创刊于1987年, 双月刊
主管:

江西理工大学

主办:

江西理工大学
江西省有色金属学会

ISSN:1674-9669
CN:36-1311/TF
CODEN YJKYA9

极限平衡理论下寒区危岩稳定性及关键参数研究现状

舒佳军, 李小双, 邓正定, 黄晶柱

舒佳军, 李小双, 邓正定, 黄晶柱. 极限平衡理论下寒区危岩稳定性及关键参数研究现状[J]. 有色金属科学与工程, 2022, 13(4): 91-97. DOI: 10.13264/j.cnki.ysjskx.2022.04.011
引用本文: 舒佳军, 李小双, 邓正定, 黄晶柱. 极限平衡理论下寒区危岩稳定性及关键参数研究现状[J]. 有色金属科学与工程, 2022, 13(4): 91-97. DOI: 10.13264/j.cnki.ysjskx.2022.04.011
SHU Jiajun, LI Xiaoshuang, DENG Zhengding, HUANG Jingzhu. Research status of stability and key parameters of dangerous rock in cold regions based on limit equilibrium theory[J]. Nonferrous Metals Science and Engineering, 2022, 13(4): 91-97. DOI: 10.13264/j.cnki.ysjskx.2022.04.011
Citation: SHU Jiajun, LI Xiaoshuang, DENG Zhengding, HUANG Jingzhu. Research status of stability and key parameters of dangerous rock in cold regions based on limit equilibrium theory[J]. Nonferrous Metals Science and Engineering, 2022, 13(4): 91-97. DOI: 10.13264/j.cnki.ysjskx.2022.04.011

极限平衡理论下寒区危岩稳定性及关键参数研究现状

基金项目: 

江西省教育厅科研技术项目 GJJ170562

江西省教育厅科研技术项目 GJJ200871

江西理工大学高层次人才启动项目 205200100486

江西省研究生创新专项资金项目 XY2021-S025

详细信息
    通讯作者:

    邓正定(1987-),男,博士,讲师,主要从事岩土力学方面的研究。E-mail: dengzhengding@126.com

  • 中图分类号: TD12

Research status of stability and key parameters of dangerous rock in cold regions based on limit equilibrium theory

  • 摘要: 危岩失稳破坏是我国寒区主要的地质灾害之一,基于极限平衡分析理论,采用力学计算结果可定量分析危岩稳定性,因此,对极限平衡理论下寒区危岩稳定性计算参数研究一直是寒区边坡工程的重点。在收集国内外相关资料的基础上,从多方面总结了关键参数的研究进展,指出了当前危岩稳定性及关键参数研究存在的问题:①自然环境中危岩体结构面冻胀理论的选取;②适用于土体(连续介质)冻结深度计算的经验公式是否适用于岩体(多孔介质);③如何界定主控面上岩体物理力学性能劣化规律。同时,对未来寒区危岩稳定性研究及发展予以分析,未来研究方向包括危岩结构面冻结深度研究的完善、多场多相耦合对危岩的劣化作用、断裂力学和损伤力学等理论与极限平衡理论相结合等方面。
    Abstract: The instability and failure of dangerous rock was one of the main geological disasters in cold regions of China. Limit equilibrium analysis theory could be used to quantitatively analyze the stability of dangerous rock based on the mechanical calculation results. Therefore, the research on the calculation parameters of the stability coefficient of dangerous rock in cold regions under the limit equilibrium theory has always been the focus of cold region engineering. On the basis of relevant data at home and abroad, the research progress of different key parameters was summarized from many aspects, and the existing problems in the research of dangerous rock stability and key parameters were pointed out: ① Selection of frost heave theory of structural plane of dangerous rock mass in natural environment; ② Whether the empirical formula for calculating the freezing depth of soil (continuous medium) was suitable for rock mass (porous medium); ③ How to define the deterioration law of physical and mechanical properties of rock mass on the main control plane. It also analyzed the research and development of the stability of dangerous rock in cold regions in the future, including the perfection of the study on the freezing depth of the structural plane of dangerous rock, the deterioration of multifield and multiphase coupling on dangerous rock, the combination of fracture mechanics, damage mechanics and limit equilibrium theory.
  • 岩溶塌陷是矿山地表塌陷的原因之一,是一种常见的矿山地质灾害[1]。岩溶塌陷不但影响企业效益及生态环境,更对相关领域工作人员生命安全带来威胁,因此,准确预测岩溶塌陷现象具有极大的实际意义。

    为对岩溶塌陷进行准确预测,首先需要了解岩溶发育和塌陷的影响因素。有关岩溶发育机理及影响因素的多项研究[2-11]表明,岩溶主要由可溶岩与地下水相互作用而产生,其主要原理是水、二氧化碳与可溶岩中的碳酸成分发生的化学反应。岩溶塌陷是岩溶结构导致的塌陷现象,是多因素叠加的结果[12-16]。岩溶塌陷一般发展过程是,地下水对可溶性基岩侵蚀产生岩溶构造,岩溶构造上的覆盖土由于受地下水的动力影响产生土洞,随着土洞不断扩大,地表随之塌陷。石树静等[17]认为岩溶塌陷是多种不良因素共同作用的产物,其致塌因素主要包括特殊的“水-土-岩”组合及人为活动;也有研究表明地下和地表水体对土层的潜蚀作用导致岩溶地面塌陷[18-22]。结合土的本质作用,根据不同类型的覆盖层,可将塌陷分为土洞型、沙漏型和泥流型3种塌陷机制[23-24]。因此,预测模型中的评价指标应以相关影响因素为参考进行选取。

    研究者采用多种方法实现岩溶塌陷的预测。例如,使用模糊综合评价法预测岩溶塌陷[25-26],但模型在指标权值的确定过程中,不同程度地使用了专家打分法,理论上仍具有一定的主观性。PERRIN等[27]根据塌陷发育的影响因素及过程,分析权重后建立了岩溶塌陷敏感性模型,具有一定的效果,但在具体应用中,对于岩溶塌陷不集中区域仍有20%无法预测,在这类区域中的预测效果差强人意。YAU等[28]结合数值模拟方法提出了一种概率模型预测岩溶空腔分布,取得了预期结果,但模型在建立和运行时比较耗时。综上可知,因实际工程中的现象是复杂的,在使用传统评价方法时难以避免繁琐且带有一定主观性的过程,导致传统评价方法在一些工程条件下具有一定的局限性。

    神经网络模型能够根据训练样本自动调整结构参数,改变映射关系,具有较强的自适应性,可实现多种非线性映射,较好地解决了传统方法中主观性大的问题,提高评估精确性,简化过程。BP神经网络是一种经典的神经网络模型,已被证实在岩溶塌陷预测问题中具有一定的实用性[29-32],并且在部分工程中也取得了较好的效果。但是,神经网络预测模型在使用时对样本数量具有一定的要求,工程数据数量主要由工程需求决定,样本数量过少会过拟合,导致预测效果不良,并且受环境、人员等因素影响,使得样本数量及质量无法满足模型学习需求,达不到预期的效果。

    LOF(Local Outlier Factor)算法可将样本数据中异常(离群)数据检测并剔除,SMOTE(Synthetic Minority Oversampling Technique)算法可合成新的少数类样本,均衡样本种类。在类似的工程问题中,谭文侃等[33]采用LOF算法和SMOTE算法组合对强烈岩爆进行了预测,结果表明,经过改进方法处理后,有效且可靠地提高了机器学习的岩爆预测模型准确率。本文采用LOF算法及SMOTE算法对工程数据进行预处理,依据岩溶塌陷机理建立BP(Back Propagation)神经网络岩溶塌陷风险预测模型。

    LOF算法[34]是一种基于密度无监督的局部离群点检测方法,可计算数据点相对于其邻域的局部密度偏差,通过对比确定数据对象的离群值。其主要步骤如下:

    1)k距离邻域

    数据点p的邻域Nk(p)到数据点p的距离小于等于点pk距离的点的集合,即:

    (1)

    (2)

    dk(p) =d(p, o)时需满足:

    ① 数据集D中至少有不包括pk个点,满足

    ② 数据集D中至多有不包括pk-1个点,满足

    2)可达距离

    o至点pk可达距离是点o的第k距离与点po间的距离的最大值,即:

    (3)

    图 1所示为当k=5时,图 2所示为当k=5时,

    图  1  k=5时,点o至点p1的可达距离示意
    Figure  1.  Schematic diagram of accessible distance from point o to point p1 when k=5
    图  2  k=5时,点o至点p2的可达距离示意
    Figure  2.  Schematic diagram of accessible distance from point o to point p2 when k=5

    3)局部可达密度

    局部可达密度可由点p的第k邻域内点到p的平均可达距离的倒数表示,密度越低,离群点的可能性越大,表达式如下:

    (4)

    4)局部离群因子

    局部离群因子是点p的邻域内所有点的平均局部可达密度与点p本身的局部可达密度之比的平均值,表达式如下:

    (5)

    若局部离群因子的值越大于1,说明p的密度越小于邻域的平均密度,该点可能是一个离群点。

    SMOTE算法的主要思路是以少数类样本为基础合成新的样本[35],在此过程中不但可以控制新样本的数量,还可以限制新样本的分布区域[36]。以图 3样本示意图为例,其中,圆形代表多数类样本,星形代表少数类样本。

    图  3  样本示意(其中星形为少数类样本)
    Figure  3.  Schematic diagram of sample (the stellate ones are a minority of class samples)

    对于少数类样本,以欧式距离为标准计算其到同类样本的距离,得到k近邻。少数类样本中选择一个点xo,从其k近邻随机选择某点xp,根据式(6)得到新样本x'。图 4中方形为星形合成的新样本。

    图  4  新样本示意(其中方形为新合成样本)
    Figure  4.  Schematic diagram of new sample (the square ones are new synthetic samples)

    (6)

    BP神经网络是一种输入信号正向传播,误差反向传播的神经网络模型。通过学习训练对某项结果进行预测,根据预测结果与预期结果的误差修改权值和阈值,进一步调整使其与预期结果一致。图 5所示为BP神经网络示意图,BP神经网络由输入层、隐含层和输出层组成。

    图  5  BP神经网络示意
    Figure  5.  Schematic diagram of BP neural network

    BP神经网络训练步骤主要有以下步骤:

    ① 确定输入输出值,输入、隐含、输出节点数,初始化不同层间权值ωjiνkj

    ② 计算隐含层输出,计算公式如式(7)所示,其中,θj为隐含层节点,j为隐含层节点数,f为传递函数。

    (7)

    ③ 计算输出层输出,计算公式如式(8)所示,其中,φk为输出层阈值(k为输出层节点数)。

    (8)

    ④ 根据Oky计算网络预测误差e

    ⑤ 根据误差e使用式(9)和式(10)调整权值,使用式(11)和式(12)调整阈值。

    (9)

    (10)

    (11)

    (12)

    ⑥ 检验目标误差。

    杨彪[37]根据某矿山岩溶地表塌陷实测数据,确定了地下水、水文地质参数、覆盖层、环境、岩性这5个方面岩溶塌陷影响因素,以及12个显著影响岩溶地表塌陷的子因素,因研究区基岩地层均为壶天群含水层,因此不考虑地层岩性的影响,所以选取11个因子作为评价指标,分别为地下水位(x1)、地下水位波动幅度(x2)、给水度(x3)、横向渗透系数(x4)、纵向渗透系数(x5)、贮水系数(x6)、覆盖层厚度(x7)、人工抽水强度(x8)、河流和湖泊(x9)、降雨量(x10)和井下涌水点含沙率(x11)。同时,将5个方面的因素按照对岩溶地表的影响不同程度的进行了量化分级,如表 1表 6所列,以此为基础将最终预测期望输出参数分为5级,如表 7所列。本文将采用该文献确定的指标、数据及分级。

    表  1  地下水影响量化分级表
    Table  1.  Quantified grading table of groundwater impact
    下载: 导出CSV 
    | 显示表格
    表  2  覆盖层影响量化分级表
    Table  2.  Quantitative grading table of overburden impact
    下载: 导出CSV 
    | 显示表格
    表  3  降雨量影响量化分级表
    Table  3.  Quantitative grading table of rainfall impact
    下载: 导出CSV 
    | 显示表格
    表  4  河流湖泊影响量化分级表
    Table  4.  Quantitative grading table of river and lake impact
    下载: 导出CSV 
    | 显示表格
    表  5  矿坑涌水量影响量化分级表
    Table  5.  Quantitative classification table of mine water inflow effect
    下载: 导出CSV 
    | 显示表格
    表  6  井下涌水点含沙率影响量化分级表
    Table  6.  Quantitative grading table of influence of sand content at underground water gushing point
    下载: 导出CSV 
    | 显示表格
    表  7  期望输出参数分级
    Table  7.  Expected output parameter grading
    下载: 导出CSV 
    | 显示表格

    地下水对岩溶地表塌陷的影响主要体现在地下水位和地下水位波动幅度两个因素上。依据矿山工程实际进行量化分级,如表 1所列。

    研究区地表覆盖着第四系粉质黏土和粉土夹砂砾石厚度为10~30 m,含水性能弱,降雨通过覆盖层进入含水层。覆盖层厚度是影响地表塌陷的重要因素,依据矿山工程实际进行量化分级,如表 2所列。

    该矿曾为了消除地下水对井下开采的影响,建设了截流疏干系统,降低了整个地区的水位,形成较大水力坡度。通过监测矿坑涌水量和井下涌水点含沙量反映抽水强度对塌陷的影响,因此根据矿山工程实际进行量化分级,如表 3表 6所列。

    采用Python语言对样本进行预处理,采用LOF算法对岩溶塌陷数据集进行检测,剔除离群点,之后由SMOTE算法过采样,各类样本总数由原21组增加到436组,并从原数据及新合成数据中分层抽样后增加训练集与测试集。表 8所示为原训练样本,表 9所示为原预测样本。

    表  8  原训练样本
    Table  8.  Original training samples
    下载: 导出CSV 
    | 显示表格
    表  9  原预测样本
    Table  9.  Original prediction samples
    下载: 导出CSV 
    | 显示表格

    根据预处理后的训练集与测试集,建立BP神经网络预测模型,其中,参数设置中目标误差0.000 1,步数2 000,输入节点11个,学习率为0.01。在训练和预测时,采取随机10组的结果求平均值的方法减少样本误差。图 6(a)图 6(b)图 6(c)为节选3组预测结果,图 6(d)为10组平均预测结果,表 10为预测结果。

    图  6  预测结果:(a)、(b)、(c)为节选的3组预测结果;(d)为10组平均预测结果
    Figure  6.  Prediction results: (a), (b) and (c) are three prediction groups of results excerpted; (d) is the average prediction result of ten groups
    表  10  预处理后实际输出与预测结果对比
    Table  10.  Comparison between the actual output results after pretreatment and predicted results
    下载: 导出CSV 
    | 显示表格

    参考文献[38]根据本文中预处理前的原始数据,使用PCA-PSO-SVM方法对矿山岩溶塌陷进行预测,取得了较好的预测效果见表 10表 11将本文模型预测误差与文献[38]的模型误差做对比,本文模型的预测相对误差分别0.20%、-0.41%、-0.20%、-2.26%、-0.90%,均优于SVM预测模型的8.93%、10.00%、-3.40%、3.20%、5.20%,基本优于PCA-PSO-SVM预测模型的2.00%、3.07%、-1.10%、0.13%、4.27%,结合样本回归情况(图 7),其中,回归值R表示实际与预测之间的相关性,R越接近1表示关系越密切,可以看出各类数据都呈现出较好的回归性,进一步说明了在相对满足神经网络对于样本数量的需求下,LOF-SMOTE-BPNN预测模型对于预测岩溶塌陷问题具有较高的使用价值。

    表  11  3种预测模型误差对比
    Table  11.  Error comparison of three prediction models
    下载: 导出CSV 
    | 显示表格
    图  7  样本回归情况(回归值R表示实际与预测之间的相关性,越接近1表示关系越密切)
    Figure  7.  Sample regression (the regression value R represents the correlation between actual and forecast, and the closer it is to 1, the closer the relationship is)

    本文根据某矿山工程实例建立了LOF-SMOTE-BPNN模型,并与同工程条件下其他预测模型的效果进行了对比,取得了较好的预测效果。因模型基于岩溶塌陷原理,所以其不但适用于矿山岩溶塌陷预测,还可用于其他岩溶塌陷工程预测。根据桂林市内岩溶塌陷问题[31],应用LOF-SMOTE-BPNN模型进行预测,并与实际结果作对比,验证模型的准确性与实用性。

    文献[31]统计了桂林市40余年发生的200余起岩溶地面塌陷,从近200个岩溶塌陷的实例中抽出14个样本,根据岩溶地面塌陷的诱发因素,选取了岩性系数(RQC)、岩体结构系数(RMSC)、地下水系数(GWC)、覆盖层系数(SSC)、地形地貌系数(LPC)、环境条件系数(ECC)6个评价因素,将岩溶地面塌陷程度由稳定到很易塌陷分为A、B、C、D、E五级状态。将五级状态赋予阈值1~5进行预测[39],根据其中的训练预测样本中C级样本,验证模型可靠性。表 12为C级样本评价指标。

    表  12  C级样本评价指标
    Table  12.  Evaluation indexes of grade C samples
    下载: 导出CSV 
    | 显示表格

    表 13为C级3号样本未预处理与预处理后预测结果对比,由于原始数据中C级样本数量较少,训练不够充分,预测结果为B级与实际情况不相符,经过预处理后的预测结果为C级与实际情况一致,模型对小样本C级预测效果显著提升。

    表  13  C级3号样本未预处理与预处理后预测结果对比
    Table  13.  Comparison between the prediction results of grade C No.3 sample without pretreatment and after pretreatment
    下载: 导出CSV 
    | 显示表格

    1)本文采用LOF与SMOTE算法,对矿山地表岩溶塌陷原始数据进行预处理,剔除了离群数据后增加了少数类样本,基本满足了神经网络模型对于样本数量的要求,提高了模型预测效果。

    2)数据预处理后的BP神经网络模型,预测相对误差分别为0.20%、-0.41%、-0.20%、-2.26%、-0.90%,精度较高,具有较好的预测能力,因此LOF-SMOTE-BPNN可为小样本矿山岩溶塌陷预测提供思路,并为矿山岩溶塌陷治理提供依据。

    3)以桂林岩溶地面塌陷实例中C级岩溶塌陷程度为例,对模型进行验证,预测结果与实际情况一致,进一步证明了模型的可行性。

  • 图  1   滑移式危岩计算模型

    Fig  1.   Calculation model of sliding unstable rock

    图  2   倾倒式危岩计算模型

    Fig  2.   Calculation model of toppling dangerous rock

    图  3   坠落式危岩计算模型

    Fig  3.   Calculation model of falling dangerous rock

    表  1   危岩稳定性分析方法

    Table  1   Stability analysis method of dangerous rock

    下载: 导出CSV
  • [1] 奥兰多·B·安德斯兰德, 布兰科·洛达尼著, 杨让宏, 等. 冻土工程[M]. 2版. 北京: 中国建筑工业出版社, 2011.
    [2] 徐斅祖. 中国冻胀研究进展[J]. 地球科学进展, 1994, 9(5): 13-19. https://www.cnki.com.cn/Article/CJFDTOTAL-DXJZ405.002.htm
    [3]

    CHEN H K, TANG H M, YE S Q. Damage model of control fissure in perilous rock[J]. Applied Mathematics and Mechanics, 2006, 27(7): 967-974. doi: 10.1007/s10483-006-0713-y

    [4] 中华人民共和国自然资源部. 全国矿产资源规划(2016-2020年)[EB/OL]. 自然资源部(2016-11-15)[2019-05-07].
    [5]

    OCCHIENA C, PIRULLI M. Analysis of clmatic influences on slope microseismic activity and rockfalls: case study of the Matterhorn peak (Northwestern Alps)[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2012, 138(8): 1012-1021. doi: 10.1061/(ASCE)GT.1943-5606.0000662

    [6]

    KE B, ZHOU K P, DENG H W, et al. NMR pore structure and dynamic characteristics of sandstone caused by ambient freeze-thaw action[J]. Shock and Vibration, 2017, 2017: 9728630.

    [7] 李长洪, 肖永刚, 王宇, 等. 高海拔寒区岩质边坡变形破坏机制研究现状及趋势[J]. 工程科学学报, 2019, 41(11): 1374-1386. https://www.cnki.com.cn/Article/CJFDTOTAL-BJKD201911002.htm
    [8] 杨天鸿, 张锋春, 于庆磊, 等. 露天矿高陡边坡稳定性研究现状及发展趋势[J]. 岩土力学, 2011, 32(5): 1437-1451. doi: 10.3969/j.issn.1000-7598.2011.05.025
    [9] 韩猛, 封海洋, 李金典, 等. 我国露天煤矿边坡研究现状及发展趋势[J]. 煤矿安全, 2020, 51(10): 276-280. https://www.cnki.com.cn/Article/CJFDTOTAL-MKAQ202010047.htm
    [10] 陈洪凯, 鲜学福, 唐红梅, 等. 危岩稳定性分析方法[J]. 应用力学学报, 2009, 26(2): 278-282. https://www.cnki.com.cn/Article/CJFDTOTAL-YYLX200902014.htm
    [11] 丁王飞, 周云涛. 基于主控结构面锁固段模型的危岩稳定性计算[J]. 人民长江, 2015, 46(24): 72-77. https://www.cnki.com.cn/Article/CJFDTOTAL-RIVE201524019.htm
    [12] 何国峰, 袁颖, 张云, 等. 危岩裂缝扩展研究及捆绑法在危岩边坡治理中的应用[J]. 高校地质学报, 2017, 23(4): 650-656. https://www.cnki.com.cn/Article/CJFDTOTAL-GXDX201704009.htm
    [13] 王志勇. 陡缓节理切割形成的平面滑移型危岩稳定性分析[J]. 铁道建筑, 2016, 56(6): 116-120. https://www.cnki.com.cn/Article/CJFDTOTAL-TDJZ201606031.htm
    [14] 吴福, 范秋雁, 李拓, 等. 危岩稳定性计算新体系[J]. 地质与勘探, 2018, 54(4): 791-800. doi: 10.3969/j.issn.0495-5331.2018.04.012
    [15] 唐红梅, 舒庆江, 王林峰. 考虑地震力方向的倾倒式危岩可靠度分析[J]. 应用数学和力学, 2020, 41(3): 319-328. https://www.cnki.com.cn/Article/CJFDTOTAL-YYSX202003008.htm
    [16] 周云涛, 石胜伟, 张勇, 等. 岩腔后退近水平砂-泥岩互层危岩稳定性研究[J]. 工程地质学报, 2017, 25(5): 1220-1229. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201705006.htm
    [17] 范秋雁, 李拓, 吴福. 危岩两种新模型稳定性分析[J]. 西部探矿工程, 2017, 29(12): 8-10. doi: 10.3969/j.issn.1004-5716.2017.12.003
    [18] 贾艳昌, 谢谟文, 昌圣翔, 等. 基于固有振动频率的滑移式和坠落式危岩块体稳定性评价模型研究[J]. 岩土力学, 2017, 38(7): 2149-2156. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX201707040.htm
    [19]

    HUANG S B, LU Z X, YE Z Y, et al. An elastoplastic model of frost deformation for the porous rock under freeze-thaw[J]. Engineering Geology, 2020, 278: 105820. doi: 10.1016/j.enggeo.2020.105820

    [20] 乔趁, 李长洪, 王宇, 等. 冻融循环作用下中部锁固岩桥破坏试验研究[J]. 岩石力学与工程学报, 2020, 39(6): 1094-1103.
    [21] 吴永, 何思明, 李新坡, 等. 裂缝冰胀力作用下高寒危岩体失稳破坏机理[J]. 四川大学学报(工程科学版), 2015, 47(6): 32-39. https://www.cnki.com.cn/Article/CJFDTOTAL-SCLH201506005.htm
    [22] 乔国文, 王运生, 储飞, 等. 冻融风化边坡岩体破坏机理研究[J]. 工程地质学报, 2015, 23(3): 469-476. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201503016.htm
    [23] 刘昊, 王宇, 王华建, 等. 冻融循环作用下岩石含冰裂隙冻胀力演化试验研究[J/OL]. 工程地质学报, [2020-09-09]. https://kns.cnki.net/kcms/detail/11.3249.P.20200908.1139.007.html.
    [24] 胡清义, 刘加龙, 韩前龙. 极端冰雪条件下危岩结构面冰胀力计算方法探讨[J]. 人民长江, 2010, 41(24): 72-75. doi: 10.3969/j.issn.1001-4179.2010.24.019
    [25] 赵鹏, 唐红梅. 危岩主控结构面的冻胀力计算公式研究[J]. 重庆交通大学学报(自然科学版), 2008, 27(3): 420-423. https://www.cnki.com.cn/Article/CJFDTOTAL-CQJT200803022.htm
    [26] 张永兴, 宋西成, 王桂林. 极端冰雪条件下岩石边坡倾覆稳定性分析[J]. 岩石力学与工程学报, 2010, 29(6): 1164-1171. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201006012.htm
    [27]

    DUDA R. Methods of determining rock mass freezing depth for shaft sinking in difficult hydrogeological and geotechnical conditions[J]. Archives of Mining Sciences, 2014, 59(2): 517-528. doi: 10.2478/amsc-2014-0038

    [28] 周幼吾, 郭东新, 邱国庆, 等. 中国冻土[M]. 北京: 科学出版社, 2000.
    [29] 周元辅, 张丹锋, 李明勇, 等. 季节性冻土区黏土冻结深度预测[J]. 科学技术与工程, 2021, 21(13): 5460-5466. doi: 10.3969/j.issn.1671-1815.2021.13.040
    [30]

    NELSON F E, OUTCALT S I. A computational method for prediction and regionalization of permafrost[J]. Arctic and Alpine Research, 1987, 19(3): 279-288. doi: 10.2307/1551363

    [31] 刘守花, 阳军生, 崔高航, 等. 季冻区深基坑温度场及冻胀变形研究[J]. 铁道科学与工程学报, 2020, 17(5): 1140-1146. https://www.cnki.com.cn/Article/CJFDTOTAL-CSTD202005010.htm
    [32] 任景全, 刘玉汐, 王冬妮, 等. 吉林省季节冻土冻结深度变化及对气候的响应[J]. 冰川冻土, 2019, 41(5): 1098-1106. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201905009.htm
    [33] 余宗明. 土壤冻结深度公式的研究[J]. 低温建筑技术, 1997, 19(3): 23-25. https://www.cnki.com.cn/Article/CJFDTOTAL-DRAW703.009.htm
    [34] 王澄海, 靳双龙, 吴忠元, 等. 估算冻结(融化)深度方法的比较及在中国地区的修正和应用[J]. 地球科学进展, 2009, 24(2): 132-140. doi: 10.3321/j.issn:1001-8166.2009.02.003
    [35]

    YANG X R, JIANG A N, ZHENG S. Analysis of the effect of freeze-thaw cycles and creep characteristics on slope stability[J]. Arabian Journal of Geosciences, 2021, 14(11): 1-13.

    [36]

    LUO X D, JIANG N, FAN X Y, et al. Effects of freeze-thaw on the determination and application of parameters of slope rock mass in cold regions[J]. Cold Regions Science and Technology, 2015, 110: 32-37. doi: 10.1016/j.coldregions.2014.11.002

    [37]

    JIA H L, XIANG W, KRAUTBLATTER M. Quantifying rock fatigue and decreasing compressive and tensile strength after repeated freeze-thaw cycles[J]. Permafrost and Periglacial Processes, 2015, 26(4): 368-377. doi: 10.1002/ppp.1857

    [38]

    LI J L, ZHOU K P, LIU W J, et al. Analysis of the effect of freeze-thaw cycles on the degradation of mechanical parameters and slope stability[J]. Bulletin of Engineering Geology & the Environment, 2018, 77(2): 573-580.

    [39] 闻磊, 李夕兵, 陈光辉, 等. 冻融循环作用下金属矿山边坡硬岩耐久性研究[J]. 矿冶工程, 2014, 34(6): 10-13. doi: 10.3969/j.issn.0253-6099.2014.06.003
    [40]

    INCE I, FENER M. A prediction model for uniaxial compressive strength of deteriorated pyroclastic rocks due to freeze-thaw cycle[J]. Journal of African Earth Sciences, 2016, 120(3): 134-140.

    [41] 贾海梁, 项伟, 申艳军, 等. 冻融循环作用下岩石疲劳损伤计算中关键问题的讨论[J]. 岩石力学与工程学报, 2017, 36(2): 335-346. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201702006.htm
    [42] 徐光苗, 刘泉声. 岩石冻融破坏机理分析及冻融力学试验研究[J]. 岩石力学与工程学报, 2005, 24(17): 3076-3082. doi: 10.3321/j.issn:1000-6915.2005.17.012
    [43] 郎东明, 李天成. 冻融循环作用下岩石能量演化及损伤本构研究[J]. 矿业研究与开发, 2020, 40(4): 74-78. https://www.cnki.com.cn/Article/CJFDTOTAL-KYYK202004014.htm
    [44] 张慧梅, 杨更社. 冻融与荷载耦合作用下岩石损伤模型的研究[J]. 岩石力学与工程学报, 2010, 29(3): 471-476. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201003007.htm
    [45] 陈松, 乔春生, 叶青, 等. 冻融荷载下节理岩体的复合损伤模型[J]. 哈尔滨工业大学学报, 2019, 51(2): 100-108. https://www.cnki.com.cn/Article/CJFDTOTAL-HEBX201902017.htm
    [46]

    MU J Q, PEI X J, HUANG R Q, et al. Degradation characteristics of shear strength of joints in three rock types due to cyclic freezing and thawing[J]. Cold Regions Science and Technology, 2017, 138: 91-97. doi: 10.1016/j.coldregions.2017.03.011

    [47]

    WANG L P, LI N, QI J L, et al. A study on the physical index change and triaxial compression test of intact hard rock subjected to freeze-thaw cycles[J]. Cold Regions Science and Technology, 2019, 160: 39-47. doi: 10.1016/j.coldregions.2019.01.001

    [48] 申艳军, 杨更社, 王婷, 等. 岩石内孔隙/裂隙冻胀力模型及其适用性评价[J]. 冰川冻土, 2019, 41(1): 117-128. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201901013.htm
图(3)  /  表(1)
计量
  • 文章访问数:  133
  • HTML全文浏览量:  35
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-12-14
  • 修回日期:  2022-03-13
  • 网络出版日期:  2022-09-02
  • 刊出日期:  2022-08-30

目录

/

返回文章
返回
x 关闭 永久关闭