役100 a后，防渗墙存在接缝缺陷时，其钙离子最大浓度降至1.84 mol/m3，降低了24.9%。D-3和D-4工况下防渗墙中钙离子浓度变化规律和工况D-2一致，但是同一溶蚀时间下，防渗墙接缝缺陷宽度越大，防渗墙相同位置处的钙离子浓度越小。
D-6工况下防渗墙中钙离子最大浓度为2.33 mol/m3，中部钙离子浓度高于上部和下部，且呈X型分布，左右侧浓度高于其它部位。总体表现为分叉缺口附近环状分布，靠近分叉缺口浓度低，远离分叉缺口的防渗墙两侧浓度高的分布规律。主要原因是防渗墙上部渗透坡降大，通过防渗墙上部的水流流速快，墙体溶蚀程度高，钙离子浓度较小；防渗墙下部受底部绕渗作用，外表受冲刷作用溶蚀程度高，一定范围内有较大影响，表现为防渗墙下部钙离子浓度低的特征。D-6工况中，由于分叉缺口较大，渗流通过缺口时流速增加，加速墙体下层溶蚀过程，影响以缺口为中心向四周辐射，最大浓度较D-5工况减小51.15%，分叉缺口的存在明显加快了防渗墙的溶蚀进程。
图 7为各工况下防渗墙中钙离子平均浓度变化曲线。由图 7可知，防渗墙存在缺陷时，防渗墙中钙离子平均浓度变化规律与防渗墙完好规律一致，随服役历时增长不断降低。但是防渗墙存在缺陷后，除了分叉高度最小的D-5工况外，其它缺陷工况下防渗墙中钙离子浓度较防渗墙完好时明显要小，且缺陷越严重，钙离子浓度越低。分叉缺陷D-5工况的防渗墙缺陷部分位于坝基泥岩，被泥岩填充，防渗性能较好，对渗透水流的侵蚀有一定阻缓作用。D-2~D-4、D-6~D-7工况下防渗墙中钙离子平均浓度相比防渗墙完好工况来说相差不大，最大相对误差为19.22%。
![]()
图 7 防渗墙中平均钙离子浓度变化曲线Figure 7. Variation curves of average calcium ion concentration of cutoff wall（2）孔隙率
接缝缺陷D-4工况与分叉缺陷D-7工况下防渗墙中轴面孔隙率分布如图 8所示。由图 8可知，防渗墙初始孔隙率为0.12，服役20 a后，D-4和D-7工况下防渗墙孔隙率最大值增至0.1481。随着Ca(OH)2在混凝土防渗墙中不断溶解和地下水迁移，防渗墙孔隙率不断增大，服役100 a后D-4和D-7工况下防渗墙孔隙率最大值较初始孔隙率大了1.83倍。两缺陷工况下防渗墙孔隙率空间分布规律较为明确。D-4工况表现为：沿接缝中轴线对称分布，数值差异较小，墙顶和墙底溶蚀较中部严重。D-7工况表现为：底部溶蚀最严重，顶部次之，中部受溶蚀影响最小，底部与中部存在较明显的分界线，以中轴线为中心呈环状分布，同一高程上，距中轴线越近孔隙率值越大。
![]()
图 8 典型工况下防渗墙孔隙率分布Figure 8. Distribution of porosity of cutoff wall under typical working conditions防渗墙平均孔隙率变化曲线如图 9所示。由图 9可知，各接缝缺陷及分叉缺陷工况下的防渗墙孔隙率差别较小，最大差值分别为1.80%，1.68%。防渗墙孔隙率受混凝土溶蚀进程影响显著，孔隙率随溶蚀时间呈指数型的增长趋势，拟合公式为θ = 0.120e0.0103t，相关系数R2为0.9999。
![]()
图 9 各工况下防渗墙平均孔隙率变化曲线Figure 9. Variation curves of average porosity of cutoff wall under various conditions（3）渗流特性
随着防渗墙服役年份增长，墙体孔隙率不断增大，孔隙率增加会导致其渗透系数增大，进而影响坝体及坝基渗流场分布，不同缺陷工况下考虑缺陷影响的防渗墙等效平均渗透系数变化曲线如图 10所示。
![]()
图 10 防渗墙等效平均渗透系数变化曲线Figure 10. Variation curves of average permeability coefficient of cutoff wall由图 10可知，防渗墙等效平均渗透系数随服役年份增长而增大；相比防渗墙完好的D-1工况，接缝缺陷工况下防渗墙等效平均渗透系数随接缝宽度增加而增大，分叉缺陷工况下防渗墙等效平均渗透系数随分叉高度增加而增大。总体而言，接缝宽度（1.0~3.0 cm）对防渗墙等效渗透系数变化的影响小于分叉缺陷，服役运行100 a后接缝宽度为3.0 cm的D-4工况下防渗墙等效渗透系数较D-1工况增大了8.20倍。但对分叉缺陷而言，分叉缺陷区域不同高程处的地层渗透性能可能差别较大，其对坝基总体渗流场影响较大。本文D-5工况分叉高度较小，分叉缺陷区域由泥岩填充，渗透系数较小，服役100 a后的防渗墙渗透系数较D-1工况仅大3.97%，D-6和D-7工况下分叉缺陷开始被渗透系数大的砂砾石层填充，服役100 a后其防渗墙等效平均渗透系数较D-1工况分别增大了26.94倍和40.38倍。
初始时刻，库水通过坝体及防渗体渗向下游，浸润面在土工膜及防渗墙处产生突变，防渗体削减水头百分比约为97.8%，削减水头作用明显，初始时刻坝体及坝基水位等值线分布如图 11所示。随防渗墙缺陷接缝宽度和分叉高度的增大，防渗体消减水头的作用逐渐减弱；相比防渗墙完好的D-1工况，其中D-4工况下防渗体阻水效果下降最为显著，降低约14.61%。
![]()
图 11 初始时刻坝体和坝基水位等值线分布Figure 11. Distribution of water level contour of dam body and foundation at initial time图 12为各工况下大坝渗流量变化曲线。从图 12（a）可知，相比工况D-1，初始时刻防渗墙接缝宽度从1.0 cm增大至3.0 cm时，防渗墙渗流量增大了1.34倍至2.94倍，增幅较明显；服役100 a后D-4工况下防渗墙渗流量最大，为8.71 m2/d。防渗墙底部分叉高度1 m（D-5工况）的防渗墙渗流量变化曲线与D-1工况较为接近，当分叉高度增大至3 m时，防渗墙渗流量显著增大，相比D-1工况增大了4.49倍；服役100 a后D-7工况下防渗墙渗流量最大，为12.76 m2/d。各工况下防渗墙渗流量从大到小排序为：D-7、D-6、D-4、D-3、D-2、D-5和D-1工况。由图 12（b）可知，D-1和D-5工况的坝体及坝基总渗流量变化曲线较为接近，而D-4和D-7工况较为接近；D-7工况的大坝总渗流量最大，初始时刻为13.96 m2/d，服役100 a后增大至14.80 m2/d，约为初始时刻D-1工况的5.81倍。说明随着防渗墙接缝缺陷宽度和分叉高度的增大，防渗墙及大坝总渗流量均增大；同一工况下，随防渗墙渗透溶蚀过程的进行，防渗墙防渗性能不断衰减，防渗墙渗流量显著增大，大坝总渗流量随之增大。
![]()
图 12 各工况下大坝渗流量变化曲线Figure 12. Variation curves of seepage flow through dam under various conditions本文防渗墙缺陷是将缺陷部位的渗透系数按照其所处的相应地层材料渗透系数来模拟，缺陷部位地层的渗透系数对研究成果会有一定的影响，限于篇幅暂未对地层渗透系数开展敏感性分析，将在以后的研究中进一步考虑地层渗透系数变异对坝基防渗墙渗透溶蚀演化规律的影响。
4. 结论
本文开发了考虑扩散-渗流-化学作用的渗流-溶蚀耦合分析模型，研究了两类典型防渗墙施工缺陷对坝基混凝土防渗墙钙离子浓度、孔隙率和渗流特性的影响，得到4点结论。
（1）通过对某重力坝实例分析，其基底测压管监测值与计算值较吻合，坝基渗漏量计算值与监测值的MAE，RMSE，R2分别为8.89%，0.140 L/s，0.971，说明提出的混凝土渗透溶蚀分析模型合理。
（2）接缝缺陷工况下防渗墙中钙离子浓度表现为接缝部位附近低，防渗墙外侧中偏下部浓度高；分叉缺陷工况下防渗墙中钙离子浓度表现为分叉缺口附近环状分布，靠近分叉缺口处浓度低，远离分叉缺口的两侧浓度高；防渗墙存在缺陷时，防渗墙中钙离子平均浓度随服役历时增长不断降低，且缺陷越严重，钙离子浓度越低。
（3）随服役年份增长，防渗墙孔隙率不断增大。服役100 a后，D-4和D-7工况下防渗墙孔隙率最大值较初始值增大约1.83倍，接缝缺陷工况下孔隙率沿接缝中轴线对称分布，防渗墙顶部和底部孔隙率较大；分叉缺陷工况下防渗墙底部孔隙率最大，顶部次之，中部最小，底部与中部存在较明显的分界线。防渗墙孔隙率受混凝土溶蚀进程影响较为显著，随服役年限呈指数型增长趋势。
（4）防渗墙等效平均渗透系数、防渗墙渗流量、坝体及坝基总渗流量均随服役年份、缺陷接缝宽度和分叉高度的增长而增大，防渗体消减水头的作用逐渐减弱。服役100 a后，相比D-1工况而言，D-4和D-7工况下防渗墙等效渗透系数分别增大了8.20倍和40.38倍，防渗墙渗流量分别增大了159.65倍和234.06倍，大坝总渗流量分别增大了4.49倍和5.81倍。
-
![]()
图 2 Strict神经网络识别模型结构图
Figure 2. Structural diagram of Strict neural network identification model
![]()
图 3 脉冲型地震动时序及其时频变换结果对比图
Figure 3. Diagram of a pulse-like ground motion time series and comparison of its time-frequency transformation results
![]()
图 4 S变换时频输入与时序输入模型性能对比图
Figure 4. Comparison of performance of S-transform time-frequency input models and time-series input models
![]()
图 5 Strict识别模型自身及与其他方法对比混淆矩阵
Figure 5. Confusion matrix of Strict identification model and comparison with other methods
![]()
图 6 General识别模型自身及与其他方法对比混淆矩阵
Figure 6. Confusion matrix of General identification model and comparison with other methods
![]()
图 7 TP模型的识别结果及与其他3种脉冲周期识别方法的比较图
Figure 7. Identification of TP identification model and comparison with other identification methods for pulse periods
![]()
图 8 本研究识别的脉冲周期与地震震级的关系及拟合曲线结果对比
Figure 8. Relationship between pulse periods identified in this study and earthquake magnitude and comparison of fitting curves
表 1 ST-CNN模型结构超参数
Table 1 Structural hyperparameters of ST-CNN models
参数 值或函数 输入形式 （100×100，1），
（200×200，1），
（300×300，1）卷积层数量 2，3，4 卷积核数量 32，64，128 卷积核大小 （3×3） 池化层数量 2 池化函数 Maxpooling（2×2） 全连接层数量 4 全连接层神经元数量 32，64，128 激活函数 ReLU，Strict和General识别模型最后一层为Softmax，TP识别模型最后一层无激活函数 
下载: 导出CSV
表 2 最优模型性能表现
Table 2 Performance of optimal models
模型 性能表现 值 Strict
最优识别模型Train CC 0.0657 Val CC 0.1072 Train Acc 0.9991 Val Acc 0.9915 General
最优识别模型Train CC 0.0499 Validation CC 0.0900 Train Acc 0.9995 Val Acc 0.9900 TP
最优识别模型Train MSE 0.0021 Val MSE 0.0252 Train MAE 0.0297 Val MAE 0.0598
下载: 导出CSV
表 3 脉冲周期与地震震级的拟合曲线对比
Table 3 Comparison of fitting curves between pulse periods and earthquake magnitude
下载: 导出CSV
表 4 本文方法运行耗时
Table 4 Time taken to run proposed method
项目 S变换 Strict General TP 耗时/s 0.094 0.071 0.091 0.086
下载: 导出CSV
-
[1] SOMERVILLE P G, SMITH N F, GRAVES R W, et al. Modification of empirical strong ground motion attenuation relations to include the amplitude and duration effects of rupture directivity[J]. Seismological Research Letters, 1997, 68(1): 199-222. doi: 10.1785/gssrl.68.1.199
[2] SCHIAPPAPIETRA E, LANZANO G, SGOBBA S. Empirical predictive models for fling step and displacement response spectra based on the NESS database[J]. Soil Dynamics and Earthquake Engineering, 2022, 158: 107294. doi: 10.1016/j.soildyn.2022.107294
[3] 谢俊举, 温增平, 李小军, 等. 基于小波方法分析汶川地震近断层地震动的速度脉冲特性[J]. 地球物理学报, 2012, 55(6): 1963-1972. XIE Junju, WEN Zengping, LI Xiaojun, et al. Analysis of velocity pulses for near-fault strong motions from the Wenchuan earthquake based on wavelet method[J]. Chinese Journal of Geophysics, 2012, 55(6): 1963-1972. (in Chinese)
[4] 谢俊举, 李小军, 温增平. 近断层速度大脉冲对反应谱的放大作用[J]. 工程力学, 2017, 34(8): 194-211. XIE Junju, LI Xiaojun, WEN Zengping. The amplification effects of near-fault distinct velocity pulses on response spectra[J]. Engineering Mechanics, 2017, 34(8): 194-211. (in Chinese)
[5] SHAHI S K, BAKER J W. An empirically calibrated framework for including the effects of near-fault directivity in probabilistic seismic hazard analysis[J]. The Bulletin of the Seismological Society of America, 2011, 101(2): 742-755. doi: 10.1785/0120100090
[6] SHAHI S K, BAKER J W. An efficient algorithm to identify strong-velocity pulses in multicomponent ground motions[J]. The Bulletin of the Seismological Society of America, 2014, 104(5): 2456-2466. doi: 10.1785/0120130191
[7] 梅贤丞, 崔臻, 盛谦. 近断层/远场地震动作用下隧道结构易损性研究[J]. 岩石力学与工程学报, 2021, 40(2): 344-354. MEI Xiancheng, CUI Zhen, SHENG Qian. Research on vulnerability of tunnel structures subjected to near-fault and far-field ground motions[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(2): 344-354. (in Chinese)
[8] MAVROEIDIS G P. A mathematical representation of near-fault ground motions[J]. The Bulletin of the Seismological Society of America, 2003, 93(3): 1099-1131. doi: 10.1785/0120020100
[9] BAKER J W. Quantitative classification of near-fault ground motions using wavelet analysis[J]. The Bulletin of the Seismological Society of America, 2007, 97(5): 1486-1501. doi: 10.1785/0120060255
[10] CHANG Z W, SUN X D, ZHAI C H, et al. An improved energy-based approach for selecting pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2016, 45(14): 2405-2411.
[11] ZHAI C H, LI C H, KUNNATH S, et al. An efficient algorithm for identifying pulse-like ground motions based on significant velocity half-cycles[J]. Earthquake Engineering & Structural Dynamics, 2018, 47(3): 757-771.
[12] 王东升, 陈笑宇, 张锐, 等. 基于希尔伯特-黄变换的近断层地震动脉冲特性研究[J]. 地震学报, 2022, 44(5): 824-844. WANG Dongsheng, CHEN Xiaoyu, ZHANG Rui, et al. Characteristics of pulses in near-fault ground motion based on Hilbert-Huang transform[J]. Acta Seismologica Sinica, 2022, 44(5): 824-844. (in Chinese)
[13] FUKUSHIMA K. Neocognitron: a self organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biological Cybernetics, 1980, 36(4): 193-202. doi: 10.1007/BF00344251
[14] XU Y, WEI S Y, BAO Y Q, et al. Automatic seismic damage identification of reinforced concrete columns from images by a region-based deep convolutional neural network[J]. Structural Control and Health Monitoring, 2019, 26(3): e2313. doi: 10.1002/stc.2313
[15] 姬建, 姜振, 殷鑫, 等. 边坡随机场数字图像特征CNN深度学习及可靠度分析[J]. 岩土工程学报, 2022, 44(8): 1463-1473. doi: 10.11779/CJGE202208011 JI Jian, JIANG Zhen, YIN Xin, et al. Slope reliability analysis based on deep learning of digital images of random fields using CNN[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(8): 1463-1473. (in Chinese) doi: 10.11779/CJGE202208011
[16] MIMOGLOU P, PSYCHARIS I N, TAFLAMPAS I M. Explicit determination of the pulse inherent in pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2014, 43(15): 2261-2281.
[17] STOCKWELL R G, MANSINHA L, LOWE R P. Localization of the complex spectrum: the S transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.
[18] ZHAI C, CHANG Z, LI S, et al. Quantitative identification of near-fault pulse-like ground motions based on energy[J]. The Bulletin of the Seismological Society of America, 2013, 103(5): 2591-2603.
[19] SOMERVILLE P G. Magnitude scaling of the near fault rupture directivity pulse[J]. Physics of the Earth and Planetary Interiors, 2003, 137(1/2/3/4): 201-212.
[20] TANG Y C, ZHANG J. Response spectrum-oriented pulse identification and magnitude scaling of forward directivity pulses in near-fault ground motions[J]. Soil Dynamics and Earthquake Engineering, 2011, 31(1): 59-76.
-
期刊类型引用(19)
1. 张伟丽，李明依，李俊，钱程，陈宗武. 基于MICP技术的固化黏土抗侵蚀性能研究. 安全与环境工程. 2025(01): 201-210+232 . 
百度学术
2. 高瑜，邢家伟，王晓荣，韩红伟，樊促遥. 核磁共振作用下微生物矿化风沙土材料的微观孔隙. 科学技术与工程. 2025(05): 2066-2073 . 百度学术
3. 王东星，许凤丽，泮晓华，商武锋，吴章平，郭克诚. GGBS-MICP协同固化淤泥质砂土工程特性研究. 岩石力学与工程学报. 2025(05): 1349-1362 . 百度学术
4. 朱文羲，邓华锋，李建林，肖瑶，熊雨，程雷. 木质素磺酸钙增强花岗岩残积土微生物固化效果研究. 土木工程学报. 2024(03): 123-132 . 百度学术
5. 徐志平，贾卓龙，晏长根，王逸凡. 聚丙烯纤维加筋黄土边坡防护原位测试及改进策略. 人民黄河. 2024(04): 111-116 . 百度学术
6. 耿会岭，赵卫全，赵永刚，杨晓东，于凡. 生物诱导碳酸钙沉淀在改善土壤侵蚀中的应用. 水利水电技术(中英文). 2024(03): 11-23 . 百度学术
7. 蒋钊，彭劼，许鹏旭，卫仁杰，李亮亮. 微生物结合碳纤维加固钙质砂的高强度试验研究. 土木与环境工程学报(中英文). 2024(05): 64-73 . 百度学术
8. 付贵永，肖杨，史金权，周航，刘汉龙. 干湿循环下EICP联合黄原胶加固钙质粉土劣化特性试验研究. 岩土工程学报. 2024(11): 2341-2351 . 本站查看
9. 郑宏扬，王瑞，刘宇佳，唐朝生. 基于生物碳化活性氧化镁技术抑制土体干缩开裂的试验研究. 高校地质学报. 2024(06): 705-713 . 百度学术
10. 袁童，雷学文，艾东，安然，陈昶，陈欣. 椰壳纤维-MICP复合改良膨胀土强度特性. 水利与建筑工程学报. 2023(03): 105-111 . 百度学术
11. 赵卫全，张银峰，李娜，耿会岭，严俊. 微生物改良膨胀土的胀缩性及耐水性试验研究. 中国水利水电科学研究院学报(中英文). 2023(04): 350-359 . 百度学术
12. 杜掀，郑涛，卢超波，杨庭伟，姜洪亮. 不同类型纤维对MICP处理钙质砂物理力学性能的影响. 西部交通科技. 2023(01): 60-63 . 百度学术
13. 胡其志，霍伟严，马强，陶高梁. MICP联合纤维加筋黄土的力学性能及水稳性研究. 人民长江. 2023(08): 227-232+248 . 百度学术
14. 张婧，杨四方，张宏，曹函，陆爱灵，唐卫平，廖梦飞. 碳中和背景下MICP技术深化与应用. 现代化工. 2023(11): 75-79+84 . 百度学术
15. 张建伟，赵聪聪，尹悦，石磊，边汉亮，韩智光. 紫外诱变产脲酶菌株加固粉土的试验研究. 岩土工程学报. 2023(12): 2500-2509 . 本站查看
16. 陈欣，安然，汪亦显，陈昶. 胶结液浓度对MICP固化残积土力学性能影响及机理研究. 水利与建筑工程学报. 2023(06): 100-106+149 . 百度学术
17. 贺桂成，唐孟媛，李咏梅，李春光，张志军，伍玲玲. 改性黄麻纤维联合微生物胶结铀尾砂的抗渗性能试验研究. 岩土力学. 2023(12): 3459-3470 . 百度学术
18. 黄安国，何稼，邵应峰. EICP联合纤维加固边坡表层抗侵蚀试验研究. 河南科学. 2022(09): 1411-1421 . 百度学术
19. 申春妮，方祥位，胡丰慧，姚志华，李洋洋. 珊瑚砂地基中微生物珊瑚砂桩承载特性试验研究. 岩土工程学报. 2022(S1): 68-73 . 本站查看
其他类型引用(19)
-
其他相关附件
计量
- 文章访问数: 285
- HTML全文浏览量: 37
- PDF下载量: 75
- 被引次数: 38
