干湿循环作用对黄土路堤边坡强度影响及稳定性分析

来源 :武汉工程大学 | 被引量 : 4次 | 上传用户:winxb
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本文以三门峡至淅川高速公路(灵宝-卢氏-西坪段)处Q3的黄土路堤边坡为研究对象,研究黄土路堤边坡在干湿循环作用下的承载比CBR值、粘聚力c、内摩擦角φ等变化规律。抗剪强参数大部分以试验为主,试验条件不同,得到的试验参数差别很大,因此需要结合实际工况进行有效取参。本文通过对试验样土进行CBR试验和三轴剪切试验,得到不同干湿循环条件下的路基承载力的变化规律和粘聚力c、内摩擦角φ等抗剪强度参数的变化情况,揭示黄土强度在不同条件下的衰减力学机制以及黄土路堤边坡的变形破坏情况,为实际工程提供了一定的参考依据。最后以土体Mohr-Coulomb变形破坏理论为依据,利用PLAXIS软件进行坡体变形与稳定性分析,得到一些有意义的研究成果如下:(1)在CBR实验中,CBR值均随着循环次数的增加而降低,在循环次数相同时,贯入量随着单位压力的增加而增加,循环次数越多,土体破坏情况越严重。多次循环后土体强度劣化效应累积,强度降低明显,破坏结构原有的整体性,使得土体强度降低。(2)在三轴剪切实验中,压实黄土的试样破坏形式主要有弱软化型、理想弹塑性和弱硬化型三种表现形态。试件随着含水量以及压实度的增加,试样的应力—应变曲线由弱软化型向理想弹塑性再向硬化型转变的趋势,随着干湿循环次数的增加,试样的应力—应变曲线有理想弹塑性向弱硬化型转变。其中粘聚力c与含水量w的关系为线性相关,与压实度的关系为指数关系,随着干湿循环次数的增加而减小,内摩擦角随着含水量的增加以及干湿循环次数的增加而减小,随着压实度的增加而增加,且影响因素中含水量对抗剪强度参数变化影响最大。(3)随着含水率的增加,位移变形量逐渐增加,路堤边坡的稳定性系数逐渐减小,稳定性降低,抵抗变形能力减弱,受含水率影响明显,当含水量为9.7%时,坡体的塑性变形从坡脚开始,坡体浅层最先受到影响,局部变形明显;当含水量为18.7%时,位移变形逐渐向最底层坡脚集中且逐渐变大,最终在坡脚产生一定的位移变形量,整个坡体位移变形从局部到整体。(4)稳定性分析中,随着干湿循环次数的增加,路堤边坡变形位移量增加,整体稳定性遭到破坏,土体强度降低,抵抗变形能力降低,路堤边坡的位移变形范围逐渐从浅层局部向深层坡脚扩散,说明干湿循环效应对坡体的影响是由浅入深,由局部到整体扩散。(5)当路堤边坡经历第3次干湿循环后,第三层路堤坡脚有明显位移变形,第5次干湿循环后坡脚位移增大明显,且影响范围扩大,说明经历多次循环后,坡脚破坏的可能性较大。根据不同条件下坡体位移云图知,含水量的变化对坡体的影响比干湿循环对坡体的影响要大。
其他文献
随着欧洲一体化的演进,反对、抵制一体化的思想与行动一直此起彼伏,反一体化伴随着一体化进程的始终。“反一体化”活动主要在国家、政党和民众三个层次上展开,遍及政治、经
序列相关扩增多态性(SRAP)是近年来发展起来的一种新型分子标记系统,它具有简便、中等产量、高共显性、重复性、易于分离条带及测序等优点,最大的特点是它针对的是基因的阅读框区
随着现代社会的发展,行政管理范围的拓展,行政权力的相对扩张,如何加强对行政权力的监督制约,建设廉洁政府、高效政府、法治政府已成为世界各国共同面对的一个课题,因此,加强
文章提出一种将载波与码相位分离的载波频偏估计算法。该算法可以高精度、快速地估计卫星信号的载波频偏。算法的主要思想是:在对卫星数字中频信号下变频后,将I、Q2路信号直接
园林植物可以净化空气、减缓城市热岛效应、美化城市,因此,其重要性不容小觑。然而在当前发展中,园林植物存在很多问题,通过实际观察发现,本文对其中存在的主要问题进行分析
<正>财税专家李炜光教授在其新著《李炜光说财税》的后记中说:探讨税收问题历来吃力不讨好,在我们这个纳税人权利意识还没有完全苏醒的社会里相当于逆风行船,其艰难可想而知
期刊
随着经济发展,城市规模不断扩大,城市人口急剧增加,城市拥挤、交通堵塞、噪音空气污染等等问题随即涌现。地铁以其独有的优势,如采用电力驱动,减少了空气污染;载客量远大于汽
近二十年来,锤头核酶作为基因治疗的一种重要RNA酶类越来越受到人们的广泛关注,有关锤头核酶抗病毒作用机理及应用等问题的研究正在逐步深入。本文仅就其分子结构、催化功能及影响
经济越发展,会计越重要.电大会计专业在研究和探索的基础上,构建了“课岗证一体化”的人才培养模式,它能有效培养会计学员的职业素质、操作能力和系统知识.
在kNN算法分类问题中,k的取值一般是固定的,另外,训练样本中可能存在的噪声能影响分类结果。针对以上存在的两个问题,本文提出一种新的基于稀疏学习的kNN分类方法。本文用训练样