为研究机器学习（Machine Learning,ML）方法在冻土力学参数预测中的性能及其应用，本文采用4种ML算法（DT、MLP、SVM以及GP），基于116组冻结黏土定向剪切试验数据，以中主应力系数b、主应力轴方向角α、平均主应力p和温度T为输入，以冻结黏土的力学参数(应力应变曲线（Stress-Strain Curve,SSC）模式和破坏强度qd)为输出，建立预测模型。通过交叉验证以及与补充试验数据的对比，评估了ML模型的预测性能。并基于最优ML模型分析在多输入参数空间下冻结黏土力学参数的分布，最后结合模型的可解释性（SHAP方法）进行参数敏感性分析。结果表明，基于ML方法可准确预测出冻结黏土的SSC模式和qd，其中MLP模型的预测表现最优；ML预测模型可以在多参数空间下模拟出冻结黏土SSC模式和qd与各输入参数之间的复杂非线性关系；通过SHAP方法有效量化了四种输入参数对于冻结黏土力学参数的影响程度：对于SSC模式的影响程度从大到小为α、p、T和b，对于qd的影响程度从大到小为T、b、α和p...

利用分离式Hopkinson压杆(SHPB),以铝质套筒作为围压装置,分别研究温度为-8、-12、-16℃在不同应变率下的人工冻结黏土围压状态变形特征和轴向动态应力-应变关系。研究结果表明:在围压状态下,冻土呈黏塑性破坏特征;当人工冻结黏土温度为-16℃、平均应变率分别为410、457、525、650、827 s-1时,其最大应力分别为10.76、12.18、14.27、20.24、23.34 MPa,最大应变分别为0.081 7、0.097 2、0.105 0、0.131 0和0.166 0,表现出较强应变率效应;-12℃和-16℃时在应变率为457 s-1下的最大应力分别为8.28 MPa和12.18 MPa;当应变率相同时,温度越低,最大应力越大,冻结黏土表现出较强的温度相关性。人工冻土的动力学特性为冻土开挖方法的研究提供依据。

采用37φmm铝质分离式Hopkinson压杆试验装置,研究了冻结温度为-8℃、-12℃和-16℃条件下人工冻结黏土在单轴和围压两种受力状态下的冲击破坏特征和强度特性。试验结果表明,当应变率相同时,单轴和围压两种受力状态下人工冻土的最大应力均随冻结温度的降低而增大,表现出较强的温度效应。在高应变率加载条件下,两种受力状态下人工冻土的冲击破坏形态分别呈现出脆性破坏和黏塑性破坏。当冻结温度和冲击气压相同时,两种受力状态下人工冻土表现出明显不同的动力特性,且围压状态下人工冻土最大应力明显高于其在单轴状态下的最大应力,呈现出明显的应力强化特性。

通过低温动三轴试验,采用分级加载方式逐级施加动荷载,对不同加载频率、围压和负温条件下青藏冻结黏土和兰州黄土的动应变幅值变化特征进行了试验研究。结果表明,同一级荷载作用下,动应变幅值随振次的增加基本不变,可以采用平均值来反映各级加载下的动应变幅值;不同加载频率、围压和温度条件下,动应变幅值随动应力幅值的变化规律相同,即随着动应力幅值的增加,动应变幅值逐渐增大;动应变幅值随加载频率的增加而减小,但减小的速率逐渐降低,动应变幅值最终趋于一稳定值,对于青藏黏土和兰州黄土,该稳定值均随加载级数的增加而增加;随着围压的增加,青藏黏土的动应变幅值变化不大,而兰州黄土的动应变幅值呈逐渐减小的趋势;动应变幅值随温度的降低而减小。动应力幅值对动应变幅值的影响最大,动荷载振动频率的影响次之,温度的影响第三,围压的影响最小。