考虑空间变异性下基于物理引导数据驱动与主动学习的边坡稳定性分析

《Engineering Analysis with Boundary Elements》:Physics-guided data-driven learning with active learning for slope stability analysis considering spatial variability

【字体: 大 中 小 】 时间:2026年10月21日 来源:Engineering Analysis with Boundary Elements 3.5

编辑推荐:

   **摘要** - 提出了一种用于空间变异边坡稳定性分析的物理指导数据驱动学习框架。 - 基于MNMM的模拟为代理建模提供了物理一致的高保真数据集。 - 主动学习自适应地选择信息量丰富的样本以提高数据效率。 - CNN/U-Net模型能够预测稳定性响应和平滑的临界滑动面。

  **摘要**- 提出了一种用于空间变异边坡稳定性分析的物理指导数据驱动学习框架。- 基于MNMM的模拟为代理建模提供了物理一致的高保真数据集。- 主动学习自适应地选择信息量丰富的样本以提高数据效率。- CNN/U-Net模型能够预测稳定性响应和平滑的临界滑动面。## 引言滑坡是最具破坏性的地质灾害之一,对基础设施、采矿作业和人类安全构成重大风险。由于复杂的地质过程,岩土材料表现出固有的空间变异性,导致强度分布不均匀和边坡稳定性响应的不确定性,包括安全系数(*F*s*)、变形特征和临界滑动面(CSS)。准确预测这些响应对于可靠的边坡设计和风险缓解至关重要。为了表征空间变异性,土体特性通常被建模为随机场,并使用蒙特卡洛模拟(MCS)结合确定性边坡稳定性方法进行分析。随机极限平衡法(RLEM)和随机有限元法(RFEM)已被广泛应用于概率边坡稳定性分析。然而,RLEM无法完全捕捉渐进破坏和应力-应变演化,而基于RFEM的随机分析在计算上仍然要求较高,并且需要额外的后处理来识别CSS。这些局限性阻碍了对空间变异边坡进行高效的大规模不确定性分析。无网格数值流形方法(MNMM)提供了一种替代方法,通过引入独立的数学覆盖和物理覆盖系统,将数值逼近与物理域表示解耦。这一特性允许灵活布置节点,而不严格依赖于材料界面或网格拓扑,使MNMM适用于涉及不连续性和空间变化材料的问题。由于这些优势,MNMM已成功应用于断裂扩展、渗流分析、结构问题和边坡稳定性评估。然而,当与随机场模拟结合使用时,MNMM仍然需要大量高保真的强度折减分析,导致巨大的计算成本,限制了其在大尺度不确定性分析中的应用。为减少计算负担,最近已将基于机器学习(ML)的代理模型引入边坡稳定性分析。深度神经网络(DNN)、卷积神经网络(CNN)和U-Net架构在捕捉土壤参数与边坡响应之间的非线性关系方面展现了强大的能力,尤其对于类似图像的空间数据。然而,大多数现有代理模型是基于被动采样(PS)开发的,其中训练样本是随机选择的,不考虑其信息贡献。对于计算成本较高的高保真数值模拟,被动采样可能生成冗余样本并降低数据利用效率。主动学习(AL)提供了一种有效策略,通过自适应地根据模型不确定性或预测变化选择信息量丰富的样本。然而,主动学习在空间变异边坡分析中的应用仍然有限,如何在不同查询策略之间平衡探索和利用需要进一步研究。此外,现有的基于机器学习的边坡稳定性研究主要集中在预测*F*s*等标量响应。虽然这些方法可以显著提高计算效率,但它们在变形演化和破坏机制方面提供的信息有限。在实际工程应用中,变形局部化和CSS信息对于加固设计和灾害缓解同样重要。因此,开发一个能够同时预测稳定性指标、变形场和破坏模式的高效代理框架仍然是一个重大挑战。为了应对这些挑战,本研究提出了一种用于空间变异边坡稳定性分析的物理指导数据驱动主动学习框架(PGDAL)。物理指导由基于MNMM的高保真模拟提供,该模拟在空间变异条件下生成力学一致的响应。在所提出的框架中,空间变化的土体参数场被表示为基于图像的输入,而MNMM导出的*F*s*、位移场、应变场和CSS信息被用作学习目标。还整合了基于SOMNN的方法来自动提取平滑CSS,从而实现边坡稳定性和破坏特征的多响应预测。比较了四种主动学习策略,以评估它们对样本效率和预测性能的影响。所提出的框架通过整合高保真模拟、主动学习和多响应预测,提供了一种高效的代理建模方法,用于智能边坡稳定性分析。本文的组织结构如下:第2节介绍基于MNMM的随机数据集生成,第3节介绍PGDAL框架,第3节讨论结果,第5节总结局限性和未来展望。## 章节摘要### 无网格数值流形方法基础无网格数值流形方法(MNMM)是在数值流形方法(NMM)框架内开发的。它是基于移动最小二乘(MLS)逼近的无网格伽辽金公式。MNMM引入了两个独立的覆盖系统,称为数学覆盖(MC)和物理覆盖(PC),以将插值与数值积分分离。这种分离使MNMM能够自然地捕捉跨材料或几何界面的不连续性。图1### 物理信息深度学习与主动学习代理建模本研究开发了一种用于空间变异条件下边坡稳定性分析的物理信息深度学习与主动学习框架。该框架将基于物理的模拟数据与数据驱动学习相结合。CNN用于预测*F*s*,而U-Net用于重建位移场和应变场。这些输出有助于识别CSS并为优化边坡加固提供指导。所有训练数据均使用MNMM从高保真模拟中生成,因为### 预测结果和性能分析所提出的主动学习框架被用于训练CNN和U-Net代理模型,以预测*F*s*并重建位移场和应变场。初始训练集包含200个随机选择的样本。在每次迭代中,使用不同的查询策略选择150个新的信息量丰富的样本并添加到训练集中。此过程持续进行直到模型收敛。然后比较了不同查询策略的性能。评估重点是### 代理模型预测性能综合评估为进一步评估所提出的PGDAL框架的预测可靠性,使用最优LCUS主动学习策略获得的安全系数预测结果被选为代表案例。引入额外的指标,包括MAE和校准误差,以全面评估代理模型性能。应该指出的是,PGDAL框架包括多个响应预测模块,包括*F*s*估计、位移和应变场### 结论本研究开发了一种考虑空间变异的物理指导数据驱动主动学习边坡稳定性分析框架(PGDAL)。通过整合基于MNMM的高保真模拟、主动学习和CNN/U-Net代理模型,所提出的框架能够高效预测安全系数、变形响应和平滑临界滑动面。主要结论总结如下:- (1)高斯随机场有效地捕捉了空间### CRediT作者贡献声明**曹熙朗:** 撰写——初稿,可视化,软件,调查。**任建军:** 监督,资金获取。**董淼:** 撰写——初稿,数据管理。**林杉:** 方法论,资金获取,概念构思。**郭宏伟:** 撰写——审阅与编辑,概念构思。**郑红:** 监督,概念构思。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号