改进的Green-Ampt模型及其试验验证

鉴于Green-Ampt模型过于简化、难以反映实际入渗特征,且其假设与实际入渗规律不符,本文为了弥补Green-Ampt模型的不足,提出了一种改进的Green-Ampt模型。提出的模型考虑了含水率与土体深度的关系,将土壤剖面划分为饱和区、过渡区以及天然区,土柱试验验证了所提出模型的准确性,也证实了入渗过程中过渡区的存在。试验结果表明:Green-Ampt模型计算值明显偏离实际累计入渗量,提出的模型总体上更接近实际累计入渗量。将该模型用于非饱和斜坡稳定性分析,计算结果揭示了Green-Ampt模型低估了斜坡的稳定性系数。提出的改进Green-Ampt模型为分析降雨滑坡风险提供参考。

基于时间序列和GRU的滑坡位移预测

近些年随着深度学习的兴起,长短时间记忆网络(LSTM)常应用于滑坡位移的预测。GRU(Gated Recurrent Unit)是LSTM的一种改良,为此提出了一种联合时间序列和GRU神经网络来预测滑坡位移的方法。采用移动平均法将滑坡总位移曲线分解为趋势项位移和周期项位移,灰色Verhulst模型描述趋势项变化;考虑降雨和库水位等对滑坡位移的影响,应用Python语言搭建了一个3层GRU网络和全连接层(Dense)网络,以预测周期项变化,并用三峡库区八字门滑坡监测点ZG111位移监测数据对该方法进行了验证。结果表明:该方法相较于GRNN模型更能有效地利用历史信息,预测效果得到明显提高,可为滑坡预测提供重要的参考。

采用改进的SOR迭代法模拟一维非饱和土渗流的研究

对一维RICHARDS方程进行线性化后,采用有限差分法(FDM)进行离散并获得一组线性方程,进而采用相应的迭代法进行求解。采用改进的预处理超松弛迭代法(P-SOR)和红黑排序超松弛迭代法(RB-SOR)求解线性方程组,同时,将改进的方法获得的数值解与解析解进行比较。研究结果表明:与传统的迭代法如GS、超松弛迭代法(SOR)相比,2种改进方法均可提高收敛率,且P-SOR比RB-SOR表现出更高的收敛率与计算效率。改进的SOR具有较好的数值精度和稳定性,并有显著的加速效果。该方法可以为地下水渗流的数值模拟提供参考。