《Engineering Applications of Artificial Intelligence》:Damage assessment of thermal-humidity-mechanical coupling field of early-age concrete based on adaptive physics informed neural network
编辑推荐:
早期混凝土的裂缝-损伤抗性受水化、自干燥、温湿度扩散及材料特性等多因素影响,传统理论与数值模型难以准确评估。为解决此问题,本研究提出一种自适应物理信息反向传播神经网络(BPINN),用以精准评估多物理场耦合下早龄期混凝土的损伤。该模型以温湿度扩散与收缩模型作为物理损失函数,并通过构建时变因子权重来增强模型对采样点时空特征分布的学习能力。验证表明,该模型可有效模拟混凝土强度等级与边界条件对温湿度扩散的影响,其平均误差小于5%,且LOSS较传统物理信息神经网络(PINN)降低了62.4%,为早龄期混凝土热-湿-力耦合场研究提供了新思路。
想象一下,摩天大楼的地基、跨海大桥的桥墩,在它们浇筑成型后的最初几天——这个被称为“早龄期”的关键阶段,内部的微观世界正经历着一场复杂而剧烈的演变。水泥与水发生水化反应,释放热量,内部温度升高;水分因化学反应和向环境扩散而逐渐丧失,导致湿度变化;材料自身的收缩变形与外部约束共同作用,产生了复杂的应力状态。当收缩产生的拉应力超过混凝土当时的抗拉强度,微小的裂缝便悄然产生。这些早期损伤犹如建筑物的“隐形病灶”,会显著降低结构的长期耐久性和承载能力。然而,要精准捕捉和评估这个由温度、湿度、力学应力相互交织、动态耦合的复杂物理场,并预测其导致的损伤,是土木工程领域长期面临的巨大挑战。传统的理论模型往往基于简化假设,难以刻画多场耦合的非线性行为;而高精度的数值计算方法(如有限差分法)则需要极其精细的网格划分,计算资源消耗巨大,且对复杂边界条件和高阶非线性控制方程的求解十分困难。
另一方面,随着人工智能的兴起,以机器学习为代表的数据驱动方法凭借其强大的非线性拟合能力,在工程性能评估中展现出巨大潜力。然而,纯粹的“黑箱”模型严重依赖海量、高质量的数据,在早龄期混凝土这类试验数据获取成本高、样本量有限且离散性大的场景下,其泛化能力往往会大打折扣。更关键的是,这类模型缺乏物理规律的约束,其预测结果可能违背基本的物理学定律(如能量守恒、扩散定律),导致“物理上不可信”。为了融合数据优势与物理定律的可靠性,物理信息神经网络应运而生。它将控制物理过程的偏微分方程、边界条件等作为损失函数的一部分,引导神经网络在训练中学习并遵守内在的物理规律。但将PINN应用于像早龄期混凝土热-湿-力这样的多物理场强耦合问题时,依然面临重重阻碍:高阶非线性偏微分方程耦合求解困难、时空演化特征显著、不同损失函数(数据损失、物理方程损失、边界条件损失)之间的权重竞争问题等,都会导致模型训练震荡、难以收敛,或无法准确捕捉物理场随时间扩散的动态特性。
为了突破这些瓶颈,并更精准地评估早龄期混凝土在多物理场耦合下的损伤行为,由浙江大学土木工程学院的Shiqi Wang、Yue Chen、Jinlong Liu、Fangzhou Lin和Lei Xu组成的研究团队,在《Engineering Applications of Artificial Intelligence》期刊上发表了他们的最新研究成果。他们提出了一种新颖的、基于时变因子的自适应物理信息反向传播神经网络框架,旨在智能求解早龄期混凝土的热-湿-力耦合场,并评估其损伤。这项研究不仅验证了新框架的优越性能,更为解决复杂工程多物理场问题提供了新的智能化见解。
为了构建并验证这一智能评估框架,研究者们主要采用了以下几个关键技术方法:首先,基于经典的混凝土水化、热传导、湿度扩散及黏弹性力学理论,建立了描述早龄期混凝土热-湿-力耦合场的完整控制方程组、边界条件和本构模型。其次,针对高阶耦合偏微分方程求解困难和量纲影响收敛的问题,对控制方程进行了非量纲化处理。接着,研究核心是构建了自适应物理信息神经网络模型,创新性地为物理控制方程损失和边界条件损失函数引入了随时间因子变化的自适应权重,使模型能动态调整对不同时空特征采样点的关注度,从而更有效地学习物理场的扩散规律。最后,通过设计多组不同混凝土强度等级、不同边界条件下的热-湿-力耦合实验,获取了验证数据,并系统对比了传统PINN、多种纯数据驱动模型与所提BPINN模型的预测精度、损失收敛性和统计特性,以验证所提框架的鲁棒性和优越性。
研究结果
1. BPINN对混凝土强度等级与边界条件的模拟效果
研究通过C30和C50两种强度等级的混凝土在绝热、恒温恒湿边界下的温湿度场实验,验证了BPINN的预测能力。结果显示,BPINN能够高精度地模拟不同强度混凝土内部温度与湿度的时空扩散过程。对于C30混凝土,BPINN预测的温度与湿度场与实验值的平均误差分别仅为2.1%和3.8%;对于C50混凝土,相应误差为4.7%和4.3%,均低于5%。这表明,BPINN能够有效捕捉混凝土材料特性(通过强度等级反映)和外部环境(通过边界条件反映)对热湿扩散行为的复杂影响,具备良好的泛化能力。
2. BPINN相较于传统PINN的架构优势分析
研究量化比较了传统PINN与BPINN在不同模型架构参数(如时间步长、激活函数、隐藏层数和神经元数量)下的LOSS差异。结果表明,在各种参数设置下,BPINN的收敛速度和最终达到的损失值均显著优于传统PINN。总体而言,BPINN的LOSS比传统PINN平均降低了62.4%。这归功于BPINN中引入的时变自适应权重机制,它通过平衡边界条件损失与物理方程损失之间的权重,缓解了多损失函数竞争导致的优化困难,从而显著提升了模型对时空特征的学习效率和精度。
3. 物理约束对模型性能的影响验证
为了凸显物理信息约束的必要性,研究将BPINN与四种主流的数据驱动模型进行了对比,包括反向传播神经网络、径向基函数网络、支持向量回归和随机森林。统计结果表明,在数据量有限且离散的情况下,纯数据驱动模型的预测损失和结果离散性均远大于BPINN。BPINN具有最小的统计损失和数据离散性。这有力地证明了,将物理定律作为先验知识嵌入神经网络,能够极大地增强模型在小样本、高噪声场景下的泛化能力和预测可靠性,避免了纯数据驱动模型可能产生的“物理上荒谬”的预测结果。
4. 自适应权重因子的作用机制分析
研究深入分析了为物理损失和边界损失设计的时变自适应权重因子的工作机理。该因子被设计为与时间t和训练迭代次数I相关的函数。在训练初期或物理场扩散早期,边界条件对场量的分布起主导作用,此时权重因子使模型更关注边界附近的样本点;随着训练进行或时间推移,物理场内部的控制方程(PDE)作用增强,权重因子会自动调整,使模型更加注重学习PDE采样点的时空变化规律。这种动态调整机制模拟了物理场扩散过程中主导控制机制的时空演变,是BPINN能够精准捕捉复杂动态过程的关键。
5. 热-湿-力耦合场下的混凝土损伤评估
基于BPINN精确预测得到的温度场T、湿度场RH和计算得到的收缩应变ε,研究结合Burgers粘弹性本构模型计算了混凝土内部的时变应力σ,并通过与混凝土时变抗拉强度ft的比较,评估了损伤因子D。分析表明,在设定的耦合场条件下,混凝土内部的拉应力发展会逐渐接近并超过其抗拉强度,导致损伤因子D从0开始增加,表明损伤萌生与扩展。这验证了所提框架不仅能够预测物理场,还能进一步用于评估由这些物理场耦合作用导致的力学损伤,实现了从“场”到“损伤”的完整分析链条。
结论与意义
本研究成功构建并验证了一个用于早龄期混凝土热-湿-力耦合场损伤评估的自适应物理信息神经网络框架。该工作的核心贡献与重要意义体现在以下几个方面:
首先,在方法学上,本研究提出的BPINN框架有效解决了传统PINN在应用于高阶、非线性、强时空耦合的多物理场问题时的局限性。通过创新性地引入基于时变因子的自适应损失权重,该框架能够智能地平衡不同约束(数据、物理方程、边界条件)在训练中的重要性,特别是精准匹配了物理场扩散过程中主导机制的时空转移特性,从而显著提升了模型的收敛速度、预测精度和物理一致性。
其次,在工程应用层面,该研究为早龄期混凝土这一复杂体系的性能评估与损伤预测提供了一种高效、精准的新工具。相比依赖于大量试验或计算昂贵的传统数值方法,BPINN框架在获得少量实验数据支撑后,便能快速、可靠地预测不同材料、不同环境条件下的混凝土内部状态演化,并能进一步评估其开裂风险,这对于优化混凝土配合比设计、制定科学的养护方案、预防早期裂缝、提升工程结构的耐久性和寿命具有重要的实践价值。
最后,该研究的思路具有广泛的启发性。它将具体的物理机理、智能的学习算法与工程实际问题深度融合,展示了物理信息机器学习在解决复杂工程科学问题中的巨大潜力。所提出的自适应权重调整策略,不仅可以应用于混凝土材料,也可为其他涉及扩散、传输、反应等多物理场耦合的系统(如建筑材料耐久性、地下工程渗流、生物组织传质等)的智能化建模与仿真提供有益的参考。这项工作标志着在利用人工智能增强我们对复杂物理系统的理解和预测能力方面,迈出了坚实而创新的一步。