黃土濕陷形成機制及評價方法研究

張 婉 陳佳玫

（1.楊凌職業(yè)技術學院，陜西 楊凌 712100；2.西北農林科技大學水利與建筑工程學院，陜西 楊凌 712100)

0 引言

“絲綢之路經濟帶”是亞太、歐洲經濟圈的紐帶，具有巨大的經濟發(fā)展?jié)摿ΓS著經濟的快速發(fā)展，越來越多國際合作項目在這一區(qū)域落戶，助力我國西部大開發(fā)。但是在經濟快速發(fā)展的同時，也面臨很多挑戰(zhàn)。我國的西北省區(qū)如新疆、甘肅，西南省區(qū)云南、西藏都在這一區(qū)域中，據(jù)研究表明這些地區(qū)黃土的占比非常高，在這些區(qū)域進行工程建設時經常會使用黃土作為填筑材料，但是黃土在遇水后，容易造成濕陷，從而導致建筑、橋梁發(fā)生垮塌事故，給國家、社會及個人造成人身安全隱患及財產損失。黃土濕陷性問題的研究不僅是一個科學問題，還具有重要的工程價值。最近幾十年，黃土濕陷性研究一直是一個研究熱點，但是造成黃土濕陷的原因非常復雜，雖然科研人員已經取得了一些成果，但是還有很多問題沒有研究清楚。因此，本文針對黃土濕陷形成機制和評價方法進行綜述，期望能有助于這一領域的快速發(fā)展。

1 黃土濕陷形成機制及理論的研究

造成黃土濕陷的因素有很多，總體來說有內外因之分。在外因方面，國內外研究人員主要從黃土的形成和結構特點進行研究，并提出了毛細管、溶鹽、水膜楔入及欠壓密等假說和理論。其中，毛細管假說認為黃土增濕后，破壞了土?！傲Ｐ跄Y構，從而容易發(fā)生濕陷；溶鹽假說包括“可溶鹽的溶解”和“易溶鹽的溶解”兩部分，雖然二者觀點不同，但都認為鹽的溶解導致黃土結構的破壞，進而導致濕陷的發(fā)生。在進一步研究中，很多學者研究了在含水率變化時，黃土物化性質及內部結構的變化：其中，機械工業(yè)部勘察研究院的張煒、張?zhí)K民（1995）在西安東郊進行濕陷性試驗，量化了在含水率變化后，黃土的強度、變形及結構特性的變化，闡述了黃土的應力-應變關系[1]；在二十世紀九十年代，曾國紅等（1997）對山西太原化工廠及潞城水泥廠附近的原狀黃土進行采集，并采用滴管均勻地將水滴在土樣表面，以達到對土樣初始含水量的精確控制，利用此方法，他們進行了大量不同黃土濕陷試驗，研究改變黃土含水率及加荷變形時黃土的濕陷程度，得到了以含水率為自變量的黃土地基總變形公式[2]；張愛軍、邢義川（2000）在進行增濕濕陷和孔隙水壓力試驗的時候，針對測量黃土濕陷性常用方法的缺陷，提出采用計算機模擬的方法，對黃土在增濕過程的動態(tài)過程進行了模擬，提出密度和本構關系的變化是造成地基濕陷形變的重要原因[3]；西安理工大學的謝定義（2001）提出黃土相較于其他類型的土，具有更強水敏性，當含水率提高后，黃土的增濕強度增量會顯著增加，更易造成濕陷形變[4]；瑞安市水利局李敏、馬登科（2005）在陜西多個地區(qū)進行的黃土濕陷試驗中，對黃土施加不同的壓力，并研究了當壓力變化時，黃土的物化指標如含水率、干密度與黃土濕陷系數(shù)的函數(shù)關系，該函數(shù)關系的確定對初步評價黃土的濕陷性具有重要指導作用[5]。在內因方面，研究人員主要從黃土的空間結構力學角度對黃土濕陷性進行研究：南京建筑工程學院勘察系高國瑞（1980）運用電鏡觀察不同的黃土顯微結構，并采用結構理論對黃土濕陷問題進行了解釋，進而得到了黃土結構與濕陷性的相關性[6]；趙景波、陳云（1994）基于大量濕陷試驗研究了不同黃土濕陷等級（非濕陷、弱濕陷、中等濕陷、強濕陷及極強濕陷）黃土的粒間孔隙類型和孔隙結合方法，并觀察濕陷前后宏觀和微觀空隙的變化，從宏觀和微觀上對黃土孔隙與黃土濕陷的相關性進行了分析[7]；謝定義（1999）回顧了研究人員針對不同類型黃土的力學特性進行了總結，提出通過空間體系結構研究黃土的非均質性和各向異性，從力學的角度研究了黃土結構對濕陷性的影響；太原理工大學王梅等（2001）對不同深度的山西王曲黃土進行采集，在進行室內土工試驗的基礎上，結合高精度掃描電鏡對黃土的微觀結構進行觀察，結果表明架空孔隙的尺寸與黃土濕陷性密切相關。

2 黃土濕陷性的檢測評價指標

為了評價黃土的濕陷性，通常采用室內壓縮和原位浸水等試驗來測定濕陷系數(shù)及濕陷起始壓力等指標，試驗儀器通常采用三聯(lián)固結儀（圖1）。在確定濕陷系數(shù)過程中，通常需要對工地現(xiàn)場范圍內不同深度黃土進行采集，然后采用單線或雙線法測定，試驗過程繁瑣，耗時耗力，且由于試樣的不均勻性，試驗設備精度及試驗人員的技術水平，使得測試結果的精度有限。為了節(jié)省人力物力，研究人員對黃土濕陷系數(shù)與主要物性指標的關系進行研究，期望通過穩(wěn)定且容易測得的物性指標，推算黃土的濕陷系數(shù)。相較于濕陷系數(shù)，濕陷起始壓力的計算更加繁瑣，經常需要從浸水壓縮試驗中繪制的濕陷系數(shù)與壓力的關系曲線上求出濕陷系數(shù)等于0.015時的壓力值。

圖1 三聯(lián)固結儀

3 黃土濕陷性機器學習的研究方法

機器學習可以從歷史數(shù)據(jù)學習規(guī)律，實現(xiàn)對未知樣本的預測。其中，神經網絡（圖2）已經在圖像處理、自動駕駛及水文預報等領域得到成功應用。雖然這些研究對象與黃土濕陷性研究差異很大，但是當我們對原始數(shù)據(jù)進行特征提取后，后續(xù)的建模過程都大同小異。在構建機器學習模型過程中，首先需要對試驗數(shù)據(jù)進行搜集，因為沒有足夠的數(shù)據(jù)，建立機器學習模型也就無從談起。在搜集到足夠的樣本數(shù)據(jù)后，需要根據(jù)數(shù)據(jù)的特點選擇合適的模型，例如當我們已知一些數(shù)據(jù)樣本，同時也知道這些樣本分別屬于兩類，我們的目標是要將樣本數(shù)據(jù)分為兩類，針對這類問題我們采用監(jiān)督學習方法；而如果我們的目標是預測樣本數(shù)據(jù)對應的標簽值，那么我們就需要采用回歸方法進行建模。在確定了機器學習模型后，我們需要進一步將樣本數(shù)據(jù)及標簽數(shù)據(jù)集劃分成訓練數(shù)據(jù)集和測試數(shù)據(jù)集，一般訓練數(shù)據(jù)集和測試數(shù)據(jù)集的比例是2：8。為了防止模型偏向絕對值大的特征因子，在輸入機器學習模型前，需要對全體特征因子進行放縮，通常將其放縮到（-1，1）的范圍內，從而避免模型的偏向性。在模型訓練過程中，當訓練次數(shù)達到最大值或者模型輸出誤差小于給定閾值值，模型訓練完畢。為了進一步測試模型的性能，通常可以采用五折交叉驗證和留一法進行模型評估。

圖2 多層神經網絡

4 黃土濕陷性的工程實踐及研究

在黃土濕陷性研究過程中，西安理工大學邵生俊等（2013）在西安地鐵四號線及寶雞——蘭州高鐵隧道黃土濕陷試驗過程中，對液限、塑限、塑限指數(shù)、含水率、干重度、孔隙比及飽和度等指標進行了采集，為了進一步確定影響黃土濕陷性的關鍵因素，其針對上述黃土的物性指標與濕陷性參數(shù)進行了相關性分析，得出了含水率、液限及孔隙比是影響黃土濕陷性的關鍵因素，并在此基礎上建立了物性指標——濕陷性多元回歸相關性模型，為解決不同物性指標之間的多重相關性對黃土濕陷分析的干擾做出了重要貢獻[8]；陳佳玫（2016）對伊犁黃土的濕陷性進行了研究，對黃土試樣的不同物化指標（液限、塑限、塑性指標、含水率、飽和度、干密度及孔隙比）進行了采集，并分析了不同物性指標之間的相關性，其中，塑性指數(shù)與液限、塑限的相關系數(shù)分別為0.955 和0.518，表明塑性指標與液限具有很強的相關性，且與塑限有一定相關性，為此采用塑性指標進行代表；含水率與飽和度的相關系數(shù)可達0.942，表明含水率與飽和度具有很強的相關性，因此采用含水率進行代表；在此基礎上，建立了基于塑性指標、含水率及干密度等指標的黃土濕陷起始壓力的BP 神經網絡模型，輸入節(jié)點為3 個，激活函數(shù)選擇Sigmoid，為了驗證預測模型的通用性，采用陜西彬縣黃土濕陷試驗數(shù)據(jù)進行驗證，結果表明所有樣本的預測值與真實值誤差均小于10%，說明預測模型可以較為精確地預測了陜西彬縣黃土濕陷起始壓力，此外，其還提供了網絡模型的權重和閾值，為后續(xù)研究人員提供一定參考[9]；中交第二航務工程勘察設計院有限公司詹紅志和林劍鋒（2020）在定西到臨洮黃土濕陷性試驗過程中，對含水率、干密度、飽和度、孔隙比、液限、塑限、塑限指標及壓縮系數(shù)等指標進行采集，通過相關性分析發(fā)現(xiàn)，含水率、孔隙比、塑性指標及壓縮系數(shù)是影響黃土濕陷性的關鍵指標，在此基礎上，建立了基于BP 神經網絡的黃土濕陷性預測模型，為了加快訓練速度選擇logsig 對數(shù)函數(shù)作為激活函數(shù)，在經過上萬次訓練后，模型訓練完畢并可以在訓練數(shù)據(jù)集上實現(xiàn)R＝0.94537,為了進一步測試預測模型的性能，對7 組預測樣本進行評估，結果表明預測誤差絕對值在2%-25.8%之間，實現(xiàn)了一定的預測精度[10]。但是，從上述研究中，我們發(fā)現(xiàn)在確定影響黃土濕陷性的關鍵指標過程中，不同研究人員往往存在著不同觀點，從上述研究中可以看出，塑性指標、含水率是影響黃土濕陷性的關鍵因素已經達成了一定共識，但對于其他物性指標，不同研究人員得到的結論卻差異很大，有的認為干密度是關鍵因素之一，有的卻認為孔隙比和壓縮系數(shù)是關鍵因素。造成這一現(xiàn)象的可能原因是不同地區(qū)黃土力學特性不同；在建模過程，在激活函數(shù)選擇過程中，有的科研人員選擇Sigmod 函數(shù)，而有些科研人員為了加快訓練速度，選擇logsig 函數(shù)，但是卻使得模型訓練次數(shù)更多；這些差異導致最終建立的預測模型差別很大，難以在實際中推廣使用，為此，采用機器學習方法研究黃土濕陷性還處于理論研究階段，還亟待廣大科研人員進行深入的研究。

5 結束語

總的來說，機器學習模型不僅可以減少耗時且花費巨大的試驗，還使大范圍檢測成為可能，是未來黃土濕陷性分析的一種重要方法。但是目前研究中采用的數(shù)據(jù)集還不夠大，且使用的模型多為BP 神經網絡，BP 神經網絡的特點使得其容易陷入局部最優(yōu)解的問題。因此，建模數(shù)據(jù)有限和模型的局限性造成了黃土濕陷性的預測精度還有待提高。隨著黃土濕陷試驗數(shù)據(jù)的積累，為建立更加精確的機器學習模型奠定了基礎，使得基于機器學習方法預測黃土濕陷性必將成為一個研究熱點。