水泥固化海相软土劣化深度快速预测方法

王曼; 杨俊杰; 武亚磊; 王子谋

doi:10.11779/CJGE20230814

水泥固化海相软土劣化深度快速预测方法 English Version

王曼^{1, 2,},
杨俊杰^{1, 2},
武亚磊^{1, 2, ,},
王子谋^{1, 2}

1.
中国海洋大学海洋环境与生态教育部重点实验室, 山东青岛 266100
2.
中国海洋大学环境科学与工程学院, 山东青岛 266100

基金项目:

国家自然科学基金项目 52378380

国家自然科学基金项目 52078474

国家自然科学基金项目 51779235

详细信息

作者简介:
王曼(1994—)，女，博士研究生，主要从事软土地基加固等方面的研究工作。E-mail: 694501276@qq.com

通讯作者:
武亚磊, E-mail: wuyalei@ouc.edu.cn

中图分类号: TU448
计量
- 文章访问数: 314
- HTML全文浏览量: 42
- PDF下载量: 65
出版历程
- 收稿日期: 2023-08-21
- 网络出版日期: 2023-11-29
- 刊出日期: 2024-06-30

A rapid prediction method for deterioration depth of cement-solidified marine soft soils

WANG Man^{1, 2,},
YANG Junjie^{1, 2},
WU Yalei^{1, 2, ,},
WANG Zimou^{1, 2}

1.
Key Laboratory of Marine Environment and Ecology of the Ministry of Education, Ocean University of China, Qingdao 266100, China
2.
College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China

摘要

摘要: 劣化深度是评价固化土劣化程度较为简明的指标。基于常规腐蚀试验结果的幂函数形式固化土劣化深度预测方法具有实用性，腐蚀试验中腐蚀时间取值越长、劣化深度越深，预测结果越准确。固化土劣化是漫长的过程，利用高浓度腐蚀介质的加速腐蚀试验可缩短试验周期，实现劣化深度的快速预测。水泥固化海相软土的腐蚀试验结果表明，3倍浓度海水制备的腐蚀土腐蚀水泥土28 d的加速腐蚀试验与常规腐蚀试验腐蚀360 d的劣化深度存在线性关系，基于两者的等效关系并结合幂函数形式劣化深度预测式，提出水泥固化海相软土劣化深度快速预测方法，预测的劣化深度发展趋势与实测结果较为吻合。基于加速腐蚀试验结果的幂函数形式固化土劣化深度快速预测方法可行且具有实用性，研究思路对于类似劣化问题的研究具有一定的借鉴意义。
- 水泥土 /
- 海相软土 /
- 加速腐蚀试验 /
- 等效劣化深度 /
- 快速预测
Abstract: The deterioration depth is a relatively simple index to evaluate the deterioration degree of solidified soils. The practical prediction method for the deterioration depth of solidified soils is in the form of power function based on the results of the conventional deterioration tests, while the longer the corrosion time and the deeper the deterioration depth, the more accurate the predicted results. The deterioration of solidified soils is a lengthy process, and the accelerated deterioration tests for high concentration corrosive media can shorten the test period and obtain rapid prediction of the deterioration depth. The deterioration test results of cement-solidified marine soft soils indicate that there is a linear relationship between the 28 d accelerated deterioration test of erosion soil prepared with 3 times seawater concentration and the 360 d deterioration depth of the conventional deterioration tests. Then based on the equivalent relationship between them and the power function formula for predicting the deterioration depth, a rapid prediction method for the deterioration depth of cement-stabilized marine soft soils is proposed, and the predicted development trend of the deterioration depth is consistent with the measured results. The rapid prediction method for the deterioration depth of solidified soils based on the accelerated deterioration test results in the power function form is feasible and practical. The research idea is of certain reference significance for the researches on the similar deterioration problems.
- cement soil /
- marine soft soil /
- accelerated deterioration test /
- equivalent deterioration depth /
- rapid prediction

HTML全文

0. 引言

岩石单轴抗压强度（uniaxial compressive strength，UCS）作为最重要的岩体力学参数之一，在采矿工程、隧道工程、岩质边坡稳定性等领域发挥着重要作用^[1]。岩石的UCS可以通过室内试验直接获取，但由于其对岩芯质量要求较高，且部分岩石易破碎，很难获得完整的岩样^[2]，工程实践中，通常通过一些其他岩体参数间接估计UCS，如点荷载强度指标I_s50、施密特回弹值R_L、纵波波速v_p、有效孔隙率η_e等^[3-4]。

由于方程形式的限制，这些经验公式适用范围通常较小。随着人工智能的发展，机器学习逐渐应用于岩土工程领域^[5-6]，由于其数据驱动、不局限于固定的方程形式等优势，应用范围更广。例如，Matin等^[7]提出了基于随机森林利用I_s50、R_L、v_p、η_e间接估计UCS；Fattahi^[8]基于人工蜂群优化的支持向量回归利用R_L间接估计UCS。这些机器学习方法虽然一定程度上提高了UCS估计的准确性，但由于模型构建过程中需要提前确定预测UCS的自变量，容易导致模型过拟合或欠拟合。因此，好的UCS估计模型往往需要平衡模型的复杂度与拟合程度，从而选出“最优模型”。

针对如何确定最优估计模型，国内外学者已开展了大量研究工作。如Feng等^[9]通过赤池信息准则（AIC）、贝叶斯信息准则（BIC）以及偏差信息准则（DIC）在4个备选模型（线性模型、幂指数模型、指数模型、逻辑回归模型）中确定了预测岩石变形模量的最优模型；Wu等^[10]建立了不同地区黏土压缩指数与天然含水率和液塑限的关系模型，并通过AIC、BIC以及均方根误差RMSE对所建立的模型进行了比选。尽管上述准则在一定程度上对确定最优模型有所帮助，但无法给出最优模型所对应的客观合理性及最优模型相比于其它模型量化的可能性大小；此外，上述准则在确定最优模型时的影响因素亦未见详细讨论。

综上，本文提出贝叶斯高斯过程回归方法（fully Bayesian Gaussian process regression，fB-GPR）来确定UCS的最优估计模型并实现UCS的非线性估计。该方法一方面继承了机器学习方法的数据驱动的特点，突破了方程形式对UCS估计的制约；另一方面通过贝叶斯方法量化了不同模型的可能性大小，进而客观确定最优估计模型。相比于其他准则，fB-GPR在较大的测量误差与较小样本量的情况下仍可准确地进行模型选择。

本文首先介绍了高斯过程回归模型以及贝叶斯模型选择的基本原理；其次，对4种模型选择方法的计算原理及适用范围进行了概述，包括AIC、BIC、DIC和KIC。然后，基于文献[11]中的岩体力学参数数据集，将各模型选择方法进行了对比验证。最后，采用模拟数据进一步探讨了UCS测量误差以及样本量对模型选择结果的影响，弥补了这一研究领域的空白。

1. UCS的贝叶斯高斯过程回归模型

1.1 UCS的高斯过程回归模型

高斯过程回归（Gaussian process regression，GPR）是基于高斯分布的无参随机过程回归。本文目的是利用GPR建立岩石指标行向量x = (x₁, x₂, …, x_d)与岩石UCS的对应关系，即UCS = f(x)+ε。f(x)是不考虑残差时UCS的预测值；ε是均值为0，标准差为σ_ε的高斯随机变量，用来表示UCS数据中所涉及的残差。GPR中通常假设UCS服从均值为零，协方差（核函数）为 $k\left(\boldsymbol{x}_i, \boldsymbol{x}_j\right)+\sigma_{\varepsilon}^2 \cdot \delta_{i, j}$ 的多维高斯分布^[12]，即

$\mathrm{UCS} \sim \mathrm{GP}\left(0, k\left(\boldsymbol{x}_i, \boldsymbol{x}_j\right)+\sigma_{\varepsilon}^2 \cdot \delta_{i, j}\right)。$

(1)

式中：x_i与x_j分别为岩石指标行向量x的第i次与第j次测量数据，均为1×d的向量；k(x_i, x_j)为第i个与第j个输出变量之间的协方差；若x_i = x_j，δ_{i, j} = 1，否则δ_{i, j} = 0。为方便推导，这里以列向量y表示UCS的n_V个试验数据，n_V×d的矩阵X表示与y对应的x的n_V组试验数据，X^*表示m组x的新数据，为m×d的矩阵，y^*表示与X^*对应的待估计UCS值。根据GPR中的假设，y和y^*的联合分布为^[13]

$\left[\begin{array}{l} \boldsymbol{y} \\ \boldsymbol{y}^* \end{array}\right] \sim N\left(\boldsymbol{0},\left[\begin{array}{cc} \boldsymbol{k}_{\boldsymbol{X}, \boldsymbol{X}}+\sigma_{\varepsilon}^2 \boldsymbol{I} & \boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}}^{\mathrm{T}} \\ \boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}} & \boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}^*} \end{array}\right]\right)。$

(2)

式中： ${k_{X,X}} + \sigma _\varepsilon ^2I$ 与 ${k_{{X^*},{X^*}}}$ 分别为(n_V×n_V)与(m×m)的矩阵，表示y的协方差和未知y^*的协方差； ${k_{{X^*},X}}$ 为(m×n_V)矩阵，表示y^*和y的协方差矩阵。

基于多维高斯分布的解析特性，给定y和X条件下，y^*的概率分布仍是多维高斯分布，均值μ^*和协方差Σ^*可分别表示为^[14]

$\boldsymbol{\mu}^*=\boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}}\left(\boldsymbol{k}_{\boldsymbol{X}, \boldsymbol{X}}+\sigma_{\varepsilon}^2 \boldsymbol{I}\right)^{-1} \boldsymbol{y} ,$

(3)

$\mathit{\boldsymbol{ \boldsymbol{\varSigma} }}^*=\boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}^*}-\boldsymbol{k}_{\boldsymbol{X}^*, \boldsymbol{X}}\left(\boldsymbol{k}_{\boldsymbol{X}, \boldsymbol{X}}+\sigma_{\varepsilon}^2 \boldsymbol{I}\right)^{-1} \boldsymbol{k}_{\boldsymbol{X}, \boldsymbol{X}^*} 。$

(4)

式中，μ^*为待预测UCS的平均值， $\mathit{\boldsymbol{ \boldsymbol{\varSigma} }}^*$ 为利用已知数据X和y更新后的y^*的协方差，其对角线元素表示与y^*对应的估计方差，代表估计的不确定性。式（2）表示对已知UCS数据y与待估计UCS数据y^*的基本假设，而式（3），（4）表示基于已知数据X与y对y^*的预测。由式（3）可知，待估计UCS是已知数据y的权重叠加，体现了GPR的数据驱动特性，其中权重系数是协方差的函数，协方差的计算公式为

${k_{i,j}} = \sigma _{\text{f}}^{\text{2}}\exp \left[ { - \sqrt {\sum\limits_{t = 1}^d {\frac{{{{({x_{i,t}} - {x_{j,t}})}^2}}}{{l_t^2}}} } } \right]。$

(5)

式中： ${k_{i,j}}$ 为第i个UCS即UCS_i与第j个UCS即UCS_j的协方差，反映了UCS间的相关程度； $\sigma _{\text{f}}^{}$ 为超参数，反映了核函数的波动程度；l_t为UCS沿x_t (t = 1, 2, …, d)方向的相关性，l_t越大，UCS与x_t的相关性越小，反之相关性越强^[12]；x_{i, t}和x_{j, t}分别表示第t个输入变量的第i次与第j次测量数据。令Θ = {l_t, $\sigma _{\text{f}}^{}$ , σ_ε} (t = 1, 2, …, d)表示该GPR模型中的超参数，超参数不同，会导致预测结果即式（3），（4）的不同。

1.2 高斯过程回归模型超参数的贝叶斯估计

本节着重介绍超参数Θ的贝叶斯估计。由于贝叶斯方法可以量化多种不确定性，故本文采用贝叶斯方法估计Θ，此外，Θ的贝叶斯估计也为1.3节确定UCS估计的最优模型奠定了基础。在贝叶斯理论中，所有未知参数被当作随机变量。给定岩石指标X的测量数据x和UCS的测量数据y以后，其概率分布p(Θ|D)表示为

$p(\mathit{\Theta} |D) = \frac{{p(D|\mathit{\Theta} )p(\mathit{\Theta} )}}{{p(D)}} 。$

(6)

式中：D = {X, y}，根据全概率定理可知， $p(D) = \int {p(D|\mathit{\Theta} )p(\mathit{\Theta} )d} \mathit{\Theta}$ 为一积分常数；p(D| $\mathit{\Theta}$ )为似然函数，表示给定超参数 $\mathit{\Theta}$ 下观测到数据D的可能性大小；p( $\mathit{\Theta}$ )为 $\mathit{\Theta}$ 的先验分布，表示在没有试验数据D时对 $\mathit{\Theta}$ 的了解程度。鉴于UCS测量误差间的弱相关性甚至相互独立性，p(D| $\mathit{\Theta}$ )通常可以表示为^[15]

$p(D \mid {\mathit{\Theta}})=\frac{1}{\sqrt{(2 \pi)^{n_{\mathrm{V}}}\left|\boldsymbol{k}_{X,X}+\sigma_{\varepsilon}^2 \boldsymbol{I}\right|}} \exp \left[-\frac{\boldsymbol{y}^{\mathrm{T}}\left(\boldsymbol{k}_{X,X}+\sigma_{\varepsilon}^2 \boldsymbol{I}\right)^{-1} \boldsymbol{y}}{2}\right]$

(7)

由于 $\mathit{\Theta}$ 为非负超参数，这里采用对数均匀分布表示其先验分布，p( $\mathit{\Theta}$ )可表示为

$p(\mathit{\Theta} ) = \prod\limits_{i = 1}^{d + 2} {p({\mathit{\Theta} _i})} = \prod\limits_{i = 1}^{d + 2} {\frac{1}{{{\mathit{\Theta} _i}\left[ {\ln (\mathit{\Theta} _i^U) - \ln (\mathit{\Theta} _i^L)} \right]}}} \text{，}$

(8)

式中， ${\mathit{\Theta} _i} \in \left[ {\mathit{\Theta} _i^L,\mathit{\Theta} _i^U} \right]$ 。 $\mathit{\Theta} _i^L$ 和 $\mathit{\Theta} _i^U$ 分别表示超参数 ${\mathit{\Theta} _i}$ 的下限与上限。将式（7），（8）代入式（6）即可得到p( $\mathit{\Theta}$ |D)。然而，由于p(D| $\mathit{\Theta}$ )与p( $\mathit{\Theta}$ )非共轭分布，导致p( $\mathit{\Theta}$ |D)无解析表达式。因此，引入马尔科夫链蒙特卡洛（Markov Chain Monte Carlo，MCMC）方法通过从p( $\mathit{\Theta}$ |D)中不断采样进而刻画 $\mathit{\Theta}$ 的后验分布^[16-17]。完成MCMC采样后即可基于式（3），（4）以及文献[18]对UCS进行预测。

1.3 基于贝叶斯框架的UCS预测最优模型选择

如前文所述，不同的岩石指标均可用来估计岩石的UCS值，如点荷载强度指标I_s50、施密特回弹值R_L、纵波波速v_p等。不同岩石指标x的组合构成不同的UCS估计的GPR模型。通常，随着模型自变量x数量的增加，GPR模型的拟合程度提高，但模型的复杂度也随之增大，而模型的泛化能力随之下降。因此，一个好的模型需要在模型的复杂度与拟合程度间达到平衡，这恰恰是贝叶斯模型选择可以实现的。贝叶斯模型选择通过比较每个模型所对应的概率来确定最优模型。根据贝叶斯定理，给定试验数据D的条件下，模型M_s对应的概率表达式P_r(M_s|D)为

${P_{\text{r}}}({M_{\text{s}}}|D) \propto p(D|{M_{\text{s}}}){P_{\text{r}}}({M_{\text{s}}}) 。$

(9)

式中：P_r(M_s)为先验概率，反映了在未考虑测量数据时对模型的认知情况，通常认为每个模型被选择的概率相同，即P_r(M_s) = 1/ ${n_{\text{M}}}$ ， ${n_{\text{M}}}$ 为备选模型的数量。式（9）省去了作为常数的分母。由式（9）可知，P_r(M_s|D)与似然函数p(D|M_s)成正比。因此，比较不同模型被选择的概率P_r(M_s|D)等价于比较不同模型的似然函数p(D|M_s)。故p(D|M_s)通常被称为贝叶斯框架下的“模型证据”^[15]。

根据条件概率准则，“模型证据”p(D|M_s)可表示为

$p(D|{M_{\text{s}}}) = \frac{{p(D|{\mathit{\Theta} _{\text{s}}},{M_{\text{s}}})p({\mathit{\Theta} _{\text{s}}}|{M_{\text{s}}})}}{{p({\mathit{\Theta} _{\text{s}}}|D,{M_{\text{s}}})}} 。$

(10)

式中： ${\mathit{\Theta} _{\text{s}}}$ = {l_t, σ_f, σ_ε} (t = 1, 2, …, d_s)为GPR模型M_s超参数的集合；d_s为模型M_s输入变量的个数；p(D| ${\mathit{\Theta} _{\text{s}}}$ , M_s)表示给定模型M_s以及对应超参数 ${\mathit{\Theta} _{\text{s}}}$ 时的似然函数；p( ${\mathit{\Theta} _{\text{s}}}$ |M_s)和p( ${\mathit{\Theta} _{\text{s}}}$ |D，M_s)分别表示模型M_s超参数Θ_s的先验分布与后验分布。计算“模型证据”p(D|M_s)等价于计算其对数值ln[p(D|M_s)]，且后者数值计算上更加稳定。根据文献[18]，ln[p(D|M_s)]可表示为

$\ln \left[ {p(D|{M_{\text{s}}})} \right] \approx \frac{1}{{{N_c}}}\sum\limits_{q = 1}^{{N_c}} {\ln \left[ {p(D|\mathit{\Theta} _{\text{s}}^q,{M_{\text{s}}})} \right]} - \\ \ \ \ \ \ \ \ \ \ \ \ \frac{1}{{{N_c}}}\sum\limits_{q = 1}^{{N_c}} {\left( {\ln \frac{{p(\mathit{\Theta} _{\text{s}}^q{\text{|}}D,{M_{\text{s}}})}}{{p(\mathit{\Theta} _{\text{s}}^q{\text{|}}{M_{\text{s}}})}}} \right)} 。$

(11)

式中， $p(D|{\mathit{\Theta}} _{\text{s}}^q,{M_{\text{s}}})$ ， $p(\mathit{\Theta} _{\text{s}}^q{\text{|}}{M_{\text{s}}})$ 及 $p(\mathit{\Theta} _{\text{s}}^q{\text{|}}D,{M_{\text{s}}})$ 分别为超参数 $\mathit{\Theta} _s^{}$ 的第q组MCMC样本所对应的似然函数、先验分布以及后验分布，可以分别采用式（7），（8）以及文献[]的方法进行计算，N_c为超参数 $\mathit{\Theta} _s^{}$ 的MCMC样本数量。

2. UCS预测最优模型选择方法概述

贝叶斯方法耦合GPR可实现UCS最优估计模型的确定，为了对比说明本文所提方法的优越性，本节介绍了一些其他方法以达到同样的目的，如前文提起的AIC、BIC、DIC以及KIC，进而与GPR结合构成AIC-GPR、BIC-GPR、DIC-GPR、KIC-GPR方法。通过介绍上述4种准则确定最优模型的基本原理和假设，为进一步深入探讨fB-GPR方法构建UCS最优估计模型提供参考。

2.1 贝叶斯信息准则BIC

贝叶斯信息准则BIC以贝叶斯理论为基础，结合信息准则从而实现模型选择。BIC通常假设自变量服从独立同分布，工程中常用的分布包括均匀分布、正态分布、对数正态分布等，BIC可根据下式进行计算^[20]：

$\mathrm{BIC}=-2 \ln \hat{L}_{\mathrm{s}}+Q_{\mathrm{s}} \ln n_{\mathrm{V}}。$

(12)

式中： ${\hat L_{\text{s}}} = p(D|{\hat {\mathit{\Theta}} _{\text{s}}},{M_{\text{s}}})$ 为给定模型M_s的最大似然函数； ${\hat {\mathit{\Theta}} _{\text{s}}}$ 为 $\mathit{\Theta} _s^{}$ 的后验概率最大时所对应的超参数； ${Q_s}$ 为模型M_s包含的超参数的数量，反映了模型的复杂程度。理论上，BIC的值越小，模型的性能越好，即在模型的复杂程度相对较低的情况下，可达到较好的拟合效果。

2.2 赤池信息准则AIC

赤池信息准则AIC通过最小化备选模型的测量值与预测值间的Kullback-Liebler散度进行模型选择，计算公式如下^[21]：

$\mathrm{AIC}=-2 \ln \hat{L}_{\mathrm{s}}+2 Q_{\mathrm{s}} \quad 。$

(13)

相比于BIC，AIC并未考虑试验样本数量的影响。与BIC类似，AIC的值越小，模型的泛化性能越好。

考虑到试验条件、时间成本等因素，往往容易发生样本量不足导致过拟合，即选出的最优模型考虑的因素过多而使其泛化能力大幅下降。因此，针对小样本数据提出了修正的赤池信息准则AICc^[22]：

$\mathrm{AICc}=\mathrm{AIC}+\frac{2 Q_{\mathrm{s}}\left(Q_{\mathrm{s}}+1\right)}{n_{\mathrm{V}}-Q_{\mathrm{s}}-1}。$

(14)

相比于AIC，AICc考虑了样本量对模型选择的影响。当样本量趋于无穷大时，即样本数量足够多时，AICc趋近于AIC。AICc越小，表示模型的性能越好。

2.3 偏差信息准则DIC

以贝叶斯理论和信息准则为基础，Spiegelhalter等^[23]提出了偏差信息准则DIC，计算公式如下^[9]：

$\text{DIC} = \overline {D({\mathit{\Theta} _{\text{s}}})} + {p_\text{D}}\text{，}$

(15)

${p_\text{D}} = \overline {D({\mathit{\Theta} _{\text{s}}})} - D(\overline {{\mathit{\Theta} _{\text{s}}}} )。$

(16)

式中：偏差 $D({\mathit{\Theta} _{\text{s}}}) =$ -2ln[p(D| ${\mathit{\Theta} _{\text{s}}}$ , M_s)]； $D(\overline {{\mathit{\Theta} _{\text{s}}}} ) =$ $\frac{1}{{{N_c}}}\sum\limits_{q = 1}^{{N_c}} {D(\mathit{\Theta} _{\text{s}}^q)}$ 为偏差 $D({\mathit{\Theta} _{\text{s}}})$ 的均值； $D(\overline {{\mathit{\Theta} _{\text{s}}}} ) =$ $D\left( {\frac{1}{{{N_c}}}\sum\limits_{q = 1}^{{N_c}} {\mathit{\Theta} _{s} ^q} } \right)$ 为 ${\mathit{\Theta} _{\text{s}}}$ 的均值的偏差； ${p_\text{D}}$ 为DIC中模型有效参数的数量，反映模型的复杂程度。

DIC建立于超参数后验样本基础之上。相比于AIC和BIC考虑所有输入参数，DIC计算时仅考虑模型有效参数的数量，大大提高了计算效率。对于线性模型或层次模型，模型有效参数的数量等于模型参数的数量。

2.4 Kullback信息准则

Kullback信息准则KIC^[24]通过对测量值与预测值间的Kullback对称散度的变体进行非对称无偏估计，从而达到模型选择的目的。KIC可根据下式计算：

$\mathrm{KIC}=-2 \ln \hat{L}_{\mathrm{s}}+3\left(Q_{\mathrm{s}}+1\right) 。$

(17)

随着超参数数量的增加，KIC容易将过拟合的模型选出。因此，针对单变量线性回归模型和自回归模型，Seghouane等^[25]提出了KICc，计算公式如下：

$\mathrm{KICc}=-2 \ln \hat{L}_{\mathrm{s}}+\frac{\left(Q_{\mathrm{s}}+1\right)\left(3 n_{\mathrm{V}}-Q_{\mathrm{s}}-2\right)}{n_{\mathrm{v}}-Q_{\mathrm{s}}-2}+\frac{Q_{\mathrm{s}}}{n_{\mathrm{V}}-Q_{\mathrm{s}}} 。$

(18)

相比于KIC，KICc的模型选择能力有所提高，且不易发生过拟合。

3. 基于实测试验数据的模型选择结果对比分析

为了说明本文所提贝叶斯高斯过程回归fB-GPR方法在UCS最优估计模型上的表现，本节采用实际工程案例进行详细说明，并与基于其他模型筛选准则的高斯过程回归方法即AIC-GPR、BIC-GPR、DIC-GPR以及KIC-GPR进行了对比。

3.1 岩性参数数据集概述

本文使用的岩石参数来源于文献[11]，岩样取自中国澳门，为Ⅲ级花岗岩。岩性指标包括点荷载强度指标I_s50、施密特回弹值R_L、纵波波速v_p、有效孔隙率η_e、相对质量密度G_s以及岩石单轴抗压强度UCS。该数据集包含115组数据，其基本统计特征见表 1，各变量之间的相关性如图 1所示。由图 1可知，UCS与I_s50、R_L以及v_p具有较强线性相关性，与η_e、G_s相关性较弱。各岩石指标与UCS的相关性大小虽然一定程度上能够显示出与UCS的关系，但并不能作为直接确定最优估计模型的依据。

表 1 岩性参数数据集的基本统计特征

Table 1. Basic descriptive statistics of rock index database

参数	UCS/ MPa	I_s50/ MPa	R_L	v_p/(m·s^-1)	η_e/%	G_s
最小值	20.30	1.08	16.80	1160.00	0.64	2.42
平均值	49.65	4.47	42.30	4145.69	2.27	2.57
最大值	91.00	8.19	56.50	5661.00	7.23	2.66
标准值	15.65	1.63	7.51	841.73	1.53	0.05

下载: 导出CSV

| 显示表格

图 1 岩性参数各变量相关关系图

Figure 1. Pearson correlation coefficient among rock indices

下载: 全尺寸图片幻灯片

3.2 基于fB-GPR的UCS估计

为验证fB-GPR模型的泛化性能，将3.1节中的数据集划分为两部分：训练集和验证集，分别包含85组和30组岩性参数数据对。基于式（8）计算备选模型的先验分布，取 $\mathit{\Theta} _i^L = {10^{ - 5}}$ ， $\mathit{\Theta} _i^U = {10^5}$ ；根据文献[16，19]中的方法产生并收集每个高斯过程回归超参数的MCMC样本，样本数量为5000；采用收集到的MCMC样本构造高斯过程回归超参数的后验分布，并根据式（11）计算每个备选模型的“模型证据”对数值ln[p(D|M_s)]，结合式（9），可进一步计算得到每个备选模型被选择的概率；考虑所有输入变量组合的情况，共包含31个GPR模型，如表 2所示；对每个GPR模型分别重复上述步骤，计算得到各备选模型的ln[p(D|M_s)]与其相对应的概率，如表 2所示；比较所有备选模型的ln[p(D|M_s)]，并选出ln[p(D|M_s)]最大值所对应的备选模型，即为UCS预测的最优模型。由表 2可以看出，M-7被选择的概率达到0.688，远远大于其他模型被选择的概率。输入新的岩性参数指标，根据式（3），（4）即可对最优模型的UCS进行预测，计算得到的均值即为UCS最可能的预测值，方差体现了预测结果的不确定性。

表 2 模型编号及其对应的岩性参数指标

Table 2. Candidate models for model selection and corresponding rock indices

模型编号	I_s50/MPa	R_L	v_p/(m·s^-1)	η_e/%	G_s	“模型证据” 的对数值	概率	R²
模型编号	I_s50/MPa	R_L	v_p/(m·s^-1)	η_e/%	G_s	“模型证据” 的对数值	概率	训练集	验证集
M-1	▲					-450.66	3.27×10^-14	0.72	0.60
M-2		▲				-468.83	4.19×10^-22	0.52	0.49
M-3			▲			-451.09	2.13×10^-14	0.69	0.69
M-4				▲		-479.57	9.14×10^-27	0.38	0.33
M-5					▲	-486.61	7.94×10^-30	0.22	0.19
M-6	▲	▲				-450.14	5.51×10^-14	0.75	0.63
M-7	▲		▲			-419.98	0.688	0.89	0.84
M-8	▲			▲		-447.66	6.54×10^-13	0.77	0.67
M-9	▲				▲	-450.96	2.42×10^-14	0.74	0.62
M-10		▲	▲			-437.88	1.15×10^-8	0.80	0.79
M-11		▲		▲		-470.91	5.27×10^-23	0.53	0.49
M-12		▲			▲	-471.13	4.21×10^-23	0.53	0.49
M-13			▲	▲		-444.98	9.58×10^-12	0.82	0.79
M-14			▲		▲	-451.24	1.84×10^-14	0.72	0.71
M-15				▲	▲	-481.87	9.14×10^-28	0.38	0.34
M-16	▲	▲	▲			-421.69	0.125	0.89	0.84
M-17	▲	▲		▲		-449.34	1.23×10^-13	0.78	0.67
M-18	▲	▲			▲	-451.48	1.45×10^-14	0.75	0.64
M-19	▲		▲	▲		-421.99	9.21×10^-2	0.89	0.84
M-20	▲		▲		▲	-422.43	5.96×10^-2	0.89	0.84
M-21	▲			▲	▲	-449.80	7.74×10^-14	0.77	0.67
M-22		▲	▲	▲		-440.12	1.24×10^-9	0.80	0.79
M-23		▲	▲		▲	-440.40	9.37×10^-10	0.80	0.79
M-24		▲		▲	▲	-473.20	5.32×10^-24	0.53	0.49
M-25			▲	▲	▲	-447.12	1.13×10^-12	0.82	0.80
M-26	▲	▲	▲	▲		-423.83	1.47×10^-2	0.89	0.84
M-27	▲	▲	▲		▲	-424.15	1.06×10^-2	0.89	0.84
M-28	▲	▲		▲	▲	-451.70	1.16×10^-14	0.77	0.67
M-29	▲		▲	▲	▲	-424.35	8.70×10^-3	0.89	0.84
M-30		▲	▲	▲	▲	-442.47	1.17×10^-10	0.80	0.79
M-31	▲	▲	▲	▲	▲	-426.30	1.23×10^-3	0.89	0.84

下载: 导出CSV

| 显示表格

此外，这里采用决定系数R²衡量各备选模型对UCS的预测性能，计算公式如下：

${R^2} = 1 - \frac{{\sum\limits_{i = 1}^{{n_\text{V}}} {{{({y_i} - {\mu _{{\text{UCS}},i}})}^2}} }}{{\sum\limits_{i = 1}^{{n_\text{V}}} {{{({y_i} - {\mu _y})}^2}} }} 。$

(19)

式中：y_i和 ${\mu _{{\text{UCS}},i}}$ 分别为第i个UCS的测量值和预测值；μ_y为n_V个UCS测量值的均值。表 2列出了各备选模型的R²，可以看出，训练集中M-7的R²达到了0.89，模型M-16、M-19、M-20、M-26、M-27、M-29、M-31的R²虽然也达到了0.89，但与M-7相比，模型中的参数数量增加了1~3个，模型的复杂度有所增加。为验证最优模型M-7的泛化性能，表 2给出了测试集中M-7的R²，达到了0.84。图 2给出了最优模型M-7的UCS测量值与预测值分布散点图及fB-GPR预测的不确定性（95%置信区间），可以看出，散点均分布在1∶1线附近。这进一步说明确定M-7为最优模型的合理性。此外，本文进一步统计了图 2中训练集、验证集中UCS的测量值落在95%置信区间的百分比，分别为75.29%与66.67%，均小于95%。这说明通过fB-GPR方法进行UCS预测时，尽管可以相对准确地预测了UCS，但反映预测结果不确定性的标准差是偏小的，需进一步对该方法进行改进，以更加准确地对预测结果的不确定性进行量化。

图 2 测量值与预测值分布散点图及fB-GPR预测的不确定性

Figure 2. Scatter plot between measured and predicted UCS and uncertainty of UCS prediction by fB-GPR

下载: 全尺寸图片幻灯片

3.3 不同模型选择方法测试结果对比分析

为进一步对比不同方法下的UCS预测性能及模型选择结果的准确性，表 3列出了不同方法在进行UCS估计时最优模型及该模型对UCS的预测性能。由表 3可知：不同方法的模型选择结果有所不同，BIC-GPR、AIC-GPR、AICc-GPR、KIC-GPR及KICc-GPR将同时包含I_s50、R_L和v_p的模型确认为最优模型，DIC-GPR将同时包含I_s50、v_p和η_e的模型选为最优模型。这是由于R_L与η_e对于岩石单轴抗压强度UCS的预测同样发挥作用。但随着模型参数的增加，模型复杂度也同步提高。

表 3 不同方法的模型选择结果对比

Table 3. Comparison of model selection results by different methods

方法	I_s50/MPa	R_L	v_p/(m·s^-1)	η_e/%	G_s	R²
文献[11]	▲		▲			0.83
fB-GPR	▲		▲			0.89
BIC-GPR	▲	▲	▲			0.89
AIC-GPR	▲	▲	▲			0.89
AICc-GPR	▲	▲	▲			0.89
DIC-GPR	▲		▲	▲		0.89
KIC-GPR	▲	▲	▲			0.89
KICc-GPR	▲	▲	▲			0.89

下载: 导出CSV

| 显示表格

然而，随着模型复杂度的增加，上述模型的预测能力并未提高，与fB-GPR选出的模型（仅包含I_s50和v_p）一致，决定系数R²均为0.89。同时，表 3列出了文献[11]基于线性假设与变量转换的模型选择结果，其所涉及变量与fB-GPR的模型选择结果相同。相比之下，fB-GPR方法不需要变量的额外变换，且预测模型的R²大于文献[11]中的值。这进一步说明利用fB-GPR确定UCS最优估计模型的合理性。

3.4 统计特征分析

为检验所提fB-GPR方法的适用性，将真实数据按与前述相同的比例（训练集包含85组，验证集包含30组岩性参数）随机划分100次，统计各模型选择方法选出的最优模型编号及其被选为最优模型的次数，如表 4所示。可以看出，基于本文所提出的fB-GPR方法，在100次训练中模型M-7被选为最优模型的次数达到100，最优模型选择的准确性远远优于其他模型选择方法。

表 4 各模型选择方法选出的最优模型编号及其被选为最优模型的次数统计

Table 4. Number of optimal models selected by each method and number of times selected as the optimal model

模型	fB-GPR	AIC -GPR	AICc -GPR	BIC -GPR	DIC -GPR	KIC -GPR	KICc -GPR
M-7	100	14	18	51	81	29	31
M-16	0	83	80	47	14	69	67
M-19	0	3	2	2	5	2	2

下载: 导出CSV

| 显示表格

图 3给出了将真实数据随机划分100次，基于fB-GPR方法计算得到的验证集中决定系数R²分布的箱形图。可以看出，尽管模型M-16、M-19、M-20、M-26、M-27、M-29、M-31中的输入变量相比于模型M-7有所增加，模型复杂度增大，但这些备选模型的R²并未大幅提升，进一步证明了M-7作为最优模型的合理性。

图 3 验证集中决定系数R²分布的箱形图

Figure 3. Box plot of R² for testing database

下载: 全尺寸图片幻灯片

图 4给出了各模型选择方法选出的次数最多的模型所对应的R²在验证集中的统计特征。可以看出，各方法选出的最优模型所对应的验证集的R²的均值均在0.8~0.9，说明各方法选出的最优模型均可较为准确地预测UCS，同时具有较好的泛化性能。然而，基于fB-GPR方法以外的模型选择方法（如AIC-GPR、AICc-GPR、KIC-GPR、KICc-GPR）所确定的最优模型M-16相比于模型M-7更为复杂，但对应模型决定系数R²的统计特征并未明显提升；尽管在100次随机试验中BIC-GPR和DIC-GPR方法将M-7确定为最优模型的概率较大，分别达到51%与81%，但fB-GPR方法将M-7选为最优模型的概率可达到100%，模型选择的准确率远远高于BIC-GPR和DIC-GPR方法。由图 4还可看出，基于KIC-GPR和KICc-GPR方法选定模型的决定系数R²的变化范围相比于fB-GPR方法较小，此现象可能是由于在100次随机试验中，它们确定M-16为最优模型的次数只有不到70次，而基于fB-GPR方法确定M-7为最优模型的次数达到100次。图 4中对应fB-GPR的箱形图体现了100次R²的统计结果，而对应KIC-GPR和KICc-GPR的箱形图体现了不到70次R²的统计结果。

图 4 各模型选择方法选出的次数最多的模型所对应的R²在验证集中的统计特征

Figure 4. Statistical characteristics of R² in testing dataset corresponding to model selected most frequently by each method

下载: 全尺寸图片幻灯片

4. 敏感性分析

由于上述案例基于实测数据，因此，基于fB-GPR构建的UCS最优模型的真实性无法得到验证。为进一步验证各模型选择方法的鲁棒性和准确性，这里以文献[]中的岩性参数的统计特征为基础，产生模拟数据进一步分析。该模型主要以 ${I_{\text{s}}}_{50}$ 和v_p作为UCS估计变量。此外，为了对比文中各种方法，将R_L、η_e和G_s亦作为输入变量。假设各输入变量均服从对数正态分布，均值和标准差分别为表 1中统计得到的各岩性参数的均值和标准差。用以生成模拟数据的UCS模型如下：

${\text{UCS}} = 5.01{I_{\text{s}}}_{50} + 0.05\exp (0.0386{R_L}) + \\ \ \ \ \ \ \ \ 5.52\exp (0.0004{v_p}) - 0.05\ln ({\eta _e}) - 0.05{G_{\text{s}}} - {\sigma _\varepsilon } 。$

(20)

式中，相比于 ${I_{\text{s}}}_{50}$ 和 ${v_p}$ ，其他参数对于模型的贡献很小，5.01I_s50，0.05exp(0.0386R_L)，5.52exp(0.0004v_p)，0.05ln(η_e)和0.05G_s的标准差分别为8.166 MPa，0.067，7.730 m/s，0.009%和0.003。因此，考虑模型的复杂度与拟合度，UCS的最优模型只应包含 ${I_{\text{s}}}_{50}$ 和v_p。以上述模型为基础，本节探讨了误差值以及样本量对模型选择结果的影响。

4.1 误差值对模型选择结果的影响

在岩石参数测试过程中，不可避免产生试验误差，如岩芯尺寸误差、操作误差等。因此，在产生模拟数据时，需考虑误差对UCS估计值的影响。首先，考虑误差值为UCS标准差的0，0.1%（0.015 MPa），0.2%（0.030 MPa），0.3%（0.045 MPa），0.4%（0.060 MPa），0.5%（0.075 MPa）时（工况1），模型选择结果的变化规律。设置样本量n_V = 100，结果如图 5（a），（b）所示。由图 5（a）可以看出，当误差值为0时，采用AIC-GPR、AICc-GPR、BIC-GPR、KIC-GPR及KICc-GPR的方法，最优模型M-7被选择的概率为0，而包含所有参数的模型M-31被选择的概率相对较高，分别为68%，67%，67%，67%，67%（见图 5（b））。分析认为，由于上述方法在进行模型选择时，只要输入变量对模型略有贡献，就倾向于将该变量包含在内的模型选出。误差值由0增加到0.075 MPa（误差值达到0.075 MPa时，误差对UCS估计值的贡献大于R_L、η_e和G_s），采用AIC-GPR、AICc-GPR、BIC-GPR、KIC-GPR及KICc-GPR的方法，M-31被选择的概率总体呈下降趋势，这是由于在此过程中误差值对UCS估计值的贡献逐渐超越部分参数的贡献，上述方法在平衡模型的复杂度与拟合程度后，M-31作为最优模型被选择的概率下降。

图 5 误差值对模型选择结果的影响

Figure 5. Influences of measurement noise on model selection

下载: 全尺寸图片幻灯片

相比之下，fB-GPR和DIC-GPR在误差值较小（UCS标准差的0.5%以内）时，仍可将部分最优模型M-7选出，所提fB-GPR方法正确选择的概率远远大于DIC-GPR方法。误差值在0.1%~0.5%的UCS标准差范围内时，fB-GPR方法正确选择M-7的概率在75%~85%，即误差值在UCS标准差的0.5%以内时，fB-GPR方法考虑了R_L、η_e和G_s对UCS估计的贡献，会选出包含上述参数的部分模型。随着误差的增大，采用fB-GPR方法M-7被选择的概率总体呈上升趋势，这是因为误差的增大弱化了部分参数（R_L、η_e和G_s）对UCS估计的贡献。继增加误差值，至UCS标准差的1%（0.15 MPa），2%（0.30 MPa），3%（0.45 MPa），4%（0.60 MPa），5%（0.75 MPa）（工况2），结果如图 5（c），（d）所示。可以看出，在此阶段最优模型M-7被选出的概率大幅度提高，M-31被选出的概率几乎为0。分析认为，此阶段误差对UCS估计值的贡献相比于R_L，η_e和G_s越来越明显，但其最大值仅为0.75 MPa，远远小于含 ${I_{\text{s}}}_{50}$ 和v_p的贡献，对于模型选择来说是有利的，因为一方面误差的存在可有效过滤掉包含R_L、η_e和G_s的模型，另一方面此时的误差值不会明显影响UCS估计值的大小。

当误差值提高至UCS标准差的10%（1.5 MPa），20%（3.0 MPa），30%（4.5 MPa），40%（6.0 MPa），50%（7.5 MPa）时（工况3），模型选择结果如图 5（e），（f）所示。可以看出，当误差值在UCS标准差的30%以内时，各方法的模型选择结果相对比较稳定，说明误差值小于4.5 MPa时，误差的存在并不会对模型选择产生显著的影响；继续增大误差值至UCS标准差的50%，在此区间采用AIC-GPR、AICc-GPR、BIC-GPR、KIC-GPR及KICc-GPR的方法，M-7被选出的概率产生了较大幅度的波动，fB-GPR和DIC-GPR模型选择的结果波动不大，但fB-GPR模型选择结果的准确率显著高于DIC-GPR，说明当误差值大于UCS标准差的30%时，AIC-GPR、AICc-GPR、BIC-GPR、KIC-GPR及KICc-GPR的方法已不能准确地进行模型选择，而本文所提的fB-GPR即使在误差值达到UCS标准差的50%时，其模型选择的准确率仍高达96%，进一步验证了fB-GPR方法的鲁棒性和准确性。

综上所述，在进行模型选择时，若采用AIC-GPR、AICc-GPR、BIC-GPR、KIC-GPR及KICc-GPR的方法，误差值在一定的范围内才能准确地进行模型选择：误差太大或太小均对模型选择结果不利。这意味着实际工程应用中模型选择结果是否可靠应通过对比试验误差的数量级进行合理判定。当误差值大于UCS标准差的0.5%并小于50%时，随着误差值的增大，虽然采用DIC-GPR的方法M-7被选择的概率总体处于增加的趋势，但相比于其他方法，其模型选择结果的准确性是相对较低的；而采用本文所提的fB-GPR方法，其受UCS试验误差影响较小，同时其模型选择的效果相对较好。

4.2 样本量对模型选择结果的影响

为探讨样本量对模型选择结果的影响，本文设置了 ${n_{\text{V}}}$ = 25，50，75，100，150，200共6种情况。取试验误差值为UCS标准差的20%（3.0 MPa），样本量对模型选择结果的影响如图 6所示，可以看出，当样本量分别为25和50时，AICc-GPR方法相比于AIC-GPR方法最优模型M-7被选择的准确率分别提高了11.52%和6.17%，KICc-GPR方法相比于KIC-GPR方法分别提高了4.60%和3.19%，说明样本量较少（样本数量在25至50范围内）时，AICc-GPR和KICc-GPR可提高模型选择的准确性。本文所提的fB-GPR在样本量达到50以上时，模型选择结果逐渐趋于稳定，不再发生大幅度波动。综上，当样本量大于50时，可以考虑利用fB-GPR方法构建UCS最优模型。由图 6（b）可以看出，所有样本量工况下，M-31被选择的概率几乎均为0，说明当试验误差相对较小时，即使样本数量相对较少，各模型选择方法也可保证包含所有较小贡献的输入变量的备选模型（即最复杂模型）不被选出。

图 6 样本量对模型选择结果的影响

Figure 6. Influences of sample size on model selection

下载: 全尺寸图片幻灯片

5. 结论

本文首先介绍了贝叶斯高斯过程回归fB-GPR的基本原理；其次，对几种模型选择方法的适用范围和计算原理进行概述；接着基于岩性参数试验数据，对UCS模型预测性能及模型选择结果进行了初步对比分析，最后基于给定模型与模拟数据，探讨了误差值以及样本量对模型选择结果的影响。得到以下3点结论。

（1）基于岩性参数试验数据进行UCS预测与模型选择，贝叶斯高斯过程回归方法的模型选择结果最为准确，同时可实现对UCS较为准确地估计，训练集决定系数可达到0.89。

（2）对实际工程案例进行100次随机试验，本文所提的fB-GPR方法将M-7选为最优模型的概率可达到100%，最优模型选择的准确率远远高于其他模型选择方法。

（3）误差值太小或太大均不利于模型选择，误差值太小时，选出的模型考虑的参数较多，模型过于复杂，误差值太大时，会影响UCS预测的准确性。fB-GPR在误差值达到UCS标准差的50%时，仍可准确地进行模型选择，验证了fB-GPR方法的鲁棒性和准确性。

图 1 试验用土的颗粒粒径级配累积曲线

Figure 1. Grain-size distribution curves of soils

下载: 全尺寸图片幻灯片

图 2 制备好的水泥土试样（东营港软土，a_w=14%）

Figure 2. Prepared cement soil sample (soft soil of Dongying Port, a_w=14%)

下载: 全尺寸图片幻灯片

图 3 微型贯入试验仪

Figure 3. Micro penetration test apparatus

下载: 全尺寸图片幻灯片

图 4 微型贯入试验结果

Figure 4. Micro penetration test results

下载: 全尺寸图片幻灯片

图 5 比贯入阻力曲线示意图及劣化深度定义^[29]

Figure 5. Schematic diagram of penetration resistance curve and definition of deterioration depth^[29]

下载: 全尺寸图片幻灯片

图 6 加速腐蚀试验结果与常规腐蚀试验结果的等效关系

Figure 6. Equivalent relation between results of accelerated deterioration tests and those of conventional deterioration tests

下载: 全尺寸图片幻灯片

图 7 胶州湾软土常规腐蚀试验试样微型贯入试验结果

Figure 7. Micro penetration test results of samples of conventional deterioration tests of soft soil in Jiaozhou Bay

下载: 全尺寸图片幻灯片

图 8 东营港软土常规腐蚀试验试样微型贯入试验结果

Figure 8. Micro penetration test results of samples of conventional deterioration tests of soft soil in Dongyin Port

下载: 全尺寸图片幻灯片

图 9 预测结果与试验结果对比

Figure 9. Comparison between predicted and test results

下载: 全尺寸图片幻灯片

表 1 试验用土的基本物理性质

Table 1 Basic physical properties of soils

试验用土	塑限w_P/%	17 mm液限w/%	塑性指数I_P	相对质量密度G_s	分类
胶州湾软土	21.0	31.3	10.3	2.72	低液限黏土
东营港软土	26.5	29.7	3.2	2.70	低液限粉土

下载: 导出CSV

表 2 胶州湾、东营港海水及人工海水主要离子质量浓度

Table 2 Concentrations of major ions in seawater

项目	Ca²⁺/(mg·kg^-1)	Mg²⁺/(mg·kg^-1)	Cl^-/(mg·kg^-1)	SO₄^2-/(mg·kg^-1)	pH
胶州湾海水	241.3	1149.3	13837.2	2198.3	8.3
东营港海水	296.2	1065.5	16821.3	2563.8	8.0
c	300	1200	14000	2400	7.9
3c	900	3600	42000	7200	7.9

下载: 导出CSV

表 3 水泥土试样制备方案

Table 3 Preparation schemes of cement soil samples

试验用土	水泥掺入比a_w/%	灰水比R
胶州湾软土	7，10，14	0.3129
		0.4694
		0.6259
东营港软土	7，10，14	0.3248
		0.4873
		0.6497

下载: 导出CSV

表 4 验证预测方法的劣化试样制备方案

Table 4 Sample preparing schemes for rapid validate prediction methods

试验用土	水泥掺入比a_w/%	灰水比R	腐蚀时间t/d
胶州湾软土	7，10，14	0.3129	90，180，720
		0.4694
		0.6259
东营港软土	7，10，14	0.3248	90，180，720
		0.4873
		0.6497

下载: 导出CSV

参考文献(39)

[1]	龚晓南. 复合地基理论及工程应用[M]. 2版. 北京: 中国建筑工业出版社, 2007. GONG Xiaonan. Theory of Composite Foundation and its Engineering Application[M]. 2nd ed. Beijing: China Architecture & Building Press, 2007. (in Chinese)
[2]	刘松玉, 钱国超, 章定文. 粉喷桩复合地基理论与工程应用[M]. 北京: 中国建筑工业出版社, 2006. LIU Songyu, QIAN Guochao, ZHANG Dingwen. The Principle and Application of Dry Jet Mixing Composite Foundation[M]. Beijing: China Architecture & Building Press, 2006. (in Chinese)
[3]	IZUO H, NAKARAI K, KULIK D A. Twenty-two-year investigation of strength development and surface deterioration of cement-treated clay in an in situ field test[J]. Cement and Concrete Composites, 2022, 134: 104783. doi: 10.1016/j.cemconcomp.2022.104783
[4]	武亚磊, 杨俊杰. 土体固化剂: 材料·作用机理·应用[M]. 北京: 化学工业出版社, 2022: 46-65. WU Yalei, YANG Junjie. Soil Stabilizer[M]. Beijing: Chemical Industry Press, 2022: 46-65. (in Chinese)
[5]	闫楠, 杨俊杰, 刘强, 等. 海水环境下水泥土强度衰减过程室内试验研究[J]. 土木工程学报, 2017, 50(11): 115-124. https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201711012.htm YAN Nan, YANG Junjie, LIU Qiang, et al. Laboratory test on strength deterioration process of soil cement in seawater environment[J]. China Civil Engineering Journal, 2017, 50(11): 115-124. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201711012.htm
[6]	尚金瑞, 杨俊杰, 董猛荣, 等. 表层劣化对桩承载性状影响的室内模拟试验[J]. 岩土工程学报, 2013, 35(增刊2): 857-861. http://cge.nhri.cn/cn/article/id/15506 SHANG Jinrui, YANG Junjie, DONG Mengrong, et al. Laboratory tests on influences of skin degradation on bearing properties of piles[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(S2): 857-861. (in Chinese) http://cge.nhri.cn/cn/article/id/15506
[7]	CUI X Z, ZHANG N, LI S C, et al. Deterioration of soil-cement piles in a saltwater region and its influence on the settlement of composite foundations[J]. Journal of Performance of Constructed Facilities, 2016, 30(1): 04014195. doi: 10.1061/(ASCE)CF.1943-5509.0000713
[8]	闫楠, 杨俊杰, 董猛荣, 等. 摩擦型桩表面劣化时的沉降特性室内模拟试验[J]. 哈尔滨工业大学学报, 2016, 48(2): 147-151. https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201602025.htm YAN Nan, YANG Junjie, DONG Mengrong, et al. Laboratory model tests on settlement characteristics of friction pile with surface deterioration[J]. Journal of Harbin Institute of Technology, 2016, 48(2): 147-151. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201602025.htm
[9]	PASTOR J L, ORTEGA J M, CLIMENT M A, et al. Skin friction coefficient change on cement grouts for micropiles due to sulfate attack[J]. Construction and Building Materials, 2018, 163: 80-86. doi: 10.1016/j.conbuildmat.2017.12.091
[10]	PHAM V N, TURNER B, HUANG J S, et al. Long-term strength of soil-cement columns in coastal areas[J]. Soils and Foundations, 2017, 57(4): 645-654. doi: 10.1016/j.sandf.2017.04.005
[11]	SHINSHA H, TSUTSUMI A. Experimental study on deterioration of cement-mixed soil and crushed particles in seawater[J]. Journal of Japan Society of Civil Engineers, Ser C (Geosphere Engineering), 2016, 72(3): 265-276. doi: 10.2208/jscejge.72.265
[12]	WU M, ZHANG Y S, JI Y S, et al. A comparable study on the deterioration of limestone powder blended cement under sodium sulfate and magnesium sulfate attack at a low temperature[J]. Construction and Building Materials, 2020, 243: 118279. doi: 10.1016/j.conbuildmat.2020.118279
[13]	SHINSHA H, KUMAGAI T. Material properties of solidified soil grains produced from dredged marine clay[J]. Soils and Foundations, 2018, 58(3): 678-688. doi: 10.1016/j.sandf.2018.03.003
[14]	董晓强, 苏楠楠, 黄新恩, 等. 污水浸泡对水泥土强度和电阻率特性影响的试验研究[J]. 岩土力学, 2014, 35(7): 1855-1862, 1870. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201407007.htm DONG Xiaoqiang, SU Nannan, HUANG Xin'en, et al. Effect of sewage on electrical resistivity and strength of cemented soil[J]. Rock and Soil Mechanics, 2014, 35(7): 1855-1862, 1870. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201407007.htm
[15]	韩鹏举, 白晓红. 无机化合物对水泥土腐蚀的作用机理及试验[J]. 腐蚀与防护, 2013, 34(5): 381-384. https://www.cnki.com.cn/Article/CJFDTOTAL-FSYF201305004.htm HAN Pengju, BAI Xiaohong. Experiment and chemical mechanism of corrosive action of inorganic compounds on cemneted soil[J]. Corrosion & Protection, 2013, 34(5): 381-384. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-FSYF201305004.htm
[16]	吴燕开, 史可健, 胡晓士, 等. 海水侵蚀下钢渣粉+水泥固化土强度劣化试验研究[J]. 岩土工程学报, 2019, 41(6): 1014-1022. doi: 10.11779/CJGE201906004 WU Yankai, SHI Kejian, HU Xiaoshi, et al. Experimental study on strength degradation of steel slag + cement-solidified soil under seawater erosion[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(6): 1014-1022. (in Chinese) doi: 10.11779/CJGE201906004
[17]	刘松玉, 郑旭, 蔡光华, 等. 活性MgO碳化固化土的抗硫酸盐侵蚀性研究[J]. 岩土力学, 2016, 37(11): 3057-3064. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201611003.htm LIU Songyu, ZHENG Xu, CAI Guanghua, et al. Study of resistance to sulfate attack of carbonated reactive MgO-stabilized soils[J]. Rock and Soil Mechanics, 2016, 37(11): 3057-3064. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201611003.htm
[18]	杨俊杰, 孙涛, 张玥宸, 等. 腐蚀性场地形成的水泥土的劣化研究[J]. 岩土工程学报, 2012, 34(1): 130-138. http://cge.nhri.cn/cn/article/id/14499 YANG Junjie, SUN Tao, ZHANG Yuechen, et al. Deterioration of soil cement stabilized in corrosive site[J]. Chinese Journal of Geotechnical Engineering, 2012, 34(1): 130-138. (in Chinese) http://cge.nhri.cn/cn/article/id/14499
[19]	ASHRAF W. Carbonation of cement-based materials: challenges and opportunities[J]. Construction and Building Materials, 2016, 120: 558-570. doi: 10.1016/j.conbuildmat.2016.05.080
[20]	曹智国, 章定文, 彭之晟, 等. 水泥固化铅污染土碳化深度变化规律及预测方法[J]. 东南大学学报(自然科学版), 2021, 51(4): 631-639. https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX202104012.htm CAO Zhiguo, ZHANG Dingwen, PENG Zhisheng, et al. Change regularities and prediction method for carbonation depth of cement-stabilized soils contaminated with lead[J]. Journal of Southeast University (Natural Science Edition), 2021, 51(4): 631-639. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX202104012.htm
[21]	崔新壮, 龚晓南, 李术才, 等. 盐水环境下水泥土桩劣化效应及其对道路复合地基沉降的影响[J]. 中国公路学报, 2015, 28(5): 66-76, 86. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201505002.htm CUI Xinzhuang, GONG Xiaonan, LI Shucai, et al. Deterioration effect of soil-cement pile under saltwater environment and its influence on composite foundation settlement of road[J]. China Journal of Highway and Transport, 2015, 28(5): 66-76, 86. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201505002.htm
[22]	JIN Q, CUI X Z, SU J W, et al. Laboratory measurement and analysis of the deteriorated layer permeability coefficient of soil-cement deteriorated in a saline environment[J]. Materials, 2019, 12(14): 2245. doi: 10.3390/ma12142245
[23]	KITAZUME M, NAKAMURA T, TERASHI M, et al. Laboratory tests on long term strength of cement treated soil[C]// Third International Conference on Grouting and Ground Treatment. New Orleans, 2003.
[24]	MIAO J. Evaluation on Long Term Durability of Cement Stabilized Soils under Seawater Environment[D]. Fukuoka: Kyushu University, 2013.
[25]	CHOMPOORAT T, THEPUMONG T, KHAMPLOD A, et al. Improving mechanical properties and shrinkage cracking characteristics of soft clay in deep soil mixing[J]. Construction and Building Materials, 2022, 316: 125858. doi: 10.1016/j.conbuildmat.2021.125858
[26]	HAYASHI H, NISHIMOTO S, OHISHI K. Long-term Characteristics on Strength of Cement Treated Soil (Part 1)[R]. Hokkaido: Civil Engineering Research Institute of Hokkaido, 2004.
[27]	IKEGAMI M, ICHIBA T, TERASHI M. The simple prediction method on the deterioration of cement treated soil[J]. Society of Civil Engineers Annual Conference, 2004, 29(1): 3-537.
[28]	HARA H, SUETSUGU D, HAYASHI S, et al. Deterioration progress of cement-treated ariake clay under seawater[J]. Journal of the Society of Materials Science, Japan, 2014, 63(1): 49-54. doi: 10.2472/jsms.63.49
[29]	刘浩, 杨俊杰, 王曼, 等. 水泥土劣化深度-时间关系预测[J]. 长江科学院院报, 2021, 38(4): 88-93, 101. https://www.cnki.com.cn/Article/CJFDTOTAL-CJKB202104018.htm LIU Hao, YANG Junjie, WANG Man, et al. Prediction of deterioration depth of cement soil over time[J]. Journal of Yangtze River Scientific Research Institute, 2021, 38(4): 88-93, 101. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CJKB202104018.htm
[30]	闫楠, 杨俊杰. 海水浸泡下水泥土强度衰减室内试验研究[J]. 中南大学学报(自然科学版), 2017, 48(1): 191-202. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGD201701027.htm YAN Nan, YANG Junjie. Experimental study on strength deterioration process of cement stabilized soil with seawater immersion[J]. Journal of Central South University (Science and Technology), 2017, 48(1): 191-202. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZNGD201701027.htm
[31]	刘泉声, 柳志平, 程勇, 等. 水泥土在侵蚀环境中的试验研究和等效分析[J]. 岩土力学, 2013, 34(7): 1854-1860. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201307006.htm LIU Quansheng, LIU Zhiping, CHENG Yong, et al. Experimental study and equivalent analysis of cemented soil under corrosion environment[J]. Rock and Soil Mechanics, 2013, 34(7): 1854-1860. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201307006.htm
[32]	白书麒, 杨俊杰, 李恩, 等. 劣化水泥土渗透特性研究[J]. 水利水电技术(中英文), 2021, 52(2): 184-193. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202102020.htm BAI Shuqi, YANG Junjie, LI En, et al. Study on permeability of deteriorated cement-soil[J]. Water Resources and Hydropower Engineering, 2021, 52(2): 184-193. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202102020.htm
[33]	ZHUTOVSKY S, DOUGLAS HOOTON R. Accelerated testing of cementitious materials for resistance to physical sulfate attack[J]. Construction and Building Materials, 2017, 145: 98-106. doi: 10.1016/j.conbuildmat.2017.03.239
[34]	LI S, YANG J, LIU H, DONG M, WANG M. The accelerated deterioration experiment method of cement soil based on the equivalent relationship between corrosive solution concentration and time[C]// The 8th International Symposium on Project Management. Beijing, 2020.
[35]	HARA H, SUETSUGU D, MATSUDA H, et al. Mechanical property and deterioration rate under seawater of lime and cement stabilized clay containing magnesium salts[J]. Journal of Japan Society of Civil Engineers, Ser C (Geosphere Engineering), 2016, 72(4): 294-299. doi: 10.2208/jscejge.72.294
[36]	焦德才, 杨俊杰, 董猛荣, 等. 劣化对水泥土渗透性影响室内试验研究[J]. 岩土工程学报, 2019, 41(增刊2): 97-100. doi: 10.11779/CJGE2019S2025 JIAO Decai, YANG Junjie, DONG Mengrong, et al. Laboratory tests on effect of deterioration on permeability of cement soil[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(S2): 97-100. (in Chinese) doi: 10.11779/CJGE2019S2025
[37]	焦德才. 劣化水泥土渗透性及预测研究[D]. 青岛: 中国海洋大学, 2019. JIAO Decai. Study on Permeability and Prediction of Deteriorated Soil[D]. Qingdao: Ocean University of China, 2019. (in Chinese)
[38]	土的工程分类标准: GB/T 50145—2007[S]. 北京: 中国计划出版社, 2008. Standard for Engineering Classification of Soil: GB/T 50145—2007[S]. Beijing: China Planning Press, 2008. (in Chinese)
[39]	TOYOSAWA Y, YANG J J, MIURA S, et al. Bearing capacity of reinforced ground using centrifuge tests[J]. Doboku Gakkai Ronbunshu, 2004(757): 247-257.