基于PINN的主动学习在横向各向异性弹性岩石深掘孔中的最优传感器布置
计算物理
2026-05-29 v2
摘要
本文提出一种深度学习策略，用于在深掘孔工程中同时求解偏微分方程（PDE）并反算参数。在横向各向异性弹性岩石中挖掘的深孔场景下，采用基于物理信息的神经网络（PINN）模型，训练数据模拟岩体和孔壁处的位移测量（来自拓展计和收敛监测）。由于获取现场观测数据成本高昂，本文实施基于主动学习的顺序训练方法，以确定新传感器最具信息性的位置。具体而言，使用蒙特卡罗 dropout 量化表观不确定性，在模型最不确定的区域查询测量。该方法减少了所需现场数据的量，并优化了传感器布置。PINN被用于重建横向各向异性弹性岩石中圆形截面掘进深孔的位移场，并确定岩石本构参数和应力场参数。结果表明，该方法在小规模、稀疏且噪声较大的数据集上表现优异，能够精确确定弹性模量、剪切模量、横向-垂直远场应力比以及层状面的法向。该框架最终将支持面向最优亚地下监测以及自适应掘进设计和控制的决策。
引用
@article{arxiv.2511.20574,
title = {Active learning with physics-informed neural networks for optimal sensor placement in deep tunneling through transversely isotropic elastic rocks},
author = {Alec Tristani and Chloé Arson},
journal= {arXiv preprint arXiv:2511.20574},
year = {2026}
}