Physics-Informed Neural Network for Stability Analysis of Embankments Supported by GESCs with Bending Deformation
本研究提出了一种新型物理信息神经网络（PINN）框架，该框架将土工合成材料加固碎石桩（GESC）的弯曲变形作为物理约束进行集成，旨在实现对软土路堤高度精确、快速的概率稳定性评估及优化设计。
原始论文采用 CC BY 4.0 许可（https://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
当工程师在松软、泥泞的地面上修建道路或铁路时，他们经常面临一个棘手的难题：大地根本无法承受其重量。为了解决这个问题，他们将厚实的碎石柱打入土壤中，从而创造出一个能够支撑上方重载的加固地基。然而，在最软弱的土壤中，这些石柱在压力下可能会发生屈曲或向侧面弯曲，就像一根干枯的小树枝在受到挤压时会折断一样。为了阻止这种情况，工程师们用一种坚韧的编织织物（类似于重型袋子）将石柱包裹起来，这种做法能将石块挤压在一起，防止它们向外扩散。这种被称为使用土工合成材料包裹石柱的技术，是使软弱地面足以支撑路堤的标准方法。然而，准确预测这些加固后的石柱在地震期间何时以及如何失效，仍然是一个复杂的谜题，因为地面、石块和织物之间存在着复杂的相互作用，这些作用难以通过手工计算得出。
来自湖南大学的一个研究小组通过教计算机像物理学家一样思考，解决了这一复杂问题。他们并没有仅仅依赖海量的数据或纯粹的理论推测，而是开发了一种新型智能模型，将人工智能的学习能力与不可撼动的力学规则相结合。他们首先创建了一个详细的数学描述，说明这些包裹着的石柱是如何弯曲和断裂的，特别考虑了织物包裹层如何抵抗石柱的折断倾向。他们利用一个建立在软土之上的三点五米高路堤的真实实验和计算机模拟，对这一描述进行了测试。结果证实，他们这种同时考虑石柱弯曲和剪切效应的新方法，比那些忽略弯曲效应的旧方法能更准确地预测失效点。事实上，当他们将计算结果与物理模型测试进行对比时，发现该方法比以往那些往往高估结构安全性的方法更接近观察到的失效情况。
有了这个可靠的物理规则，研究人员构建了一个神经网络——一种旨在寻找数据模式的计算机程序。他们将成千上种由其基于物理学的计算生成的场景输入到程序中，涵盖了各种土壤类型、石柱尺寸和地震强度。该程序的任务是学习这些输入条件与路堤最终安全性之间的关系。这种方法的特别之处在于，研究人员并不只是让计算机去猜测，而是强迫它遵守他们之前推导出的弯曲物理定律。每当计算机做出预测时，它都必须检查该预测是否符合物理定律。如果计算机的猜测违反了关于石柱应如何弯曲的规则，系统就会对其进行纠正。这确保了最终的模型不仅仅是一个统计技巧，而是一个植根于现实的工具。
其结果是一个高度精确的预测器，它可以瞬间计算出路堤的安全性，而无需每次都运行缓慢且复杂的模拟。该模型学会了预测四个关键结果：整体安全系数、石柱所能承受的最大弯曲力矩、石材强度以及石柱压缩区的特定角度。在针对从未见过的数据进行测试时，该模型的表现极其精准，其预测值与计算值几乎完全吻中。研究人员发现，该模型能够区分不同因素如何影响结果。例如，他们证实了更强的包裹织物能显著提高稳定性，而更高的路堤或更强的地震则会降低稳定性。他们还发现，石柱的直径和织物的强度是决定石柱在压力下如何表现的最关键因素。
这项工作为在软弱地面上建造更安全的路基提供了新途径。通过将物理定律直接嵌入学习过程，研究人员创建了一个既快速又可靠的工具。它避免了纯数据驱动模型有时会产生不可能结果的缺陷，也克服了传统模拟在需要快速设计变更时耗时过长的弊端。该研究表明，当人工智能受到材料弯曲和断裂基本规则的引导时，它可以为工程师提供可靠且即时的稳定性评估。这种方法可以实现设计的优化，确保在地震事件期间使用适量的材料来保证结构安全，而无需过度设计或凭直觉猜测。研究结果表明，这种方法可以成为设计路堤的标准工具，为在地震多发地区建设更具韧性的基础设施提供了一条清晰的路径。
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。