Fourier Feature Physics-Informed Neural Networks for Elasto-Plastic Analysis of Geomaterials with a Non-Associative Mohr-Coulomb Model
本研究引入了一种傅里叶特征物理信息神经网络（FF-PINN），该网络能够有效缓解谱偏差，从而精确且高效地解决由非关联 Mohr-Coulomb 模型控制的岩土材料二维弹塑性边值问题，并实现了比传统 PINN 和有限元法基准显著更高的精度和更快的收敛速度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测当一个沉重的建筑物压在一个巨大的、富有弹性的土块上时，它会如何反应。这不仅仅是在玩一场“接下来会发生什么”的游戏；这是工程师在设计地基、大坝和摩天大楼时面临的关键问题。土壤不仅仅像弹簧那样挤压；它有一个破坏点。一旦压力过大，它就会开始滑动并产生永久性的变形，在安全地面与失效地面之间创造出尖锐、锯齿状的线条。为了弄清这一点，科学家通常使用一种叫做有限元法（FEM）的方法。把 FEM 想象成尝试通过将一座山切成数百万个微小的乐高积木，并计算每一个积木上的应力。这极其精确，但同时也缓慢、昂贵且计算量巨大，就像每次都要从头开始制造每一个拼图碎片来解开一个谜题一样。
近年来，一种被称为物理信息神经网络（PINN）的新型“智能猜测者”进入了视野。PINN 不再是将世界切成砖块，而是像一位超级聪明的艺术家，学习物理规则（如重力和压力），并试图一次性画出整幅画卷。它们很快，不需要庞大的预设答案库。然而，这些艺术家有一个奇怪的盲点：他们非常不擅长描绘锐利的边缘。他们擅长绘制平滑、起伏的丘陵，但当涉及到土壤突然失效形成的锯齿状悬崖时，他们往往会模糊线条，将工程师需要看到的细节给抹平了。这篇论文针对这一特定问题展开研究，探讨：我们能否教会这位数字艺术家清晰地看到锐利的边缘，从而比旧有的“乐高积木法”更快、更好地预测土壤失效？
这些研究人员在处理一种具有复杂摩擦依赖特性（被称为非关联 Mohr-Coulomb 模型）的土壤时，决定升级 PINN 的“眼睛”。他们引入了一种称为**傅里叶特征映射（Fourier Feature mapping）**的技术。要理解这是做什么的，请想象 PINN 是一个试图演奏一首歌的音乐家。标准版本的网络就像一个只懂得演奏低沉、深厚低音的音乐家。它可以哼唱一段平滑的曲调，但如果歌曲突然需要一段高亢、快速的小提琴独奏（这代表了土壤应力的那种尖锐、突然的变化），这位音乐家就听不到也无法演奏出来。这就是所谓的“谱偏差（spectral bias）”。
研究人员通过为音乐家配备一副“新耳朵”解决了这个问题。他们在网络的起始阶段添加了一层“傅里叶特征”。你可以把这想象成在音乐家开始演奏之前，先递给他们一张已经包含了所有高音和快速节奏的乐谱。这样一来，网络就不再需要费力去摸索如何触及那些高音，而是可以瞬间获取它们。这使得 AI 能够分辨出土壤开始失效时的尖锐、锯齿状边界，而这恰恰是标准 AI 通常失败的地方。
实验结果非常令人振奋。他们使用三种不同的土壤场景，将这种新的“傅里叶特征 PINN”（或称 FF-PINN）与旧的标准 PINN 以及传统的、缓慢的“乐高积木法”（FEM）进行了对比。新模型不仅仅是在猜测，它在学习。在准确性方面，FF-PINN 在预测地面位移方面的误差比旧的 PINN 降低了高达 66%。对于土壤内部的应力，它减少了约 27% 的误差。或许最重要的一点是，它不仅算对了数字，还以更高的保真度描绘出了失效区的形状，捕捉到了土壤破裂的确切几何形态，而旧模型则会将这些危险的边缘模糊成一片。
研究还观察了这种新方法的速度。尽管新网络拥有稍多一些需要管理的“脑细胞”（参数），但它的学习速度快了一倍。它在 17,500 个训练步数内就达到了稳定且准确的解，而旧的 PINN 则需要 35,000 步。这意味着实际训练时间缩短了一半，从 1,366 秒降至 683 秒。研究人员还测试了模型处理“噪声”的能力，模拟了高达 2.0% 的现实世界传感器误差。新模型保持了稳定性且没有产生混乱，显示出其足以应对杂乱的现实世界数据的鲁棒性。
然而，论文也谨慎地指出，这并不是解决一切问题的万灵药。虽然新模型有了巨大的进步，但在处理一个特定细节时仍然感到吃力：即垂直于土壤层方向（面外方向）的塑性应变。这个特定的分量仍然难以预测，无论喂给模型多少数据，其误差始终维持在高位（在 60% 到 80% 之间）。作者认为，这是当前设置下的一个根本性挑战，而不仅仅是缺乏练习的问题。
简而言之，这篇论文表明，通过仅仅改变 AI “观察”输入数据的方式——即赋予它更广的频率范围——我们可以比以前更快、更准确地解决复杂的土壤力学问题。这是向使 AI 成为岩土工程实用工具迈出的重要一步，它提供了一种既具有计算效率又符合物理一致性的土壤失效预测方法，前提是我们最终能够解决那个关于“面外应变”的顽固盲点。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。