Multiscale insights into Sliding Surface Liquefaction through DEM simulations
Notice bibliographique
Résumé
Recognizing the mechanisms that trigger liquefaction is critical for developing reliable models to prevent landslides. The tendency for liquefaction to occur generally decreases with increasing soil density. However, when grain fragmentation occurs, the material becomes more contractive, making liquefaction possible even in relatively dense samples. This phenomenon was first recognized and named Sliding Surface Liquefaction (SSL) by Kyoji Sassa’s research group ( Soils Found , a=Vol 36, 1996, pp.53-64 ), who reported comprehensive laboratory studies on the topic. Yet, the mechanisms at the grain scale remain poorly understood. To advance in the understanding of SSL and support the development of predictive models, we investigate the links between micro- and macromechanical behavior in crushable granular materials subjected to constant volume shearing. We perform two-dimensional simulations using the Contact Dynamics Discrete Element Method, focusing on the effects of particle fragmentation strength and grading evolution during undrained shearing until liquefaction. The results reveal that higher densities and particle strength delay the onset of liquefaction. At high densities, regardless of the strength of the particles, grading during crushing asymptotically approaches an ultimate distribution, which depends on the initial density and is not associated with the occurrence of liquefaction. Although the amount of grain fragmentation is lower in looser samples, liquefaction occurs in earlier stages than in denser cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».