Softening aging characteristics of clayey soil reinforced with cement and polypropylene fibers under water immersion
-
摘要:
文章通过直接剪切试验,研究了水泥和聚丙烯纤维加固粉质黏土的力学特性。同时,采用浸水软化试验模拟了长期降雨对粉质黏土和加固土强度的影响,揭示试样软化后的力学性质和微观结构变化规律。研究表明,加固土的黏聚力与内摩擦角均随着水泥掺量和纤维掺量的增加而增强,但增幅在一定掺量后下降,根据增幅特征,最佳加固材料掺量为6%水泥和0.4%聚丙烯纤维。对采用该配比的试样进行浸水软化试验,发现在浸水初期阶段,由于水化水解反应,土颗粒之间的胶结性增强,土与纤维的紧密结合也进一步使土的黏聚力增加,土中土-水离子能量交换作用使黏粒结合水膜厚度减小,内摩擦角也略有增大;随着浸水时间的增加,土体中的自由水越来越多,导致土粒发生相对移动并进一步分散成块状,但由于水化产物的胶结性和纤维的包裹性较强,土体内部结构还能保持良好的完整性,因此,黏聚力和内摩擦角呈缓慢下降。研究结果可为这类黏性土加固的应用提供重要的力学参数和理论依据。
Abstract:In this paper, the mechanical properties of silty clay reinforced with cement and polypropylene fibers were studied through direct shear tests. Additionally, water immersion softening tests were conducted to simulate the effects of long-term rainfall on the strength of both plain and reinforced soils, revealing the mechanical behaviour and microstructural changes of the samples after softening. The results indicate that the cohesion and internal friction angle of the reinforced soil increase with higher cement and fiber content, but the rate of increase diminishes behind a certain threshold. Based on these findings, the optimal reinforcement composition is determined to be 6% cement and 0.4% polypropylene fibers. Water immersion softening tests conducted on samples with this composition reveal the following characteristics: In the initial stage of water immersion, due to the hydration and hydrolysis reaction, the cementation between soil particles is enhanced, and the close bonding between soil and fibers further increases the cohesion of the soil. Energy exchange between soil and water ions in the soil reduces the thickness of the water film bound to clay particles, slightly increasing the internal friction angle; as the immersion time increases, the accumulation of free water leads to relative movement and dispersion of soil particles into blocks. However, the strong cementation provided by hydration products and the encapsulating effect of fibers maintain the soil's structural integrity, resulting in a gradual decrease in cohesion and internal friction angle. These findings provide critical mechanical parameters and theoretical insights for the application of cement and polypropylene fiber reinforcement in cohesive soils.
-
0. 引言
滑坡是我国西南地区最为常见的地质灾害,由于滑坡发育的复杂性和非线性,目前还没有一套完全成熟的理论能对其进行有效的防治。而我国西南片区受地形地貌、地质构造等复杂环境的影响,更是为滑坡的发育提供了有利条件。为加强对西南片区滑坡的防治和管理,对该区域进行精确的滑坡易发性评价具有重要的现实意义。
滑坡易发性评价主要研究内容是:在区域范围内,某一确定位置在确定条件下发生滑坡的空间概率[1]。作为判断滑坡危险性和风险性的基础,易发性评价是防灾减灾中不可缺少的工作[2]。国内外学者对滑坡的易发性评价开展了一定程度的研究,这些研究大多集中在易发性模型的选择以及量化方法上,而少有学者对其非滑坡样本的选择进行研究。对于回归性和预测性模型而言,样本的选择通常决定了整个模型的精确性和稳定性,若将一些高易发区的点位作为了非滑坡的样本,模型的适用性会大打折扣。为了更加精准的表达滑坡的易发性分区,有必要对样本的选择进行一定程度的研究。
一般认为,滑坡的易发性评价体系包含评价指标的量化和评价模型的选择这两个过程。常用的量化方法有专家打分法[3]、信息量法[4]、证据权法[5]、确定性系数法[6] 和频率比法[7]等。在评价模型上,常用的模型有层次分析法[8]、模糊综合评判法[9]、灰色理论[10]、粗集理论[11]、分形理论[12]以及近年来发展迅速的机器学习法[13]。实验选择频率比法作为滑坡易发性的指标量化方法,该方法从数据本身的结构信息出发,打破了人为主观给分的限制,从而实现了滑坡因子二级属性的客观量化。评价模型上,由于机器学习能够更为准确的反应滑坡易发性与各评价因子之间的非线性关系[14],实验选择了机器学习中的聚类模型和回归模型,利用两个模型的有机结合,不仅解决了回归模型中训练样本的选择问题,同时实现了滑坡易发性指数与各评价因子之间的非线性回归。
1. 研究区概况及数据源
1.1 研究区概况
南江县位于我国四川省巴中市西北部,是巴中连接汉中市的重要交通枢纽。全县幅员辽阔,总面积3382.8 km2,是巴中市海拔最高的一个县,巴中市海拔高度大于1800 m的山体90%以上分布在南江县,且地形起伏大,最高地段海拔达2493 m,而最低为332 m。复杂多变的地质、地貌条件为南江县带来了丰富的矿产资源,同时也为地质灾害的孕育提供了有利条件,其中地质灾害以滑坡为主。南江县在巴中市的地理位置及其1958—2009年的历史滑坡点位置如图1所示。
1.2 数据源
实验用到的数据有南江县1958—2009年地质灾害详查汇总表、南江县DEM、南江县 1∶25万地质图(表1)。通过DEM提取出坡度、坡向、坡型、水系和高程的初始状态因子。将地质图矢量化后转为栅格数据,从而获取地层岩组因子。以上因子全部投影到同一坐标系下,并重采样为30 m×30 m的栅格,全区共分为3784091个栅格,其中滑坡占了359个。
表 1 数据源Table 1. Data source数据名称 数据类型 数据来源 滑坡灾害点 excel 南江县1∶5万地质灾害详查 DEM 栅格 地理空间数据云 1∶25万地质图 栅格 91卫图 2. 模型介绍
2.1 频率比法
评价因子的量化一直以来都是评价模型中最为重要的一环,通常情况下因子的量化值都是采用专家经验打分,该方法虽然操作简单快捷,但存在的主观性太大。文章选择频率比法作为量化模型,该模型从统计学原理出发,将历史滑坡点数据和评价因子二级属性进行叠加分析,从而实现了评价因子的客观量化,见式(1)。
(1) 式中:
——因子 在二级属性 下的频率比值; ——因子 在二级属性 下的滑坡个数; ——研究区内因子 在二级属性 下的栅格个数; ——研究区总滑坡个数; ——研究区总栅格数。2.2 机器学习
机器学习的应用主要包含回归、分类、聚类和数据降维四大领域。各模块的相互结合更能突出机器学习的优势。本次实验将聚类思想和回归思想相结合,用于南江县的滑坡易发性评价。实验的算法和数据分析通过Python编程平台实现,空间分析模型和出图模块由ArcGIS平台完成。通过Python和ArcGIS的结合,可以方便且快速的对地理空间数据进行分析。
2.2.1 k均值聚类
k均值聚类算法能在没有先验数据的情况下,对原始数据进行初步分类,分类结果通过后续的信息补充加以验证。其思想是,随机选择k个样本数据作为聚类中心,计算出每个样本与聚类中心的距离,并把相近的样本作为一类。每分配一个样本时,聚类中心会根据当前类中出现的样本重新计算,反复迭代这一过程,直到聚类中心不再发生变化为止[15]。
2.2.2 神经网络
神经网络算法通过模仿生物神经网络的结构和功能,创建出用于连接输入端和输出端的神经元。每个神经元节点作为一个激励函数,传达不同数据之间的交流信息。节点之间的权重可类比于生物的记忆功能,通过不断的学习进而不断的更新,从而实现类似人一样的判断能力[16]。在样本数据足够完善的情况下,通过神经网络的训练学习可以很好的表达出一些复杂的、非线性的模型,因此可将神经网络模型用于滑坡易发性指数的回归。
2.2.3 支持向量机
支持向量机模型的思想是:将输入向量根据一定的法则映射到更高维数的特征空间,并在该特征空间构造一个最优分类面,利用最优分类面对数据进行分类或者回归,从而实现学习和预测的功能[17]。将支持向量机模型作为神经网络的对照模型,对比两个模型在相同训练集情况下的学习效果,筛选出合适的模型并计算评价结果。
3. 滑坡评价因子量化结果
滑坡是一个复杂且非线性的系统,实验从滑坡的易发性角度出发[1],结合研究区概况和专家建议,选择了坡度、坡向、坡型、水系、岩组、高程和地形起伏共7个因子。对于连续数据,首先通过自然断点法将数据分级,再利用频率比实现量化,而对于分类数据则直接利用频率比实现量化。量化结果如表2。
表 2 因子量化结果Table 2. Results of factor quantification因子 因子二级属性 si ni xi 坡度/(°) 0~10 650642 67 1.085425029 10~16 803628 107 1.403446432 16~22 805749 96 1.255852346 22~29 763630 53 0.731576946 29~34 375968 20 0.560720245 34~43 311624 15 0.507373154 >43 72850 1 0.144689684 坡向 北 438393 28 0.673227029 东北 416896 37 0.935494243 东 450786 51 1.192523317 东南 479436 49 1.077289835 南 510916 50 1.031543684 西南 491470 60 1.286830544 西 499440 39 0.823092053 西北 496754 45 0.954856841 坡型 <−1 131994 1 0.079856989 −1 ~ −0.3 832505 66 0.835649597 −0.3 ~ 0.1 1141012 127 1.173223173 0. 1 ~ 0.8 1491162 153 1.081517936 >0.8 187418 12 0.674896336 水系/m <200 331210 40 1.272986136 200~500 479405 64 1.407163424 500~800 455006 48 1.111965305 800~1200 558891 65 1.225895254 1200~1500 381262 34 0.939988453 1500~2000 548717 51 0.979690471 2000~5000 1023859 57 0.586815838 >5000 5741 0 0.000000000 岩组 K1 882610 101 1.206200914 J3 1024962 120 1.234072302 J1-2 266052 77 3.050642528 T1-2 223391 22 1.038064004 P2-3 94493 2 0.223098927 Pz1 360578 21 0.613885241 Z 426090 14 0.346332954 ξγNh 326208 2 0.064625291 Pt2 148769 0 0.000000000 S1-2 30938 0 0.000000000 高程/m 332 ~ 604 424239 84 2.087064249 604 ~ 768 713900 121 1.786549738 768 ~ 924 647443 77 1.253592279 924 ~ 1094 538137 44 0.861840594 1094 ~1273 451639 23 0.536788894 1273 ~ 1464 377209 7 0.195606426 1464 ~ 1670 276415 3 0.114400197 1670 ~ 1897 236877 0 0.000000000 1897 ~ 2493 118232 0 0.000000000 地形起伏/m 9~98 543341 64 1.241579747 98~151 997907 120 1.267530155 151~202 929250 105 1.191033159 202~258 720598 53 0.775264576 258~329 447958 13 0.305895564 329~655 145037 4 0.290702192 考虑到各因子之间可能存在的相关性会对结果产生不利影响,在评价之前对量化的因子进行相关性分析,结果见表3。其中地形起伏因子和坡度、岩组、高程的相关性分别达到了0.61,0.25和0.27,相关性过高。而剩余的六个因子之间相关性都低于0.2,所以实验选择剔除地形起伏因子,保留剩余的6个因子作为南江县滑坡易发性的评价因子。
表 3 因子相关性分析结果Table 3. Results of factor correlation analysis因子 坡度 坡向 坡型 水系 岩组 高程 地形 坡度 1.00 0.02 0.15 −0.05 0.16 0.16 0.61 坡向 0.02 1.00 0.02 0.01 0.01 0.00 0.00 坡型 0.15 0.02 1.00 0.01 0.09 0.09 0.17 水系 −0.05 0.01 0.01 1.00 0.12 0.13 −0.06 岩组 0.16 0.01 0.09 0.12 1.00 0.19 0.25 高程 0.16 0.00 0.09 0.13 0.19 1.00 0.27 地形 0.61 0.00 0.17 −0.06 0.25 0.27 1.00 为方便ArcGIS成图,实验将每个因子的量化值扩大1000倍后取整,为每个等级因子配上不同的颜色以区分,结果见图2。
4. 机器学习的应用
4.1 数据预处理
为消除数据之间的量纲不一致性,利用标准化操作对数据进行特征缩放,使其值落在[0,1]之间。实践证明,处理后的数据不仅能加快机器学习的收敛速度,同时还能提高模型整体精度,保障模型的稳定性和可行性。标准化公式如式(2)。
(2) 式中:
—— 标准化后的值; —— 因子 在二级属性 下的频率比值; —— 量化的最小值; —— 量化的最大值。4.2 样本选取
训练样本的质量决定着模型整体的稳定性,因此,在滑坡样本的选取上,实验将359个滑坡点全部作为样本数据,以此来外推出符合滑坡性质的栅格点。在非滑坡样本的选取上,实验通过随机选择和通过k均值聚类两种方法筛选非滑坡点。再将非滑坡点和滑坡点的数据整合到一起,以此获得完整的样本数据。
4.2.1 随机选取非滑坡点
实验通过随机选择研究区的点位作为非滑坡点,以此来和聚类的结果作为对照。将随机选择的1000个非滑坡点和359个滑坡点整合,再打乱顺序,按照7∶3的比例分配训练集和测试集。
4.2.2 K均值聚类选取非滑坡点
将因子标准化结果作为聚类的输入数据,采用k均值聚类算法将原始数据分为五大类。为了挑选出非滑坡的样本点,将聚类结果和历史滑坡点进行叠加分析,结果如表4。统计聚类结果中滑坡所占的个数和滑坡所占的相对比例。选择滑坡所占个数最少且滑坡所占相对比例最低的聚类结果作为非滑坡的样本,由表中可知,聚类结果为2的栅格满足要求,因此从该类中随机采样1000个点作为非滑坡点。同样将筛选出来的1000个非滑坡样本和359个滑坡样本整合,随机打乱顺序,按照7∶3的比例分配训练集和测试集。
表 4 k均值聚类统计分析结果Table 4. Results of k-means clustering statistical analysis聚类结果 栅格数量 滑坡点数 相对滑坡比 0 909306 37 0.428902710 1 836114 106 1.336310845 2 963716 28 0.306249991 3 265935 77 3.051984680 4 809020 111 1.446208281 4.3 神经网络模型的构建
通过反复对比实验,神经网络模型在构建时选择一个隐含层,且隐含层中设置13个神经节点的效果较好。每个神经元的激活函数选择Logistic函数,权重迭代器选择了基于随机梯度的优化器。将随机模型和k均值聚类模型生成的数据集分别作为神经网络模型的输入,保存训练好的两个模型以及相应的训练结果参数。
4.4 支持向量机模型的构建
支持向量机在模型构建时,在核函数上选择了能处理非线性特征的多项式核函数。同时将误差项的惩罚参数设置为1,通过验证该值能很好的提高模型的预测能力和泛化能力。同理,将随机模型和k均值聚类模型生成的数据集分别作为支持向量机模型的输入,保存训练好的两个模型以及相应的训练结果参数。
4.5 模型精度验证及模型选择
上述的对照实验,一共保存了4个模型,对应4组精度验证曲线,分别为:(1)通过k均值聚类算法筛选非滑坡点,以神经网络为训练模型,训练结果的ROC曲线ANN_km。(2)通过k均值聚类算法筛选非滑坡点,以支持向量机为训练模型,训练结果的ROC曲线SVR_km。(3)通过随机筛选非滑坡点,以神经网络为训练模型,训练结果的ROC曲线ANN_sj。(4)通过随机筛选非滑坡点,以支持向量为训练机模型,训练结果的ROC曲线SVR_sj(图3)。
为检验模型的稳定性和可靠性,将相应的测试集输入到训练好的4个模型,同样也获得了对应的4条ROC曲线。分别为: ANN_km_t,SVR_km_t , ANN_sj_t,SVR_sj_t(图4)。
由结果可知,在随机筛选非滑坡样本的前提下,神经网络和支持向量机的训练精度约为70%,表明两个模型在一定程度上能反映滑坡的易发性指数。在k均值聚类筛选非滑坡样本的前提下,神经网络和支持向量机的训练精度约为97%和96%,远高于随机模型下的训练精度,由此可知,k均值聚类和两个回归模型的结合能够更好的反映滑坡的易发性指数 。
对比训练集和测试集的ROC曲线面积,在相同前提和模型下,训练集和测试集的精度基本相同,说明以上4个模型都拥有稳定的预测和外推能力。其中在k均值聚类的前提下,神经网络及支持向量机的训练集和测试集精度都高于95%,表明k均值聚类和两个回归模型的结合不仅能很好的反映滑坡易发性指数,而且模型具有很好的稳定性、泛化性和外推性。实验最终选择了训练精度和稳定性都较高的k均值聚类和神经网络的结合模型及k均值聚类和支持向量机的结合模型作为评价的基础。
4.6 易发性分区
将研究区的所有栅格点数据分别输入到保存好的k均值聚类—神经网络模型和k均值聚类—支持向量机模型,以此获取不同模型下的易发性指数,再利用自然断点法根据易发性指数将南江县分为五个区域,分别为不易发、低易发、中易发、高易发和极高易发(图5)。其中图5(a)为在k均值聚类结合神经网络模型得到的结果;图5(b)为k均值聚类结合支持向量机模型获得的结果。两个模型所得到的分区结果在大体上相似,其中不易发和低易发区域集中出现在南江县北部区域。高易发和极高易发集中出现在南江县中部。
为验证两个模型在南江县整个范围内的适用性,实验将两个模型得到的易发性分区图与历史灾害点叠加分析,通过相对滑坡频率比来验证模型精度,计算公式如式(3)。
(3) 式中:
——易发性分区 的相对滑坡频率比; ——易发性分区 下的滑坡个数; ——易发性分区 的栅格个数; ——研究区总滑坡个数; ——研究区总栅格数。神经网络模型的精度验证结果见表5,支持向量机模型的精度验证结果见表6。从结果中我们可以看出,不管是神经网络还是支持向量机,两个模型所得结果的滑坡点在不易发到极高易发的个数都是递增的,相应的相对滑坡比也是递增的。说明两个模型在研究区范围内具有稳定的适用性。其中神经网络在极高易发区的相对滑坡比高于支持向量机,在不易发的相对滑坡比低于支持向量机,这表明神经网络在全局上的精度高于支持向量机。
表 5 神经网络分区统计结果Table 5. Partition statistics results of neural network易发性等级 栅格数量 分区面积比例/% 滑坡点数 相对滑坡频率比 不易发 1333655 35.24 35 0.276625155 低易发 654221 17.29 38 0.612246399 中易发 738454 19.51 70 0.999175361 高易发 626759 16.56 103 1.732222873 极高易发 431002 11.39 113 2.763543349 表 6 支持向量机分区统计结果Table 6. Partition statistical results of support vector machines易发性等级 栅格数量 分区面积比例/% 滑坡点数 相对滑坡频率比 不易发 1125524 29.74 43 0.402699248 低易发 943452 24.93 49 0.547448656 中易发 830829 21.96 72 0.913456715 高易发 463728 12.25 87 1.977529889 极高易发 420558 11.11 108 2.706854924 从数据的直观性上我们可初步判定神经网络的精度优于支持向量机,为了更准确的反应两个模型的精度,实验用成功率验证曲线[18]来量化两个模型在全局的精度,其中横轴为根据易发性指数从高到低的累计栅格百分比,纵轴为历史滑坡累计发生频率(图6)。实验表明神经网络在全局的精度约为76%,支持向量机的精度约为74%。这也验证了上述由相对滑坡比所得到的结论。
5. 结论
(1)利用k均值聚类筛选非滑坡样本,得到的结果用于神经网络和支持向量机两个模型的训练,其训练结果精度分别为97%和96%,远高于利用随机模型筛选滑坡时获得的训练精度。
(2)将k均值聚类算法同神经网络结合,得到南江县的易发性分区图,其中从不易发到高易发分区所占的比例分别为35.24%、17.29%,19.51%,16.56%,11.39%。将k均值聚类算法同支持向量机结合,得到了另一份南江县易发性分区图,其中从不易发到高易发分区所占的比例分别为29.74%,24.93%,21.96%,12.56%,11.11%。两个模型所得到的分区结果在大体上相似,其中不易发和低易发区域集中出现在南江县北部区域。高易发和极高易发集中出现在南江县中部。
(3)利用相对滑坡比作为模型的评价指标,其中神经网络在极高易发区的相对滑坡比高于支持向量机,在不易发的相对滑坡比低于支持向量机,这表明神经网络在全局上的精度高于支持向量机。为了量化模型的全局精度,采用成功率验证曲线,结果表明神经网络在全局的精度约为76%,支持向量机在全局的精度约为74%。
-
表 1 粉质黏土的物理性质
Table 1 Physical properties of silty clay
最优含水率/% 最大干密度/(g·cm−3) 液限指数/% 塑限指数/% 不同粒径(mm)颗粒分布 13 1.836 19.33 10.3 <0.005 0.005~0.075 0.075~0. 1 0.1~0.25 >0.25 12.2% 51.8% 6% 7% 23% 表 2 不同浸水天数时土样的浸出液化学成分测试结果
Table 2 Test results of chemical composition of leaching solution of soil samples under different immersion periods
浸水天数/d ρ(Ca2+)/(mg·L−1) ρ(Na+)/(mg·L−1) 粉质黏土 0 223 50 5 346 500 20 363 510 水泥聚丙烯
纤维加固土0 175 30 5 149 196 20 216 261 -
[1] 黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报,2007,26(3):433 − 454. [HUANG Runqiu. Large-scale landslides and their sliding mechanisms in China since the 20th century[J]. Chinese Journal of Rock Mechanics and Engineering,2007,26(3):433 − 454. (in Chinese with English abstract)] DOI: 10.3321/j.issn:1000-6915.2007.03.001 HUANG Runqiu. Large-scale landslides and their sliding mechanisms in China since the 20th century[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(3): 433 − 454. (in Chinese with English abstract) DOI: 10.3321/j.issn:1000-6915.2007.03.001
[2] DHANYA K A,VIBHA S,DIVYA P V. Performance of lateritic soil slopes at the onset of rainfall infiltration[J]. Indian Geotechnical Journal,2023,53(1):107 − 126. DOI: 10.1007/s40098-022-00660-w
[3] 张卫雄,丁保艳,张文纶,等. 舟曲江顶崖大型滑坡成因及破坏机制分析[J]. 防灾减灾工程学报,2022,42(4):714 − 7221. [ZHANG Weixiong,DING Baoyan,ZHANG Wenlun,et al. Analysis on the cause and failure mechanism of the jiangdingya large landslide in Zhouqu,Gansu Province[J]. Journal of Disaster Prevention and Mitigation Engineering,2022,42(4):714 − 722. (in Chinese with English abstract)] ZHANG Weixiong, DING Baoyan, ZHANG Wenlun, et al. Analysis on the cause and failure mechanism of the jiangdingya large landslide in Zhouqu, Gansu Province[J]. Journal of Disaster Prevention and Mitigation Engineering, 2022, 42(4): 714 − 722. (in Chinese with English abstract)
[4] SUN Shuwei,PANG Bo,HU Jiabing,et al. Characteristics and mechanism of a landslide at Anqian iron mine,China[J]. Landslides,2021,18(7):2593 − 2607. DOI: 10.1007/s10346-021-01671-z
[5] WEN Haijia,XIAO Jiafeng,WANG Xiongfeng,et al. Analysis of soil–water characteristics and stability evolution of rainfall-induced landslide:A case of the Siwan Village landslide[J]. Forests,2023,14(4):808. DOI: 10.3390/f14040808
[6] DOGLIONI A,CASAGLI N,NOCENTINI M,et al. The landslide of Pomarico,south Italy,occurred on January 29th 2019[J]. Landslides,2020,17(9):2137 − 2143. DOI: 10.1007/s10346-020-01455-x
[7] SONG Kun,WANG Fawu,ZUO Qingjun,et al. Successful disaster management of the July 2020 Shaziba landslide triggered by heavy rainfall in Mazhe Village,Enshi City,Hubei Province,China[J]. Landslides,2021,18(10):3503 − 3507. DOI: 10.1007/s10346-020-01565-6
[8] 李江,许强,王森,等. 川东红层地区降雨入渗模式与岩质滑坡成因机制研究[J]. 岩石力学与工程学报,2016,35(增刊2):4053 − 4062. [LI Jiang,XU Qiang,WANG Sen,et al. Study on rainfall infiltration model and formation mechanism of rock landslide in red bed area of east Sichuan[J]. Chinese Journal of Rock Mechanics and Engineering,2016,35(Sup 2):4053 − 4062. (in Chinese with English abstract)] LI Jiang, XU Qiang, WANG Sen, et al. Study on rainfall infiltration model and formation mechanism of rock landslide in red bed area of east Sichuan[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(Sup 2): 4053 − 4062. (in Chinese with English abstract)
[9] 蔡国军,程宇航,仲闯,等. 千枚岩饱水状态下软化效应试验分析[J]. 科学技术与工程,2021,21(8):3032 − 3038. [CAI Guojun,CHENG Yuhang,ZHONG Chuang,et al. Experimental on softening effect of phyllite in saturated water[J]. Science Technology and Engineering,2021,21(8):3032 − 3038. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1671-1815.2021.08.007 CAI Guojun, CHENG Yuhang, ZHONG Chuang, et al. Experimental on softening effect of phyllite in saturated water[J]. Science Technology and Engineering, 2021, 21(8): 3032 − 3038. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-1815.2021.08.007
[10] LIU Jie,XU Qiang,WANG Sen,et al. Formation and chemo-mechanical characteristics of weak clay interlayers between alternative mudstone and sandstone sequence of gently inclined landslides in Nanjiang,SW China[J]. Bulletin of Engineering Geology and the Environment,2020,79(9):4701 − 4715. DOI: 10.1007/s10064-020-01859-y
[11] YI Xiaoyu,FENG Wenkai,BAI Huilin,et al. Catastrophic landslide triggered by persistent rainfall in Sichuan,China:August 21,2020,Zhonghaicun landslide[J]. Landslides,2021,18(8):2907 − 2921.
[12] 彭正华,焦向阳,石长柏,等. 注浆法处理黄土坡滑坡临江崩滑堆积体深层滑移[J]. 华中科技大学学报(城市科学版),2006,23(增刊1):40 − 42. [PENG Zhenghua,JIAO Xiangyang,SHI C B,et al. Grouting method to treat deep sliding of landslide accumulation body near the river in Huangtupo landslide[J]. Journal of Civil Engineering and Management,2006,23(Sup 1):40 − 42. (in Chinese with English abstract)] PENG Zhenghua, JIAO Xiangyang, SHI C B, et al. Grouting method to treat deep sliding of landslide accumulation body near the river in Huangtupo landslide[J]. Journal of Civil Engineering and Management, 2006, 23(Sup 1): 40 − 42. (in Chinese with English abstract)
[13] 瞿海洋. 水泥改良黄土物理和力学特性试验研究[J]. 湖南交通科技,2021,47(3):35 − 39. [QU Haiyang. Experimental study on physical and mechanical properties of cement improved loess[J]. Hunan Communication Science and Technology,2021,47(3):35 − 39. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1008-844X.2021.03.008 QU Haiyang. Experimental study on physical and mechanical properties of cement improved loess[J]. Hunan Communication Science and Technology, 2021, 47(3): 35 − 39. (in Chinese with English abstract) DOI: 10.3969/j.issn.1008-844X.2021.03.008
[14] ANSOSRY,RAHMAN H A,RAMADHAN F R. Landslide mitigation of Banjir kanal Semarang,with grouting method[J]. Journal of Physics:Conference Series,2019,1387(1):012099. DOI: 10.1088/1742-6596/1387/1/012099
[15] 孙海军. 水泥-纤维改良粉质黏土冻融循环力学特性研究[J]. 粉煤灰综合利用,2022,36(4):106 − 110. [SUN Haijun. Investigations on freeze-thaw cyclic mechanical properties of cement fiber modified silty clay[J]. Fly Ash Comprehensive Utilization,2022,36(4):106 − 110. (in Chinese with English abstract)] SUN Haijun. Investigations on freeze-thaw cyclic mechanical properties of cement fiber modified silty clay[J]. Fly Ash Comprehensive Utilization, 2022, 36(4): 106 − 110. (in Chinese with English abstract)
[16] 阮波,丁茴,邓威,等. 聚丙烯纤维加筋水泥砂浆土三轴压缩试验研究[J]. 铁道科学与工程学报,2021,18(2):359 − 365. [RUAN Bo,DING Hui,DENG Wei,et al. Experimental study on triaxial compression of polypropylene fiber reinforced cement mortar soil[J]. Journal of Railway Science and Engineering,2021,18(2):359 − 365. (in Chinese with English abstract)] RUAN Bo, DING Hui, DENG Wei, et al. Experimental study on triaxial compression of polypropylene fiber reinforced cement mortar soil[J]. Journal of Railway Science and Engineering, 2021, 18(2): 359 − 365. (in Chinese with English abstract)
[17] 庞庆庄. 聚丙烯纤维混合粘土的力学性能试验研究[J]. 吉林水利,2021(11):43 − 47. [PANG Qingzhuang. Experimental study on mechanical properties of polypropylene fiber mixed clay[J]. Jilin Water Resources,2021(11):43 − 47. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1009-2846.2021.11.010 PANG Qingzhuang. Experimental study on mechanical properties of polypropylene fiber mixed clay[J]. Jilin Water Resources, 2021(11): 43 − 47. (in Chinese with English abstract) DOI: 10.3969/j.issn.1009-2846.2021.11.010
[18] 任青阳,张勇,许虎,等. 砂浆中聚丙烯纤维掺量对预应力锚杆锚固性能影响研究[J]. 三峡大学学报(自然科学版),2020,42(6):61 − 67. [REN Qingyang,ZHANG Yong,XU Hu,et al. Study on the influence of content of polypropylene fiber in mortar on the anchoring performance of anchor bolt[J]. Journal of China Three Gorges University (Natural Sciences),2020,42(6):61 − 67. (in Chinese with English abstract)] REN Qingyang, ZHANG Yong, XU Hu, et al. Study on the influence of content of polypropylene fiber in mortar on the anchoring performance of anchor bolt[J]. Journal of China Three Gorges University (Natural Sciences), 2020, 42(6): 61 − 67. (in Chinese with English abstract)
[19] 王波,文华. 矿渣—粉煤灰地聚物注浆材料的制备及性能优化研究[J]. 金属矿山,2023(3):274 − 278. [WANG Bo,WEN Hua. Research on preparation and performance optimization of slag-fly ash geopolymer grouting material[J]. Metal Mine,2023(3):274 − 278. (in Chinese with English abstract)] WANG Bo, WEN Hua. Research on preparation and performance optimization of slag-fly ash geopolymer grouting material[J]. Metal Mine, 2023(3): 274 − 278. (in Chinese with English abstract)
[20] 李江,许强,胡泽铭,等. 川东红层原状滑带土饱水软化试验研究[J]. 岩石力学与工程学报,2015,34(增刊2):4333-4342. [LI Jiang,XU Qiang,HU Zeming,et al. Experimental study on saturated softening of soil in undisturbed slip zone of red beds in eastern Sichuan[J]. Chinese Journal of Rock Mechanics and Engineering,2015,34(Sup 2):4333-4342. (in Chinese with English abstract)] LI Jiang, XU Qiang, HU Zeming, et al. Experimental study on saturated softening of soil in undisturbed slip zone of red beds in eastern Sichuan[J]. Chinese Journal of Rock Mechanics and Engineering, 2015, 34(Sup 2): 4333-4342. (in Chinese with English abstract)
[21] 刘华勇,钱涛,刘聪,等. 聚丙烯纤维-水泥基稳定土抗剪强度试验研究[J]. 路基工程,2018(2):87 − 90. [LIU Huayong,QIAN Tao,LIU Cong,et al. Experimental study on shear strength of polypropylene fiber-cement based stabilized soil[J]. Subgrade Engineering,2018(2):87 − 90. (in Chinese with English abstract)] LIU Huayong, QIAN Tao, LIU Cong, et al. Experimental study on shear strength of polypropylene fiber-cement based stabilized soil[J]. Subgrade Engineering, 2018(2): 87 − 90. (in Chinese with English abstract)
[22] 常宏,王旭升. 滑坡稳定性变化与地下水非稳定渗流初探——以三峡库区黄蜡石滑坡群石榴树包滑坡为例[J]. 地质科技情报,2004,23(1):94 − 98. [CHANG Hong,WANG Xusheng. Stability variation of a slope associated with transient groundwater flow:A case study on Shiliushu- Bao landslide in Huanglashi landslides,three gor- ges project area,China[J]. Geological Science and Technology Information,2004,23(1):94 − 98. (in Chinese with English abstract)] CHANG Hong, WANG Xusheng. Stability variation of a slope associated with transient groundwater flow: A case study on Shiliushu- Bao landslide in Huanglashi landslides, three gor- ges project area, China[J]. Geological Science and Technology Information, 2004, 23(1): 94 − 98. (in Chinese with English abstract)
[23] 李丽华,刘文,白玉霞,等. 椰壳纤维-石灰协同作用改良黏土性能试验研究[J]. 水文地质工程地质,2025,52(1):130 − 140. [LI Lihua,LIU Wen,BAI Yuxia,et al. Experimental study on the synergistic effect of coir fiber and lime to improve soil performance[J]. Hydrogeology & Engineering Geology,2025,52(1):130 − 140. (in Chinese with English abstract)] LI Lihua, LIU Wen, BAI Yuxia, et al. Experimental study on the synergistic effect of coir fiber and lime to improve soil performance[J]. Hydrogeology & Engineering Geology, 2025, 52(1): 130 − 140. (in Chinese with English abstract)
[24] 袁进科,裴钻,杨森林,等. 纳米硅基固沙材料加固机理及抗冲蚀试验研究[J]. 水文地质工程地质,2023,50(6):80 − 89. [YUAN Jinke,PEI Zuan,YANG Senlin,et al. An experimental study of the reinforcement mechanism and erosion resistance of nano silicon-based sand-fixation material[J]. Hydrogeology & Engineering Geology,2023,50(6):80 − 89. (in Chinese with English abstract)] YUAN Jinke, PEI Zuan, YANG Senlin, et al. An experimental study of the reinforcement mechanism and erosion resistance of nano silicon-based sand-fixation material[J]. Hydrogeology & Engineering Geology, 2023, 50(6): 80 − 89. (in Chinese with English abstract)
-
期刊类型引用(29)
1. 胡祥祥,石亚亚,胡良柏,吴涛,庞栋栋,刘帅令,宋宝. 融合InSAR与信息量–机器学习耦合模型的黄土滑坡易发性评价. 西北地质. 2025(02): 159-171 . 百度学术
2. 陈志波,李鼎兴,陈澄,黄卫,唐雪峰. 基于机器学习和InSAR技术的滑坡易发性动态评价. 自然灾害学报. 2025(02): 56-65 . 百度学术
3. 王中羽,李素敏,袁利伟,乐伟鹏. 考虑影响因子重要性选择和土壤含水率的滑坡易发性评价. 水文地质工程地质. 2025(03): 211-221 . 百度学术
4. 冯希尧,韩佳良,刘瑞,苟俊程. 斜坡单元数量敏感性对滑坡易发性评估的影响研究. 物探化探计算技术. 2025(03): 452-465 . 百度学术
5. 董力豪,刘艳辉,黄俊宝,刘海宁. 基于卷积神经网络的福建省区域滑坡灾害预警模型. 水文地质工程地质. 2024(01): 145-153 . 百度学术
6. 陈宾,李颖懿,张联志,屈添强,魏娜,刘宁,黄春林. 地质灾害易发性评价因子分级的AIFFC算法优化. 中国地质灾害与防治学报. 2024(01): 72-81 . 本站查看
7. 程秋连,刘杰,杨治纬,张天意,王斌. 独库高速公路克扎依—巩乃斯段雪崩易发性评价. 中国地质灾害与防治学报. 2024(01): 60-71 . 本站查看
8. 刘佩瑶. 基于主成分分析和优化支持向量机的砂土地震液化预测. 华北地震科学. 2024(03): 35-41+49 . 百度学术
9. 张清,何毅,陈学业,高秉海,张立峰,赵占骜,路建刚,张雅蕾. 基于多尺度卷积神经网络的深圳市滑坡易发性评价. 中国地质灾害与防治学报. 2024(04): 146-162 . 本站查看
10. 陈航,刘惠军,王韬,孙悦. 基于频率比-深度神经网络耦合模型的滑坡易发性评价——以盐源县为例. 水文地质工程地质. 2024(05): 161-171 . 百度学术
11. 常志璐,黄发明,蒋水华,张崟琅,周创兵,黄劲松. 基于多尺度分割方法的斜坡单元划分及滑坡易发性预测. 工程科学与技术. 2023(01): 184-195 . 百度学术
12. 张蕊,郭荣昌,贺攀,余岭燕. 基于改进突变理论的滑坡危险性评价. 中国地质灾害与防治学报. 2023(01): 121-128 . 本站查看
13. 董张玉,张晋,彭鹏,王燕,杨智,安森. 基于GBDT-LR和信息量模型耦合的滑坡易发性评价. 水土保持通报. 2023(01): 149-157+166 . 百度学术
14. 孙剑锋,马超,胡金树,闫铁生,杲加俊,徐辉. 基于灰色关联度与层次分析法耦合的地质灾害易发性评价——以浙江省云和县崇头镇为例. 工程地质学报. 2023(02): 538-551 . 百度学术
15. 贾雨霏,魏文豪,陈稳,杨清卓,盛逸凡,徐光黎. 基于SOM-I-SVM耦合模型的滑坡易发性评价. 水文地质工程地质. 2023(03): 125-137 . 百度学术
16. 陈康迪,刘鸿扬,谭晓玲. 基于半监督随机森林滑坡易发性分区研究. 信息技术与信息化. 2023(05): 140-143 . 百度学术
17. 赵晓东,刘福,杨华,张泰丽. 改进的学习向量量化滑坡易发性评价模型研究. 测绘科学. 2023(05): 239-246 . 百度学术
18. 牟家琦,庄建琦,王世宝,孔嘉旭,杜晨辉. 基于深度神经网络模型的雅安市滑坡易发性评价. 中国地质灾害与防治学报. 2023(03): 157-168 . 本站查看
19. 李光辉,铁永波. 基于信息量模型的综合地质灾害易发性建模方法对比研究. 灾害学. 2023(03): 212-221 . 百度学术
20. 宋昭富,张勇,佘涛,孙金辉,韩新强,陶昶旭. 基于易发性分区的区域滑坡降雨预警阈值确定——以云南龙陵县为例. 中国地质灾害与防治学报. 2023(04): 22-29 . 本站查看
21. 周苏华,付宇航,邢静康,彭爱泉,蒋明奕. 基于不同统计模型的肯尼亚滑坡危险性评价. 中国地质灾害与防治学报. 2023(04): 114-124 . 本站查看
22. 王俊德,杜晓阳,黄天浩,周晓鹏,孙乐飞,韩新志,董培培. 河南省嵩县地质灾害风险评价. 中国地质灾害与防治学报. 2023(04): 86-96 . 本站查看
23. 舒晓燕,巫锡勇,文洪,凌斯祥,宋殿君. 新疆天山伊阿铁路区域雪崩易发性与潜在释放区识别对比研究. 工程地质学报. 2023(04): 1200-1212 . 百度学术
24. 张潇远,苏巧梅,赵财胜,朱月琴,李凯新,范锦龙,白东升. 一种利用贝叶斯算法优化XGBoost的滑坡易发性评价方法. 测绘科学. 2023(06): 140-150 . 百度学术
25. 周雨,肖雯,李三角,谢克勇. 低山丘陵区公路地质灾害气象预报模型对比及应用——以江西山区公路为例. 中国地质灾害与防治学报. 2023(06): 77-85 . 本站查看
26. 李大猛,孙东,余辉,李松,张正鹏. 绿色矿山建设与矿山生态修复关联探析. 世界有色金属. 2023(22): 162-165 . 百度学术
27. 王伟中,李树兴,尚彦军,宋飞,曹小红,许涛,李巧学,马敬涛. 基于斜坡单元划分和逻辑回归模型的滑坡易发性评价——以山阳县高坝店镇为例. 新疆地质. 2023(03): 424-430 . 百度学术
28. 冯凡,唐亚明,潘学树,王小浩,赵宇宣,白轩. 不同尺度下地质灾害风险评价方法探讨——以陕西吴堡县为例. 中国地质灾害与防治学报. 2022(02): 115-124 . 本站查看
29. 李光辉,铁永波,白永建,熊晓辉. 则木河断裂带(普格段)地质灾害发育规律及易发性评价. 中国地质灾害与防治学报. 2022(03): 123-133 . 本站查看
其他类型引用(21)