Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelo de transformação probabilística para tensões de pré-consolidação com base nas propriedades do índice de argila
CITAÇÕES LÊ
4 178
2 autores:
Alguns dos autores desta publicação também estão trabalhando nestes projetos relacionados:
Todo o conteúdo desta página foi enviado por Jianye Ching em 19 de outubro de 2017.
1 Modelo de transformação probabilística para tensões de pré-consolidação com base nas propriedades do índice de argila
5 RESUMO
6 Este artigo desenvolve modelos de transformação probabilística que prevêem a densidade de probabilidade
7 função (PDF) da tensão de pré-consolidação (ÿÿp) de uma argila com base em suas propriedades de índice. Esses
8 modelos de transformação probabilística são mais versáteis do que os modelos de transformação tradicionais que
9 fornecem apenas estimativas pontuais, porque a PDF pode quantificar a incerteza da transformação em ÿÿp
10 e também pode ser usado para desenvolver estimativas de mediana e intervalo de confiança para ÿÿp. O
13 outros dois são modelos especializados para argilas contrativas e dilativas. O modelo genérico é aplicável
14 para argilas contrativas e dilativas, mas sua incerteza de transformação é maior. Os dois
16 são de interesse, mas suas incertezas de transformação são menores. As atuações dos três
17 modelos de transformação probabilística são verificados por validação cruzada estatística e independente
18 banco de dados de validação. As formas analíticas para as estimativas de mediana e intervalo de confiança são
1
(Autor correspondente) Professor, Departamento de Engenharia Civil, National Taiwan University, #1, Roosevelt Road Section 4, Taipei
10617, Taiwan. E-mail: jyching@ntu.edu.tw. Tel: +886-2-33664328.
2
Estudante de Pós-Graduação, Departamento de Engenharia Civil, Universidade Nacional de Taiwan, nº 1, Roosevelt Road Seção 4, Taipei
10617, Taiwan. E-mail: r04521117@ntu.edu.tw.
1
Machine Translated by Google
19 apresentado neste artigo para que os engenheiros não precisem derivar as equações bayesianas.
21 incerteza; argilas.
22
23 INTRODUÇÃO
24 A tensão de pré-consolidação (ÿÿp) e o índice de sobreconsolidação (OCR) são parâmetros importantes que
25 quantificar o histórico de tensões de uma argila. A resistência ao cisalhamento não drenada de uma argila pode ser estimada com base
26 em seu ÿÿp (Mesri, 1975, 1989). O coeficiente de pressão de terra em repouso pode ser estimado com base em seu
27 OCR (Mayne e Kulhawy, 1982). O comportamento contrativo/dilatador de uma argila durante o cisalhamento também
28 depende do OCR. O ÿÿp para uma argila pode ser determinado em laboratório usando o teste do edômetro. Pode ser
29 também estimado com base nas propriedades índice de uma argila através de um modelo de transformação (Stas e
30 Kulhawy, 1984; Nagaraj e Srinivasa Murthy, 1986; DeGroot et al., 1999; Ching e Phoon, 2012;
31 Kootahi e Mayne, 2016) como uma aproximação de primeira ordem. O último (propriedades do índice) é desejável
32 para a fase de projeto preliminar, onde testes laboratoriais extensivos ainda não foram realizados e para
35 propriedades. A Tabela 1 mostra o viés e o coeficiente de variação (COV) para diversas transformações ÿÿp
36 modelos baseados em propriedades de índice. O viés é definido como o valor médio para (medido
37 ÿÿp)/( ÿÿp previsto) e COV é o coeficiente de variação para ( ÿÿp medido)/( ÿÿp previsto). O
38 vieses e COVs para os modelos de transformação na Tabela 1 são calibrados pelo CLAY/10/7490
2
Machine Translated by Google
40 é quantificado pelo COV. Considere o modelo de transformação mais recente desenvolvido por Kootahi e
41 Maio (2016). Tem o menor COV e ainda assim o COV = 0,67 ainda é bastante grande. Os COV para
45 modelos de transformação é que o primeiro fornece uma função de densidade de probabilidade (PDF) para ÿÿp,
46 enquanto o último fornece apenas uma estimativa pontual para ÿÿp. A disponibilidade de um PDF é um fator significativo
47 vantagem porque os engenheiros de projeto podem ter uma noção da magnitude da transformação
48 incerteza, por exemplo, o intervalo de confiança de 95% para ÿÿp é o intervalo limitado pelos valores 0,025 e
49 0,975 fracis para o PDF. Estimativas pontuais também podem ser derivadas da PDF, por exemplo, a média ou
50 estimativa mediana; O Eurocódigo 7 sugeriu o fractil 0,05 como valor característico (CEN 2004).
51 Mais recentemente, modelos de transformação probabilística para algumas propriedades do solo e da rocha foram
52 proposto (Yan et al., 2009; Wang et al., 2010; Ching e Phoon, 2012, 2014b; Wang e Cao, 2013;
53 Ching et al., 2014, 2017b; D'Ignazio et al., 2016; Feng e Jiménez 2015; Ng et al., 2016), mas para
54 o melhor conhecimento dos autores, o modelo de transformação probabilística para ÿÿp baseado no índice de argila
56 Este artigo desenvolve modelos de transformação probabilística para ÿÿp com base nas propriedades do índice
57 de uma argila. Primeiro, a PDF multivariada para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) é construída a partir de uma
58 banco de dados multivariado de argila usando a abordagem de tradução (Liu e Der Kiureghian, 1986; Li et al.,
3
Machine Translated by Google
59 2012), onde Pa = 101,3 kN/m2 é uma pressão atmosférica, PL e LL são limites plásticos e líquidos,
60 e wn é o teor natural de água. ÿÿv0 é considerado porque é bem conhecido que ÿÿp é positivamente
61 correlacionado com ÿÿv0. wn é considerado porque um ÿÿp grande tende a produzir uma razão de vazios menor, portanto um
62 menor teor de água. PL e LL são considerados porque são valores limitantes para wn. (PL, LL,
63 wn) pode ser consolidado em uma única variável LI, índice de liquidez. No entanto, é encontrado neste artigo
64 que a precisão da predição para ÿÿp diminuirá se tal consolidação for adotada. Como resultado, (PL,
66 A PDF multivariada construída para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) serve como a PDF anterior para
67 a análise bayesiana subsequente. Então, dadas as informações específicas do local sobre (ÿÿv0/Pa, PL, LL, wn)
68 para uma argila de interesse, a PDF do seu ÿÿp/Pa pode ser atualizada pela análise Bayesiana. O inteiro
69 tem a vantagem numérica de que a PDF atualizada de ÿÿp/Pa e seu ponto e intervalo
70 estimativas podem ser expressas em formas analíticas. Os engenheiros de projeto podem implementar diretamente esses
72 modelos de transformação probabilística resultantes serão comparados com os modelos tradicionais existentes
75
77 O banco de dados CLAY/10/7490 (Ching e Phoon, 2014a) é um banco de dados genérico (global) de argila
78 consistindo em 7.490 pontos de dados de 30 países/regiões em todo o mundo. As propriedades da argila cobrem uma
4
Machine Translated by Google
79 ampla gama de OCR, sensibilidade (St) e índice de plasticidade (PI). No banco de dados, há um subconjunto de
80.1217 pontos de dados com conhecimento simultâneo de (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) de 141 locais
81 em todo o mundo. Os pontos de dados com OCR > 20 (possivelmente argilas fissuradas) são excluídos. A Tabela 2 mostra o
82 estatísticas para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) e OCR. A seguir, (Y1, Y2, …, Y5) são definidos como
83 Y1 = ln(ÿÿp/Pa)
84 Y2 = ln(ÿÿv0/Pa)
85 Y3 = PL (1)
86 Y4 = LL
87 Y5 = wn
88 onde PL, LL e wn estão em porcentagens, por exemplo, se wn = 90%, considere wn = 90. A Figura 1 mostra o
90
92 Os 1217 pontos de dados são adotados para construir a PDF multivariada anterior de (Y1, Y2, …, Y5) para o
93 análise bayesiana subsequente. É comum que os pontos de dados reais sigam distribuições não normais.
94 Isto pode ser visto claramente na Figura 1, onde a maioria dos histogramas exibe um certo grau de assimetria,
95, o que não é consistente com o modelo normal. Uma abordagem prática para a construção do
96 PDF multivariado é a abordagem de tradução (Liu e Der Kiureghian, 1986; Li et al., 2012): o
97 dados não normais (Y1, Y2, …, Y5) são primeiro mapeados em dados normais padrão (X1, X2, …, X5). Então,
100 O primeiro passo para a abordagem de tradução é mapear (Y1, Y2, …, Y5) em (X1, X2, …, X5). Ching e
5
Machine Translated by Google
101 Phoon (2014b) e Ching et al. (2014, 2017b) mostraram que o sistema Johnson de distribuições
102 (Phoon e Ching, 2013) é eficaz na modelagem de vários histogramas de parâmetros do solo. Nós cobrimos
103 o sistema Johnson de distribuições abaixo, começando com um membro bem conhecido: o deslocado
104 distribuição lognormal. A distribuição lognormal tem zero como limite inferior. O deslocado
105 distribuição lognormal generaliza a distribuição lognormal para levar em conta limites inferiores diferentes de zero.
Xb YbXln ÿ
ÿÿÿ ÿ
107 ÿÿ
S
(2)
a a ÿÿ
X S
108 onde X é padrão normal; aX, bX, aY e bY são os parâmetros para o lognormal deslocado
110 A distribuição lognormal deslocada é membro de um sistema Johnson mais geral, que pode
111 ser expresso da seguinte forma seguindo as notações apresentadas por Slifker e Shapiro (1980):
Xb YbX ÿ ÿ ÿ ÿ
ÿ
ÿ
112 ÿÿ S ÿÿ ÿS ÿ (3)
n
a a ÿÿ
X S
115ÿ _
ÿÿ ÿÿ ÿ ÿ
Y sinh Yÿ ln Y 1 Y = ÿÿ
n nn n
1 2
ÿ (4)
116 O membro SB ('B' denota 'limitado') é limitado entre [bY, aY + bY] e é definido por
ÿ S ÿ
117 ÿ ÿ Simÿ ÿ ÿ ÿ n
(5)
n
1 ÿano
ÿÿ n
118 O membro SL ('L' denota 'lognormal'; este é o membro lognormal deslocado) é limitado de
6
Machine Translated by Google
120 ÿ (6)
ÿ ÿÿ
n ÿÿ Y ln n
Y
2
ÿ
1 2
ÿÿ
sinh
XY y ÿ
ÿ ÿ ÿ
122
ÿ
2
ÿ ÿ ÿ ÿ aa exp 0,5ÿ ba ln y 1Xy ÿÿ ÿ
ÿ
ÿ para SB (7)
ÿ ÿ ÿ
anosn1ÿano
2 ÿÿ ÿ
ÿÿ ÿ ÿ
ÿ fy | uma,b,uma,b
XXYY XY X n n ÿ ÿÿ ÿ n ÿ
ÿ ÿ
2
ÿ XY
ÿÿ
aa exp 0,5 ba ln y
ÿ ÿ XX
ÿ n ÿ ÿÿ
ÿ ÿ
anosn ÿÿ
2 ÿÿ para SL
ÿ ÿ
ÿÿÿ
123 Slifker e Shapiro (1980) propuseram uma abordagem elegante de seleção e estimativa de parâmetros
124 para a distribuição Johnson usando percentis. Com base nos percentis de Y, o tipo de distribuição
125 (SU, SB ou SL), os parâmetros de distribuição (aX, bX, aY, bY) podem ser estimados.
126 O presente estudo adota uma abordagem em duas etapas para selecionar o tipo de distribuição e estimar o
127 parâmetros (aX, bX, aY, bY). Na primeira etapa, a abordagem baseada em percentis proposta por Slifker e
128 Shapiro (1980) é adotado para selecionar entre SU, SB e SL e encontrar as estimativas preliminares para
129 (aX, bX, aY, bY). Na segunda etapa, adota-se o método da máxima verossimilhança para encontrar o (aX, bX,
130 estimativas aY, bY) , usando as estimativas preliminares para (aX, bX, aY, bY) da primeira etapa como estimativa inicial
131 pontos para a busca de otimização. As estimativas de máxima verossimilhança de (aX, bX, aY, bY) são aquelas
n
133 L ÿa XXYY
,b ,a ,b (eu)
(8)
ÿ ÿf ÿY |a ÿ,b ,a ,bXXYY ÿ
eu 1ÿ
134 onde Y(i) é o i-ésimo ponto de dados de Y; n é o número total de pontos de dados (n = 1217). O selecionado
135 tipos e parâmetros estimados para as PDFs marginais de (Y1, Y2, …, Y5) obtidas por esta etapa de duas etapas
A abordagem 136 está resumida na Tabela 3. Os PDFs marginais de Johnson ajustados são plotados na Figura 1
7
Machine Translated by Google
138 Com os tipos selecionados e parâmetros estimados na Tabela 3, Eqs. (3)~(6) podem ser adotados para
139 transforme Y em uma variável normal padrão X. Considere o mapeamento de Y1 para X1 como exemplo. Em
140 Tabela 3, o tipo de distribuição SB é identificado para Y1. Portanto, a Eq. (5) deve ser adotado para o
141 mapeamento:
142 Xb1XnY ln
ÿ
ÿ
ÿÿÿ (9)
aX 1 ÿano
ÿ nÿ ÿ
ÿ ÿ
ÿ ÿ ln ÿÿ P ba
ÿ ÿ
ÿ ÿ ÿ Emÿ ÿP 4.396ÿ ÿ ÿ
pa AA ÿ
144 X ba ln ÿÿÿ ÿ ÿ
13.475 4.328
ÿ ln ÿ
pai
ÿ (10)
1XX ÿ
1 ÿln ÿÿYY
ÿ ÿpa ÿ P ba
ÿ ÿ ÿ 102.514 lnÿPÿÿ ÿ ÿ
ÿ ÿ ÿÿ ÿÿ pai ÿ
145 Os mapeamentos de (Y2, …, Y5) para variáveis normais padrão (X2, …, X5) também podem ser derivados com base
ÿ
ÿ ln ÿ ÿ v0 a P 5.420
ÿ ÿÿÿ ÿ PL 19.494 ÿ
1ÿ ÿ
ÿ
ÿ X20,249 2,756 ln ÿÿ ÿ ÿÿ 5,099 ln
ÿ
ÿÿ ÿ1,190 sinh
X 0,827 ÿ
3
ÿ ÿ P ÿ ÿÿ 7.309 ÿÿ
v0 a
147 (11)
LL 15,652 X 2,214 ÿ
ÿ
ÿ w 2.723 ÿ
ÿ
n
1,262 ln ÿ ÿ ÿÿ ÿ ÿÿÿ1,326 ln
X 1,815
4 5
297.290 LL ÿÿÿ 259.443w ÿ
ÿÿ n ÿÿ
148 A normalidade de (X1, X2, …, X5) pode ser verificada usando o teste Kolmogorov-Smirnov (KS)
149 (Conover, 1999). Os valores de p associados ao teste KS para (X1, X2, …, X5) estão listados na Tabela 3.
150 Os valores p indicam que o PDF Johnson pode ser aceitável para (Y1, Y2, Y3, Y4), mas o valor p
151 para X5 indica que Y5 não pode ser modelado de forma plausível como uma variável aleatória de Johnson. Na verdade, vários
São tentadas 152 distribuições para Y5 , incluindo distribuições lognormal, Gamma e Gumbel. Tudo de
153 são distribuições em forma de sino inclinadas para a esquerda, semelhantes ao histograma de Y5 (ver Figura 1).
154 Os parâmetros destas distribuições também são estimados usando o método de máxima verossimilhança, mas
155 os valores p resultantes são todos menores que 0,05, ou seja, nenhum deles passa no teste KS. Nós
8
Machine Translated by Google
156 decidem adotar a distribuição Johnson SB, porque (a) (Y1, Y2, Y3, Y4) já são modelados pelo
157 sistema Johnson; (b) o valor p para Y5 (0,007) produzido pela distribuição Johnson SB não é
160 Uma suposição chave para a abordagem de tradução é que (X1, X2, …, X5) segue a multivariada
161 distribuição normal padrão. É crucial notar que coletivamente (X1, X2, …, X5) não
162 seguem necessariamente uma PDF normal multivariada, mesmo que cada componente seja normalmente distribuído. O
163 distribuição normal multivariada é uma suposição para a abordagem de tradução. Multivariada
A normalidade requer verificações separadas. Com base na experiência dos autores, os parâmetros do solo não
165 seguem uma distribuição normal multivariada, mesmo quando são transformados individualmente em normal
166 variáveis aleatórias. No entanto, Ching e Phoon (2012, 2014b), Ching et al. (2014) e Ching et al.
167 al. (2017b) demonstraram que resultados significativos podem ser obtidos mesmo na ausência de rigorosos
169 O PDF normal padrão multivariado é definido exclusivamente por uma matriz de correlação C:
1 5
ÿ 1 ÿÿ
170 fxÿC
ÿ 2ÿÿ2 ÿÿ exp x TC1 ÿx
ÿ ÿ
ÿ
ÿ 22 (12)
ÿÿ
T
171 onde x = (x1, x2, ÿx5) é um vetor aleatório normal padrão (“T” refere-se à transposição de vetor/matriz),
ÿ
1 ÿ 12
ÿÿ ÿ 13
ÿ
15
ÿ
1 ÿ 23 ÿ
ÿ 25
ÿ
173 C ÿ
1 ÿ (13)
ÿ ÿ 45
ÿ Sim. 1 ÿ
9
Machine Translated by Google
174 onde ÿij é o coeficiente de correlação produto-momento de Pearson entre Xi e Xj. Ching et al.
175 (2016c) mostraram que a equação proposta por Hotelling e Pabst (1936) é robusta na estimativa de ÿij:
ÿ ÿ
176 ÿ ÿÿ 2sen ÿ ÿ ij ÿ 6 R (14)
eu j
ÿÿ
177 onde rij é a correlação de Spearman (classificação) entre Yi e Yj. A Tabela 4 mostra o C estimado
178 matriz. É uma matriz definida positiva. Com as PDFs marginais na Tabela 3 e a matriz C na Tabela
179 4, a construção da PDF multivariada para (Y1, Y2, …, Y5) está completa. Este PDF multivariado
181
183 O PDF multivariado de Johnson de 5 dimensões construído acima serve como o PDF anterior para o
184 Atualização Bayesiana. O engenheiro deve primeiro avaliar se a argila de interesse está dentro da faixa de
185 tipos de argila que aparecem na Tabela 2. Se sim, é possível atualizar a PDF de Y1 = ln(ÿÿp/Pa) para a argila
186 de interesse com base nas informações de (Y2, Y3, Y4, Y5). Um recurso atraente para a multivariada
187 A estrutura de Johnson é que a PDF atualizada para Y1 = ln(ÿÿp/Pa) ainda é Johnson (Phoon e Ching,
190 Comecemos as derivações bayesianas no espaço normal padrão. O vetor aleatório no padrão
10
Machine Translated by Google
ÿ
X 1
ÿ
ÿ
X 2
ÿ
ÿ ÿ
ÿ X1
192 XX ÿ ÿ ÿÿ
ÿ ÿ
3 ÿ ÿ
(15)
X
ÿ (2) ÿ
ÿ
X 4
ÿ
ÿÿÿ
X 5 ÿÿ
T
193 . A matriz de correlação pode ser particionada de acordo como
onde X(2) = (X2, X3, X4, X5)
ÿ
1 0,834 ÿ 0,380
ÿÿÿ 0,331 0,726
ÿ
0,834 1 ÿÿÿ
ÿ 1C ÿ
(12)
194 C 0,380 0,336
ÿ ÿ ÿ
1 0,842 0,708 ÿ
ÿ (16)
CC
ÿ (21) (22) ÿÿ
ÿ
1 0,718
1 ÿ
T
195 é um PDF normal com a seguinte média e
O PDF atualizado de X1 dado X(2) = (X2, X3, X4, X5)
ÿ
1 ÿ
ÿÿ 1
ÿ
CCX 0,575 X 0,056 X 0,119 X 0,483 X ÿÿ ÿÿ ÿÿ ÿ
ÿ
(21) 1 CCC ÿÿ ÿ 1 (12) (22)
198 onde (X2, X3, X4, X5) pode ser calculado usando a Eq. (11) baseado em (ÿÿv0/Pa, PL, LL, wn) para a argila
199 de interesse. A equação (17) indica que o X1 atualizado é uma variável normal com média = ÿÿ1 e
200 desvio padrão = ÿÿ1, portanto, o X1 atualizado pode ser expresso como
201 X 111
ÿÿ ÿÿ ÿ
ÿ ÿ
X (18)
ÿ E 1bÿ
ÿ
205 X 1XX
ba S
ÿ lnÿ ÿ abY
(19)
ÿ AA1ÿ ÿ ÿÿ
206 onde aX = 4,328, bX = 13,475, aY = 106,913 e bY = -4,396 (ver Tabela 3). Combinando as Eqs. (18)
11
Machine Translated by Google
ÿ ÿ
ÿ Y 4.396 ÿ
1
208 ÿ 1ÿ ÿÿ ÿ1ÿ ÿXÿ13,475 4,328 ln
ÿ
(20)
102.514Y ÿ ÿ ÿ ÿ
1
209 ou
ÿ
ÿ 13,475ÿÿ4,328
1
Xln Y 4.396 ÿ
1
ÿ
210 ÿ ÿÿ ÿ ÿ ÿ ÿ ÿ (21)
ÿÿ ÿ 102.514Y ÿ
11 1
211 Comparando a Eq. (5) com a Eq. (21), fica claro que o PDF atualizado de Y1 é Johnson SB com o
ÿ 4.328 ÿ 13.475 ÿ ÿÿ 1
a X ÿ ÿ
9.026b X
ÿ ÿ
28,102 1,199ÿ X
ÿÿ0,116
ÿÿ ÿÿ X
ÿ 0,2472 X 1,008 X 3 45
213 ÿ1
ÿ
_
ÿ1
ÿ
_ (22)
ÿ ÿ
umS 106.913
ÿ
b S ÿÿ
4.396
2
ÿ ÿ ÿ ÿ 0,5 Em ÿ ÿ ÿ ÿ Pbÿ
ÿ
ÿ ÿ
ÿ
baÿ ln
ÿ
ÿ
pagar ÿ
XX ÿÿ ÿ
ÿ
ab ln
ÿÿÿP ÿ
aae ÿÿÿ ÿÿ AA pa ÿÿ ÿÿ
Pa ÿ ÿ
XY
(23)
_ ÿ ÿÿ ÿ
2 ÿÿ ÿ paÿ
ÿ
P ln
ÿ ÿ ÿ ÿÿ ÿ paÿY
ÿ
Pbÿ ÿÿ abS ln
ÿ ÿ ÿ ÿÿ ÿ P ÿ
ÿ E pa ÿÿ
p
216 O p-fractil de para o ÿÿp/Pa atualizado, denotado por (ÿÿp/Pa) , também tem a seguinte forma analítica:
1
ÿ
1 ÿ ÿ
ÿ ÿ ÿ
ÿ
P
p
ÿ ÿÿba
ÿ ÿ1 exp ÿ ÿ pb
ÿÿÿÿ
ÿÿ X
217 ÿÿ
pa
ÿ ÿ ÿ exp S S ÿ
ÿÿ (24)
aX
ÿ ÿÿ ÿ ÿÿ
ÿÿÿ
218 onde ÿ-1 é a função de densidade cumulativa inversa (CDF) para a variável normal padrão.
220 Substituindo o (aÿX, bÿX, aÿY, bÿY) na Eq. (22) na Eq. (24), a mediana para o ÿÿp/Pa atualizado
Mediana para ÿÿ
p
Pa
1
222
ÿ
ÿ
ÿ ÿ ÿ exp 28,102 1,199X
ÿ ÿ ÿÿÿÿ0,116X
2 0,247X 1,008X
3 45
ÿ
(25)
ÿ
ÿ ÿÿ ÿ
ÿÿ
ÿÿÿ ÿÿÿ
223 onde (X2, X3, X4, X5) pode ser calculado usando a Eq. (11) baseado em (ÿÿv0/Pa, PL, LL, wn) para a argila
224 de interesse. O intervalo de confiança (IC) (1-2p)ÿ100% para o ÿÿp/Pa atualizado é o intervalo limitado
12
Machine Translated by Google
1
226 ÿ ÿ ÿ ÿ ÿ ÿ ÿ = exp 4,396 ÿÿ ÿ
ÿ
1 ÿ ÿ ÿ
ÿ ÿ ÿ
ÿ
(26)
ÿpág.
ÿ 28.102 1,199X 0,116X
2 0,247X 1,008X
3 45
106,913 1ÿ ÿÿ
exp ÿ ÿ ÿ ÿÿ
9.026
ÿÿ ÿÿÿ
ÿÿÿ
227 Em particular, o intervalo de confiança de 95% para ÿÿp/Pa pode ser calculado definindo p = 0,025.
228
229 VERIFICAÇÃO
230 As duas principais equações de predição são as Eqs. (25) e (26). O objetivo desta seção é verificar
233 A eficácia da estimativa mediana (Eq. 25) em relação aos 1217 pontos de dados de
234 CLAY/10/7490 foi verificado. Porque a Eq. (25) é “treinado” com base nos 1.217 pontos de dados, não é justo
235 para verificar a Eq. (25) usando diretamente os dados de treinamento interno. Em vez disso, a eficácia da mediana
236 estimativa é verificada indiretamente usando validação cruzada (Geisser, 1993). Lembre-se de que os dados 1217
237 pontos são de 141 locais em todo o mundo. Os pontos de dados (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) para 140 locais são
238 usado para “treinar” a equação mediana na Eq. (25), então a equação treinada (que será ligeiramente
239 diferente da Eq. 25 porque um site foi deixado de fora) é usado para prever os valores ÿÿp dos pontos de dados
240 para o sítio deixado de fora usando a informação (ÿÿv0/Pa, PL, LL, wn) (nós “fingimos” que seus valores de ÿÿp são
241 desconhecido). Esta validação cruzada é realizada 141 vezes alternando entre os 141 sites. Por
242 fazendo isso, cada um dos 1217 pontos de dados tem um valor ÿÿp previsto, e o valor previsto é baseado em
243 a validação cruzada, não baseada em dados de treinamento interno. A Figura 2f compara o ÿÿp medido com
13
Machine Translated by Google
244 o ÿÿp previsto. Os desempenhos dos cinco modelos de transformação tradicionais na Tabela 1 são
245 também demonstrado nas Figuras 2a~2e. Os cinco modelos tradicionais de transformação são verificados diretamente
246 usando os 1.217 pontos de dados, porque esses modelos não foram treinados por esses pontos de dados.
247 A eficácia de cada modelo é avaliada por três índices (Kootahi e Mayne, 2016): (a)
248 coeficiente de determinação (R2 ); (b) coeficiente de eficiência (E); e (c) erro médio absoluto
249 (MAE):
2
ÿ n nn ÿ
n
* ÿ ÿÿ ÿ ÿ ÿÿ ÿ ÿÿ * * 2
n AAA1kS1k Y 1kÿ
ÿ ÿ AA1k
ÿ ÿ
ÿ ÿ
ÿ
ÿ
1k 1k
250 k1 ÿ k1ÿÿ ÿ k1 1 n
* (27)
R 2= E1 k1
MAE ÿ AA
ÿ ÿÿ
ÿ
ÿÿ ÿ ÿ
2 1k 1k
nn n
2
n
2 n
1 n n k =1
ÿÿ ÿÿ ÿÿ ÿÿ ÿ ÿ ÿ
ÿ ÿ ÿÿSÿ 1k S 1k
2 2 **
nY S n1k
S ÿ ÿ
ÿÿ ÿ S 1k
ÿÿ ÿ
1k 1k
k1 ÿ
n
ÿ k1
ÿÿ ÿ
ÿÿk1 k1 ÿÿk1
ÿ
ÿ
k1
ÿ
ÿÿ
251 onde n = 1217 é o número total de pontos de dados; Y1k é o valor medido ln(ÿÿp/Pa) para o k-ésimo
252 ponto de dados (k = 1, 2,…, n); Y1k* é o valor previsto de ln(ÿÿp/Pa) para o k-ésimo ponto de dados. O
253 a previsão é eficaz se R2 for grande, E for grande e MAE for pequeno. É evidente que
254 modelo de transformação proposto por Kootahi e Mayne (2016) e a estimativa mediana proposta em
255 deste estudo são superiores. Observe que esses dois modelos de transformação mais precisos também precisam do
256 a maioria das informações, incluindo (ÿÿv0, PL, LL, wn). Em termos de quantidade de informações necessárias, eles são
257 não são os modelos mais convenientes. Modelos desenvolvidos por Stas e Kulhway (1984) e DeGroot et al.
258 (1999) são mais convenientes porque exigem apenas LI. Observe que a transformação probabilística
O modelo proposto neste estudo fornece não apenas uma estimativa pontual, mas também uma estimativa intervalar. O
261 Também é possível consolidar (Y3 = PL, Y4 = LL, Y5 = wn) em uma única variável Y3 = LI.
262 Os pontos de dados (ÿÿp/Pa, ÿÿv0/Pa, LI) podem ser adotados para reconstruir o modelo multivariado de Johnson
14
Machine Translated by Google
263 distribuição, bem como desenvolver novamente a estimativa mediana de ln(ÿÿp/Pa). No entanto, o desempenho de
264 este modelo de transformação probabilística baseado em LI é pior do que aquele baseado em (PL, LL, wn) em
266
268 A eficácia da estimativa intervalar (Eq. 26) em relação aos 1217 pontos de dados é verificada.
269 A validação cruzada é novamente adotada. Após a validação cruzada, cada um dos 1217 pontos de dados tem um
270 intervalo de confiança previsto (IC) para ÿÿp/Pa. Este IC pode ser comparado com o ÿÿp/Pa medido para
271 obter um “sim” ou “não” (“sim” significa que o ÿÿp medido está dentro do IC). É desejável que o
272 percentagem de “sim”, chamada de percentagem de validação cruzada neste estudo, está próxima do “nominal”
273 porcentagem, ou seja, (1-2p)ÿ100%. A Figura 3 mostra como a porcentagem de validação cruzada varia com o
274 porcentagem nominal. As barras de erro verticais mostram as incertezas estatísticas na validação cruzada
275 porcentagens, obtidas por bootstrapping (Efron e Tibshirani, 1993). É evidente que
276 percentagem validada cruzada é geralmente próxima da percentagem nominal. Isto indica que o
277 modelo de transformação probabilística é eficaz, no sentido de que o “IC nominal” resultante é próximo
279 No entanto, esta conclusão para um IC próximo do genuíno depende da natureza da validação
280 banco de dados. Posteriormente, mostraremos que o IC nominal deixa de ser genuíno se a base de dados de validação tiver
281 características que são substancialmente diferentes daquelas dos 1217 pontos de dados.
282
15
Machine Translated by Google
285 em relação a outro banco de dados de argila independente. O banco de dados F-CLAY/7/216 desenvolvido por D'Ignazio
286 e outros. (2016) é adotado nesta seção. Esta base de dados é uma base de dados “regional” de argila composta por 216
287 pontos de dados de 24 locais de teste diferentes na Finlândia. As propriedades da argila cobrem amplas faixas de St.
288 (2~64), PI (2~95), OCR (1~7,5) e teor de água natural wn (25~150). 216 pontos de dados com
289 conhecimentos simultâneos de (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) são extraídos desta base de dados regional.
290 Todos os pontos de dados estão com OCR < 20. Nenhum dos 216 pontos de dados se sobrepõe aos 1217 pontos de dados
291 de CLAY/10/7490. A Tabela 5 mostra as estatísticas para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn). Comparado com
292 Tabela 2, é evidente que os intervalos de parâmetros para F-CLAY/7/216 são significativamente mais estreitos do que
293 aqueles para CLAY/10/7490. Isto é esperado porque F-CLAY/7/216 é uma base de dados regional. O
294 o objetivo desta seção é verificar se as Eqs. (25) e (26) são eficazes no que diz respeito ao
297 Como F-CLAY/7/216 é um conjunto de dados de validação externa, a validação cruzada não é necessária. Para
298 de cada um dos 216 pontos de dados, seu ÿÿp é previsto pela Eq. (25) usando seu (ÿÿv0/Pa, PL, LL, wn)
299 (novamente, fingimos que seu valor ÿÿp é desconhecido). A Figura 4f compara o ÿÿp medido com
300 o ÿÿp previsto. Os desempenhos dos cinco modelos de transformação tradicionais na Tabela 1 são
301 também demonstrado na Figura 4a ~ 4e. É mais uma vez evidente que o modelo de transformação proposto por
302 Kootahi e Mayne (2016) e a estimativa mediana proposta neste estudo são superiores. Isso é
16
Machine Translated by Google
303 é notável que, embora ambos os modelos tenham sido desenvolvidos com base em bases de dados globais, eles fornecem
304 resultados de previsão satisfatórios para os pontos de dados regionais. O modelo de transformação probabilística
305 proposta neste estudo também fornece uma estimativa intervalar, a ser apresentada na próxima seção.
307 A Figura 5 mostra como o percentual validado varia com o percentual nominal. É claro que o
309 pela Eq. (26) deixa de ser genuíno no que diz respeito à base de dados regional. Por exemplo, o IC de 95%
310 previsto pela Eq. (26) é, na verdade, um IC de 99% para o banco de dados F-CLAY/7/216. Isso ocorre porque o
O banco de dados de calibração 311 para o modelo de transformação probabilística é um banco de dados global (ou seja, o banco de dados 1217
312 pontos de dados) com uma ampla cobertura sobre os tipos de argila, mas a base de dados de validação é uma base de dados regional
313 com uma cobertura mais estreita. Em particular, a base de dados global é uma mistura de dados contrativos e dilativos.
314 argilas, enquanto a base de dados regional contém principalmente argilas contrativas, conforme discutido abaixo.
315 Kootahi e Mayne (2016) mostraram que o modelo de transformação para ÿÿp depende se
316 a argila é contrativa ou dilatadora. Dois modelos de transformação substancialmente diferentes foram propostos
317 de Kootahi e Mayne (2016), um para argilas contrativas e outro para argilas dilativas. Figura 6
318 mostra os histogramas de OCR para as duas bases de dados: CLAY/10/7490 e F-CLAY/7/216.
319 CLAY/7/7490 é uma mistura de argilas contrativas e dilativas: cerca de 80% dos pontos de dados são
320 contrativos (OCR < 3) e cerca de 20% dos pontos de dados são dilatativos (OCR ÿ 3). F-CLAY/7/216 é
321 predominantemente contrativo: apenas cerca de 6% dos pontos de dados são dilatativos. Isto pode explicar por que o
17
Machine Translated by Google
323 O IC previsto deve ser amplo para acomodar a mistura de dados contrativos e dilatativos
324 pontos em CLAY/10/7490. No entanto, o IC previsto pode ser muito amplo para F-CLAY/7/216, ou seja,
326
328 Para resolver a questão do IC não genuíno, é desejável desenvolver transformação probabilística
331 Entre os 1.217 pontos de dados em CLAY/10/7490, 982 pontos de dados são contrativos (OCR < 3). Por
332 seguindo os mesmos passos nas seções anteriores, esses 982 pontos de dados são usados para desenvolver o
Mediana para ÿÿ Pa
p
334 1
(28)
ÿ
ÿ
ÿ ÿ ÿ exp 8,389 2,634X
ÿ ÿ ÿÿÿÿ0,035X
2345
0,223X 0,027X ÿ
ÿ ÿ
ÿ ÿÿ
4,741 14,858 1 exp ÿ ÿ ÿ 10.989 ÿÿ
ÿÿ
ÿÿÿ ÿÿÿ
1
336 ÿ
ÿ ÿ ÿ ÿ exp ÿÿ ÿ
ÿ
1 ÿ
ÿ ÿ ÿ
ÿ ÿ
ÿ
(29)
ÿ
ÿpÿ 8,389 2,634X 0,035X 0,223X
2345 0,027X
14,858 1 exp ÿ ÿÿ ÿ ÿ 4,741
ÿ
ÿÿ
10.989
ÿÿ
ÿÿÿ ÿÿÿ
337 Observe que (X2, X3, X4, X5) agora são calculados a partir das equações a seguir, em vez da Eq.
338 (11):
18
Machine Translated by Google
ÿ
ÿ ln ÿÿ
v0 a ÿ Pÿ 3.529 ÿ
1ÿ PL 19.535
ÿ
ÿ
ÿ
ÿ X2 0,402 1,856 ln ÿ ÿ ÿÿ
ÿ
ÿÿÿ X 0,852
ÿÿ ÿ 31,251 sinh ÿ
3,484 ln ÿ ÿ ÿ P 8.345
339
v0 a
ÿ ÿÿ ÿÿ
(30)
LL 15,745 X
ÿ
ÿ w 4.341
n
ÿ
ÿ
2,015 1,210 ln ÿ ÿ
4 ÿ ÿÿ X 2,086
5 ÿ ÿÿ 1,463 ln
284.813 LLÿ ÿ ÿ ÿ ÿÿ
288.676w ÿ
n ÿÿ
340 Lembre-se de que F-CLAY/7/216 é principalmente contrativo, o desempenho das Eqs. (28)~(30) pode ser
341 verificado por F-CLAY/7/216. Entre os 216 pontos de dados em F-CLAY/7/216, 203 pontos de dados são
342 contrativo (OCR < 3). Para a estimativa pontual, a Figura 7a compara o ÿÿp medido com o
343 valor mediano de ÿÿp previsto pela Eq. (28) para estes 203 pontos de dados contratuais. As previsões são
344 satisfatório. Para a estimativa intervalar, a Figura 7b mostra como a porcentagem validada varia com o
345 porcentagem nominal. A Figura 7b pode ser comparada com a Figura 5: a percentagem validada é agora
346 mais próximo da percentagem nominal na Figura 7b. Isto provavelmente ocorre porque o IC agora está desenvolvido
347 dos 983 pontos de dados contrativos globais e os 203 pontos de dados regionais também são contrativos.
348 Os resultados da Figura 7 mostram que o modelo de transformação probabilística calibrado por dados globais
349 pontos podem ter um bom desempenho para pontos de dados regionais com características semelhantes de comportamento do solo. Esse
350 observação contrasta com a crítica comum de que modelos de transformação calibrados por
351 pontos de dados globais não são aplicáveis a pontos de dados regionais ou locais.
353 Entre os 1.217 pontos de dados em CLAY/10/7490, há 235 pontos de dados com OCR ÿ 3. Esses 235
354 pontos de dados são usados para desenvolver as seguintes equações de predição:
Mediana para ÿÿ Pa
p
355 ÿ
1
ÿ
ÿ ÿ ÿ exp 8,614 2,064X
ÿ ÿ ÿÿÿÿ0,364X 0,396X 1,493X ÿ (31)
2 3 45
2,696 7,097 ÿ1ÿÿexp ÿ ÿ ÿ
ÿ ÿ
4.158 ÿÿ
ÿÿ
ÿÿ ÿÿ
19
Machine Translated by Google
1
357 1
(32)
ÿ
ÿ ÿ
ÿ ÿ ÿ ÿ exp ÿÿ ÿ ÿ 2 ÿ ÿ ÿ
ÿ ÿ
ÿ ÿ
ÿ 8,614
ÿ p 2,064X 0,364X 0,396X 1,493X 3 45
1 exp ÿ ÿÿ ÿ ÿ 2,696 7,097 ÿÿ
4.158
ÿÿ
ÿÿÿ ÿÿÿ
358 Observe que (X2, X3, X4, X5) agora são calculados a partir das seguintes equações:
ÿ
ÿ ln ÿÿ ÿ
v0 a P 6.269 ÿ ÿ ÿ ÿ 1 ÿ PL 18.710
ÿ
ÿ
ÿ
ÿ X20,010 2,579 ln ÿ ÿ
ÿ
ÿÿ ÿ1,115
X 0,809 3 sinh ÿ
ln ÿ
ÿ ÿÿ 5.391 P 5.123
v0 a ÿÿ ÿÿ
359 ÿ
(33)
ÿ
1ÿ ÿ LL
ÿ 10.277 ÿ ÿ
ÿ
ÿ w 8.653
n
ÿ
ÿ
4 ÿÿ 2,147
X 4,537 ÿ sinh X 1,904 0,961 ln ÿ
ÿ
ÿ ÿ
5
10.424 225.367w
ÿÿ ÿÿÿ n
360 O desempenho das Eqs. (31)~(33) também é verificado por F-CLAY/7/216. Entre os 216 dados
361 pontos em F-CLAY/7/216, 13 pontos de dados são dilatativos (OCR ÿ 3). A Figura 8 compara o ÿÿp medido
362 com ÿÿp previsto pela Eq. (31) para estes 13 pontos de dados dilativos. As previsões são satisfatórias. O
363 gráfico que compara o percentual validado com o percentual nominal não é apresentado, pois o
O número de 364 pontos de dados de validação (13 pontos de dados) é muito pequeno para obter estatísticas significativas.
365
367 Esta seção demonstra a estimativa do perfil ÿÿp com base nos perfis (ÿÿv0, PL, LL, wn)
368 para um site da Noruega. Alguns pontos de dados para o site Onsÿy (Noruega) são extraídos de D'Ignazio et al.
369 (2016). Os dados de investigação do local para estes pontos de dados são mostrados na Tabela 6. Três cenários são
370 considerou: (a) não há conhecimento prévio sobre o comportamento contrativo/dilatador das argilas, portanto
371 as equações para argilas genéricas (Eqs. 11, 25 e 26) são usadas para atualizar as estimativas de ÿÿp; (b) existe
372 conhecimento prévio de que as argilas são contrativas, então as equações para argilas contrativas (Eqs. 28~30)
20
Machine Translated by Google
373 são usados para atualizar as estimativas de ÿÿp; (c) há conhecimento prévio de que as argilas são dilatativas, então o
374 equações para argilas dilativas (Eqs. 31~33) são usadas para atualizar as estimativas de ÿÿp.
376 Caso não haja conhecimento prévio sobre contração/dilatação, as equações genéricas (Eqs. 11, 25 e 26)
377 pode ser usado para atualizar as estimativas de ÿÿp. Considere o caso da Tabela 6 com profundidade = 11,0 m: ÿÿv0 =
378 67,5 kPa, PL = 36,8, LL = 72,9 e wn = 69,4. As etapas para prever seu ÿÿp são as seguintes:
379 1. Determine (Y2, Y3, Y4, Y5): Y2 = ln(ÿÿv0/Pa) = -0,406, Y3 = 36,8, Y4 = 72,9 e Y5 = 69,4.
380 2. Determine (X2, X3, X4, X5) usando a Eq. (11): (X2, X3, X4, X5) = (-0,009, 1,074, 0,490, 0,426).
381 3. Atualize a estimativa mediana para ÿÿp/Pa usando a Eq. (25). A mediana resultante é ÿÿp/Pa = 1,060, ou seja,
383 4. Atualize a estimativa de intervalo usando a Eq. (26). Considere o IC de 95% (deixando p = 0,025 na Eq. 26).
384 O IC de 95% resultante para ÿÿp/Pa é [0,457 2,955], ou seja, ÿÿp ÿ [46,3 299,3] kPa.
385 As etapas acima são repetidas para todas as profundidades na Tabela 6. A Figura 9a mostra o perfil do atualizado
386 estimativas para ÿÿp. Os quadrados cinzas são a mediana para ÿÿp, enquanto a linha horizontal cinza
389 Se houver conhecimento prévio indicando que as argilas são contrativas, as equações para contração
Argilas 390 (Eqs. 28~30) devem ser usadas para atualizar as estimativas de ÿÿp. A Figura 9b mostra o perfil do
391 estimativas atualizadas de ÿÿp . É evidente que com o conhecimento prévio, os ICs de 95% tornam-se significativamente
392 mais estreitos que os da Figura 9a. Isto mostra o valor do conhecimento prévio: a incerteza pode ser
21
Machine Translated by Google
393 significativamente reduzido por experiências passadas. O caso com profundidade = 1,9 m é um julgamento falso: é um
Argila dilativa 394 (OCR = 5,0). Isto explica porque o IC de 95% na profundidade = 1,9 m não contém o
397 Suponha que haja conhecimento prévio indicando que a argila na profundidade = 1,9 m é dilativa. As equações
398 para argilas dilativas (Eqs. 31~33) deve ser usado para atualizar as estimativas de ÿÿp. A linha horizontal vermelha em
399 A Figura 9b mostra o IC de 95% resultante para profundidade = 1,9 m: agora o IC de 95% contém o valor medido
400 ÿÿp.
401
402 CONCLUSÕES
404 tensão de pré-consolidação (ÿÿp) com base nas propriedades de índice de uma argila. Uma limitação para o tradicional
405 é que eles fornecem apenas estimativas pontuais para ÿÿp, mas os valores associados
407 modelos de transformação que superam esta limitação: são capazes de prever a densidade de probabilidade
408 função de ÿÿp com base nas propriedades do índice. Três modelos de transformação probabilística são
409 desenvolvido. Um modelo de transformação probabilística é um modelo genérico que pode acomodar tanto
410 argilas contrativas e dilatadoras. A incerteza de transformação deste modelo é a maior. O outro
411 dois modelos de transformação probabilística são especializados para argilas contrativas e dilativas. Deles
22
Machine Translated by Google
413 juros. No entanto, as incertezas de transformação para estes modelos especializados são menores do que as
414 modelo genérico. Os desempenhos dos três modelos de transformação probabilística são verificados por
416 Uma observação importante feita neste estudo é que o modelo de transformação probabilística
417 calibrado por pontos de dados globais pode funcionar bem para pontos de dados regionais com comportamento de solo semelhante
418 características. Esta observação contrasta com a crítica comum de que a transformação
Os modelos 419 calibrados por pontos de dados globais não são aplicáveis a pontos de dados regionais ou locais. Mais
420 pesquisas futuras são necessárias para esclarecer os principais fatores que afetam a aplicabilidade dos genéricos
422
423 REFERÊNCIAS
425 Ching, J., Phoon, KK, 2012. Modelagem de parâmetros de argilas estruturadas como um normal multivariado
427 Ching, J., Phoon, KK, 2014a. Transformações e correlações entre alguns parâmetros da argila – o
429 Ching, J., Phoon, KK, 2014b. Correlações entre alguns parâmetros da argila – a multivariada
431 Ching, J., Phoon, KK, Chen, CH, 2014. Modelagem de parâmetros CPTU de argilas como multivariada
23
Machine Translated by Google
433 Ching, J., Phoon, KK, 2015. Construindo distribuições multivariadas para parâmetros do solo. Indivíduo. 1 pol.
434 Risco e Confiabilidade em Engenharia Geotécnica (Eds.: KK Phoon e J. Ching). Taylor &
435 Francisco.
436 Ching, J., Lin, GH, Chen, JR, Phoon, KK, 2017a. Modelos de transformação para atrito efetivo
437 ângulo e densidade relativa calibrados com base em um banco de dados multivariado de solos de granulação grossa.
439 Ching, J., Lin, GH, Phoon, KK, Chen, JR, 2017b. Correlações entre alguns parâmetros de
440 solos de granulação grossa – o modelo multivariado de distribuição de probabilidade. Geotécnica Canadense
442 Ching, J., Phoon, KK, Li, DQ, 2016c. Estimativa robusta de coeficientes de correlação entre solos
443 parâmetros sob a estrutura normal multivariada, Structural Safety, 63, 21-32.
444 Conover, WJ, 1999. Estatísticas práticas não paramétricas. 3ª edição, John Wiley & Sons, Inc., Novo
445 Iorque.
446 DeGroot, DJ, Knudsen, S., Lunne, T., 1999. Correlações entre pÿc, su e propriedades de índice para
447 argilas offshore. Proc., Int. Conf. em Engenharia Geotécnica Offshore e Nearshore, Balkema,
449 D'Ignazio, M., Phoon, KK, Tan, SA, Lansivaara, T., 2016. Correlações para cisalhamento não drenado
450 resistência das argilas moles finlandesas. Jornal Geotécnico Canadense, 53(10), 1628-1645.
451 Efron, B., Tibshirani, R., 1993. Uma introdução ao Bootstrap. Boca Raton, FL. Chapman e
452 Salão/CRC.
24
Machine Translated by Google
453 Feng, X., Jimenez, R., 2015. Estimativa do módulo de deformação de maciços rochosos com base no Bayesiano
454 seleção de modelos e abordagem de atualização bayesiana. Geologia de Engenharia, 199, 19-27.
455 Geisser, S., 1993. Inferência Preditiva. Chapman e Hall, Nova York, NY.
456 Hotelling, H., Pabst, MR, 1936. Correlação de classificação e testes de significância envolvendo não
458 Kootahi, K., Mayne, PW, 2016. Método de teste de índice para estimar a pré-consolidação efetiva
461 Li, DQ, Wu, SB, Zhou, CB, Phoon, KK, 2012. Desempenho da abordagem de tradução para
462 modelagem de variáveis não normais correlacionadas. Segurança Estrutural, 39, 52-61.
463 Liu, PL, Der Kiureghian, A., 1986. Modelos de distribuição multivariada com marginais prescritas e
465 Mayne, PW, Kulhawy, FH, 1982. Relações K0-OCR no solo. Revista ASCE de Geotécnica
467 Mesri, G., 1975. Discussão sobre “Novo procedimento de projeto para estabilidade de argilas moles”. Jornal ASCE de
469 Mesri, G., 1989. Uma reavaliação de su(mob) = 0,22 ÿ' p usando testes de cisalhamento de laboratório. canadense
471 Nagaraj, TS, Srinivasa Murthy, BR, 1986. Predição de compressibilidade de superconsolidado
472 solos não cimentados. Jornal ASCE de Engenharia Geotécnica, 112(4), 484-488.
25
Machine Translated by Google
473 Ng, IT, Yuen, KV, Dong, L., 2016. Estimativa não paramétrica de resistência ao cisalhamento não drenado para
475 Phoon, KK, Ching, J., 2013. Modelo multivariado para parâmetros do solo baseado em distribuições de Johnson.
478 Slifker, JF, Shapiro, SS, 1980. O sistema Johnson: seleção e estimativa de parâmetros.
480 Stas, CV, Kulhawy, FH, 1984. Avaliação crítica de métodos de projeto para fundações sob axiais
481 levantamento e carga compressiva. Instituto de Pesquisa de Energia Elétrica, Palo Alto, Califórnia. Relatório
482 EL-3771.
483 Wang, Y., Au, SK, Cao, Z., 2010. Abordagem bayesiana para caracterização probabilística de areia
485 Wang, Y., Cao, Z., 2013. Caracterização probabilística do módulo de Young do solo usando equivalente
487 Yan, WM, Yuen, KV, Yoon, GL, 2009. Abordagem probabilística bayesiana para as correlações de
488 índice de compressão para argilas marinhas. Revista ASCE de Geotécnica e Geoambiental
490
491
492
26
Machine Translated by Google
493 Tabela 1 Vieses e coeficientes de variação (COVs) para diversos modelos de transformação ÿÿp.
Resultados de
Literatura Modelo de transformação
n calibração Bias COV
1,319 0,536
Sÿ 506 1,36 0,89
pai t
(2012)
0,89 0,12 ÿ
0,14 **
0,71
1242 1.10 0,67
(2016) ÿÿ v0 ÿ
se DS 1.123
ÿ 7,94 (P) (LL)
a (w) n
494 Pa = pressão de uma atmosfera; LI = índice de liquidez; St = sensibilidade; wn = conteúdo natural de água; LL = limite de
liquidez; ÿÿv0 = 495 tensão vertical efetiva in-situ; n = número de casos de
*
calibração. 496 As razões ( ÿÿp medido)/( ÿÿp previsto) para alguns casos são extremamente grandes, portanto, uma definição aditiva
alternativa 497 (Ching et al., 2017a) para viés e COV é adotada: viés = (média amostral de ÿÿp medido )/(média amostral de 498 ÿÿp
previsto), desvio padrão = desvio padrão amostral de ÿÿp medido – viésÿ ÿÿp previsto . O COV = (desvio padrão 499 )/(média
amostral do ÿÿp medido). 500 registros DS 5.152 ('
** , onde en é o índice de vazios natural. Pode ser
v0 a P) 0,061 LL 0,093 PL 6,219 e
ÿ ÿ ÿ ÿ ÿÿ ÿÿ ÿ
10 n
502
503
504 Tabela 2 Estatísticas para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) e OCR para 1.217 pontos de dados em CLAY/10/7490.
Aleatório Padrão
Parâmetro argila Significar Mínimo Máx.
variável desvio
– 2,48 4.27 0,08 48,49
ÿÿp/Pa
506
507
27
Machine Translated by Google
508 Tabela 3 Tipos e parâmetros de Johnson PDF para (Y1, Y2, …, Y5).
Aleatório Distribuição Parâmetros de distribuição
valor p
variável Parâmetro argila tipo machado bX sim por
509
510
X5 1.000
512
513
514 Tabela 5 Estatísticas para (ÿÿp/Pa, ÿÿv0/Pa, PL, LL, wn) e OCR para 216 pontos de dados em F-CLAY/7/216.
Aleatório Padrão
Parâmetro argila Significar Mínimo Máx.
variável desvio
– 0,79 0,40 0,20 2.27
ÿÿp/Pa
515
516
28
Machine Translated by Google
Profundidade (m) ÿÿv0 (kPa) PL (%) LL (%) wn (%) ÿÿp (kPa) OCR 65,1 61,1
1,9 12.2 32.1 50,2 5,0
3.5 22.4 29,4 59,9 57,6 48,2 2.2
5.5 34,3 34,0 56,4 58,9 46,1 1.3
7,9 48,9 34,9 66,2 65,8 56,3 1.2
11,0 67,5 36,8 72,9 69,4 86,9 1.3
13.6 83,5 35,6 71,5 68,9 107,0 1.3
16.3 99,8 37,9 72,7 64,5 100,2 1,0
518
519
520
521 Figura 1 Histogramas para (Y1, Y2, Y3, Y4, Y5). As linhas vermelhas são o Johnson PDF ajustado.
522
523
29
Machine Translated by Google
524
525 Figura 2 Comparação entre ÿÿp medido com ÿÿp previsto para vários modelos (1217 pontos de dados 526 em CLAY/
10/7490).
527
528
529
530 Figura 3 Comparação entre porcentagem validada cruzada e porcentagem nominal (com relação a 1.217
531 pontos de dados em CLAY/10/7490).
30
Machine Translated by Google
532
533 Figura 4 Comparação entre ÿÿp medido com ÿÿp previsto para vários modelos (216 pontos de dados em F-CLAY/
534 7/216).
535
536
537
538 Figura 5 Comparação entre percentagem validada e percentagem nominal (com respeito a 216 pontos de
539 dados em F-CLAY/7/216).
540
31
Machine Translated by Google
541
542 (a) 1.217 pontos de dados em CLAY/10/7490 (b) F-CLAY/7/216
543 Figura 6 Histogramas de OCR para CLAY/10/7490 e F-CLAY/7/216
544
545
546
547 (a) ÿÿp medido versus ÿÿp previsto Figura (b)% validado versus% nominal
548 7 Resultados da verificação para o modelo de transformação probabilística desenvolvido com base em
549 983 pontos de dados contrativos (em relação a 203 pontos de dados contrativos em F-CLAY/7/216).
550
551
32
Machine Translated by Google
552
553 Figura 8 Resultados da verificação do modelo de transformação probabilística desenvolvido com base no dilativo 235 554
pontos de dados (com relação a 13 pontos de dados dilativos em F-CLAY/7/216).
555
556
557
558 (a) Sem conhecimento prévio (b) com conhecimento prévio
559 Figura 9 Perfis de estimativas atualizadas para ÿÿp.
33