Journal of Zhejiang University

Current Issue: <JZUS-A>

Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering)

ISSNs 1673-565X (Print); 1862-1775 (Online); CN 33-1236/O4; started in 2000,Monthly.

JZUS-A is a peer-reviewed physical and engineering journal, indexed by SCI-E, Ei Compendex, INSPEC, CA, SA, JST, AJ, ZM, CABI, ZR, CSA, etc. It mainly covers research in Applied Physics, Mechanical and Civil Engineering, Environmental Science and Energy, Materials Science and Chemical Engineering, etc.

Impact factor: 0.408 (2011), 0.527 (2012), 0.608 (2013), 0.882 (2014), 0.941 (2015), 1.214 (2016), 1.215 (2017), 1.369 (2018).

Journal of Zhejiang University SCIENCE A

ISSN 1673-565X(Print), 1862-1775(Online), Monthly

2020 Vol.21 No.6 P.407-508

Cover:

<763>

Contents:

<698>

<<< CONTENTS >>>

Special Issue on Practice of Artificial Intelligence in Geotechnical Engineering

Guest Editor-in-Chief: Zhen-yu YIN

Guest Editors: Yin-fu JIN, Zhong-qiang LIU

Editorial

Editorial: Practice of artificial intelligence in geotechnical engineering

Zhen-yu Yin, Yin-fu Jin, Zhong-qiang Liu

DOI: 10.1631/jzus.A20AIGE1 Downloaded: 2869 Clicked: 3724 Cited: 0 Commented: 0(p.407-411) <Full Text>

Chinese summary <41> 人工(gōng)智能在岩土工(gōng)程中(zhōng)的實踐

概要:岩土材料的複雜(zá)和不确定性緻使傳統理論在模拟和預測岩土工(gōng)程問題經常顯得無能爲力. 近年來,随着人工(gōng)智能和大(dà)數據技術的快速發展,人工(gōng)智能技術在岩土工(gōng)程領域有了廣泛應用,例如岩土參數的優化智能識别和預測、邊坡變形的長期預測、基坑開(kāi)挖過程變形的實時監測和預測以及盾構隧道的變形和盾構機刀盤參數的預測和更新等. 爲此,本專輯收集了在該研究領域具有代表性的研究成果,介紹了人工(gōng)智能技術在岩土工(gōng)程領域的進展和未來發展潛力,希望能幫助讀者快速了解人工(gōng)智能技術在岩土工(gōng)程中(zhōng)的應用,以及推動岩土工(gōng)程的智能化發展,爲實現岩土工(gōng)程智能化提供科學依據和技術支撐.

關鍵詞組：人工(gōng)智能; 岩土工(gōng)程; 大(dà)數據

Articles

Algorithms for intelligent prediction of landslide displacements

Zhong-qiang Liu, Dong Guo, Suzanne Lacasse, Jin-hui Li, Bei-bei Yang, Jung-chan Choi

DOI: 10.1631/jzus.A2000005 Downloaded: 2298 Clicked: 2773 Cited: 0 Commented: 0(p.412-429) <Full Text> <PPT> 1594

Chinese summary <39> 邊坡位移智能預測算法

目的:邊坡位移預測是實現滑坡災害預報的有效手段,對降低滑坡災害導緻的損失具有重要意義. 本文針對三峽庫區廣泛分(fēn)布的"階躍型"滑坡,采用三種不同的機器學習算法:長短期記憶(LSTM)神經網絡、随機森(sēn)林(RF)算法和門控遞歸單元(GRU),預測三個不同的三峽庫區邊坡位移,并對比三種算法的預測精度,從而選擇适用于邊坡位移預測的機器學習算法.
創新點:1. 建立了基于時間序列分(fēn)解和機器學習算法的動态預測模型,并能夠準确預測邊坡位移. 2. 對比了不同的機器學習算法預測邊坡周期項位移的精度.
方法:1. 基于時間序列分(fēn)解原理,将邊坡累積位移分(fēn)解爲趨勢項位移和周期項位移. 2. 利用多項式拟合對邊坡趨勢項位移進行預測. 3. 基于位移影響因素采用三種機器學習模型(LSTM、GRU和RF)預測邊坡周期項位移.
結論:1. 本文提出的基于時間序列分(fēn)解和機器學習算法的動态預測模型可以準确預測三峽庫區"階躍型"邊坡位移. 2. LSTM和GRU算法可以充分(fēn)利用滑坡曆史信息,精确預測邊坡位移的周期項.

關鍵詞組：滑坡; 位移; 機器學習; 三峽庫區

Machine learning-based prediction of soil compression modulus with application of 1D settlement

Dong-ming Zhang, Jin-zhang Zhang, Hong-wei Huang, Chong-chong Qi, Chen-yu Chang

DOI: 10.1631/jzus.A1900515 Downloaded: 2254 Clicked: 3721 Cited: 0 Commented: 0(p.430-444) <Full Text> <PPT> 1738

Chinese summary <37> 基于機器學習的土體(tǐ)壓縮模量預測及一(yī)維基礎沉降應用

目的:土體(tǐ)壓縮模量是影響岩土體(tǐ)結構變形的重要參數之一(yī). 本文旨在通過機器學習的方法實現對壓縮模量的預測,并通過構建一(yī)個機器學習模型,得到塑限、液限、塑性指數、液性指數、比貫入阻力以及埋深這6個輸入參數與壓縮模量預測值之間的關系.
創新點:1. 構建一(yī)個機器學習算法框架以實現對土體(tǐ)壓縮模量的預測; 2. 此框架包括梯度提升回歸樹(shù)(GBRT)和遺傳算法(GA),并采用GA對GBRT超參數進行獲取.
方法:1. 通過收集整理工(gōng)程報告獲取本次預測的數據集(樣本211個); 輸入參數有6個,分(fēn)别爲塑限、液限、塑性指數、液性指數、比貫入阻力以及埋深; 輸出參數爲壓縮模量. 2. 采用GBRT算法識别輸入變量與目标響應之間的非線性規律,并采用GA調整GBRT模型的超參數. 3. 模型訓練完成後,對壓縮模量進行預測. 4. 将測試集上的預測結果和傳統方法進行對比分(fēn)析并應用到一(yī)維基礎沉降中(zhōng).
結論:1. 本文提出的GA-GBRT模型可以較好地實現對土體(tǐ)壓縮模量的預測; GA可以對GBRT算法的超參數進行有效标定. 2. 訓練後的GA-GBRT模型在訓練集和測試集上都表現良好; 在訓練集和測試集上的相關系數R值分(fēn)别爲0.82和0.91,說明模型可以對壓縮模量進行準确預測. 3. 對輸入變量相對重要性的研究發現,液性指标是本研究中(zhōng)最重要的變量,其重要性得分(fēn)爲0.313(總數爲1); 其他指标的重要性排序依次爲:液限、塑限、塑性指數、比貫入阻力和埋深. 4. 對于地基沉降的預測,本文提出的模型在相關系數R值和Mann-Whitney檢驗結果上均優于經驗公式. 5. 本文提出的GA-GBRT模型可以更經濟、更快速地預測土壤壓縮模量.

關鍵詞組：壓縮模量預測; 機器學習; 梯度提升回歸算法; 遺傳算法(GA); 基礎沉降

Application of machine learning to the identification of quick and highly sensitive clays from cone penetration tests

Cristian Godoy, Ivan Depina, Vikas Thakur

DOI: 10.1631/jzus.A1900556 Downloaded: 2019 Clicked: 2646 Cited: 0 Commented: 0(p.445-461) <Full Text> <PPT> 1454

Chinese summary <35> 應用機器學習方法從靜力觸探結果中(zhōng)識别快黏土和高靈敏度黏土

目的:研究機器學習技術在利用孔壓靜力觸探測試(CPTu)識别高靈敏度黏土和快黏土的潛力.
創新點:1. 成功應用機器學習方法從CPTu結果中(zhōng)分(fēn)類出高靈敏度黏土和快黏土,并将結果與不同地點的實際土層進行了比較. 2. 通過對機器學習算法的多次訓練确定了可以獲得良好結果的最少CPTu個數.
方法:1. 基于對兩個位置已知(zhī)和土層确定的CPTu數據集的分(fēn)析,使用3種機器學習圖像分(fēn)類方法(邏輯回歸、樸素貝葉斯和隐藏馬爾科夫模型)将CPTu數據用于樣本分(fēn)類. 2. 将結果與實際土層進行比較,識别高靈敏度黏土和快黏土,并從計算性能度量方面比較3個方法的優缺點.
結論:僅采用4個CPTu訓練樣本便可獲得基于邏輯回歸、樸素貝葉斯和隐藏馬爾科夫模型的識别高靈敏度黏土和快黏土的3個分(fēn)類模型,且分(fēn)類精度良好.

關鍵詞組：機器學習; 分(fēn)類; 快黏土; 高靈敏度黏土

Estimation of spatiotemporal response of rooted soil using a machine learning approach

Zhi-liang Cheng, Wan-huan Zhou, Zhi Ding, Yong-xing Guo

DOI: 10.1631/jzus.A1900555 Downloaded: 1975 Clicked: 3018 Cited: 0 Commented: 0(p.462-477) <Full Text> <PPT> 1500

Chinese summary <38> 基于機器學習算法估算根系土體(tǐ)特性的時空響應

目的:在綠色岩土工(gōng)程中(zhōng),淺層土體(tǐ)特性通常受到當地氣候和覆蓋植被的影響. 本文旨在探讨自然環境條件下(xià)不同植物(wù)和大(dà)氣因素(與樹(shù)的距離(lí)、空氣濕度和距離(lí)地表的深度等)與土體(tǐ)基質吸力的關系,通過一(yī)種機器學習方法建立簡化的統計模型,并對淺層根系土體(tǐ)中(zhōng)基質吸力的時空變化進行估算和預測.
創新點:1. 通過一(yī)種機器學習方法(即遺傳編程算法)建立土體(tǐ)基質吸力和五個選定的影響因素之間的關系; 2. 根據建立的統計模型,有效地預測了根系土體(tǐ)内基質吸力的時空變化.
方法:1. 通過現場監測實驗(圖3和4),量化土體(tǐ)基質吸力和不同影響參數随時間的變化(圖5和6); 2. 通過機器學習算法,構建土體(tǐ)基質吸力的時空變化與五個選定的影響參數之間的關系,得到一(yī)個簡化的統計模型(公式(11)); 3. 通過誤差分(fēn)析,驗證該簡化統計模型在估算和預測土體(tǐ)基質吸力時空變化時的可靠性; 4. 通過敏感性分(fēn)析研究不同參數對土體(tǐ)基質吸力時空變化的影響(圖9); 5. 通過案例研究,驗證利用該方法對根系土體(tǐ)基質吸力時空變化進行預測的可行性(圖11和12).
結論:1. 遺傳編程算法可以有效地建立土體(tǐ)基質吸力和不同影響參數之間的關系,并能給出相應的數學公式以對土體(tǐ)基質吸力的時空變化進行可靠的估算和預測; 2. 基于方差的全局敏感性分(fēn)析方法發現幹循環時間和初始基質吸力對土體(tǐ)基質吸力的時空變化有重要影響,而且其他的植物(wù)和大(dà)氣相關參數對土體(tǐ)基質吸力的時空變化也有不可忽視的影響; 3. 案例研究結果表明,本文所提方法可用于預測土體(tǐ)基質吸力的時空變化.

關鍵詞組：遺傳編程; 簡化的統計模型; 時空變化; 土體(tǐ)基質吸力

Characterization of spatial variability with observed responses: application of displacement back estimation

Yi-xuan Sun, Lu-lu Zhang, Hao-qing Yang, Jie Zhang, Zi-jun Cao, Qi Cui, Jun-yi Yan

DOI: 10.1631/jzus.A1900558 Downloaded: 2029 Clicked: 2825 Cited: 0 Commented: 0(p.478-495) <Full Text> <PPT> 1543

Chinese summary <34> 基于觀測響應的土體(tǐ)空間變異性表征:位移反分(fēn)析應用

目的:由于現場勘察和室内土工(gōng)試驗數據的不足,因此土體(tǐ)空間變異性難以估計. 通過間接方法如反演分(fēn)析方法進行估算是一(yī)個有效的途徑,而土體(tǐ)參數空間變異性概率反演估計的準确性受變異特性自身影響. 本文旨在通過算例研究和模型試驗驗證,明确影響土體(tǐ)空間變異性反演準确性的關鍵因素,以期爲岩土勘察測試工(gōng)程實踐提供參考.
創新點:1. 通過土坡空間變異性反演分(fēn)析,揭示數據類型、變異系數、相關長度和協方差函數類型等對反演的影響; 2. 室内分(fēn)層土模型試驗驗證表明,概率反演分(fēn)析方法可有效地識别土體(tǐ)層厚和内摩擦角變異性.
方法:1. 通過邊坡數值算例,研究位移監測數據類型、土體(tǐ)相關長度、彈性模量變異系數以及協方差函數對彈性模量空間變異性的位移反分(fēn)析的影響(圖5、6、9、11和12). 2. 開(kāi)展室内模型試驗,利用粒子圖像測試技術獲取位移監測數據,對分(fēn)層土體(tǐ)内摩擦角的變異性進行識别,并研究軟弱夾層位置與厚度對反分(fēn)析的影響(圖14).
結論:1. 水平位移比豎直位移更适合用于位移反分(fēn)析. 2. 反分(fēn)析精度在可接受範圍内,且對于高變異性的情況(COV_E=1.5),誤差不超過10%; 此外(wài),反分(fēn)析精度還受協方差函數類型和相關長度的影響. 3. 反分(fēn)析可識别出模型試驗的土體(tǐ)分(fēn)層,并且對内摩擦角的估計誤差小(xiǎo)于10%.

關鍵詞組：土體(tǐ)空間變異性; 概率估計; 位移; 相關長度; 模型試驗

A deep-learning method for evaluating shaft resistance of the cast-in-site pile on reclaimed ground using field data

Sheng-liang Lu, Ning Zhang, Shui-long Shen, Annan Zhou, Hu-zhong Li

DOI: 10.1631/jzus.A1900544 Downloaded: 1967 Clicked: 2771 Cited: 0 Commented: 0(p.496-508) <Full Text> <PPT> 1425

Chinese summary <39> 基于現場試驗的複墾地層灌注樁側摩阻力的深度學習評價方法

目的:基于極限平衡理論和諸多簡化原則的經驗公式方法難以适用于複雜(zá)的複墾地層中(zhōng)灌注樁的側摩阻力計算. 本文旨在探讨複墾地層中(zhōng)灌注樁在靜力加載條件下(xià)的側摩阻力發展規律和特性,并應用深度學習方法,以提高灌注樁側摩阻力的預測精度.
創新點:1. 設計現場試驗,研究近海複墾地層中(zhōng)灌注樁的承載能力特性; 2. 建立深度學習預測模型,高精度預測工(gōng)作荷載下(xià)灌注樁的軸力和側摩阻力.
方法:1. 通過實驗分(fēn)析,探明複墾地層中(zhōng)不同土層與樁體(tǐ)的相互作用和樁體(tǐ)側摩阻力的發展規律; 2. 通過理論計算,指出經驗方法在複墾地層灌注樁承載力計算中(zhōng)的缺陷和不足; 3. 通過序列化的人工(gōng)智能方法建模,利用土體(tǐ)物(wù)理力學參數和樁身試驗實測數據,對比驗證深度學習方法的精度和計算效率.
結論:1. 灌注樁适用于複墾地層,能夠爲基礎設施提供足夠的承載力; 2. 經驗方法對灌注樁中(zhōng)部樁體(tǐ)的極限側摩阻力估計良好,而對地層條件較差的樁身兩端的估計則存在較大(dà)偏差; 3. 深度學習方法能夠綜合考慮地層和樁體(tǐ)的相互作用,并且能精确預測在不同工(gōng)作荷載和極限荷載下(xià)的側摩阻力和樁身軸力,因而适用性更廣.

關鍵詞組：深度學習方法; 灌注樁; 側摩阻力; 現場試驗; 複墾地層