45、环境与工程地质学基础概念及应用解析

环境与工程地质学基础概念及应用解析

在地质学和工程学的交叉领域中,环境与工程地质学扮演着至关重要的角色。它涉及到众多的专业术语和概念,这些术语和概念是理解地质环境与工程建设相互关系的基础。下面将详细介绍其中一些关键的概念和它们在实际中的应用。

地质材料与岩石类型

地质材料和岩石类型是环境与工程地质学的基础。不同的岩石和土壤具有不同的物理和化学性质,这些性质会对工程建设产生重要影响。
- 黏土矿物 :黏土矿物是一类重要的地质材料,包括蒙脱石、高岭石、伊利石等。例如,蒙脱石是一种膨胀性黏土矿物,遇水会显著膨胀,这可能导致地基不稳定。而高岭石则常用于陶瓷和砖瓦制造。
|黏土矿物|特性|应用|
| ---- | ---- | ---- |
|蒙脱石|遇水膨胀显著|[Al4Si8O2o(OH)4.nH20],用于钻井泥浆等|
|高岭石|[A14Si4O10(OH)8],常用于陶瓷和砖瓦制造|
|伊利石|[K2–3A18(Al2–3Si13–14)O40(OH)8],在砖瓦制造中有应用|

  • 岩石类型 :岩石类型多样,如玄武岩、安山岩、花岗岩等。玄武岩是常见的基性火山岩,颜色深且颗粒细;安山岩是暗色、细粒的喷出岩;花岗岩是浅色、粗粒的侵入岩。不同的岩石在建筑材料、道路工程等方面有不同的应用。
graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A
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