某变电站人工堆积边坡稳定性分析

以北京市门头沟区某变电站场地人工堆积边坡为研究对象,基于系统的现场勘察和室内外试验结果,选择典型边坡剖面,应用极限平衡法研究了不同工况下的边坡稳定性,并提出了针对性的防治措施。结果表明:在天然工况下,该人工堆积边坡剖面1-1和剖面2-2均处于欠稳定–不稳定状态;在暴雨工况下,剖面1-1和剖面2-2处均处于不稳定状态,边坡整体上处于不稳定状态。根据边坡稳定性的分析结果,结合工程实际情况,确定桩板式挡土墙为该人工堆积边坡的优化支护方案。

圆形浅基础承载力计算新模型及验证

通过假定地基发生整体剪切破坏,给出滑动破坏面,考虑地基土的塑性平衡区随着基础埋置深度的不同而扩展到最大可能的程度,并目计及基础两侧土的抗剪强度对承载力的影响,采用极限平衡法,理论上推导出了圆形浅基础承载力。结合工程实例,并利用有限元程序(ADINA)进行数值模拟,进一步验证了浅基础破坏模式的正确性,以及理论推导的可靠性。

北京地区公路岩质边坡生态护坡中喷混植生技术的适宜性研究

根据喷混植生技术的基础理论与工程应用条件,结合北京地区公路岩质边坡的特点及植被特征,从边坡立地条件、植物种类、养护管理及投资条件四个方面,对该技术在北京地区公路岩质边坡生态护坡中应用的适宜条件进行了分析和总结。

挤扩支盘桩与DX桩承力盘挤扩机理对比研究

挤扩支盘桩与DX桩是从普通的灌注桩衍生而来的一种新桩型,与普通混凝土灌注桩相比,单桩竖向承载力、单方混凝土承载能力都有显著提高,具有良好的社会与经济效益。通过对两种挤扩设备(单向挤压设备和双向挤压设备)的挤扩原理分析对比,说明双向挤压设备形成的支盘其承载性能明显好于单向挤压设备所形成的支盘。在对两种挤扩设备挤压土体形成支盘的过程及运动机理分析的基础上,给出了确定承力盘轮廓线的方法,并推导出承力盘体积的计算公式,为其承载力计算提供依据。

地下变电站深基坑工程的变形控制

地下变电站基坑由于周边环境复杂,开挖深度大,基坑支护结构设计时的决定因素是变形控制。菜市口220 k V变电站深基坑工程深度超过30 m,是北京地区较深的基坑之一。本文通过该工程案例,阐述以变形控制为原则的基坑支护设计方法。同时运用FLAC3D的数值模拟进行应力应变分析。应用上述两种方法预测支护结构变形和周围土体位移场,进行详细的基坑支护方案设计,同时施工过程中采取变形控制措施。理论计算的支护结构变形、周边土体的位移与实际监测数据相吻合。

北京地区浅层土壤电阻率测试及影响因素

土壤电阻率是电力工程、地下轨道接地设计的重要电学参数,直接影响接地装置接地电阻的大小、地网地面电位分布、接触电压和跨步电压。通过对变电站场地岩土工程勘察中获得的测试数据的分析,探讨了影响土壤电阻率测试结果的主要因素;介绍了土壤电阻率的主要测试方法(四极电测深法、电测井法),以及两种测试方法的优缺点,通过对实际工程测试数据的对比,初步地分析了两种方法的适用性。

浅析帷幕注浆在太阳宫热电厂接入孙河工程中的应用

注浆加固是暗挖工程施工中非常关键的环节,本文主要介绍太阳宫热电厂接入孙河工程暗挖第二标段注浆避水加固设计及实施情况,以期为类似电力暗挖工程提供对比和参考。

几种地震液化判别方法的对比

地震液化判别是地震地质灾害评价的重要环节,不同的判别方法有时会得出不同的结论.对几种主要判别方法进行梳理,通过具体工程测试数据,分别应用标准贯入法、NCEER法、静力触探法及剪切波速法进行判别,分析各种方法的结论,得出用剪切波速法进行液化判别存在明显的缺陷,对于浅层的粉土较为冒进,对于深层的砂土又过于保守.标准贯入法、NCEER法、静力触探法得出的结论基本一致,但对于细颗粒含量较高的砂土,NCEER法与其他方法存在明显的差别.

《工程勘察通用规范》实施后的架空线路勘察

《工程勘察通用规范》是全文强制性工程建设国家标准。该规范对钻孔数量、钻孔深度以及取样、测试及室内试验都提出了要求。由于行业和历史原因,电力工程勘察具有鲜明的行业特点。通过条文对比分析,电力架空线路工程在勘察方法、钻孔布设、取样、测试、室内试验和成果内容方面与《工程勘察通用规范》的规定有一定差别。未来岩土工程勘察工作实施过程中需要作出一些适当的调整以满足《工程勘察通用规范》的要求,行业标准和团体标准的修编也应提出更明确的要求。

基于Noise-to-Noise自监督学习的地震数据去噪方法

在地震勘探采集到的地震数据中不可避免的存在随机噪声,而高信噪比的地震数据是地震资料反演和解释的基础.因此随机噪声压制一直是地震资料处理中的重要工作.近些年来,随着深度学习技术的发展,基于卷积神经网络的地震数据去噪方法已经取得了丰硕的成果.常规的监督学习策略需要获取无噪数据作为标签,然而从实际地震数据中获取无噪数据只能通过传统去噪方法进行预处理,以此方法构建标签数据的监督学习去噪网络必然受构建数据集的去噪方法影响.针对此问题,本文提出了一种基于Noise-to-Noise自监督学习的地震数据去噪方法,该方法通过对实际地震数据添加不同等级的噪声构建训练数据集,仅需要含噪地震数据即可训练去噪网络.合成数据测试和实际数据测试表明,本文方法可以有效去除地震数据中的随机噪声,性能优于受数据集构建方法所限的监督学习去噪方法和传统去噪方法.