桩顶荷载及温度循环对黄土地基中能量桩承载性状影响研究

为对比分析未经过温度循环的普通桩与能量桩竖向承载变形性状,开展黄土地基中能量桩温度循环试验。模型桩为现浇钢筋混凝土灌注桩,黄土为人工配制重塑黄土。研究结果表明:温度循环弱化黄土地基中能量桩桩身侧阻、增强能量桩桩底端阻,温度循环过程中桩顶工作荷载越大,桩侧阻的弱化作用及桩端阻的增强作用越大,这导致能量桩的竖向抗压承载力比普通桩有明显的提高。另外,根据模型试验结果,通过数据拟合建立桩土界面摩阻力-桩土相对位移及桩端土反力-桩端沉降双曲线函数模型,并确定模型参数,其函数计算结果与试验结果对比表明本文模型能合理反映温度循环及桩顶工作荷载大小对桩基承载力的影响。研究结果可为黄土地区能量桩的安全设计提供一定参考。

不同工作荷载下能量桩热-力耦合特性模型试验

本文通过黄土地基中能量桩在3种不同荷载工况下的温度循环荷载试验,以及在此基础上进行的能量桩竖向承载特性试验,对比分析了冷热循环过程中热交换效率、桩顶竖向荷载、桩土沉降、桩身轴力、桩侧摩阻力及桩端反力等变化规律。试验结果表明:桩顶竖向荷载随温度循环次数的增加而逐渐减小,桩顶沉降呈现出收敛特性;热循环时桩身受压,冷循环时受压区范围与工作荷载和冷循环次数成正比;桩顶工作荷载较小时,冷热循环对侧摩阻力的影响更大,冷循环时的侧摩阻力更大;工作荷载的大小是桩-土相对位移的控制因素;温度位移零点的位置与荷载大小无关,以此点为界冷热循环对侧摩阻力及桩-土相对位移有不同影响。

基于物理驱动深度迁移学习的薄板力学正反问题

随着计算机技术的快速发展,深度学习在工程领域的应用越来越广泛。在实际应用中,用于训练的数据集往往具有“小样本”、“高维度”、“稀疏”等特征,这导致传统深度学习模型的适用范围十分有限。该文建立了一种基于迁移学习增强的物理信息神经网络模型,用于解决数据稀疏的力学正、反问题。结合迁移学习策略,利用源模型中已有知识来加强目标任务中的学习,从而提高学习的效率,实现不需要大量数据就能得到较好预测性能的目标。该方法在薄板(两端简支+两端固支)的数据集上训练源模型,基于深度迁移学习从源模型上提取神经网络特征;利用目标任务中稀疏数据集实现源模型的微调,进而对不同边界的薄板响应预测(正问题)和边界识别(反问题)的目标任务进行验证。研究结果表明,该方法在小样本的目标任务上具有良好的精度和泛化能力。相比数据驱动的深度学习模型,物理信息神经网络模型可以有效避免数据生成带来的成本和网格独立性等问题。