衬砌劣化对水下盾构隧道变形的影响分析

针对目前世界最大直径水下盾构隧道的工程背景和劣化环境,通过分析衬砌劣化机理和行业规范标准确定了以有效厚度考量衬砌结构劣化,采用强度折减原理对强度参数进行逐步地折减,建立了考虑地层土性和覆土厚度影响的水下盾构隧道衬砌劣化模型,运用数值计算方法分析了衬砌劣化的多种组合工况,从而对衬砌劣化引起上海长江隧道（崇明越江通道）变形的特征表现和趋势规律进行了研究和探讨。研究结果表明：基于有效厚度折减的衬砌劣化分析方法能够有效地反映劣化后隧道结构的整体变形状况,且计算结果可靠合理,可为盾构隧道健康状态诊断与分析提供理论依据和技术支持,也可为运营管理部门正确及时的养护维修提供借鉴和指导。     

基于龚帕斯曲线法的高填方路基工后沉降预测新思路

引进一种新的沉降预测方法--龚帕斯曲线法,并同Duncan-Chang非线性有限元反析法及灰色系统理论并引入遗传算法放在同一工程实例中进行各种沉降预测的比较和分析,发现龚帕斯曲线法的沉降预测值最接近于实测值,其预测曲线与实测曲线吻合最好,且其误差也是最小的,绝大部分在1%以内.从而得出龚帕斯模型有更好的适应性,预测结果的离散性小及准确性高等优点,这对高填方路基的工后沉降预测提供了更可靠的方法,可推广应用于实践.     

锡太一级公路淤泥质土二次掺灰压实度试验及其处治方法

通过大量的室内试验和多处试验路段施工最终表明,在淤泥质土中二次掺入总量为5%～8%的石灰使其成为石灰土,经“活化”到“砂化”,能大大改善其最佳含水量和最大干密度,提高CBR值,压实度可达90%～95%,比一次掺灰提高2～3个百分点.     

BP神经网络在土工合成材料蠕变预测中的应用研究

过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验,获得大量的实验数据.在此基础上,运用最小二乘和BP神经网络对其蠕变量进行预测.最小二乘原理是在曲线族中寻找一曲线去拟合实验数据,从得到的误差平方和σ=0.00116来看,其拟合精度较高.BP神经网络具有自适应学习和记忆能力,尤其是三层BP神经网络模型,所得预测值与实际值误差最大为0.91%,较最小二乘3.4%的误差改善了许多,该法为蠕变预测找到了一条新的途径.     

基于遗传算法和神经网络的高路堤沉降预测研究

依据高路堤填土施工期路基沉降实测资料,运用遗传算法和人工神经网络构造了预测路基沉降的等时距遗传神经网络模型, 并且对该网络进行了训练以及仿真,对预测结果运用3次样条插值可得到预测时间段内的任一时刻沉降结果,通过和实测沉降结果对比可知遗传神经网络比人工神经网络节省大量的调试时间和计算时间,而且其预测精度优于BP算法和指数拟合方法,显示其明显的优越性.     

土工格室柔性桥台变形特性离心模型试验研究

通过离心模型试验揭示了土工格室柔性桥台的变形特性,即未加筋桥台产生的位移明显大于土工格室柔性桥台产生的位移;同时,未加筋桥台产生整体滑移,而土工格室柔性桥台因微裂缝的阻断和错位,台背未见破坏。还分析了土工格室的加筋机理,即土工格室在土体中产生的“紧箍”和“网兜”作用,有效减少了桥台的侧向位移,抑制了竖向裂缝的产生并阻断其扩大和贯通,大幅提高了土工格室柔性桥台的稳定性。     

基于龚帕斯曲线法的高填方路基工后沉降预测新思路

引进一种新的沉降预测方法——龚帕斯曲线法,并同Duncan-Chang非线性有限元反析法及灰色系统理论并引入遗传算法放在同一工程实例中进行各种沉降预测的比较和分析,发现龚帕斯曲线法的沉降预测值最接近于实测值,其预测曲线与实测曲线吻合最好,且其误差也是最小的,绝大部分在1％以内。从而得出龚帕斯模型有更好的适应性,预测结果的离散性小及准确性高等优点,这对高填方路基的工后沉降预测提供了更可靠的方法,可推广应用于实践。     

基于遗传算法和神经网络的高路堤沉降预测研究

依据高路堤填土施工期路基沉降实测资料,运用遗传算法和人工神经网络构造了预测路基沉降的等时距遗传神经网络模型, 并且对该网络进行了训练以及仿真,对预测结果运用3次样条插值可得到预测时间段内的任一时刻沉降结果,通过和实测沉降结果对比可知遗传神经网络比人工神经网络节省大量的调试时间和计算时间,而且其预测精度优于BP算法和指数拟合方法,显示其明显的优越性.     

BP神经网络在土工合成材料蠕变预测中的应用研究

通过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验，获得大量的实验数据。在此基础上，运用最小二乘和BP神经网络对其蠕变量进行预测。最小二乘原理是在曲线族中寻找一曲线去拟合实验数据，从得到的误差平方和σ=0．00116来看，其拟合精度较高。BP神经网络具有白适应学习和记忆能力，尤其是三层BP神经网络模型，所得预测值与实际值误差最大为0．91％，较最小二乘3．4％的误差改善了许多，该法为蠕变预测找到了一条新的途径。