从零开始用Plaxis 2D设计深基坑支护结构:含地锚与桩墙实战教程

Plaxis 2D实战指南:从零开始掌握岩土工程建模 本文是Plaxis 2D的实战入门指南,旨在帮助岩土工程从业者从零掌握有限元建模。文章详细讲解了软件界面、核心概念(如平面应变与分阶段施工),并通过边坡稳定性分析和深基坑支护两个完整案例,演示了从几何创建、材料参数定义、网格划分到结果解读的全流程。重点探讨了莫尔-库仑与硬化土模型的选择,并提供了新手避坑指南与实用技巧,助力实现从理论计算到精准数值模拟的跨越。 阅读详情

从零到一:用Plaxis 2D构建深基坑支护体系的完整实战指南

对于每一位从事岩土工程设计的工程师而言,面对一个深基坑项目时,那种既兴奋又忐忑的心情是相通的。兴奋在于有机会运用专业知识解决复杂的工程难题,而忐忑则源于对地层不确定性、结构安全以及施工过程模拟精准度的担忧。传统的简化计算方法在面对复杂地层、多道支撑、地下水渗流耦合作用时,常常显得力不从心。这时,一款强大的数值分析工具就如同工程师的“数字沙盘”,能够将抽象的力学原理转化为可视化的应力云图和位移矢量,让设计决策从“经验估算”走向“量化分析”。Plaxis 2D正是这样一款在岩土工程界备受推崇的有限元分析软件,它以其专业的土体本构模型和强大的施工阶段模拟能力,成为深基坑支护设计不可或缺的利器。

本文旨在为已经具备岩土力学基本理论,但尚未系统掌握Plaxis 2D实战技巧的工程师,提供一份手把手的深度教程。我们将完全摒弃照本宣科的软件操作说明,而是以一个典型的“钻孔灌注桩排桩+预应力锚索”支护体系的深基坑项目为蓝本,贯穿从模型建立、参数赋值、施工步定义,到结果分析与优化设计的全流程。你会看到,数值模拟不仅仅是点击几下鼠标,其核心在于如何将工程概念转化为合理的数值模型,并理解每一个计算结果背后的物理意义。我们将重点探讨那些容易被忽略却至关重要的细节,例如如何合理考虑基坑降水引起的土体固结效应,以及在复杂工况下如何解读支护结构的内力与变形。准备好了吗?让我们打开Plaxis 2D,开始这次充满挑战与收获的数字化设计之旅。

1. 项目蓝图:理解我们的“数字基坑”工程背景

在打开软件之前,我们必须先在脑海中清晰地构建起整个项目的工程画像。盲目地开始建模,往往会导致后续大量的返工,甚至得到完全错误的分析结果。这个阶段,我们需要像一位导演研读剧本一样,吃透我们的“工程剧本”。

我们的案例是一个位于城市中心的矩形深基坑,开挖深度为12米。场地土层自上而下依次为:3米厚杂填土、5米厚粉质粘土、其下为深厚的砂土层,地下水位位于地表下2米处。为了控制基坑变形,保护周边密集的建筑物和地下管线,我们决定采用直径1.0米的钻孔灌注桩作为支护桩(桩中心距1.2米),并在桩顶设置一道钢筋混凝土冠梁。同时,在开挖至4米深度时,设置第一道预应力锚索,锚索水平间距2.4米(隔一桩一锚),倾角15°,设计拉力为400kN。计划分三层开挖,每层4米。

注意:在Plaxis中,我们通常采用平面应变模型来模拟这种纵向延伸远大于横向尺寸的基坑。这意味着,软件默认我们在垂直于屏幕的方向(即基坑纵向)上,所有条件都是不变的。这对于排桩支护体系是合适的,但需要我们对“桩”进行正确的等效简化。

基于以上信息,我们在建模前必须明确几个核心建模策略:

  1. 模型范围与边界条件:模型的宽度和深度必须足够大,以消除边界效应对基坑附近应力场和位移场的影响。通常,模型左、右边界到基坑边的距离不小于2倍开挖深度,模型底部到基坑底的距离不小于1.5倍开挖深度。边界条件通常设置为:模型底部为完全固定(铰支),左右两侧为水平向滚动支座(允许竖向位移,限制水平位移)。
  2. 土体本构模型选择:这是数值分析的灵魂。对于粉质粘土和砂土,硬化土模型(Hardening Soil Model, HSM) 比传统的莫尔-库伦模型(Mohr-Coulomb)能更准确地模拟土体的应力路径依赖性和剪胀性,尤其适用于开挖卸载这类应力路径复杂的工况。杂填土因其性质离散,可暂时采用莫尔-库伦模型。
  3. 结构单元的简化与等效:
    • 支护桩:在平面应变模型中,连续的桩墙可以用“板”单元来模拟。但我们的钻孔桩是离散的,这就需要用到“嵌入式桩”单元,或者将排桩等效为一定厚度的连续墙。后者的等效刚度(EA, EI)需要根据单桩的截面属性和桩间距进行计算。
    • 预应力锚索:使用“锚杆”单元模拟。需要输入其自由段和锚固段的长度、横截面积、弹性模量,以及最重要的——预加力的大小和施加方式。
    • 冠梁:同样用“板”单元模拟,其刚度远大于桩,起到协调各桩变形的作用。

明确了这些策略,我们的建模工作就有了清晰的路线图。接下来,我们将进入Plaxis 2D的操作界面,开始一步步搭建这个数字世界。

2. 构筑地基:从零创建地质模型与定义材料参数

启动Plaxis 2D,选择“平面应变”模型,我们就进入了一个空白的画布。第一步不是急着画线,而是定义我们这场“数字戏剧”

Plaxis 2D 初学者 - 岩土工程数值分析 教程 1: 路堤的边坡稳定性分析,安全系数 (FoS) 的确定 - 平面应变3.Mohr-Coloumb (MC) 和硬化土壤本构模型的解释4。在这种变革性的学习体验中,参与者将获得必要的基础知识和实践技能,从而自信地驾驭 PLAXIS 2D 的复杂性并开始成功的数值建模。凭借对建模原理的深刻理解和软件的实践经验,学生将准备好应对复杂的岩土工程挑战,优化设计,并以卓越和熟练的方式为数值建模领域做出贡献。凭借这些新发现的专业知识,学生将做好充分准备,迈出成功的岩土工程职业生涯的第一步,重点是数值分析。 阅读详情

相关推荐

Plaxis2D建模翻车实录:避开这3个土体参数设置的大坑,你的基坑模拟才能更准

本文深入剖析Plaxis2D建模中土体参数设置的三大关键误区,包括排水与不排水条件的选择、剪胀角的敏感性以及小应变参数的隐形影响。通过具体案例和参数对比,帮助工程师避免常见错误,提升基坑模拟的准确性,确保岩土工程分析的可靠性。

weixin_29913663的博客 452

3D边坡模拟技术实战操作指南

在存在断层、节理、加固结构(如锚索、抗滑桩)或填挖交界面的情况下,常规连续介质假设不再适用,必须引入接触面单元(Interface Element)来描述两体之间的相对滑移、分离与咬合行为。接触面通常采用“薄层单元”或“零厚度单元”建模,其力学行为由双曲线型或库仑摩擦模型控制。以Mohr-Coulomb接触准则为例,其抗剪强度表达式为:其中:- $\tau_f$:极限剪应力;- $c$:粘聚力;- $\sigma_n$:法向总应力;- $u$:孔隙水压力;

weixin_42514540的博客 1480

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

保姆级教程:手把手教你从NASA Earthdata免费下载ASTER L2地表温度数据(附shp文件拖拽技巧)

本文提供了一份详细的ASTER L2地表温度数据下载指南,涵盖从NASA Earthdata注册、数据定位到shp文件拖拽技巧的全流程。特别针对新手常见问题如邮箱选择、密码设置、云量筛选等给出实用解决方案,帮助用户高效获取遥感数据并避免常见陷阱。

weixin_42662605的博客 426

【PT+Arduino+OneNET基础教程1】PacketTracer中MCU芯片编程教程(零基础入门)

PacketTracer软件内MCU芯片编程入门 零基础

ChloeMax_的博客 9465

MATLAB实战:利用扫频数据重构系统伯德图的关键步骤

本文详细介绍了如何利用MATLAB处理扫频数据并重构系统伯德图的完整实战流程。内容涵盖数据导入与清洗、增益与相位的精确计算、频率响应数据对象(frd)的构建、数据平滑与插值处理,以及最终生成专业伯德图并进行关键参数(如相位裕度)标注的方法。文章重点解决了从实测“黑盒子”系统数据出发,获取直观频率响应特性曲线的核心问题,为控制系统分析与设计提供了实用指南。

weixin_29098117的博客 399

Windows10检查Cuda和cuDNN是否安装成功?

简介:根据上篇博客已经完成了CUDA和cuDNN的安装步骤,完成对其的安装。下面将来检查它们是否安装成功。 1 .首先win+R进入CMD,在命令行输入nvcc -V,如下图所示,则表示cuda已经安装成功。 2 .进入到cuda的安装路径,C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite,找到如下两个.exe文件: 首先执行:deviceQuery.exe,查看是否出现如下界面: 然后执行bandwid

jhsignal的博客 14万+

【VMware篇】7-通过ISO镜像升级VMware Esxi

本文主要介绍Dell服务器上安装的ESXi升级的方法之一(采用ISO升级)。

chen_yunan的博客 5526

YOLOv11知识蒸馏实战:让小模型拥有大模型90%精度,速度提升3倍的终极教程

在self.alpha = alpha # 蒸馏损失权重self.temperature = temperature # 温度系数,控制分布平滑度# 输出分布蒸馏(KL散度损失)# 中间特征蒸馏(MSE损失,对齐中间层特征)# 总蒸馏损失知识蒸馏是YOLOv11在“小模型高性能部署”场景的“破局之法”——它让小模型能“站在大模型的肩膀上”,兼具速度与精度。从损失函数定义到多阶段训练,再到实战落地,本教程已为你铺就了一条清晰的路径。

m0_64661770的博客 804

Android实战——白天黑夜模式设置

白天黑夜模式是一种动态的UI模式,根据当前时间或用户设置的偏好,在白天和黑夜之间进行切换。它通过调整应用程序的颜色、亮度和其他可视化元素来提供更加舒适和易读的用户界面。

小旭的专栏 5238

opencv案例实战——银行卡模式匹配识别

在之前的几篇文章中我们已经介绍了opencv的一些基础知识,本篇文章我们将结合一个案例运用之前的知识并且学习opencv中模式匹配的应用,用到的知识点如果有不清楚的可以查看上面列出来的系列文章。具体代码会放在最后。

艾醒的博客 1346

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: Poetry安装避坑指南:解决Windows环境变量配置的常见问题
下一篇: 【深度解析】摄像头成像质量核心指标与智能驾驶应用实战
kotlin6android
博客等级 码龄1天 0粉丝 1457原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址