在多阶段松弛实验中使用分布式光纤传感量化局部和非局部岩石变形

一、引言

持续的背景地震活动表明地壳岩石损伤会不断累积,会削弱一定区域地壳岩石强度,使小型地震可能发展成更大规模破裂。本文以花岗闪长岩、北山花岗岩及锦屏白云岩大理岩为研究对象,开展多阶段单轴与三轴应力松弛试验。通过分布式光纤传感技术实现试样表面全场应变高分辨率重建,结合X射线CT扫描与光学显微观察,揭示岩石变形的微观机制与宏观应变分布的内在关联。

二、实验过程

(1)样品与传感准备

选取三种典型岩石,加工为直径50mm、高度100mm的圆柱体,两端平行度控制在每100mm长度0.05mm以内。采用G652B单模光纤,以螺旋缠绕方式固定于样品表面。三轴试验样品涂5mm厚硅酮密封胶防围压油渗透。

图1岩样与光纤配置示意图

(2)实验装置与方案

力学系统:使用MTS815.04岩石力学测试系统,花岗闪长岩开展单轴试验,花岗岩与大理岩分别施加30MPa、60MPa围压进行三轴试验。

加载模式:采用"应力斜坡-松弛交替"方案,以恒定速率加载至初始松弛应力后,固定活塞位置保持20-60分钟,重复至样品失效。

监测与表征:通过OSI-S分布式光纤传感(1mm空间分辨率、1Hz采样率)监测应变;试验后用X射线CT成像断裂网络,光学显微镜观察微观结构。

三、实验数据分析

1、高精度、多通道

(1)应变空间分布

花岗岩类:花岗闪长岩裂纹闭合与线弹性阶段因边界非平行而出现倾斜高应变区,屈服后高应变集中于中高度(端盖效应最小区域),峰值应力前高应变区位置稳定。花岗岩高应变区覆盖附属裂缝,宏观断层位于高应变区边界。

图2花岗闪长岩WG-0应变分布与断裂模式图(左)花岗岩BSG-30应变分布与断裂模式图(右)

大理岩:线弹性阶段斜应变区模糊,屈服后应变集中于30-70mm高度,剪胀后应变分布更均匀,宏观断层与高应变带无明显关联。

图3大理岩应变分布与断裂模式图

不同颜色的彩色条带表示各松弛阶段的应变增量,白色区域对应应力增加导致的应变增量。CT图像两侧显示对应侧面光纤的应变轮廓,花岗闪长岩左侧的高裂纹密度区域与高应变区域吻合,而锦屏大理岩除断层外无明显裂纹,应变分布左右基本对称。H50和H80分别表示距试样底端50mm和80mm处的光纤应变轮廓。

制作FA的材料通常是光纤加玻璃基底和盖板,且现在市场上的固化胶水已经有相当好的机械和温度稳定性,跟大多数无源光器件一样,其工作温度和储存温度范围为-40℃到+85℃,能适应各种严苛环境。

图4纵/横断面应变分布与CT断裂模式叠加(左花岗岩、右大理岩)

(2)应力松弛期间的时间依赖性变形

松弛模量与指数:花岗岩松弛模量在最后1-2阶段加速衰减,大理岩呈线性衰减;大理岩松弛指数n随初始松弛应力增加更快,相同应力下n值更高。

应变局部化影响:花岗岩剪胀前,应力松弛使RMSD减小(促进局部化),剪胀后RMSD稳定,Nover达0.8;大理岩剪胀后,应力松弛使RMSD增大(促进离域),Nover后期显著下降。

图5松弛响应量化图

四、结论

本次实验通过分布式光纤传感技术实现了岩石变形全场应变的高分辨率测量,并结合死后X射线CT扫描与光学显微观察,验证了该技术在建立"微观变形机制---宏观应变分布"关联中的可行性:

1.分布式光纤传感技术可区分花岗岩、大理岩的变形机制,及对应宏观应变局部化的差异;

2.能捕捉应变时空演化,建立"微观机制-宏观应变-岩石破坏"的多尺度关联;

3.为解释地震前兆多样性(如局部化或离域前兆)提供实验依据,验证了该技术的可行性。

原文链接:

https://doi.org/10.1029/2024JB029881

相关推荐
夫唯不争,故无尤也6 小时前
分布式训练一站式入门:DP,DDP,DeepSpeed Zero Stage1/2/3(数据并行篇)
分布式
星哥说事7 小时前
分布式存储:Ceph、GlusterFS、MinIO架构与部署
分布式·ceph·架构
LitRad8 小时前
kafka问题解决
分布式·kafka
blammmp20 小时前
RabbitMQ:仲裁队列 && HAProxy
分布式·rabbitmq
9ilk20 小时前
【仿RabbitMQ的发布订阅式消息队列】--- 前置技术
分布式·后端·中间件·rabbitmq
Ribou21 小时前
无zookeeper Kafka 4.1.0 Raft 集群搭建
分布式·zookeeper·kafka
峰顶听歌的鲸鱼21 小时前
9.OpenStack管理(三)
运维·笔记·分布式·openstack·学习方法
铁锹少年1 天前
当多进程遇上异步:一次 Celery 与 Async SQLAlchemy 的边界冲突
分布式·后端·python·架构·fastapi
大千AI助手1 天前
分布式奇异值分解(SVD)详解
人工智能·分布式·spark·奇异值分解·svd·矩阵分解·分布式svd