基于电阻率成像与K均值聚类的岩土材料分类及N60值估算研究

本研究针对传统钻孔勘察成本高、效率低的问题，创新性地将二维电阻率成像(2D ERI)与标准贯入试验(SPT)相结合，应用K均值聚类分析(KMCA)对岩土材料进行分类。通过建立土壤电阻率与N60值的幂函数关系式(R2=0.9774)，在无钻孔区域成功估算N60值(MAE=3.94，RMSE=5.21)，为边坡稳定性评估提供了一种高效、经济的 subsurface characterization 新方法。

　　

在岩土工程领域，准确掌握地下岩土材料的特性是确保工程安全的关键。传统的钻孔勘察方法虽然能提供直接的地下数据，但存在成本高、效率低、且只能获得离散点数据的局限性。特别是在地形复杂的边坡工程中，如何快速、经济地获取大范围的地下岩土参数，一直是工程师们面临的挑战。

近年来，地球物理勘探技术如二维电阻率成像(2D ERI)为非侵入式地下调查提供了新途径。通过向地下注入电流并测量电阻率，2D ERI能够快速获取大范围的地下信息。然而，电阻率值受多种因素影响，包括土壤类型、矿物组成、含水量等，导致其与岩土力学参数之间的直接相关性往往不明确。这种不确定性限制了电阻率方法在精确工程评估中的单独应用。

在此背景下，日本Shibaura Institute of Technology的研究团队在《SOIL BIOLOGY》上发表了一项创新研究，他们巧妙地将2D ERI与机器学习技术相结合，开发了一种新的岩土材料分类和参数估算方法。研究以泰国清迈省1088号公路边坡滑塌为案例，旨在解决传统方法在无钻孔区域难以准确评估地下条件的难题。

研究人员采用了多项关键技术开展本研究：通过二维电阻率成像(2D ERI)获取大范围地下电阻率数据；利用标准贯入试验(SPT)获得岩土刚度参数N值，并校正为N₆₀值；应用K均值聚类分析(KMCA)对电阻率和N₆₀值数据进行智能分类；基于聚类结果建立电阻率与N₆₀值的数学关系式；最后通过性能指标(MAE、RMSE)验证估算结果的准确性。

2D ERI数据解释

通过六条2D ERI测线的电阻率数据，结合地质信息将研究区岩土材料分为四类：砂砾石夹粉土层(电阻率100-500 Ω·m)、湿粉质砂土层(20-100 Ω·m)、湿粘土层(10-50 Ω·m)以及裂隙发育岩层(20-500 Ω·m)。电阻率随深度增加而降低，与细粒含量增加和含水量升高相关。

钻孔勘察结果

四个钻孔(BH10、KB1、KB2、KB3)数据显示，表层0-2米为松散砂土(N₆₀=2-5)，2-6米为中硬粘土(N₆₀=2-23)，6米以下为硬粘土(N₆₀>11)。实验室测试显示粘土塑性指数(PI)为10.3-32.2，细粒含量达23%-99%。

电阻率与钻孔数据的综合分析

沿2D ERI测线5的综合分析识别出四种主要岩土层：粘土质砾砂(电阻率100-500 Ω·m)、砂质粘土(50-100 Ω·m)、粉质粘土(20-50 Ω·m)以及粉质粘土至强风化基岩(10-20 Ω·m)。电阻率与N₆₀值呈负相关趋势，但直接相关性较弱(R2=0.1818)。

基于KMCA的土壤分类和N₆₀值估算

KMCA将岩土材料分为三个聚类：聚类1(电阻率16.12-47.72 Ω·m，N₆₀=5-32)代表软至很硬粘土；聚类2(65.06-87.09 Ω·m，N₆₀=7-17)代表中硬粘土；聚类3(114.55 Ω·m，N₆₀=8)代表中硬粘土。基于聚类中心建立的幂函数关系式N₆₀ = 115.03ρ^-0.565具有高度相关性(R2=0.9774)。

将该关系式应用于六条2D ERI测线，成功将岩土材料按相对刚度分为三类：低刚度(松散砂土)、中等刚度(中硬粘土)和高刚度(硬粘土)。验证结果显示估算值与实测值高度吻合(R2=0.9467，MAE=3.94，RMSE=5.21)，表明确实N₆₀值与估算N₆₀值之间存在强线性关系。

研究结论表明，集成2D ERI、SPT和KMCA的方法能有效提高地下表征的准确性，特别是在缺乏钻孔数据的区域。建立的幂函数关系式能可靠估算N₆₀值，为边坡稳定性评估提供重要参数。然而，该关系式具有场地特异性，应用于其他地质环境时需要重新校准。

讨论部分强调，电阻率值与岩土参数的关系受多种因素影响，包括颗粒大小分布、细粒含量、含水量和孔隙流体性质等。KMCA能有效减少数据重叠，清晰区分不同岩土材料，但在地层横向变异大的区域仍存在分类不确定性。该方法显著减少了传统钻孔勘察的时间和成本，为岩土工程调查提供了一种经济高效的替代方案。

这项研究的重要意义在于开发了一种结合地球物理勘探和机器学习的技术框架，能够在大范围区域内快速评估岩土条件。该方法特别适用于边坡稳定性分析、地基设计等工程场景，为工程决策提供了可靠的数据支持，同时减少了地面扰动和环境影响的可持续调查策略。