Based on undrained cyclic simple shear tests conducted on coastal tidal soft soil under various conditions of cyclic stress ratios and moisture contents, this study investigated the influence of these factors on the dynamic properties of the soil. The findings indicated that with increasing moisture content and stress cycle ratio, the stress–strain hysteresis loop gradually expanded, resulting in a higher strain difference and a transition from a dense to a sparse curve pattern. Moreover, the symmetry of the hysteresis loop was lost in the later stages of shearing. With an increase in the number of cycles, the cumulative shear strain gradually increased, and the increase in the cyclic ratio of water content to stress reduced the number of cyclic shear cycles required to achieve failure, thereby accelerating the soil’s failure rate. A predictive formula was developed based on the experimental results to estimate the failure cycles as a function of the cyclic stress ratio and moisture content. Furthermore, the softening index decreased gradually with an increasing number of cycles, and a higher moisture content and cyclic stress ratio accelerated the soil’s softening process. It was observed that under the conditions of optimal moisture content, the soil exhibited a slower softening rate during the initial stage of shearing.

The current deep learning models for braced excavation cannot predict deformation from the beginning of excavation due to the need for a substantial corpus of sufficient historical data for training purposes. To address this issue, this study proposes a transfer learning model based on a sequence-to-sequence two-dimensional (2D) convolutional long short-term memory neural network (S2SCL2D). The model can use the existing data from other adjacent similar excavations to achieve wall deflection prediction once a limited amount of monitoring data from the target excavation has been recorded. In the absence of adjacent excavation data, numerical simulation data from the target project can be employed instead. A weight update strategy is proposed to improve the prediction accuracy by integrating the stochastic gradient masking with an early stopping mechanism. To illustrate the proposed methodology, an excavation project in Hangzhou, China is adopted. The proposed deep transfer learning model, which uses either adjacent excavation data or numerical simulation data as the source domain, shows a significant improvement in performance when compared to the non-transfer learning model. Using the simulation data from the target project even leads to better prediction performance than using the actual monitoring data from other adjacent excavations. The results demonstrate that the proposed model can reasonably predict the deformation with limited data from the target project.

Vacuum preloading is a commonly adopted method for improving soft ground. During the preloading period, the applied vacuum pressure is constant or multistaged, implying that the vacuum pump must work continuously with constant or increasing operating power. To reduce the energy consumption of the vacuum pump, a new loading strategy of cyclic vacuum loading was proposed in this study, whereby the pump is periodically switched on and off, and hence the vacuum pressure ascends and descends accordingly. To guide the design of cyclic vacuum preloading, a large-strain radial consolidation theory incorporating the shifting of the consolidation status of ground soil from normally consolidated to overconsolidated (and vice versa) was established in the present study. Based on the established theory, the treatment effects of cyclic vacuum loading can be quantitatively determined, including the ground settlement and the degree of consolidation, while the energy consumption can be simply determined by multiplying the power by the operating time of the vacuum pump, which works only during the ascending stage of cyclic vacuum pressure. Two cases of the cyclic vacuum preloading strategy were evaluated herein, that is, the complete cyclic vacuum loading and combined cyclic/constant vacuum loading cases. Finally, experimental tests were conducted to demonstrate the energy-saving effect of cyclic vacuum preloading. Compared to the conventional vacuum preloading strategy (i.e., constant vacuum pressure), the energy consumption of the cyclic vacuum loading strategy can be drastically reduced (80% reduction), while the treatment effects remain basically unaffected.

The clogging induced by particle transport is often mentioned in the practice of vacuum preloading, but the percolation behavior of soft clay under negative pressure is still not clear. To understand this, the percolation behavior was investigated using an artificial paste of silica sand and kaolinite under different hydraulic pressures. The hydraulic conductivity under positive pressure (90 kPa) was about twice as high as that of negative pressure (−90 kPa). However, the transport capacity and leached particle size under negative pressure were more significant than those under positive pressure, despite the same tendency of the porosity under the positive or negative pressure. This is an interesting and paradoxical finding, suggesting complexity accompanying the erosion and clogging under the nominal hydraulic gradient, where a higher concentration of the hydraulic gradient occurs under negative pressure. The percolation under negative pressure––a self-adaptive process––included three elements: (1) the colloidal transport of clay minerals; (2) colloid accumulation and clogging in the seepage channel close to the outlet; and (3) a gradient concentration close to the outlet.

The prefabricated horizontal drain (PHD) is increasingly being used for the treatment of high water content slurries with vacuum preloading, thanks to its higher efficiency as compared to the conventional prefabricated vertical drain (PVD). However, certain issues concerning the air-liquid interface of PHD systems, e.g., improved geotextile tubes or slurry pits, require further investigation. In fact, air entry-induced vacuum failure can occur when the surface suction exceeds the critical air entry value (CAEV, corresponding to the intersection point of the compression curve and the void ratio-AEV curve). Existing models, which assume that the excess pore-water pressure remains zero at the drainage boundary, may significantly underestimate the soil consolidation. In this study, a CAEV-controlled large strain consolidation model is proposed to simulate the dewatering process of vacuum-preloaded clayey sludge, incorporating the geometrical and mechanical nonlinearities and self-weight of soil. Numerical solutions are obtained using the alternative direction implicit (ADI) algorithm and are validated through laboratory and field model tests. Further analysis indicates that the discrepancy between the proposed model and the traditional model increases with the increasing horizontal spacing of PHDs, decreasing thickness of the geotextile tube or soil layer, and increasing CAEV.

Electro-osmosis has been valued as a promising technology to enhance the dewatering of waste sludge, stabilization and environmental remediation of soils with low permeability. However, the coefficient of electro-osmotic permeability (k