基于有限元的机器学习模型用于黏土-硫酸盐岩膨胀行为的水力-力学分析
地球物理
2025-02-11 v1 机器学习
计算物理
摘要
黏土-硫酸盐岩的水力-力学行为，特别是其膨胀特性，给岩土工程带来了重大挑战。本研究提出了一种混合约束机器学习（ML）模型，该模型使用经贝叶斯优化算法调优的分类提升算法（CatBoost）开发，用于预测和分析这些复杂地质材料的膨胀行为。首先，基于理查兹方程耦合线性运动学变形过程的水力-力学耦合模型在有限元框架OpenGeoSys中实现，用于模拟德国施陶芬因水流入含黏土-硫酸盐的三叠纪格拉布费尔德地层而观测到的地面隆起。我们使用关键参数（包括杨氏模量、泊松比、最大膨胀压力、渗透率和进气压力）的高斯分布进行了系统的参数分析，以构建一个合成数据库。该ML模型以时间、空间坐标和这些参数值作为输入，以水饱和度、孔隙度和垂直位移作为输出。此外，我们在CatBoost目标函数中加入了惩罚项，以强制实现物理上有意义的预测。结果表明，这种混合方法有效地捕捉了控制水力-力学过程的非线性和动态相互作用。本研究证明了该模型预测黏土-硫酸盐岩膨胀行为的能力，为受影响地区的风险评估和管理提供了一个稳健的工具。结果凸显了ML驱动模型在解决复杂岩土工程挑战方面的潜力。
引用
@article{arxiv.2502.05198,
title = {A finite element-based machine learning model for hydro-mechanical analysis of swelling behavior in clay-sulfate rocks},
author = {Reza Taherdangkoo and Mostafa Mollaali and Matthias Ehrhardt and Thomas Nagel and Lyesse Laloui and Alessio Ferrari and Christoph Butscher},
journal= {arXiv preprint arXiv:2502.05198},
year = {2025}
}