искать
Вход/Регистрация
Геотехника

RLEM и SAO: эффективный вероятностный анализ за меньшее время вычислений


Компания Rocscience, основанная в 1996 году, является одним из мировых лидеров по разработке, усовершенствованию и распространению 2D и 3D программного обеспечения для инженеров-строителей, горных инженеров и инженеров-геологов (это прежде всего конечноэлементный программный комплекс Rocscience для расчетов напряженно-деформированных состояний зданий/сооружений, фундаментов и грунтовых оснований). На сайте данной компании появилась интересная заметка, в которой рассматриваются материалы доклада ее сотрудников Сины Джаванхошдела (Sina Javankhoshdel) и его соавторов на международной конференции, организованной Rocscience в 2021 году (Rocscience International Conference 2021). Указанные исследователи продемонстрировали, что при меняющихся в горизонтальном и вертикальном направлениях грунтовых условиях вероятностный анализ RLEM (при котором используется метод предельного равновесия для вычисления минимального значения коэффициента устойчивости с учетом пространственной изменчивости свойств грунта) в сочетании с алгоритмом SAO (оптимизации изменения поверхности) может правильно выявить самые слабые траектории разрушения в массиве грунтов.

Представляем вниманию читателей адаптированный перевод этой заметки.

 

Вероятностный анализ может быть эффективным инструментом для определения устойчивости склонов с учетом пространственной изменчивости подземны х условий, особенно при сложных свойствах грунта.

На Международной конференции компании Rocscience в 2021 году ее сотрудники Сина Джаванхошдел и его соавторы (Sina Javankhoshdel et al., 2021) представили разработанный ими гибридный метод оптимизации моделирования на основе метода предельного равновесия (LEM), который сочетает алгоритмы локального и глобального поиска для точного определения критической поверхности скольжения с вычислительной эффективностью, необходимой для вероятностного анализа с учетом пространственной изменчивости свойств грунта. Чтобы продемонстрировать использование предложенного метода, его авторы выбрали пример земляной дамбы Джеймс Бэй в северной части канадской провинции Онтарио. На рисунке 1 показаны созданная ими модель дамбы с ее грунтовым основанием и некоторые свойства грунтов.

 

Рис. 1. Модель земляной дамбы Джеймс Бэй и свойства грунтов
Рис. 1. Модель земляной дамбы Джеймс Бэй и свойства грунтов

 

Оптимизация изменения поверхности (Surface Altering Optimization – SAO) – это алгоритм локального поиска, который изменяет геометрию склона для минимизации коэффициента устойчивости (Ку). Это достигается путем систематического изменения координат 2D сплайновой кривой в несколько итераций до тех пор, пока не будут выполнены критерии сходимости. Алгоритм SAO в исследовании Джаванхошдела с коллегами применялся для определения самого низкого значения Ку как при детерминистическом анализе, так и при анализе RLEM (вероятностном анализе, при котором используется метод предельного равновесия (LEM) для вычисления минимального значения Ку с учетом пространственной изменчивости свойств грунта).

 

 

Случай из практики: дамба Джеймс Бэй

С помощью детерминистического анализа была выявлена критическая поверхность скольжения с коэффициентом устойчивости, равным 1,17 (рис. 2, а). Для верификации результатов в 2D конечноэлементной программе RS2 был проведен анализ методом снижения прочности на сдвиг (Shear Strength Reduction – SSR). При этом был получен коэффициент снижения прочности на сдвиг (Shear Strength Reduction Factor – SRF), равный 1,22, а также построено распределение максимальных деформаций сдвига (рис. 2, б).

 

Рис. 2. Критическая поверхность скольжения по результатам детерминистического анализа с использованием алгоритма оптимизации изменения поверхности (SAO) (а) и распределение максимальных деформаций сдвига по результатам анализа методом снижения прочности на сдвиг (SSR) (б)
Рис. 2. Критическая поверхность скольжения по результатам детерминистического анализа с использованием алгоритма оптимизации изменения поверхности (SAO) (а) и распределение максимальных деформаций сдвига по результатам анализа методом снижения прочности на сдвиг (SSR) (б)

 

Важным фактором для всех инженеров, выполняющих численный анализ, является время вычислений. Комбинация метода предельного равновесия (LEM) и алгоритма оптимизации изменения поверхности (SAO) – более быстрый процесс, чем метод конечных элементов (FEM, МКЭ), и эта разница усугубляется, если нужно провести вероятностный анализ, при котором нужно выполнить тысячи циклов.

 

Анализ RLEM с использованием алгоритма SAO

Анализ RLEM проводился на основе свойств грунтов, выраженных как изотропные случайные поля с изменчивостью в горизонтальном и вертикальном направлениях. Сдвиговой прочности материалов были присвоены случайные величины с использованием нормального (гауссовского) распределения. Было проведено три различных анализа с использованием разных длин пространственной корреляции (5; 15; 30 м), где для каждой длины было выполнено по 10 000 моделирований латинского гиперкуба.

Полученные при этом результаты показывают, что по мере увеличения длины пространственной корреляции вероятность разрушения также увеличивается. Средние значения Ky по итогам анализа RLEM составили 1,08968; 1,052; 1,04 для 5; 15; и 30 м соответственно. Основываясь на этом и на изображениях полос поверхностей разрушения (рис. 3), можно сделать вывод, что чем больше длина корреляции, тем больше появляется поверхностей разрушения с меньшей длиной в средних областях модели. Вероятно, это вызвано тем, что для больших областей грунта отбираются слабые параметры. С другой стороны, при длине корреляции 5 м (рис. 3, а) прочные соседние зоны грунта, вероятно, компенсируют снижение прочности материала, что снижает вероятность разрушения в середине модели.

 

Рис.&nbsp;3. Огибающие критических поверхностей скольжения по итогам вероятностного анализа с использованием метода&nbsp;RLEM при детерминированном коэффициенте устойчивости&nbsp;K<sub>у</sub>&nbsp;=&nbsp;1,17 и&nbsp;длине пространственной корреляции: a&nbsp;– 5&nbsp;м; б&nbsp;– 15&nbsp;м; в&nbsp;– 30&nbsp;м
Рис. 3. Огибающие критических поверхностей скольжения по итогам вероятностного анализа с использованием метода RLEM при детерминированном коэффициенте устойчивости Kу = 1,17 и длине пространственной корреляции: a – 5 м; б – 15 м; в – 30 м

 

Дальнейшая верификация этих результатов показана на рисунке 4. Распределение прочности грунта на сдвиг показано различными цветами для короткой и более длинной поверхности скольжения. Обе поверхности разрушения проходят через самые слабые материалы (синие области) (см. рис. 4).

 

Рис.&nbsp;4. Результаты анализа&nbsp;RLEM: а&nbsp;– для длинного пространственного поля с&nbsp;длиной корреляции&nbsp;30&nbsp;м; б&nbsp;– для короткого пространственного поля с длиной корреляции&nbsp;5&nbsp;м
Рис. 4. Результаты анализа RLEM: а – для длинного пространственного поля с длиной корреляции 30 м; б – для короткого пространственного поля с длиной корреляции 5 м

 

На рисунках 5, a, б представлены результаты анализа методом снижения прочности на сдвиг (SSR) для тех же полей, что и на рисунках 4, a, б соответственно. На рисунках 5, a, б видны те же механизмы разрушения, что и на рисунках 4, a, б. Это подтверждает способность подхода с использованием RLEM в сочетании с SAO находить самые слабые траектории разрушения и хорошо согласуется с поверхностями разрушения, обнаруженными при анализе для того же поля методом SSR.

 

Рис.&nbsp;5. Результаты анализа методом снижения прочности на сдвиг (SSR) для двух пространственных полей: а&nbsp;– короткого (коэффициент снижения прочности на сдвиг&nbsp;SRF&nbsp;=&nbsp;0,9); б&nbsp;– длинного (SRF&nbsp;=&nbsp;1,05)
Рис. 5. Результаты анализа методом снижения прочности на сдвиг (SSR) для двух пространственных полей: а – короткого (коэффициент снижения прочности на сдвиг SRF = 0,9); б – длинного (SRF = 1,05)

 

Этот случай из практики продемонстрировал, что анализ RLEM при пространственно изменчивых слоях грунта в сочетании с алгоритмом SAO может правильно выявить самые слабые траектории разрушения модели.


Источник

RLEM & SAO: effective probabilistic analysis in less computational time // Rocscience. The last accessed date: 07.07.2021. URL: rocscience.com/about/news-events/rlem-sao-effective-probabilistic-analysis-in-less-computational-time.


Журнал остается бесплатным и продолжает развиваться.
Нам очень нужна поддержка читателей.

Поддержите нас один раз за год

Поддерживайте нас каждый месяц