《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Physics-Informed Neural Network-based Reliability Analysis of Buried Pipelines Subjected to Permanent Ground Displacement
编辑推荐:
埋地油气管道在穿越地质灾害易发区时面临地面运动的潜在威胁,可能导致显著的应变需求和结构失效。可靠性分析通过考虑相关不确定性来确定失效概率,对于保障管道系统安全至关重要。然而,传统可靠性分析方法涉及计算密集型的数值模型,如管道受地面运动作用的有限元模拟,其应用受
埋地油气管道在穿越地质灾害易发区时面临地面运动的潜在威胁,可能导致显著的应变需求和结构失效。可靠性分析通过考虑相关不确定性来确定失效概率,对于保障管道系统安全至关重要。然而,传统可靠性分析方法涉及计算密集型的数值模型,如管道受地面运动作用的有限元模拟,其应用受到限制;这主要是因为随机抽样方法在估计低概率时需要对大量样本进行重复模拟。本研究提出了用于埋地管道在水平永久地面位移作用下可靠性分析的物理信息神经网络(Physics-Informed Neural Network for Reliability Analysis, PINN-RA),将基于PINN的代理模型与蒙特卡洛模拟(Monte Carlo Simulation, MCS)相结合,以实现高效的可靠性评估。为使其适用于与土体性质和地面运动相关的不确定变量,基于PINN的代理模型被扩展用于求解参数化微分方程系统,即埋置于不同性质土体中管道的控制方程。研究结果表明,PINN-RA显著降低了所需的计算工作量,从而加速了受地面运动作用管道的可靠性分析,为地质灾害易发区的快速决策提供了支持。
本研究发表于《RELIABILITY ENGINEERING》期刊,提出了一种基于物理信息神经网络的可靠性分析新方法(PINN-RA),专门用于评估埋地管道在永久地面位移(Permanent Ground Deformation, PGD)作用下的结构安全性。当前,埋地能源管道作为长距离输送石油、天然气及其衍生品的重要基础设施,在穿越地震活动区、滑坡、液化土层和边坡失稳等地质灾害易发区域时,面临着严重的地面运动威胁。管道在这些区域可能发生大应变相关的失效模式,包括拉伸破裂和屈曲等。传统的基于应变的评估方法需要高效预测应变需求,而现有的可靠性分析方法,如一次可靠度方法(First-Order Reliability Method, FORM)和二次可靠度方法(Second-Ord er Reliability Method, SORM),受限于极限状态函数的非线性行为,且需要基于有限元模拟的隐式极限状态函数的梯度信息。蒙特卡洛模拟虽然避免了这些简化,但在评估低失效概率时需要大量样本,导致计算成本高昂,难以满足实际工程需求。为克服这些局限,研究人员开展了基于物理信息神经网络与蒙特卡洛模拟相结合的可靠性分析研究,旨在建立一个无需训练数据、计算高效的代理模型,以支持地质灾害易发区管道的快速风险评估和安全管理。
本研究采用的核心技术方法包括:(1)基于欧拉-伯努利梁理论的管道力学建模,将管道简梁模型离散化为轴向和横向土弹簧,建立考虑中等大变形的控制微分方程组;(2)扩展的物理信息神经网络架构,将地面位移幅值、内聚距、摩擦角、土体重度、埋深和PGD区宽度等六个随机变量作为输入参数,求解参数化微分方程系统,其中采用修正的Menegotto-Pinto模型描述双轴应力状态下的本构关系,并利用双曲正切函数平滑近似的土弹簧模型描述管-土相互作用;(3)两步自动微分技术,首次对神经网络输出位移求导获取应变,通过非线性函数计算轴力和弯矩后,再次自动微分获取其导数用于损失函数构建;(4)蒙特卡洛模拟集成,将训练完成的PINN代理模型与MCS结合,基于美国生命线联盟(American Lifelines Alliance, ALA)准则定义极限状态函数,评估管道的失效概率。
研究背景与动机方面,研究人员指出埋地管道在地质灾害区的安全运营面临重大挑战。现有半定量评估方法依赖专家判断和简化评分系统,导致结果不一致;定量方法中的近似解析方法受非线性限制,而纯蒙特卡洛模拟因需要大量有限元分析样本而计算不可行。虽有研究采用多保真度方法、机器学习和有限差分法等替代方案,但代理模型的训练数据需求仍是瓶颈。物理信息神经网络通过将控制物理方程嵌入损失函数,无需训练数据即可求解微分方程,为可靠性分析提供了新途径。
方法扩展与创新方面,与以往假设单轴材料行为的研究不同,本研究扩展了PINN模型以考虑双轴应力状态,同时纳入温度和内压效应。模型构建中,总纵向应变由地面运动引起的应变、内压引起的环向应力所致纵向应变以及温度变化引起的热应变叠加而成。采用Von Mises屈服准则评估双轴应力状态,通过平滑的修正Menegotto-Pinto模型确保PINN训练所需的连续可微性。管-土相互作用采用基于ALA指南的连续光滑双曲正切函数近似,替代传统的弹-完全塑性模型。PINN架构采用六隐层全连接深度神经网络,每层30个神经元,以双曲正切为激活函数,通过L-BFGS-B优化器最小化包含控制方程残差和边界条件残差的总损失函数。
案例研究与验证方面,研究人员以直径508 mm、壁厚7.14 mm、总长90 m的API 5L X65钢管道为对象,考虑10.26 MPa内压和+60°C温升的运营条件,以及无运营荷载的对比工况。PINN模型采用拉丁超立方抽样生成40,000个域内配点和5,000个边界配点进行训练。模型验证通过与有限元方法对比,在10组不同参数组合下,拉伸和压缩应变需求的预测结果与有限元结果吻合良好,证实了扩展参数化模型的预测精度。训练过程显示单轴和双轴模型分别经35,995次和24,602次迭代后收敛,总损失残差降至10
-4量级。
可靠性分析应用方面,考虑地面位移幅值(正态分布,均值1.0 m,标准差0.112 m)、PGD区宽度(均匀分布,10-30 m)、内聚力(正态分布,均值45 kPa,标准差4.3 kPa)、摩擦角(正态分布,均值25°,标准差2.5°)、重度(正态分布,均值19 kN/m
3,标准差1.8 kN/m
3)和埋深(正态分布,均值1.45 m,标准差0.0359 m)等随机变量,生成10
5个蒙特卡洛样本。对于适用性极限状态(拉伸应变容量2%,压缩应变容量单轴0.45%/双轴1.46%),无运营荷载时拉伸和压缩失效概率分别为85.13%和99.67%,有运营荷载时分别为56.69%和0.068%;对于压力完整性极限状态(拉伸应变容量4%,压缩应变容量2.47%),两种工况均无失效。拉伸应变需求呈近似对称分布,单轴状态下均值2.37%、标准差0.35%,双轴状态下均值2.04%、标准差0.23%;压缩应变需求变异性更窄,单轴均值-0.67%、标准差0.08%,双轴均值-1.01%、标准差0.16%,表明拉伸应变对输入参数不确定性更为敏感。
敏感性分析结果揭示,在地面运动参数中,永久地面位移幅值是最关键的影响因素;在土体参数中,内聚力和摩擦角对可靠性的影响最为显著,反映了其在管-土相互作用中的重要作用,而重度和埋深的影响相对较小。计算效率对比表明,评估10
5个样本有限元法需138.9小时(六处理器并行降至23.2小时),有限差分法需55.5小时(优化后3.3小时),而PINN-RA训练仅需1.6小时,样本评估几乎瞬时完成且与样本量无关;对于10个案例的敏感性分析,PINN-RA保持1.6小时固定训练时间,远低于并行有限元的232.2小时和优化有限差分的33.3小时。
研究结论部分,研究人员系统总结了PINN-RA方法的核心成果:该方法有效量化了受地面运动作用管道的失效 probability of failure (PoF);双轴应力状态下运营内压降低了拉伸应变需求的变异性,提升了结构可靠性;拉伸应变相比压缩应变对输入参数变化更为敏感;地面位移幅值是影响失效概率的最关键因素,内聚力和摩擦角是最具影响力的土体参数;PINN-RA在计算效率上较传统数值方法具有数量级优势,为地质灾害易发区管道的实时风险评估和决策支持提供了有效工具。