《Journal of Rock Mechanics and Geotechnical Engineering》:Physics-informed neural networks in constitutive modeling of soils: A review
编辑推荐:
作为计算岩土力学的基石,本构模型反映了土壤的应力-应变对应关系,为岩土工程设计奠定了基础。当前,本构建模中通常采用两种主要方法,即知识驱动和数据驱动方法。尽管这两类方法取得了显著进展,但前者面临扩展性有限和复杂性增加的瓶颈,而后者则固有地受限于“黑箱”特性。近
作为计算岩土力学的基石,本构模型反映了土壤的应力-应变对应关系,为岩土工程设计奠定了基础。当前,本构建模中通常采用两种主要方法,即知识驱动和数据驱动方法。尽管这两类方法取得了显著进展,但前者面临扩展性有限和复杂性增加的瓶颈,而后者则固有地受限于“黑箱”特性。近年来,物性约束神经网络(Physics-informed Neural Networks, PINNs)作为一种新兴范式,将物理原理直接集成到前沿机器学习算法中,已成为弥合上述差距的有前景的替代方案。然而,基于PINN的本构建模仍处于起步阶段。本研究旨在全面概述PINN在土壤本构建模中的应用。首先,阐述了PINN的基本原理,包括其概念、架构和岩土工程应用。随后,总结了基于PINN的本构建模框架、关键组件和最新进展,明确了该领域在问题设置、数据集生成、物理约束设计和损失函数构建方面的现状。进一步地,讨论了PINN在本构建模中的进展、挑战和前景,提出了开发通用基于PINN的土壤本构模型的策略。总之,与传统数据驱动方法相比,基于PINN的本构建模展现出优越的可解释性和泛化能力,在稀疏或噪声数据集中的鲁棒性,以及用于逆向和正向分析的统一框架。本综述概述了广泛的当前研究和基于PINN的本构建模的巨大潜力,从而为准确表征复杂荷载和环境条件下土壤的力学行为提供了指导。
本综述论文系统探讨了物性约束神经网络(PINNs)在土壤本构建模中的应用。首先,介绍了研究背景:本构模型作为计算岩土力学的基础,用于描述地质材料的应力-应变关系,但面临扩展性有限和复杂性增加等挑战。传统知识驱动模型受限于理想化假设,而数据驱动模型则缺乏物理可解释性和泛化能力。因此,研究人员引入PINNs作为结合物理原理和数据驱动学习的新范式,以期弥补现有方法的不足。该综述发表于《Journal of Rock Mechanics and Geotechnical Engineering》。
研究人员为开展研究主要采用了以下关键技术方法:第一,基于深度学习框架的PINNs架构设计,通过复合损失函数整合物理约束和数据驱动学习。第二,多保真度数据集生成方法,融合实验数据和数值模拟结果以提升训练效率。第三,物理约束嵌入策略,包括将偏微分方程(PDEs)残差和热力学一致性等作为正则化项。第四,逆向与正向分析框架,用于参数识别和边界值问题求解。第五,与有限元方法(FEM)集成技术,将训练好的模型作为用户材料子程序(UMAT)嵌入模拟软件。样本队列来源于公开文献和数值模拟,涵盖多种土壤类型和测试条件。
研究结果部分综述了PINNs在本构建模中的关键进展:首先,在弹性本构建模中,PINNs被用于识别材料参数,例如通过逆向分析确定杨氏模量和泊松比,并在软组织建模中验证了其有效性。其次,在弹塑性本构建模方面,研究人员通过嵌入德鲁克-普拉格(Drucker-Prager)模型或修正剑桥(Modified Cam-Clay, MCC)模型作为物理约束,开发了能处理稀疏数据的代理模型,并提升了泛化能力。此外,通过热力学一致性约束,模型能预测路径依赖材料行为。再者,在速率相关本构建模中,PINNs被扩展以模拟粘弹性和摩擦行为,例如通过速率-状态摩擦(Rate and State Friction, RSF)定律建模断层摩擦特性。这些研究通过对比实验数据和数值模拟,验证了PINNs在预测应力-应变响应方面的准确性和鲁棒性。
讨论部分总结了当前挑战和未来前景:挑战包括不确定性量化、数据稀疏性、超参数优化和损失函数权重平衡。前景涉及整合土壤特异性力学行为、开发统一PINN架构,以及建立开放数据库和基准问题。最后,研究结论指出:PINNs通过编码物理知识到神经网络损失函数中,弥补了传统方法的不足,具有可解释性、泛化能力和数据效率高的优势;尽管仍处于初期,但在弹性、弹塑性和速率相关本构建模中展现了潜力;未来需优先集成土壤特性、发展统一框架并推动开放资源建设,以准确表征复杂条件下土壤的力学响应。