XiaoMi-AI文件搜索系统
World File Search System有效应力
地基改良工程基础知识
2.2.3 土体中流过的水量 26 2.2.4 土体中流过的孔隙水压力 27 2.2.5 浮力 29 2.2.6 渗透力 29 2.2.7 地下水毛细上升 30 2.3 有效应力 31 2.3.1 有效应力方程 31 2.3.2 有效应力的重要性 31 2.4 抗剪强度 32 2.4.1 土体强度的概念 33 2.4.2 抗剪强度的实验室评估 33 2.4.2.1 直接剪切试验 33 2.4.2.2 三轴试验 36 2.4.3 抗剪强度总结 39 2.5 侧向土压力 40 2.5.1 主动土压力 41 2.5.2 被动土压力 43 2.5.3 静止（K 0 ）土压力44 2.5.4 产生主动、被动和静止土压力的运动量 44 2.6 现场调查 46 2.6.1 钻探方法 46 2.6.2 取样方法 47 2.6.3 现场测试方法 49 2.6.3.1 SPT 49 2.6.3.2 CPT 51 2.7 问题 52 参考文献 56
疲劳、疲劳裂纹扩展分析...
lished。数据来自已出版文献和航空航天公司提供的未出版报告。疲劳和疲劳裂纹扩展分析仅限于在室温下对空气中的样品进行恒幅载荷或应变循环所获得的信息。断裂韧性数据来自中心裂纹拉伸板、部分穿透裂纹样品和紧凑拉伸样品的测试。使用最小二乘回归方法在统计基础上分析疲劳和疲劳裂纹扩展数据。使用反双曲正切函数将独立变量与因变量关联起来。对于疲劳，使用等效应变参数来解释应力比效应并将其视为独立变量，而将循环疲劳寿命视为因变量。有效应力强度
研究提案 - 地球科学博士学位
最近的研究强调了影响地震触发的滑坡的因素的复杂性。研究表明，不同水平的土壤饱和度显着影响地震事件期间风化斜率的稳定性[1]。例如，饱和条件可以减少土壤中的有效应力，从而使其在地震震动下更容易受到失败的影响[2]。此外，EQTL被确定为关键的地质危害，尤其是在具有陡峭地形和松散的，未固结材料的地区[3]。坡度稳定性的程度可以分为三个阶段：首先，诱发因素（即时间独立），其次是在中间到长时间内发展的准备因素，最后，在更直接的短期窗口中起作用的触发因素。冲动的触发因素，例如地震的强烈颤抖，可以将斜率推到其稳定性阈值之外。相比之下，随着时间的推移，预备条件（例如长降雨或土壤饱和度）可以逐渐削弱斜率稳定性。然而，尽管对单个触发因素知之甚少，但这些因素之间的相互作用仍然没有探索[4]。
Hydromechanical.pdf -zihao li
非常规地材料通常表现出多模式孔径分布。，我们为多孔介质开发了一个综合框架，该培养基表现出多孔的孔隙率尺度，使用混合理论饱和到一种或两种类型的流体。分别明确得出和识别了管理方程式和构成定律。从能量平衡方程中出现的有效应力𝝈'对于弹性和弹性变形都可以采用，在这种变形中，孔隙和饱和效果起着核心作用。提出的模型是一般的，从某种意义上说，它适用于未耦合的仿真和耦合模拟。使用拉普拉斯变换和数值拉普拉斯反转方法求解了未耦合流动模拟的场方程。通过可视化无量纲结果，我们可以在自然断裂的储层的耗尽过程中获得对不同阶段的定量见解。用于耦合流量和地球力学模拟，带状负载问题以及可变形3D储层问题中的两相流量说明了可塑性，多重孔隙率，孔隙率交换和毛细管压力对系统响应的影响。
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。