36、岩土工程特性解析

岩土工程特性解析

在岩土工程领域,深入了解不同类型土壤和岩石的工程特性至关重要。这不仅有助于评估工程建设的可行性,还能为设计和施工提供关键依据。接下来,我们将详细探讨各类岩土的特性。

1. 泥炭沉降问题

泥炭在加载时的总沉降包括有体积变化和无体积变化的沉降。无体积变化的沉降更为严重,因为它可能导致旋转滑动和相邻地面隆起等破坏类型,而且不会增强泥炭的强度。

2. 岩石和岩体的描述

对岩石和岩体进行描述是工程评估的首要步骤。完整岩石可从地质或工程角度进行描述。从地质学角度看,岩石的成因、矿物成分、纹理以及形成后的变化至关重要。岩石类型能反映其成因、矿物组成和纹理。

在描述岩体时,只需对岩石进行基本的岩相学描述。而用于工程目的的微观岩相学描述,则需确定从宏观检查中无法获得的参数,如矿物含量、粒度、纹理和蚀变程度等,这些参数会影响岩石或岩体的力学行为。例如,粒度对岩石物理性质有影响,细粒岩石通常比粗粒岩石更强。

岩石材料会因风化和蚀变而质量下降。在工程性质方面,岩石的干密度和孔隙率可按表 1 描述,无侧限抗压强度可按表 2 分级。若未在实验室测定岩石强度,可按表 3 进行估算,但这种估算只是大致的。点荷载强度可通过使岩石在两个圆锥形加载板之间破坏,间接测量岩石的抗拉强度,其分类见表 4。

类别 干密度 (Mg m⁻³) 描述 孔隙率 (%) 描述
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值