凍融作用下低液限黏土抗剪性能研究

2022-10-13 11:31:46吳志琴張家陽

水利科學與寒區工程 2022年9期

吳志琴，王宇，張家陽，王群

(1.黑龍江省水利科學研究院，黑龍江哈爾濱 150080；2. 黑龍江省季節凍土區工程凍土重點實驗室，黑龍江哈爾濱 150080；3. 黑龍江省龍水工程質量檢測有限公司，黑龍江哈爾濱 150080)

寒冷地區水利工程建設經驗和研究結果表明，季節凍土區土質邊坡因遭受反復的凍融作用，土體結構損傷、力學特性衰減，凍融土體內水分場重分布、凍融界面處大量融水異常聚積，對邊坡穩定有著嚴重影響，可造成邊坡失穩、滑坡[1-4]等災害，據統計，每年滑坡造成的經濟損失高達數百億元[5]，目前我國常溫下邊坡的理論研究、計算方法以及現場工程資料等非常完善，并積累了大量的科研成果，但寒區融土邊坡缺乏相關系統性的深入研究，且研究的結果差異性較大，甚至相反[6]。Alkire Bemard D[7-8]認為松散的重塑粉質土經凍融作用后應力應變曲線位于未經凍融土的上方，Yong R[9]研究發現凍融后土的強度增加，而Chuvilin Ye M[10]、Broms B B[11]研究發現凍融后土體強度降低，Bondarenko G L[12]研究發現凍融前后土體強度基本不變，Aoy-ama K[13]發現凍融后土黏聚力降低而內摩擦角不變。迄今為止，《水利水電工程邊坡設計規范》(SL 386—2007)中未曾見季節凍土區土質抗剪強度指標取值方法[14]。鑒于此，本文以季節凍土區地層中分布較淺的低液限黏土為研究對象，研究不同邊界條件下的低液限重塑黏土凍融后抗剪強度指標變化規律，并根據試驗數據建立模型，為季節凍土區邊坡設計提供合理的數據支撐。

1 材料與方法

1.1 試驗材料

試驗采用低液限黏土，土樣均為重塑土樣，土體取自季節凍土區凍土與環境黑龍江省野外科學觀測研究站，土體起始凍結溫度為-0.15 ℃,物理力學性能指標見表1。

表1 低液限黏土的基本物理性質指標

1.2 試驗方案

土在凍融過程中，水分的遷移、聚集、結晶，以及融解、再逆向遷移的過程主要取決于土體的溫度、干密度、含水率、溶質性質以及應力場等條件，而在不加荷載的條件下，凍結冷端溫度、干密度和含水率起主導作用[15]。因此選擇凍結冷端溫度、干密度和含水率為影響因素。凍結冷端溫度水平值選擇依據季節凍土區凍土與環境黑龍江省野外科學觀測研究站觀測的2020—2021年度的地溫旬平均值，并結合前期的研究選 -3 ℃、-4 ℃、-6 ℃、-9 ℃，由于融化溫度對土體抗剪強度的影響很小[16]，為了確保融化后的等應變直剪試驗溫度場不發生變化，選和室內環境溫度相同的融化溫度。含水率也是影響土體凍脹特性的主要因素之一，該試驗選含水率下限值為起始凍脹含水率，由于該土為低液限土，土體含水率越高，其流動性越明顯，土樣越不容易制作，因此含水率不宜過大，按照《建筑地基基礎設計規范》(GB 50007—2011)[17]規定，天然含水率值相差2%會使凍脹等級發生變化，為了使土體發生凍脹，土樣易制作，且能反映凍脹等級變化，選取土體含水率為20%、22%、24%、26%。對于非飽和土體，密實程度的變化會使得土體孔隙發生相應變化，土體的干密度越小，其孔隙也越大，當土體中水分相變成冰不能填充土體孔隙，不致引起土顆粒間的位移與分離，土體就不產生凍脹，為了使土樣發生凍脹，結合經驗公式和工程實際，選取干密度為1.49 g/cm3、1.54 g/cm3、1.56 g/cm3和1.58 g/cm3。土體經過不同的凍融循環次數其力學指標也發生相應的變化，結合于琳琳等[18]的研究成果，選擇凍融循環次數為1次、3次、5次、7次則試驗方案見表2。

1.3 試驗方法

按照《土工試驗方法標準》(GB/T 50123—2019)[19]制備直徑φ=100 mm，高度h=120 mm的重塑土樣，制備土樣密度與設計密度之差≤±0.02 g/cm3，含水率與設計含水率之差≤1%。在達到試驗設定的凍融循環次數后，對土體進行應力水平為100 kPa、200 kPa、300 kPa和400 kPa 等應變直剪試驗。

2 凍融循環作用下低液限黏土抗剪強度發展規律

2.1 不同凍結冷端溫度

含水率ω=22%，干密度γd=1.58 g/cm3土體在-3 ℃、-4 ℃、-6 ℃和-9 ℃不同凍結冷端溫度下凍結，20 ℃相同融化溫度下融化后，土體抗剪強度指標發展規律見圖1，由圖1可知，土體經過凍融后，黏聚力降低，內摩擦角增大，隨著凍結冷端溫度的降低，土體黏聚力降低的幅度越小，內摩擦角增加的幅度也越小，凍結冷端溫度越低，相對于未凍融的土體其抗剪強度指標變化越不明顯，當凍結冷端溫度為-9 ℃時，土體凍融后黏聚力降低14.83%，內摩擦角增加116.64%，當凍結冷端溫度為-3 ℃時，土體凍融后黏聚力降低71.29%，內摩擦角增加151.32%。

表2 試驗方案

圖1 不同凍結冷端溫度下土體抗剪強度指標發展規律

2.2 不同干密度

含水率ω=22%，干密度為1.49 g/cm3、1.54 g/cm3、1.56 g/cm3、1.58 g/cm3土體在-4 ℃ 凍結冷端溫度下凍結，20 ℃融化溫度下融化后，土體抗剪強度指標發展規律見圖2，由圖2可知，土體經過凍融后，黏聚力降低，內摩擦角增大，無論是凍融土體還是未凍融土體，干密度越大，其黏聚力和內摩擦角也越大。對于非飽和土體，密實程度的變化會使得土體孔隙發生相應變化，土體的干密度越大，其孔隙就越小，當土體中一部分結合水相變成冰，冰晶體的生長破壞土顆粒間聯結而使土體結構弱化，從而導致黏聚力降低。土樣在凍融后大孔隙所占的比例下降，土顆粒間的接觸點增多，從而引起土樣內摩擦角的增大。

圖2 不同干密度下土體抗剪強度指標發展規律

圖3 不同含水率下土體抗剪強度指標發展規律

2.3 不同含水率

干密度γd=1.54 g/cm3，含水率為20%、22%、24%和26%的土體在-6 ℃凍結冷端溫度下凍結，20 ℃融化溫度下融化后，土體抗剪強度指標發展規律見圖3，由圖3可知，相同干密度，不同含水率土體隨著凍結冷端溫度下降，土體自由水凍結成冰，隨著凍結時間的延續，土體中一部分結合水凍結成冰，冰晶體的生長破壞了土顆粒間聯結而使土體結構弱化，從而使黏聚力降低，土樣在凍融后大孔隙比例下降，土顆粒間的接觸點增多，內摩擦增大，且未凍融土體和凍融后土體的黏聚力和內摩擦角都隨著含水率的增大而降低[19]，且含水率越大，黏聚力降低的幅度越大，內摩擦角增加的幅度越大，當含水率為20%時，凍融循環后黏聚力降低23.29%，內摩擦角增大13.95%，當含水率為26%時，凍融循環后黏聚力降低98.98%，內摩擦角增大106.27%。

2.4 不同凍融循環次數

含水率ω=20%，干密度γd=1.49 g/cm3的土體在-9 ℃凍結冷端溫度下凍結，20 ℃融化溫度下融化后，經不同凍融循環次數后土體抗剪強度指標發展規律見圖4，由圖4可知，隨著凍融循環次數的增加，土體黏聚力降低，內摩擦角增加，5次凍融循環后，黏聚力降低16.58%，內摩擦增大24.41%，7次凍融循環后，黏聚力降低17.12%，內摩擦增大24.80%，5次凍融循環后，抗剪強度指標基本不變。

圖4 不同凍融循環次數下土體抗剪強度指標發展規律

2.5 正交試驗

正交試驗結果見圖5，由圖5可知，土體經過凍融后，黏聚力降低，內摩擦角增大。其主要原因隨著凍結冷端溫度下降，土體自由水和部分結合水凍結成冰，冰晶生長破壞土顆粒間聯結使土體結構弱化，從而使黏聚力降低，土樣在凍融后大孔隙比例下降，土顆粒間的接觸點增多，內摩擦增大。

圖5 正交試驗土體抗剪強度指標發展規律

3 凍融作用下低液限黏土抗剪強度指標BP神經網絡模型

傳統建立的凍融作用下土體抗剪強度指標模型為單一影響因素模型，難以全面描述多因素對抗剪強度指標的影響，影響凍土抗剪強度的因素很多，內因有土顆粒組成、礦物成分、黏粒含量和可溶鹽含量等，外因有試驗儀器、試驗方法、排水條件、加載速率、應力路徑、溫度、凍融循環次數以及取樣的方式等，且抗剪強度指標與這些因素不是簡單的線性關系，多元線性回歸分析模型不能全面描述其內在規律, 需全面考慮這些影響因素梯度影響，建立粉質黏土凍融后抗剪強度指標與含水率、凍結冷端溫度和干密度等因素的非線性預測模型。選擇具有學習、記憶、計算和智能處理功能的 BP 神經網絡模型，不預先設定變量間的具體函數關系，通過BP神經網絡的自學習能力尋求抗剪強度指標與含水率、凍結冷端溫度和干密度等因素的內在非線性規律[20-22]。

3.1 BP神經網絡模型建立

BP神經網絡由數據輸入層、非線性激活函數隱含層和線性輸出層構成，層內各個神經元沒有信息反饋，相鄰層通過調節權值和閾值連接，使實際輸出和預期的樣本輸出之間均方差最小化[23-24]。本文建立了以含水率、凍結冷端溫度和干密度3個影響因素的輸入層，中間一個隱含層，以黏聚力和內摩擦角為輸出層的3層BP神經網絡。隱含層節點個數與網絡模型收斂速度相關，若節點個數太少，模型可能因為網絡無法從學習樣本中獲得足夠信息而變得不可靠，節點數量過多，會增加訓練耗時，還可能出現過度吻合現象。為了減少網絡學習時間，提高網絡處理復雜問題的能力，采用式(1)確定網絡的隱含層節點數為6。

(1)

式中：ni為輸入層神經元節點數；no為輸出層神經元節點數；a為常數(0≤a≤10)。

3.2 BP神經網絡訓練

以表2實測的21組試驗數據作為訓練樣本，4組數據作為預測樣本，為使數據適應BP網絡的輸入結構，消除輸入、輸出數據不同屬性的差異，采用Premnmx函數對樣本數據進行預處理，利用Prestd函數對網絡輸出進行反歸一化處理，使網絡輸出數據在[-1,1]內，防止出現“過適配”問題，提高BP網絡的泛化能力。采用學習率可變的動量梯度下降算法對其進行訓練、測試，網絡50輪回顯示一次結果，學習速率為0.05，最大訓練次數為5000次，均方誤差為0.01，經MATLAB程序調試，結果見圖6，經過1848次訓練后，網絡誤差達到要求。