تحقیق در مورد تکنیک بهسازی زمین قبل از زلزله
خوان کارلوس تیزنادو نویسنده اصلی مقاله جدیدی است مجله مهندسی ژئوتکنیک و ژئواکولوژی که به مهندسان کمک می کند تا خطر "روان شدن" در هنگام زلزله را بهتر درک و پیش بینی کنند و با اطمینان بیشتری آن را کاهش دهند.
هر سازه ای در اطراف ما بر روی خاک یا سنگ قرار دارد. در زمین لرزه های بزرگ، خاک های اشباع سست، که معمولاً به صورت جامد رفتار می کنند، مانند ماسه سست زیر آب، می توانند نیمه مایع شوند. این فرآیند به روانگرایی معروف است و عواملی مانند شدت و مدت زلزله به همراه ترکیب خاک منطقه در روند آن نقش دارند.
تیزنادو گفت که مایع سازی یکی از دلایل اصلی آسیب به زیرساخت های فیزیکی در هنگام زلزله است و می تواند از بازسازی فوری کمک های اجتماعی مانند بهداشت، حمل و نقل و برق جلوگیری کند.
وی گفت: «این کار بر روی یک تکنیک اصلاح خاک به نام ستون‌های دانه‌ای متراکم (DGC) تمرکز دارد که هدف آن کاهش اثرات روانگرایی خاک و بهبود ویژگی‌های ساختاری در هنگام زلزله‌های قوی است. اساساً، ما اولین مدل‌های پیش‌بینی احتمالی را توسعه داده‌ایم که به مهندسان کمک می‌کند تا احتمال و درجه مایع‌گرایی مورد انتظار را در سایت‌های تحت درمان با DGC تخمین بزنند. با استفاده از این ابزار، اکنون می‌توانیم یک سایت را برای سناریوهای کاهش خطر مختلف ارزیابی کنیم تا به تصمیم‌گیری آگاهانه در مورد کاهش خطر زلزله کمک کنیم.»
تیزنادو افزود که این کار می تواند به ویژه در برنامه ریزی پیرامون سازه های مهم مانند خاکریزها و سدها که بر اساس ذخایر دانه ای اشباع و نسبتاً جوان (از نظر زمین شناسی) هستند، مفید باشد.
تیزنادو به عنوان دانشجوی دکترا در گروه دانشیار شید دشتی در گروه مهندسی عمران، محیط زیست و معماری شروع کرد و در نهایت با مدرک دکترای مضاعف فارغ التحصیل شد. از CU Boulder و دانشگاه پاپی کاتولیک شیلی در دسامبر 2020. او سپس برای مدت کوتاهی به عنوان دانشجوی فوق دکتری زیر نظر دشتی خدمت کرد و سپس به سمت تدریس در دانشگاه کاتولیک پاپی که امروز در آن کار می کند، خدمت کرد.
نویسندگان از تأسیسات ژئوتکنیکی در CU Boulder - که شامل سه سانتریفیوژ پیشرفته است - برای تکمیل برخی از کارها استفاده کردند. آنها همچنین از امکانات ابررایانه CU Boulder Summit برای انجام مجموعه گسترده ای از شبیه سازی های عددی ارائه شده در این مقاله استفاده کردند.
تیزنادو گفت: «علاوه بر مدل‌سازی فیزیکی و عددی، ما برای اعتبارسنجی مدل پیشنهادی خود، تاریخچه‌های موردی از زلزله‌های قبلی را با استفاده از DGC جمع‌آوری کردیم. بنابراین، ما از تکنیک‌های یادگیری ماشینی استفاده کردیم که به ما کمک کرد پس پردازش داده‌های مورد نیاز برای توسعه روش‌های طراحی آماری خود را بهینه کنیم.»
دشتی گفت که این رویکرد یکپارچه روش شناختی، برای اولین بار به مهندسان امکان می دهد تا احتمال روانگرایی را در رسوبات مایع شده از نظر چینه شناسی متغیر که با DGC تصفیه شده اند، به طور قابل اعتماد ارزیابی کنند و به ایمنی لرزه ای زیرساخت های حیاتی ما در سراسر جهان کمک کند.
نقل قول: بررسی تکنیک بهسازی زمین قبل از زلزله (2021، 6 دسامبر)، استخراج شده در 6 دسامبر 2021 از https://phys.org/news/2021-12-ground-technique-earthquakes.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه به منظور تحقیق یا مطالعه خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
[ad_2]