固结的算子学习:DeepONet变体的架构比较

《Computers and Geotechnics》:Operator learning for consolidation: An architectural comparison for DeepONet variants

【字体: 大 中 小 】 时间:2026年03月09日 来源:Computers and Geotechnics 7.1

编辑推荐:

  深度算子网络(DeepONet)已作为一种强大的代理建模框架出现,用于学习偏微分方程(PDE)控制系统的解算子。尽管其在工程学科中的应用正在扩展,但在岩土工程中的应用仍然有限。本研究系统评估了几种用于固结问题的DeepONet架构。研究人员最初考虑三种架构:一

  
深度算子网络(DeepONet)已作为一种强大的代理建模框架出现,用于学习偏微分方程(PDE)控制系统的解算子。尽管其在工程学科中的应用正在扩展,但在岩土工程中的应用仍然有限。本研究系统评估了几种用于固结问题的DeepONet架构。研究人员最初考虑三种架构:一种标准DeepONet,固结系数(coefficient of consolidation, Cv)嵌入分支网络(branch net)(模型1和2),以及一种物理启发式架构,系数嵌入主干网络(trunk net)(模型3)。结果表明,模型3优于标准配置(模型1和2),但当目标解(超孔隙水压力)表现出显著变化时仍存在局限性。为克服这一局限性,研究人员提出了一种主干网络傅里叶特征增强的DeepONet(模型4),通过捕捉快速变化函数来解决已识别的局限性。研究人员进一步将模型4扩展到三维(3D)场景。尽管在一维(1D)情况下计算加速可能适中(与传统求解器相比为1.5-100倍),但在3D中加速更为显著,达到约1000倍。利用这一效率,研究人员提供了一个概念性演示,展示DeepONet在加速3D固结问题不确定性量化(uncertainty quantification, UQ)方面的潜力。总体而言,该研究强调了DeepONet在岩土工程应用中实现高效、可推广的代理建模的潜力,推动了科学机器学习在岩土工程中的整合,该领域尚处于早期阶段。
**论文解读:基于DeepONet的固结问题算子学习架构比较研究**

**研究背景与问题**

岩土工程问题的建模与仿真通常依赖于求解偏微分方程(PDE)或常微分方程(ODE),常用方法包括有限元法(FEM)和有限差分法(FDM)。尽管这些方法成熟可靠,但计算成本高昂,尤其是在参数变化或需要大规模模拟时。近年来,科学机器学习领域涌现出多种高效代理建模框架,其中物理信息神经网络(PINN)通过将控制方程作为软约束嵌入损失函数来近似PDE解,但PINN针对固定PDE系数和边界条件训练,一旦条件变化需重新训练,计算代价大,且需要明确的控制方程形式,限制了其在经验模型中的应用。神经算子(Neural Operator)作为替代方案,通过学习无限维函数空间之间的映射,能够泛化至不同初始和边界条件而无需重新训练,且不依赖显式PDE形式。深度算子网络(DeepONet)是其中一种重要架构,基于算子的通用逼近定理,已在流体力学、材料科学等领域得到应用,但在岩土工程中探索有限。固结问题是岩土工程中最经典的问题之一,涉及超孔隙水压力(PWP)的消散,其解的结构包含空间正弦函数与时间指数衰减项的乘积,受固结系数(Cv)控制。本研究旨在系统评估DeepONet在固结问题中的不同架构选择,以推动科学机器学习在岩土工程中的整合。

**研究内容与结论**

研究人员系统研究了四种DeepONet架构在固结问题中的表现。首先,在1D固结场景下,比较了标准DeepONet(Cv嵌入分支网络,模型1和2)、物理启发式架构(Cv嵌入主干网络,模型3)以及傅里叶特征增强的DeepONet(模型4)。结果表明,模型3通过将Cv嵌入主干网络,使测试均方误差(MSE)降低至模型1和2的1/6至1/12,这与解析解中Cv仅出现在时间指数项的结构一致。模型4进一步引入傅里叶特征嵌入,将MSE降低至模型3的约1/1.5,并有效缓解了早期快速变化区域的误差。研究还验证了模型3和模型4在分布外Cv和函数空间上的性能下降,表明需要基于领域知识谨慎设计训练数据。在3D固结场景下,模型4在完全排水和底部不排水边界条件下均表现良好,测试MSE约为1.07×103 Pa2,计算速度较传统显式求解器提升约1000倍(0.1秒 vs 126秒)。研究还展示了DeepONet在不确定性量化(UQ)中的应用,通过1000个随机场实现,DeepONet准确再现了固结度U(t)的统计分布(均值与标准差与数值解高度一致)。此外,与傅里叶神经算子(FNO)的比较表明,两者测试MSE相当(481.69 Pa2 vs 508.96 Pa2),但DeepONet训练时间更短(约40分钟 vs 165分钟),且更具灵活性。与基于本征正交分解(POD)的降阶模型(ROM)比较,DeepONet在相似计算成本下获得更低的预测误差。该研究强调了DeepONet作为岩土工程代理建模框架的潜力,尤其适用于实时预测、UQ、设计优化和反问题,论文发表在《Computers and Geotechnics》。

**主要关键技术方法**

1. **数据生成方法**:采用有限差分法(FDM)对1D和3D固结方程进行数值求解,生成训练、验证和测试数据集。1D情况下,空间离散为100个节点,时间域通过无量纲时间因子Tv∈[0,2]表示;3D情况下,空间离散为50×50×50节点,时间域Tv∈[0,1]。初始超孔隙水压力(u0)取自均匀分布或高斯随机场(GRF,correlation length l=0.5),固结系数Cv均匀采样自0.3-1.0 m2/year。训练数据量:1D为40,000个输入函数,每个函数对应100个随机输出点;3D为20,000个输入函数,每个函数对应10,000个均匀输出点。

2. **DeepONet架构设计**:研究采用全连接多层感知机(MLP)构建分支网络(branch net)和主干网络(trunk net)。1D模型中,MLP含6层,每层30个神经元,分支和主干输出维度q=50。模型1和2将Cv与初始PWP函数拼接作为分支输入;模型3将Cv作为主干输入;模型4在模型3基础上对主干输入(z, t, Cv)应用傅里叶特征嵌入(Fourier Feature Embedding),超参数mf=50, σf=1.0。3D模型中,MLP含5层,每层128个神经元,输出维度128,傅里叶特征参数相同。

3. **训练与优化方法**:所有模型采用AdamW优化器,初始学习率0.01(1D)或1.0e-4(3D),批大小256(1D)或16,834(3D),训练轮次约800(1D)或70(3D)。损失函数为预测解与真实解之间的均方误差(MSE)。

**研究结果**

**5.1 模型架构(Model architectures)**
研究人员提出了四种架构:模型1(标准DeepONet,Cv拼接至分支输入)、模型2(多输入算子网络MIONet,Cv通过辅助分支和合并网络处理)、模型3(Cv直接输入主干网络)、模型4(模型3加傅里叶特征嵌入)。通过对比,发现模型3和4更优。

**6.1 结果(Results)**
在1D测试案例中,模型4在非均匀初始PWP(Cv=0.5 m2/year)下取得最低MSE(3.69×10-5 Pa2)和最大绝对误差(2.97×102 Pa),显著优于模型1和2(MSE分别为9.38×10-4和1.14×10-3 Pa2)。模型3表现次之(MSE=1.17×10-4 Pa2)。均匀初始PWP案例中,模型4同样最优(MSE=1.51×10-5 Pa2)。总体统计,模型4的测试MSE均值为508.96 Pa2,标准差339.44 Pa2,远低于模型1和2(5921.96 Pa2)。最坏情况预测中,模型4的MSE(3.47×103 Pa2)约为模型3(9.87×103 Pa2)的1/3。计算效率方面,1D DeepONet推理时间约0.006-0.008秒/案例,较隐式BDF求解器快1.5-2倍,较显式RK45快约100倍。

**6.2 应用于3D固结(Application to 3D consolidation)**
模型4扩展至3D,在完全排水和底部不排水边界条件下,测试MSE分别为7.78×102 Pa2和5.13×102 Pa2。推理时间约0.1秒,较显式求解器快约1260倍。不确定性量化演示中,DeepONet准确再现了固结度U(t)的均值与±2σ范围(如t=0.1年时,数值解均值为0.8733,DeepONet为0.8731;标准差分别为0.0227和0.0228)。

**7. 讨论(Discussion)**
讨论部分指出,模型3的优越性源于其与解析解结构的一致性:Cv仅出现在时间指数项中,嵌入主干网络可使学习到的基函数适应不同固结速率。傅里叶特征嵌入增强了表示高频内容的能力,进一步提升了早期精度。分布外响应测试表明,当Cv超出训练范围(0.3-1.0 m2/year)或初始PWP函数的相关长度小于训练值(0.5)时,MSE增加,但仍在可接受范围内,提示需基于领域知识精心设计训练数据。与其他算子学习网络(如FNO)的比较显示,FNO训练MSE更低但测试MSE相当,DeepONet训练时间更短且更具灵活性。与经典POD-ROM比较,DeepONet在相似计算成本下获得更低的预测误差。讨论还提到,未来可通过物理信息DeepONet或主动学习框架改善分布外泛化。

**8. 结论(Conclusion)**
本研究展示了DeepONet在固结问题中学习解算子的性能。首先针对1D案例,系统研究了不同DeepONet架构。结果表明,将Cv输入主干网络(模型3)而非典型的分支网络(模型1和2),可使测试MSE降低6至12倍。该改进的准确性得到PDE解析形式的支持,其中Cv在基函数中调制时间相关行为。此外,研究人员在模型3基础上使用傅里叶特征嵌入(模型4)进一步增强了DeepONet架构,将误差再降低至模型3的1/1.5,在所有模型中实现最高精度。模型4的架构还有效缓解了其他模型在高度变化、早期超孔隙水压力行为中显示的高误差,原因在于傅里叶特征嵌入增强了表示尖锐时空特征的能力。这些发现为设计PDE驱动系统中由物理系数控制的算子学习DeepONet架构提供了指导。最后,研究人员将模型4扩展到3D固结问题,并演示了其在不确定性量化示例中的应用。训练后的DeepONet模型相比用于生成训练数据和基准的传统数值求解器实现了显著的计算加速。在3D问题中,DeepONet在不到一秒内生成完整3D场,计算速度比高保真有限差分求解器快约三个数量级。尽管在1D固结案例中绝对时间差在毫秒量级,但相对加速比(1.5至100倍)仍然有意义。利用这一效率,研究人员展示了DeepONet加速3D固结中不确定性量化的概念性演示。这一计算优势在大规模或高维岩土工程模拟中尤其有价值,其中传统求解器因时间步进和网格开销而成本高昂。研究结果还表明,当向训练分布外的Cv值和初始超孔隙水压力函数空间外推时,训练后的DeepONet模型性能下降。这表明基于DeepONet的代理模型部署需要仔细选择训练数据集中的PDE参数,进而需要相关的岩土工程专业知识。如果问题可以用完整PDE形式描述,可以引入物理信息损失项来缓解这些分布外误差。或者,也可考虑主动学习框架。除强调的技术贡献外,本研究将DeepONet作为有效的代理建模框架引入岩土工程界。其在不同PDE参数和初始条件下无需重新训练便能泛化的能力,使其特别适用于实时预测、不确定性量化、设计优化和反问题,而传统数值求解器甚至物理信息神经网络可能因计算或公式限制而表现不佳。在工程应用方面,研究人员认为本研究中实现的DeepONet模型有潜力与现代传感技术集成,实现孔隙水压力监测和地下表征,从而支持固结相关问题(如路堤固结、排水板性能)的实时监测框架。尽管论文中展示的示例基于合成数据,但它证明了DeepONet的效率。未来收集密集孔隙水压力数据并监测固结随时间演化的研究,将理想地推进和验证本研究所设想的框架。此外,虽然本研究使用常值Cv作为主干输入,未来工作可通过将土体性质场Cv(x,y,z)作为分支网络的额外输入函数来处理空间异质性。最后,实验集成的一个潜在途径涉及迁移学习,其中在大规模合成数据上预训练的模型通过稀疏、高保真现场测量数据进行微调,提供多保真度DeepONet。
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