土石混合料填方地基壓實質量快速檢測方法研究*

余 雄,于同生,王 濤,李 楊

(1.中建五局第三建設有限公司,湖南 長沙 410000;2.同濟大學土木工程學院,上海 200092)

0 引言

隨著我國近年來基礎建設的快速發展,適合直接進行工程建設的良好工程用地越來越少,因此出現了大量建設于山區的工程。對于此類工程,場平方案大多采用就地取材、削山填谷的方式。就地開挖填方的方式不僅節約材料和運輸成本,且挖山得到的填料工程性質良好,非常適用于山區的地基平整工作。該方法具有諸多優點,但還需要對填方過程中的壓實質量進行嚴格把控。規范中建議采用灌水(砂)法進行壓實度檢測,該方法適用于所有填料的壓實質量檢測,但隨著填料粒徑的不同需要開挖不同大小的試坑,試坑直徑至少為填料最大粒徑的5倍,深度為試坑直徑的1.2倍。對于公路填方路基來說,填料一般為砂土,試坑直徑約取10cm,深度取12cm左右就可以取得較好的檢測效果。而對于山區填方工程,填料為石頭和土的混合材料,盡管在填方前對大直徑石塊進行了破碎,但仍存在大量大直徑石塊(5～15cm),此時采用灌水(砂)法檢測的試坑尺寸直徑至少為45cm,深度50cm,經試驗測試,包含開挖試坑及烘烤土樣時間,單點檢測時長約在50min。由于填方過程需要對壓實質量進行逐層檢測,且需要滿足一定的檢測密度,此時采用灌水(砂)法檢測的效率將難以滿足實際工程需要,亟需尋找一種針對土石混合料填方地基的壓實質量快速檢測方法。

針對上述問題,國內外學者開展了大量關于土石混合料壓實質量快速檢測方法的研究。核子濕度密度儀法是一種快速壓實質量檢測方法,JTG E60—2008《公路路基路面現場測試規程》中規定可以將其應用于路基的壓實質量檢測,賴余斌［1］對其在土石混合料填方地基壓實質量檢測中的適用性進行研究,結果表明在含石量較低時,核子密度儀的測試誤差相對較小,但當含石量較高時,其測試誤差將無法滿足工程需要。有學者提出采用沉降率測試法檢驗填土壓實質量［2-3］,盡管原理層面沉降率(沉降深度/虛鋪厚度)與壓實系數可互相轉化計算,但筆者在實際應用過程中發現諸多不便之處。首先虛鋪厚度在實際工程中難以確定,受粒料不均影響,虛鋪厚度很難處于統一標高,該參數的測量誤差直接導致后期沉降率計算參數不準確;其次填方工程通常為多區域同時開展,實際施工過程中很難做到每個施工區域分派1名檢測人員進行實時高程監測,因此該方法同樣不適用于土石混合料的壓實質量檢測。Ji等［4］提出采用CT掃描方法結合離散元建模的方法確定土石混合料最大干密度和壓實系數的方法,盡管該方法在實驗室中有較高的計算精度,但考慮到CT掃描技術應用于施工現場的局限性,同樣難以應用于工程實踐中。

因此,土石混合料壓實質量快速檢測方法,應同時具備準確性和實用性兩大特征。JT/T 1127—2017 《公路路基填筑工程連續壓實控制系統技術條件》規定可通過在試驗段建立振動壓實機械參數(壓實過程中的加速度監測數據)與壓實系數的相關關系式,在實際施工過程中通過壓實機械參數間接推算壓實質量的方法。類似地,采用便攜式落錘彎沉儀(portable falling weight deflectormete,PFWD)同樣可以獲取基于加速度監測數據計算得到的動態變形模量值,進而建立與壓實系數間的相關性關系式,實現間接測試壓實質量的目標,經測試該方法在公路路基壓實質量檢測過程中同樣獲得了較好的檢測效果［5-6］。

由前所述,PFWD方法在路基壓實質量檢測領域具備較好的適用性,但公路路基填料大多均勻性較好。但對于土石混合填料,存在變異性強、填料粒徑大、含水率變化范圍大等特點,其適用性還有待探究。因此,針對這一問題,本文結合工程實測數據,開展了采用PFWD方法間接評價土石混合料壓實質量的有效性研究。

1 基于PFWD的壓實質量檢測方法

采用PFWD方法進行壓實質量檢測,其簡要過程如下：首先通過預實驗階段的灌水法與動態變形模量測試試驗,建立密度或壓實度與動態變形模量的相關關系;當二者的相關性達到一定程度時(一般建立線性關系),即可在此基礎上通過動態變形模量的測試推算土石混合料的壓實質量。同時,為了保證PFWD測試結果的穩定性與準確性,需對同一測點進行至少3次重復試驗,當結果相對穩定時,認定此次測試結果有效。

本文所使用的動態變形模量測試儀其檢測深度范圍為檢測面地表下30～50cm。該設備的測試原理是通過對承壓板作用1個確定的沖擊荷載,通過記錄承壓板位移(加速度)信息,在假設土體和承壓板協同變形的條件下,根據彈性力學理論,計算得到土體動態變形模量的過程［7-9］,其計算公式如下：

(1)

式中：μ為泊松比,取0.21;d為荷載板直徑(mm);σ為平均壓應力;s為測試彎沉值,單位精確至0.01mm。

2 試驗方案

土石混合填料最大的特征就是具有不均勻性,即不同位置的填料其含石量、含水率和最大粒徑都存在較強的不確定性。對于工程實踐而言,即使有意控制含石量與含水率,但填料性質仍具有極強的不確定性。以本工程所在的試驗場區為例,盡管所要求的含石量為40%,但實際測得的含石量在20%～70%,含水率也與最佳含水率存在一定偏差［8］。盡管PFWD方法被證明于公路路基壓實質量檢測領域具備較好的效果,但其填料與土石混合料有極大差別。公路路基填料相對均勻,且含水率控制較好,簡言之對于待檢測土體,其變量主要為壓實度的不同;而對于土石混合料來說,同一場地范圍內填料具備極強變異性,最大粒徑、含石量、含水率和壓實度均不確定,此時通過PFWD方法間接計算壓實系數是否仍然有效則需要進一步探究。

從理論層面分析,當填料均勻,且含石量、含水率均大致相同,僅壓實度有所差別時,PFWD法檢測得到的動態變形模量值與填料壓實系數一定具備極強的相關性,公路路基試驗的檢測結果也從側面驗證了這一結論。對于土石混合料而言,若要實現相同的檢測效果,則需分別建立多個含石量、多個含水率情況下的相關關系式,再由此進行間接壓實質量評價。然而對實際工程來說,若已知曉待測點位的含石量和含水率,其壓實度檢測工作已完成大部分工作量,此時再采用PFWD方法進行壓實質量評價不具備工程意義。

因此,為使研究結果具備更強的工程應用價值,本文將填料巖土種類作為唯一控制變量,即研究填料均挖自同一山包區域,但并未對填料含石量、含水率進行分類,這對實際工程檢測而言是切實可行的。整個試驗均結合實際工程項目開展,選擇某一填方區域,跟隨檢測單位人員同步進行壓實質量檢測。具體測試方法如下：對待測點位首先進行PFWD法試驗,得到該點位的動態變形模量測試數據;隨后由檢測單位在相同位置處進行灌水法密度試驗,并獲取其檢測濕密度、含水率和計算干密度數據。整個試驗過程共跟蹤測試填方深度為8m,填方層數16層的填方區,獲得同一填料類型的檢測數據579組。

3 試驗結果分析

3.1 Evd與密度相關性分析

現有文獻中建立壓實系數與動態變形模量的參數關系大多是針對細粒土,部分研究結論顯示動態變形模量與壓實系數或干密度之間存在較好的線性關系。然而針對土石混合料來說,基于本文的試驗數據發現,動態變形模量與壓實質量參數之間并不存在一定的線性關系或非線性關系,這也與張向文等［9］的研究結論相似。動態變形模量與濕密度、含水率和干密度關系的散點圖如圖1～3所示,由圖可知動態變形模量與3個參量相關性均很差,最大相關系數僅為0.22左右,顯然無法建立相關性方程并應用于實際工程檢測當中。

圖1 動態變形模量與濕密度關系散點圖Fig.1 Scatter plot of dynamic deformation modulus versus wet density

圖2 動態變形模量與含水率關系散點圖Fig.2 Scatter plot of dynamic deformation modulus versus moisture content

圖3 動態變形模量與干密度關系散點圖Fig.3 Scatter plot of dynamic deformation modulus versus dry density

PFWD方法在公路路基壓實質量檢測過程中動態變形模量與壓實系數的相關系數均在0.7以上,對比土石混合料的相關性較差的結果,分析其原因可能如下：由于土石混合料的變異性特征,不同點位的含石量、含水率和壓實度均存在較大的不確定性,僅僅依靠動態變形模量一個參數難以建立與多個變量的相關關系。以動態變形模量與濕密度的相關性分析為例,處于低壓實質量、高含水率狀態與高壓實質量、低含水率狀態可能具備相同的濕密度,但其壓縮性質顯然相差極大,即動態變形模量不同。因此,對于土石混合料填方工程而言,很難通過動態變形模量間接評價地基土壓實質量。

3.2 PFWD位移時程曲線與密度相關性分析

由3.1節分析可知,僅通過動態變形模量無法建立與壓實參數的相關性模型。不同測點采用PFWD方法測試過程中典型的位移時程曲線如圖4所示。可以看出兩個測點計算得到的動態變形模量值相等,但位移時程曲線有所差別,相應的濕密度分別是2.18g/cm3和2.0g/cm3。根據式(1)中動態變形模量計算公式可知,Evd計算僅體現了位移時程曲線的最大值。事實上對于兩個密度存在差異的點,即使Evd計算值相同,其位移時程曲線也會有所差異,表明位移時程曲線中可能包含更多關于壓實質量的信息,即有可能基于此建立與壓實質量參數的相關性模型。

圖4 相同Evd不同濕密度時程曲線對比Fig.4 Comparison of time course curves for different wet densities for the same Evd

位移時程曲線記錄了PFWD測試過程中111個時刻的位移值,常規的數據處理手段難以直接基于此建立曲線與濕密度、含水率和干密度的相關性模型。然而結合時下較為火熱的人工智能技術則可以較為簡單地實現這一目標。

BP神經網絡是一種多層前饋神經網絡,基于其良好的非線性映射建模能力已在多行業得到了廣泛應用,并受益于近年來計算機算力和人工智能技術的快速發展,可以極其簡便地將其應用于多參數的建模過程中［10-11］。

首先以位移時程曲線與濕密度的相關模型建立為例,研究二者之間的相關關系。輸入參數為位移時程曲線上按順序排列的位移值(每個點均取3次測試結果的平均值),輸出參數分別為濕密度、含水率和干密度。總數據量共有579組,以其中500組作為訓練數據,79組作為測試數據,需要說明的是,每次選擇的500組訓練數據和79組測試數據均為隨機選擇,通過多次重復測試的結果作為評判神經網絡模型優劣的標準。

隱含層節點數量為12個時,79個測試點實測濕密度與基于BP神經網絡模型計算濕密度的對比散點圖如圖5所示。由圖5可以看出,即使是包含多組土石混合料粒徑、含石量和含水率的條件下,整體而言基于BP神經網絡模型所構建的濕密度計算模型誤差較小。濕密度覆蓋區間從1.9～2.3g/cm3,與工程實際相符。圖6為BP神經網絡計算濕密度誤差從大到小排列的分析圖,最大計算誤差為9%,平均計算誤差為2.4%,誤差小于8%的數據量為77個,占總數據量的97.5%,誤差小于6%的數據個數為74個,占總數據量的93.7%,誤差小于4%的數據個數為66個,占總數據量的83.5%。且通過數據分析發現,誤差較大的點位主要集中在低密度區和高密度區,即處于端點位置。考慮到灌水法進行密度檢測過程中同樣存在一定的人為誤差,該誤差范圍基本可以被工程實踐所接受。

圖5 實測濕密度與BP神經網絡模型計算濕密度散點圖Fig.5 Scatter plot of measured wet density and BP neural network model calculated wet density

圖6 BP神經網絡計算濕密度誤差分析Fig.7 Error analysis of wet density calculation by BP neural network

盡管根據BP神經網絡計算濕密度的效果較好,但通過多次重復測試發現,并非每次測試結果均可以達到的理想效果。如圖7所示為相同神經網絡參數情況下的計算效果,由圖7可以看出,在實測濕密度較大時,BP神經網絡的計算誤差較大,且誤差小于4%的數據個數僅為25個,占總測試數據量的68.4%,相較于之前的83.5%差距較大。多次重復測試結果表明,最終誤差率平均值在2.9%左右,誤差最大值的平均值在12%左右,誤差小于6%的點位數占總點位數據的90%左右,上述分析結果表明該方法具備一定的可行性,但其魯棒性還有待提高。

圖7 實測濕密度與BP神經網絡模型計算濕密度散點圖Fig.7 Scatter plot of measured wet density and BP neural network model calculated wet density

由于BP神經網絡在使用過程中每次權值和閾值均為隨機生成,不同的權值、閾值參數會對最終的計算結果產生一定影響,因此會影響其計算結果的魯棒性。而遺傳算法是一種尋優算法,其基本原理是通過不斷交叉、選擇和變異等操作尋找規定條件所設置的最優解［12-13］。因此,可以將遺傳算法與神經網絡模型相結合,通過遺傳算法的尋優特性尋找BP神經網絡計算誤差最小的權值和閾值［12-13］,由于該方法已有較成熟的應用,具體實現過程不在此贅述。

基于遺傳算法優化后BP神經網絡進行濕密度計算的結果如圖8所示,對比之前未經改進的神經網絡模型最佳預測效果可以看出,二者之間并無明顯差異,且從整體誤差來看,平均誤差為2.5%,誤差最大值為7.7%,誤差小于6%的點位數占比為96%,誤差小于4%點位數占比為82%,二者差異性同樣很小(見圖9)。但不同點在于,基于遺傳算法改進的BP神經網絡模型總能得到類似的計算結果,相較于一般的神經網絡模型,計算結果的魯棒性得到了極大提升。

圖8 改進BP神經網絡計算濕密度與實測濕密度散點圖Fig.8 Scatter plot of calculated wet density and measured wet density by improved BP neural network

圖9 改進BP神經網絡模型誤差分析Fig.9 Error analysis diagram of improved BP neural network model

基于遺傳算法優化后的改進BP神經網絡模型可以建立PFWD過程中位移時程曲線與濕密度的相關性模型,且計算平均誤差僅為3%左右。按照同樣的過程,對位移時程曲線與干密度、含水率間的相關性模型進行評析。基于位移時程曲線和改進BP神經網絡計算干密度、含水率與實測值的散點圖和誤差分析如圖10,11所示。由圖10可知,位移時程曲線與干密度間存在一定的相關性,但相較于濕密度的相關性關系來說較差。其最大誤差為13%左右,平均誤差為4.2%,均大于濕密度計算過程中的誤差。由圖11可以看出,基于改進BP神經網絡計算得到的含水率與實測含水率間相關性較差,基本上無法通過位移時程曲線推算填料含水率。

圖10 改進BP神經網絡計算干密度與實測干密度散點圖Fig.10 Scatter plot of dry density calculated by improved BP neural network versus measured dry density

圖11 改進BP神經網絡計算含水率與實測含水率散點圖Fig.11 Scatter plot of calculated water content and measured water content by improved BP neural network

3.3 水分儀測試含水率可行性分析

由前述分析可知,基于便攜式落錘彎沉儀測試過程中得到的位移時程曲線,結合遺傳算法改進的BP神經網絡模型,可以建立得到時程曲線與濕密度較好的相關性模型,相比之下,時程曲線與干密度、含水率之間的相關性模型誤差則較大。而地基壓實質量評價需要干密度計算壓實系數,在已知濕密度的情況下,還需要獲取測點的含水率信息。

含水率的常規測試方法為烘干法,主要測試原理為通過高溫烘干受測試土體中的水分,利用烘干前后的質量差計算水分質量,進而計算填料含水率,然而該方法對于土石混合料的檢測效率卻難以適應于工程實踐。為了保證檢測速度,本文嘗試一種更為快捷準確的測試方法,即水分儀測試法。

水分儀是一種應用于農林灌溉領域的測試設備,其基本測試原理如下,通過觸探鋼針測試一定土體范圍內的電阻率,又根據電阻率與含水率的相關關系,換算得到土體的含水率值。需要說明的是,儀器顯示的含水率是體積含水率,而通常巖土工程領域所用的含水率為質量含水率,二者還需要進行換算,其基本換算公式如下：

ω=θω/(ρ-θω)

(2)

式中：ω為質量含水率;ρ為待測土體測試狀態下的濕密度;θω為待測土體的體積含水率,即水分儀顯示數據。土壤傳感器主要測試構件為3根鋼針,鋼針需要與土體充分接觸。由于設備研發適用領域主要針對農業,測試土體為松軟土體,而課題所需測試土體為經壓實后土體,很難直接插入壓實后的土體中,且土石混合料中存在部分石料,直接插入極可能對鋼針造成損壞。通過不斷摸索實踐,最終梳理得到以下測試流程,可以實現對土石混合料中細粒料成分含水率的測試。

1)第1步 取一固定容積的容器,可以是水杯等器皿,挖取測點位置處的細粒土放置于水杯中,并將水杯內的土體輕輕用手壓實至較緊密狀態。

2)第2步 稱量容器+土的質量,減去容器質量得到其內土體質量,再由事先知曉的容器體積計算得到杯中土體濕密度。

3)第3步 將水分儀鋼針插入器皿內的土體中,讀取測試數據,重復3～5次,取平均值,根據式(2)計算得到土體的質量含水率。

幾個測點重復測試過程中體積含水率測試結果如表1所示,可以看出,水分儀測試效果具有良好的穩定性,從低含水率到高含水率的重復多次試驗結果可以看出,數據始終保持在某個狹窄區間范圍內,表明基于該儀器的測試結果是有效并且可信的。

表1 水分儀測試效果Table 1 Results of moisture meter tests

由于采用水分儀測試含水率會影響測點完整性,影響后續進行灌水法試驗結果,因此設置以下兩個試驗驗證采用水分儀進行土石混合料含水率測試的有效性。

1)試驗1 從工程現場隨機挖取部分土石混合料,篩分得到粒徑2cm以下土樣,采用加水或烘干的方式獲得不同含水率土樣,隨后分別采用前述水分儀測試法和烘干法測試相同對照組土樣的含水率。

2)試驗2 在進行灌水法試驗時,將土石混合料根據粒徑篩分為不同粒徑組,并測試每個粒徑組的質量和含水率,并逐一采用烘干法測試含水率,由此可以得到細粒土和土石混合料的總含水率。總含水率計算公式如下：

(3)

式中：ωz為填料的總含水率;Ni為第i個粒徑組的質量百分數;ωi為第i個粒徑組的含水率。

土體水分儀測試含水率與烘干法測試含水率的散點圖如圖12所示。由圖中數據可以看出,二者盡管不是完全相等,但存在極強的線性關系,相關系數均在0.95以上,表明可通過水分儀測試細粒料含水率。細粒料含水率與混合料整體含水率的散點圖及相關性曲線如圖13所示,二者相關系數可以達到0.95以上,也就是可以通過測試細粒料含水率推算得到混合料整體含水率。由此,通過預實驗階段的相關性分析,就可以直接建立水分儀測試含水率與土石混合填料整體含水率的相關關系式,進而實現快速測試含水率的目標。

圖12 水分儀含水率測試結果與烘干法結果對比Fig.12 Moisture meter moisture content test results compared to drying method results

圖13 細粒土含水率與整體含水率關系Fig.13 Water content of fine-grained soils in relation to overall water content

3.4 土石混合料壓實質量快速檢測方法

總結上述分析成果,得到最終的壓實質量快速檢測方法流程：①第1步 選取試驗區同時開展灌水法密度試驗、PFWD試驗和水分儀測試試驗;②第2步 建立PFWD檢測過程中位移時程曲線與灌水法結果中濕密度的映射模型;③第3步 根據同測點的水分儀測試含水率、細粒料含水率以及整體含水率數據,建立水分儀測試含水率與整體含水率的計算關系式;④第4步 待驗證相關模型計算誤差滿足工程需求后,后續施工過程中直接進行PFWD和水分儀測試法,并根據檢測數據快速計算測點壓實質量情況。

雖然在使用該方法前仍需要進行幾百組的灌水法、動態變形模量測試試驗以建立濕密度與位移時程曲線的映射模型,但相較于動輒上萬個測試點位的土石混合料填方工程,這樣的測試數據量尚在可接受范圍內,整體檢測效率相較灌水法得到了極大幅度的提升。且對于變異性較弱的土石混合料其訓練神經網絡所需要的數據量還可能進一步減少。現場應用過程中,PFWD技術測試數據、水分儀測試數據均可實時上傳云端,基于這些數據采用預先訓練好的模型實時計算測點濕密度、含水率和壓實系數,可在第一時間給出測點壓實質量結果,從而進一步提高該方法的可行性。

4 結語

本文通過現場試驗和理論分析的方法得到一套完整的土石混合填料壓實質量快速檢測方法,主要結論如下。

1)動態變形模量難以直接與濕密度、干密度和含水率等壓實質量表征參數建立相關關系,二者相關性較低。

2)PFWD檢測過程中的位移時程曲線與填料濕密度存在較強的相關性,可以通過BP神經網絡建立二者聯系,并且基于遺傳算法可以進一步提高神經網絡映射模型的穩定性,通過預實驗階段訓練的神經網絡模型,可以在后期施工階段采用PFWD技術快速得到測點濕密度。

3)通過水分儀測試得到的細粒料含水率與烘干法得到的含水率具備極強線性關系、同時細粒料含水率與填料整體含水率同樣具備強線性關系,借助上述關系可以簡單建立水分儀測試含水率與測點整體含水率的相關關系,從而實現快速檢測含水率的目標。

4)本文總結得到的土石混合填料壓實質量快速檢測方法基礎數據均來源于工程實踐,所有分析數據均為現場隨機選取,不受限于填料類型、含石量和含水率,具備較高的現場實用價值,可有效解決傳統檢測方法效率低的問題。