黄土湿陷形成机制及评价方法研究

张 婉 陈佳玫

（1.杨凌职业技术学院，陕西 杨凌 712100；2.西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100)

0 引言

“丝绸之路经济带”是亚太、欧洲经济圈的纽带，具有巨大的经济发展潜力，随着经济的快速发展，越来越多国际合作项目在这一区域落户，助力我国西部大开发。但是在经济快速发展的同时，也面临很多挑战。我国的西北省区如新疆、甘肃，西南省区云南、西藏都在这一区域中，据研究表明这些地区黄土的占比非常高，在这些区域进行工程建设时经常会使用黄土作为填筑材料，但是黄土在遇水后，容易造成湿陷，从而导致建筑、桥梁发生垮塌事故，给国家、社会及个人造成人身安全隐患及财产损失。黄土湿陷性问题的研究不仅是一个科学问题，还具有重要的工程价值。最近几十年，黄土湿陷性研究一直是一个研究热点，但是造成黄土湿陷的原因非常复杂，虽然科研人员已经取得了一些成果，但是还有很多问题没有研究清楚。因此，本文针对黄土湿陷形成机制和评价方法进行综述，期望能有助于这一领域的快速发展。

1 黄土湿陷形成机制及理论的研究

造成黄土湿陷的因素有很多，总体来说有内外因之分。在外因方面，国内外研究人员主要从黄土的形成和结构特点进行研究，并提出了毛细管、溶盐、水膜楔入及欠压密等假说和理论。其中，毛细管假说认为黄土增湿后，破坏了土粒—砂粒絮凝结构，从而容易发生湿陷；溶盐假说包括“可溶盐的溶解”和“易溶盐的溶解”两部分，虽然二者观点不同，但都认为盐的溶解导致黄土结构的破坏，进而导致湿陷的发生。在进一步研究中，很多学者研究了在含水率变化时，黄土物化性质及内部结构的变化：其中，机械工业部勘察研究院的张炜、张苏民（1995）在西安东郊进行湿陷性试验，量化了在含水率变化后，黄土的强度、变形及结构特性的变化，阐述了黄土的应力-应变关系[1]；在二十世纪九十年代，曾国红等（1997）对山西太原化工厂及潞城水泥厂附近的原状黄土进行采集，并采用滴管均匀地将水滴在土样表面，以达到对土样初始含水量的精确控制，利用此方法，他们进行了大量不同黄土湿陷试验，研究改变黄土含水率及加荷变形时黄土的湿陷程度，得到了以含水率为自变量的黄土地基总变形公式[2]；张爱军、邢义川（2000）在进行增湿湿陷和孔隙水压力试验的时候，针对测量黄土湿陷性常用方法的缺陷，提出采用计算机模拟的方法，对黄土在增湿过程的动态过程进行了模拟，提出密度和本构关系的变化是造成地基湿陷形变的重要原因[3]；西安理工大学的谢定义（2001）提出黄土相较于其他类型的土，具有更强水敏性，当含水率提高后，黄土的增湿强度增量会显著增加，更易造成湿陷形变[4]；瑞安市水利局李敏、马登科（2005）在陕西多个地区进行的黄土湿陷试验中，对黄土施加不同的压力，并研究了当压力变化时，黄土的物化指标如含水率、干密度与黄土湿陷系数的函数关系，该函数关系的确定对初步评价黄土的湿陷性具有重要指导作用[5]。在内因方面，研究人员主要从黄土的空间结构力学角度对黄土湿陷性进行研究：南京建筑工程学院勘察系高国瑞（1980）运用电镜观察不同的黄土显微结构，并采用结构理论对黄土湿陷问题进行了解释，进而得到了黄土结构与湿陷性的相关性[6]；赵景波、陈云（1994）基于大量湿陷试验研究了不同黄土湿陷等级（非湿陷、弱湿陷、中等湿陷、强湿陷及极强湿陷）黄土的粒间孔隙类型和孔隙结合方法，并观察湿陷前后宏观和微观空隙的变化，从宏观和微观上对黄土孔隙与黄土湿陷的相关性进行了分析[7]；谢定义（1999）回顾了研究人员针对不同类型黄土的力学特性进行了总结，提出通过空间体系结构研究黄土的非均质性和各向异性，从力学的角度研究了黄土结构对湿陷性的影响；太原理工大学王梅等（2001）对不同深度的山西王曲黄土进行采集，在进行室内土工试验的基础上，结合高精度扫描电镜对黄土的微观结构进行观察，结果表明架空孔隙的尺寸与黄土湿陷性密切相关。

2 黄土湿陷性的检测评价指标

为了评价黄土的湿陷性，通常采用室内压缩和原位浸水等试验来测定湿陷系数及湿陷起始压力等指标，试验仪器通常采用三联固结仪（图1）。在确定湿陷系数过程中，通常需要对工地现场范围内不同深度黄土进行采集，然后采用单线或双线法测定，试验过程繁琐，耗时耗力，且由于试样的不均匀性，试验设备精度及试验人员的技术水平，使得测试结果的精度有限。为了节省人力物力，研究人员对黄土湿陷系数与主要物性指标的关系进行研究，期望通过稳定且容易测得的物性指标，推算黄土的湿陷系数。相较于湿陷系数，湿陷起始压力的计算更加繁琐，经常需要从浸水压缩试验中绘制的湿陷系数与压力的关系曲线上求出湿陷系数等于0.015时的压力值。

图1 三联固结仪

3 黄土湿陷性机器学习的研究方法

机器学习可以从历史数据学习规律，实现对未知样本的预测。其中，神经网络（图2）已经在图像处理、自动驾驶及水文预报等领域得到成功应用。虽然这些研究对象与黄土湿陷性研究差异很大，但是当我们对原始数据进行特征提取后，后续的建模过程都大同小异。在构建机器学习模型过程中，首先需要对试验数据进行搜集，因为没有足够的数据，建立机器学习模型也就无从谈起。在搜集到足够的样本数据后，需要根据数据的特点选择合适的模型，例如当我们已知一些数据样本，同时也知道这些样本分别属于两类，我们的目标是要将样本数据分为两类，针对这类问题我们采用监督学习方法；而如果我们的目标是预测样本数据对应的标签值，那么我们就需要采用回归方法进行建模。在确定了机器学习模型后，我们需要进一步将样本数据及标签数据集划分成训练数据集和测试数据集，一般训练数据集和测试数据集的比例是2：8。为了防止模型偏向绝对值大的特征因子，在输入机器学习模型前，需要对全体特征因子进行放缩，通常将其放缩到（-1，1）的范围内，从而避免模型的偏向性。在模型训练过程中，当训练次数达到最大值或者模型输出误差小于给定阈值值，模型训练完毕。为了进一步测试模型的性能，通常可以采用五折交叉验证和留一法进行模型评估。

图2 多层神经网络

4 黄土湿陷性的工程实践及研究

在黄土湿陷性研究过程中，西安理工大学邵生俊等（2013）在西安地铁四号线及宝鸡——兰州高铁隧道黄土湿陷试验过程中，对液限、塑限、塑限指数、含水率、干重度、孔隙比及饱和度等指标进行了采集，为了进一步确定影响黄土湿陷性的关键因素，其针对上述黄土的物性指标与湿陷性参数进行了相关性分析，得出了含水率、液限及孔隙比是影响黄土湿陷性的关键因素，并在此基础上建立了物性指标——湿陷性多元回归相关性模型，为解决不同物性指标之间的多重相关性对黄土湿陷分析的干扰做出了重要贡献[8]；陈佳玫（2016）对伊犁黄土的湿陷性进行了研究，对黄土试样的不同物化指标（液限、塑限、塑性指标、含水率、饱和度、干密度及孔隙比）进行了采集，并分析了不同物性指标之间的相关性，其中，塑性指数与液限、塑限的相关系数分别为0.955 和0.518，表明塑性指标与液限具有很强的相关性，且与塑限有一定相关性，为此采用塑性指标进行代表；含水率与饱和度的相关系数可达0.942，表明含水率与饱和度具有很强的相关性，因此采用含水率进行代表；在此基础上，建立了基于塑性指标、含水率及干密度等指标的黄土湿陷起始压力的BP 神经网络模型，输入节点为3 个，激活函数选择Sigmoid，为了验证预测模型的通用性，采用陕西彬县黄土湿陷试验数据进行验证，结果表明所有样本的预测值与真实值误差均小于10%，说明预测模型可以较为精确地预测了陕西彬县黄土湿陷起始压力，此外，其还提供了网络模型的权重和阈值，为后续研究人员提供一定参考[9]；中交第二航务工程勘察设计院有限公司詹红志和林剑锋（2020）在定西到临洮黄土湿陷性试验过程中，对含水率、干密度、饱和度、孔隙比、液限、塑限、塑限指标及压缩系数等指标进行采集，通过相关性分析发现，含水率、孔隙比、塑性指标及压缩系数是影响黄土湿陷性的关键指标，在此基础上，建立了基于BP 神经网络的黄土湿陷性预测模型，为了加快训练速度选择logsig 对数函数作为激活函数，在经过上万次训练后，模型训练完毕并可以在训练数据集上实现R＝0.94537,为了进一步测试预测模型的性能，对7 组预测样本进行评估，结果表明预测误差绝对值在2%-25.8%之间，实现了一定的预测精度[10]。但是，从上述研究中，我们发现在确定影响黄土湿陷性的关键指标过程中，不同研究人员往往存在着不同观点，从上述研究中可以看出，塑性指标、含水率是影响黄土湿陷性的关键因素已经达成了一定共识，但对于其他物性指标，不同研究人员得到的结论却差异很大，有的认为干密度是关键因素之一，有的却认为孔隙比和压缩系数是关键因素。造成这一现象的可能原因是不同地区黄土力学特性不同；在建模过程，在激活函数选择过程中，有的科研人员选择Sigmod 函数，而有些科研人员为了加快训练速度，选择logsig 函数，但是却使得模型训练次数更多；这些差异导致最终建立的预测模型差别很大，难以在实际中推广使用，为此，采用机器学习方法研究黄土湿陷性还处于理论研究阶段，还亟待广大科研人员进行深入的研究。

5 结束语

总的来说，机器学习模型不仅可以减少耗时且花费巨大的试验，还使大范围检测成为可能，是未来黄土湿陷性分析的一种重要方法。但是目前研究中采用的数据集还不够大，且使用的模型多为BP 神经网络，BP 神经网络的特点使得其容易陷入局部最优解的问题。因此，建模数据有限和模型的局限性造成了黄土湿陷性的预测精度还有待提高。随着黄土湿陷试验数据的积累，为建立更加精确的机器学习模型奠定了基础，使得基于机器学习方法预测黄土湿陷性必将成为一个研究热点。