排序方式： 共有4条查询结果，搜索用时 93 毫秒
1
1.
黄土边坡变形失稳机理研究对于黄土滑坡灾害防治具有重要意义。黄土-泥岩接触面滑坡作为黄土滑坡类型之一,研究人员已对其失稳基本过程与形成机理有较为清晰的认识。但对于其在不同降雨类型下,特别是强降雨条件下的变形破坏过程则有待进一步探讨。因此,本文对黄土-泥岩接触面边坡开展室内降雨模型试验,研究其在强降雨条件下斜坡变形破坏模式。试验设计连续强降雨和间断强降雨两种降雨条件,对比分析两种降雨条件下边坡雨水入渗规律及变形破坏模式。结果表明:在两种典型降雨模式下,雨水入渗速率由边坡前缘至后缘逐渐降低;在坡体表层,随着降雨由间断至连续过渡,入渗速率逐渐增加;在坡体深部,入渗速率受边坡结构影响;间断降雨下边坡呈现滑移-拉裂失稳;在连续降雨条件坡体则表现为蠕滑-拉裂破坏。 相似文献
2.
降雨是诱发滑坡尤其是浅层滑坡的主要因素,目前多数降雨作用下基岩型浅层边坡稳定性分析方法都是基于常降雨强度假设,忽略了降雨特性对该类边坡稳定性的影响。文章建立了常规型降雨强度-时间类型,通过控制参数统一均匀型降雨、递增型降雨、递减型降雨、峰值型降雨等类型。根据入渗理论和无限边坡模型,提出了考虑降雨类型的基岩型浅层边坡稳定性分析方法。通过编制MATLAB程序计算一边坡稳定性,结果表明:不同降雨类型对基岩型浅层边坡稳定性影响较大,具有明显的时效性。在实际边坡防治中,应考虑降雨特性对边坡稳定性的影响。 相似文献
3.
边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。 相似文献
4.
Richards方程在非饱和渗流模拟及其他相关领域应用广泛。在数值求解过程中,可以采用有限差分方法进行数值离散并迭代求解,为了获得较可靠的数值解,常规的均匀网格空间步长往往是较小的。在一些不利数值条件下,如入渗于干燥土壤,迭代计算费时甚至精度也不能得到很好改善。因此,文章提出Chebyshev空间网格改进方法,结合有限差分方法对Richards方程进行数值离散以获得线性方程组,并通过经典的Picard迭代方法进行迭代求解线性方程组以得到Richards方程的数值解。通过均质土和分层土2个不利情况下的非饱和渗流算例,又结合模型解析解和软件Hydrus-1D,对比研究了改进网格方法与均匀网格方法获得数值解的精度。结果表明,提出的Chebyshev网格方法相较于传统的均匀网格,可以在较少的节点数下获得较高的数值精度,又具有较小的计算开销,有较好的应用前景。 相似文献
1