深厚粘土地层两类自重固结沉降研究

来源 :中国矿业大学 | 被引量 : 0次 | 上传用户:amao01010
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
数十年的实测数据显示,黄淮矿区井筒周围地层沉降持续不断;考虑到砂土层水压耗散较快,这种持续不断的沉降很可能与该地区普遍存在的深厚粘土地层有关,有必要针对无附加外载作用下的深厚粘土层自重固结展开研究。鉴于此并结合工程实际,本文进一步将粘土自重固结细分为两类:第一类是土体在初始天然自重作用下,产生超孔隙水压力,在排水条件下超孔隙水压力消散,土体固结;第二类是由于矿区井筒漏水,导致深部含水层水压耗散,进而导致深部粘土孔压平衡状态遭到破坏,使得粘土层在自重作用下固结压缩。在调研分析的基础上,本文选取Gibson一维大变形固结理论、以Biot固结理论为基础的有限元模拟以及工程实测的手段开展研究。首先通过分析对比以Biot固结理论为基础的ABAQUS模拟结果和Gibson一维大变形固结理论的计算结果,总结出一套合适的模拟参数选取方案,最终确定使用Gibson一维大变形理论研究第一类自重固结问题;对于第二类自重固结,通过ABAQUS模拟进行合理研究。基于Gibson一维大变形固结理论研究了第一类自重固结问题中固结系数、地层厚度以及地层埋深对固结沉降量和固结时间的影响。结果表明,目前地层中存在的厚度10-20m左右的粘土层,天然自重固结应该已经完成,20-100m的粘土层,如果其地质年代属于全新世或晚更新世,则其天然固结很可能尚未完成,但相应是年沉降量均非常小,对地层沉降贡献有限。综合来看,无论哪种厚度的粘土层,第一类天然自重固结对目前地层沉降的贡献都基本可以忽略。利用ABAQUS对第二类自重固结问题中土体参数、地层厚度、地层埋深以及孔压边界对固结沉降量和固结时间的影响。模拟结果表明,第二类自重固结自井筒漏水后的前100年沉降量是非常可观,平均每年的沉降量达到数毫米甚至更多,对目前地层沉降有着较大贡献;而且前100年的沉降量只占总沉降量的小部分,大部分沉降会发生在100年之后;此外第二类自重固结对地层沉降的影响具有贡献大、影响远的特点。在前述规律研究的基础之上,通过简化假设,对多年来周围地层不断沉降的中煤大屯矿区的两个井筒,建立了相应的数值计算模型,模拟结果和监测结果基本吻合;模拟结果显示未来60年内,即使在井筒不再漏水的理想情况下,矿井井筒周围地层的非采动沉降量也是不容忽视的,其主要源自于粘土地层压缩的贡献;而且非采动沉降不止于未来60年,具有更持久性的影响。该论文有图65幅,表25个,参考文献88篇。
其他文献
就山西省几种植物萎蔫病株进行了镰刀菌的初步分离与鉴定,分别采集了不同地区的5种作物萎蔫病植株,共分离到12株镰孢霉菌株,经形态学鉴定分别为尖孢镰刀菌(F.oxysporum)、半裸
今年年初全球展览业协会(UFI)与国际展览与项目协会(IAEE)共同推动设立“全球展览日”,用以突显展览业对经济发展的重要推动作用,来表达展览人的共同心愿。在全球展览日前夕和展览
期刊
糊料作为色浆的主要成分,对印制效果有很大的影响。大部分印花糊料是非牛顿流体,其流变性能难以用单一方法分析。目前,国内外主要研究糊料的静态流变性能。但是,作为高分子化合物
<正>近年来,随着政府对公共安全领域的投入和人们安全意识的提高,无论是政府还是公众对公共安全防范服务产品需求变得非常迫切,尤其是对智能视频安防监控新产品新技术的渴望
作业成本会计适应现代企业的制造环境而产生,弥补了传统成本会计在现代企业制造系统中的一些缺陷,在西方发达国家,已呈现出较好的发展,势头,对传统的成本会计理论、责任会计理论和
近年来有机发光二极管(OLED)及相应的显示产品以其广视角、广色域、自发光、响应快、驱动电压低、面板薄和可实现柔性显示等独特优势迅速在市场全面爆发。然而由于通过真空掩膜
播音主持批评是媒介批评的一个子系统,与媒介批评相关,但却有着自足的批评理念。播音主持学理性批评专指播音主持研究领域的专家学者从不同立场的学术视野出发,对活态现实和
爱因斯坦所说的"一切科学"中,合乎逻辑地包括自然科学和社会科学的各学科,其中也包括历史或历史学。在爱因斯坦看来,历史与科学既有共同之处,也各有自己的特点。根源于所从事
随着人们生活水平的提高和人口的老龄化,骨质疏松症得到了广泛的关注,牙齿种植技术也得到了广泛的应用,在骨质疏松症的诊断和牙齿种植过程中骨密度测量是至关重要的。骨密度
关联规则挖掘是数据挖掘中重要研究的方法之一,其目的是从大型数据库中发现有用的信息。人们利用数据挖掘技术从数据中获得了很多有用的信息,这些信息推动着人类科技的发展。但是,海量的数据是人们进行数据挖掘所面临的一大难题,如果没有高效率的挖掘算法,人们在进行数据挖掘时所耗费的时间将是巨大的。而且目前所研究的大多数数据挖掘都只是挖掘事务之间的正向关系,而往往忽略了事务间负关联关系的存在。但是在现实生活中的很