用于单调和循环加载下砂土本构建模的递归贝叶斯神经网络
机器学习
2025-10-23 v2
摘要
在土力学工程中，本构模型是捕捉不同排水条件、应力路径和加载历史下土壤行为的核心。虽然数据驱动的深度学习方法已显示出作为传统本构公式的潜在替代方案，但其实际应用需要模型既准确又具备预测不确定性量化能力。本研究引入了递归贝叶斯神经网络（rBNN）框架，将时序序列学习与广义贝叶斯推断统一，以实现预测准确性和严格的不确定性量化。关键创新在于采用滑动窗口递归结构，使模型能够有效捕捉单调加载和循环加载下路径依赖的土壤响应。通过将网络参数视为随机变量并利用广义变分推断推断其后验分布，rBNN将生成经过校准的置信区间。该框架通过四组数据进行验证，涵盖模拟和实验三轴试验：单调加载使用硬化土模型仿真数据以及28组Baskarp砂的CD试验；循环加载使用CD CU试验的指数本构仿真数据以及37组Ottawa F65砂的实验循环CU试验。从单调到循环，从模拟到实验数据的这一 progression 表明了该方法在不同数据保真度和复杂度下的适应性。与LSTM、编码器-解码器和GRU架构的比较分析表明，rBNN不仅在预测准确性方面取得具竞争力的成绩，还能提供可靠的置信区间。
引用
@article{arxiv.2501.10088,
title = {A recursive Bayesian neural network for constitutive modeling of sands under monotonic and cyclic loading},
author = {Toiba Noor and Soban Nasir Lone and G. V. Ramana and Rajdip Nayek},
journal= {arXiv preprint arXiv:2501.10088},
year = {2025}
}