排序方式: 共有16条查询结果,搜索用时 0 毫秒
11.
粉土动态回弹模量试验研究 总被引:2,自引:0,他引:2
利用动三轴试验,研究粉土动态回弹模量的影响因素及其规律,分析动态回弹模量对偏应力、侧应力和体应力的依赖关系,在回弹模量本构预估模型的基础上,采用偏应力和体应力为变量的动态回弹模量本构模型对试验数据进行回归分析.结果表明:动态回弹模量随围压和压实度的提高而增大,随循环偏应力和含水量的增大而减小.所选模型具有较高的决定系数,证明所选模型具有较高的合理性与可靠性,同时获得了不同含水量和压实度下粉土的动态回弹模量预估模型,可为基于动力学的路面结构设计提供参数. 相似文献
12.
基于车辆-轨道耦合动力学理论,建立列车-轨道-预应力路基和常规路基共2种三维动力有限元模型,通过引入重载铁路高低不平顺轨道谱,分析不同轴重列车运行下,这2种路基结构动应力响应差异化规律。研究结果表明:1)受轨道不平顺的影响,2股钢轨正下方路基面的动应力沿路基面中线呈非对称分布,且差异性显著;2) 2种路基结构在轨下路基面上的动应力峰值沿线路纵向的随机波动程度随轴重增大而增大,而预应力加固结构在一定程度上可控制这种波动程度,且列车轴重越大,控制优势越明显。在轨下基床层不同深度处,预应力路基内的动应力平均值略低于常规路基的动应力平均值;3)列车轴重对动应力变异水平存在放大效应,而在预应力路基基床内,其动应力变异系数均小于常规路基的动应力变异系数,表明预应力加固结构在维持路基动应力稳定方面具有积极效应;4)在基床内不同深度处,2种路基结构动应力峰值沿线路纵向均服从正态分布;5)列车轴重越大,钢筋附加动应力水平越高,但远低于静态目标张拉应力,且各排钢筋动响应程度沿坡面从上至下是逐渐衰减的。 相似文献
13.
为研究有砟轨道出现的道砟嵌入现象,开展以道砟与路基土双结构层试样为研究对象的动三轴试验。分析不同动应力和路基含水率条件下的道砟嵌入现象,提出定量表征道砟嵌入程度的指标,构建其与动应力和路基含水率间的经验模型,并对试样的侧向变形进行探讨。采用道砟嵌入深度、道砟嵌入质量和细粒土迁移质量等指标对道砟嵌入程度进行定量表征,并构建道砟嵌入指标与动应力间的经验模型;最后基于细粒土迁移质量和道砟嵌入深度间接表征并分析试样的侧向变形。研究结果表明:在循环动荷载作用下,道砟与细粒土接触部位会发生道砟嵌入现象;动应力和细粒土层含水率增加会加剧道砟嵌入程度,当动应力较低、细粒土层含水率增加至15.8%时,含水率的变化对道砟嵌入程度的影响减小,而当动应力较高时,细粒土层含水率增加能显著加剧道砟嵌入程度,甚至导致试样破坏;以道砟-细粒土双结构层试样为研究对象可考虑碎石道床-土质路基接触部位应力的离散性和局部增大效应,可为研究道床-路基的层间作用和整体变形特性提供试验依据。 相似文献
14.
基于Boussinesq和Cerruti公式推导的水平附加应力计算公式,提出新型预应力路堤加固薄弱点O处的附加应力分析方法。通过大量工况计算获得多块侧压力板联合作用下预应力路堤薄弱区域内薄弱点O处水平附加应力的扩散规律,并以该点处附加应力作为预应力加固的控制下限,探索侧压力板布置间距的设计方法。研究研究表明:1)单块侧压力板上、下板角不同外延面内的水平附加应力系数K均随水平深度系数hc的增加先增大后减小;2)加固薄弱点O处的附加应力系数KO可根据相邻4块侧压力板的附加应力扩散效应叠加求得,且在不同侧压力板间距下,KO均随hc的增加先增大后减小,即KO与hc的关系曲线均存在峰值点;3)定义侧压力板沿路堤坡向和纵向的净间距与板宽之比分别为净间距系数a和b,发现在不同路堤坡率及加固系数KP下,薄弱点O处的水平附加应力有效扩散深度系数hcp均分别随b和a的增大呈线性递减和线性递增关系,同时b和a呈指数型负相关关系;4)通过多元拟合分别建立了hcp与b(或a)以及b与a的函数关系式,可依据拟合关系设计侧压力板的布置间距。 相似文献
15.
负摩阻力作用下的单桩竖向承载性状 总被引:1,自引:0,他引:1
对负摩阻力作用下的单桩承载性状、负摩阻力与工作荷载之间的关系进行理论分析,然后建立单桩有限元模型,研究负摩阻力作用下桩基的承载性能、桩基的刚度以及下曳沉降变化规律.研究结果表明:下曳沉降由2部分组成,一是桩顶没有荷载作用时纯粹由负摩阻力引起的桩顶沉降;二是负摩阻力作用下,桩顶荷载下移中性点位置,使得承受桩顶荷载的桩段缩短所引起的沉降.负摩阻力在中性点平面形成的一对平衡力相当于在单桩桩体上施加了预应力,提高桩体本身的轴向刚度. 相似文献
16.
Boosting集成支持向量回归机的滑坡位移预测 总被引:1,自引:0,他引:1
支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者. 相似文献