一种用于融合仿真与监测数据的多保真度深度算子网络(DeepONet)：在隧道施工实时沉降预测中的应用
计算工程、金融与科学
2025-08-07 v2
摘要
机械化隧道施工过程中的地表沉降预测至关重要，且仍是一个具有挑战性的研究课题。通常存在两种范式：一是利用面向过程的计算仿真模型进行隧道-土体相互作用及沉降预测的物理驱动方法，二是采用机器学习技术建立影响因素与地表沉降之间映射关系的数据驱动方法。为整合两种方法的优势并同化来自不同来源的数据，我们提出了一种多保真度深度算子网络(DeepONet)框架，其利用了近期发展的算子学习方法。该框架由两个部分组成：一个捕获由有限元仿真获得的基本地表沉降模式的低保真度子网络，以及一个学习数值模型与真实工程监测数据之间非线性相关性的高保真度子网络。采用一种因果性预处理策略以考虑隧道开挖过程中沉降的时空特征。利用迁移学习降低低保真度子网络的训练成本。结果表明，所提方法能有效捕获数值仿真提供的物理信息，并准确拟合实测数据。值得注意的是，即便在监测数据极少且含噪声的情况下，该模型也能在机械化隧道开挖过程中实现全场地表沉降的实时、准确且鲁棒的预测。
引用
@article{arxiv.2310.00057,
title = {A multi-fidelity deep operator network (DeepONet) for fusing simulation and monitoring data: Application to real-time settlement prediction during tunnel construction},
author = {Chen Xu and Ba Trung Cao and Yong Yuan and Günther Meschke},
journal= {arXiv preprint arXiv:2310.00057},
year = {2025}
}