Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá các phương trình kinh nghiệm của chỉ số nén của đất sét bùn: độ nhạy với đặc điểm địa lý
Tóm tắt
Các chỉ số vật lý và cơ học của đất mềm có những đặc điểm khu vực, và các tính chất kỹ thuật rất khác nhau dưới các điều kiện địa chất đa dạng. Các phương trình kinh nghiệm cung cấp một phương pháp nhanh chóng và hiệu quả để tính toán chỉ số nén bằng cách sử dụng các chỉ số vật lý khác dễ dàng thu được. Tuy nhiên, việc tính toán chỉ số nén cho một khu vực đặc biệt bằng các phương trình kinh nghiệm hiện có thường không đạt yêu cầu. Do đó, cần thiết đề xuất các phương trình kinh nghiệm khu vực dựa trên dữ liệu nghiên cứu đặc biệt để tính toán chỉ số nén. Tính hợp lệ của các phương trình kinh nghiệm hiện có cho đất mềm trong khu vực Giang Môn đã được đánh giá bằng cách sử dụng dữ liệu đo đạc. Kết quả cho thấy các phương trình được đề xuất bởi Gao và cộng sự (Rock Soil Mech 38(09):2713–2720, 2017) và Al–Khafaji và Andersland (J Geotech Eng 118(1):148–153, 1992) vượt trội hơn so với các phương trình kinh nghiệm đơn biến và đa biến hiện có cho khu vực Giang Môn; các giá trị khoảng cách xếp hạng lần lượt là 0.432 và 0.430. Ngoài ra, một phương trình kinh nghiệm khu vực mới cho Giang Môn được đề xuất, sử dụng phân tích hồi quy dựa trên dữ liệu đo đạc. Giá trị khoảng cách xếp hạng tương ứng là 0.320. Phương trình mới được chứng minh là chính xác hơn so với các phương trình kinh nghiệm đơn biến và đa biến hiện có.
Từ khóa
#đất mềm #chỉ số nén #phương trình kinh nghiệm #địa chất #khu vực Giang MônTài liệu tham khảo
Al–Khafaji AWN, Andersland OB (1992) Equations for compression index approximation. J Geotech Eng 118(1):148–153
Azzouz AS, Krizek RJ, Corotis RB (1976) Regression analysis of soil compressibility. Soils Found 16(2):19–29
Bae WS, Kwon Y (2017) Prediction of consolidation parameter using multiple regression analysis. Mar Georesour Geotechnol 35(5):643–652
Bowles JE (1979) Physical and geotechnical properties of soils. McGraw–Hill Book Company, New York
Briaud J, Tucker LM (1988) Measured and predicted axial response of 98 piles. J Geotech Eng 114(9):984–1001
Chen XP, Huang GY, Liang ZS (2003) Study on soft soil properties of the Pearl River Delta. Chin J Rock Mech Eng 22(1):137–141 (in Chinese)
Cherubini C, Greco VR (1998) A comparison between “measured” and “calculated” values in geotechnics. Proceedings of the Workshop Probamat–21st Century: Probabilities and Materials. Kluwer Academic Publishers, Dordrecht, Netherlands, pp 481–498
Cherubini C, Orr TLL (2000) A rational procedure for comparing measured and calculated values in geotechnics. In: Yokohama IS, Nakase A, Tsuchida T (eds) Proceedings of the international symposium on coastal geotechnical engineering in practice, AA Balkema, Rotterdam, vol. 1, pp 261–265
Gao YB, Zhang SB, Ge XN (2017) Comparisons of compression index of Chinese coastal soft clay and soils from foreign regions. Rock Soil Mech 38(09):2713–2720 (in Chinese)
Giasi CI, Cherubini C, Paccapelo F (2003) Evaluation of compression index of remolded clays by means of Atterberg limits. Bull Eng Geol Environ 62(4):333–340
Herrero OR (1983) Universal compression index equation; closure. J Geotech Eng Div 109(5):755–761
Hough BK (1957) Basic soils engineering. The Ronald Press Company, New York, pp 114–115
Koppula SD (1981) Statistical estimation of compression index. Geotech Test J 4(2):68–73
Mayne PW (1980) Cam–clay predictions of undrained strength. J Geotech Eng Div 106(11):1219–1242
Nishida Y (1956) A brief note on compression index of soil. J Soil Mech Found Div 82(3):1–14. https://doi.org/10.1016/j.coastaleng.2018.04.014
Onyejekwe S, Kang X, Ge L (2015) Assessment of empirical equations for the compression index of fine–grained soils in Missouri. Bull Eng Geol Environ 74(3):705–716
Orr TLL, Cherubini C (2003) Use of the ranking distance as an index for assessing the accuracy and precision of equations for the bearing capacity of piles and at–rest earth pressure coefficient. Can Geotech J 40:1200–1207
Ozer M, Isik NS, Orhan M (2008) Statistical and neural network assessment of the compression index of clay–bearing soils. Bull Eng Geol Environ 67:537–545
Park JH, Koumoto T (2004) New compression index equation. J Geotech Geoenviron 130(2):223–226
Pradeepkumar D, Ravi V (2017) Forecasting financial time series volatility using particle swarm optimization trained quantile regression neural network. Appl Soft Comput 58(9):35–52
Que J, Wang Q, Chen J, Shi B, Meng Q (2008) Geotechnical properties of the soft soil in Guangzhou College City. Bull Eng Geol Environ 67(4):479–483
Theil H (1966) Applied economic forecasting. North–Holland Pub. Co., Amsterdam
Xia YF, Wu DH, Wen JH (2008) Statistic analysis of physical and mechanical indices of soft soil in Zhujiang Delta. JHTRD 25(1):47–50 (in Chinese). http://manu27.magtech.com.cn/Jwk_gljtkj_en/EN/column/column4290.shtml
Yilmaz I (2006) Indirect estimation of the swelling percent and a new classification of soils depending on liquid limit and cation exchange capacity. Eng Geol 85(3):295–301
Yoon GL, Kim BT (2006) Regression analysis of compression index for Kwangyang marine clay. KSCE J Civ Eng 10(6):415–418
Yoon GL, Kim BT, Jeon SS (2004) Empirical correlations of compression index for marine clay from regression analysis. Can Geotech J 41(6):1213–1221
Zhao YM, Jiang HH, Zhang HM (2004) Deformation parameters of Shenzhen soft clay. China Railway Science 03:41–44 (in Chinese)