مروري بر روش‌هاي تخمين مقاومت نفوذ اسپادكن در خاك‌هاي رسي دولايه

استفاده از اسپادكن بهعنوان پي سكوي حفاري جكاپ مرسوم است. نفوذ اسپادكن در رسهاي دولايه بهدليل گسيختگي سوراخكننده با مخاطراتي همراه است. تخمين مقاومت نفوذ در طي فرآيند پيشبارگذاري، كمك زيادي در جهت جلوگيري از اين مخاطرات خواهد كرد. در اين مقاله ضمن تشريح سيستمهاي جكاپ و اسپادكن، مكانيزم نفوذ و منحني بار- نفوذ اسپادكن در رسهاي دولايه تشريح شده است. در ادامه نيز روشهاي مختلف تخمين پروفيل نفوذ در رسهاي دولايه آورده شده و مورد ارزيابي قرار گرفته است. نتايج نشان ميدهد كه تحليل المان محدود كرنش بزرگ اسپادكن و توجه به نرمشوندگي رس در مدلسازي عددي، منجر به بهبود نتايج خواهد شد. بهعلاوه اينكه پتانسيل سوراخكنندگي با افزايش ضخامت لايه رس سخت و كاهش نسبت مقاومت دولايه (رس نرم بر رس سخت)، افزايش مييابد. بررسي روشهاي تخمين مقاومت نفوذ نيز نشان ميدهد كه از ميان روابط معتبر موجود، روش استاندارد ISO نسبت به روشهاي ديگر، پيشبيني ضعيفتري را ارائه ميدهد؛ در مقابل روش استاندارد SNAME، صحت و انطباق بيشتري با دادههاي واقعي دارد.

Using spudcan as foundations for jack-up rigs is usual. Spudcan penetration into two-layered clayey soils due to punch-through failure is associated with some risks. Estimation of spudcan penetration resistance during preloading process helps to prevent these risks. In this paper jack-up and spudcan foundations, and penetration mechanism and load-penetration curve of spudcans have been described in details. Then, different methods for estimation of spudcan penetration profile into two-layered clayey soils are presented and evaluated. Results show that spudcan penetration analysis with large strain finite element method together with attention to softening of clay in that numerical modeling will improve the results. In addition, punch-through potential is increased with increasing thickness of stiff clay layer, and reduction of the ratio of strength of two layers (soft clay on stiff clay). Also, investigation of different methods for penetration resistance showed that among different existing relations, ISO standard method has presented a more poor prediction in comparison to other methods. SNAME standard method has a more accurate and adjustment with real data.