基于可微图神经网络的后湍流残余强度反演模拟器
地球物理
2026-02-13 v1
摘要
本研究引入可微分图神经网络模拟器（Diff-GNS）作为一种受物理制约且自动化的框架，用于估计后湍流残余强度 ()。传统方法估计 依赖于简化的物理模型、手动迭代以及关于湍流跑出开发的假设。Diff-GNS 通过将模拟颗粒流动力学的图神经网络模拟器（GNS）与自动微分中的梯度优化相结合，克服了这些限制。GNS 加速了通常使用传统数值方法进行的前向跑出模拟，而梯度优化自动完成反向求解以反推 。GNS 在受案例史料跑出失效几何几何信息驱动的情形下，使用物质点方法进行仿真训练，实现对真实跑出机制的聚焦学习，并能够在小尺度和大尺度之间模拟斜坡。Diff-GNS 框架使用两个 well-documented 的湍流引起的流失效案例史料进行验证：Lower San Fernando dam 和 La Marquesa dam。在这两个案例中，推断的 与已发布的估计值高度吻合，并再现了物理一致的跑出行为。该框架还能够联合推断多个相互作用的参数，超越单参数反分析。通过嵌入跑出过程的物理学、最小化人工干预，并加速估计 的反向过程，Diff-GNS 提供了一种高效、可重复且基于物理的地质工程分析方法，用于分析由湍流引起的流失效。
引用
@article{arxiv.2602.11621,
title = {Differentiable Graph Neural Network Simulator for the Back-Analysis of Post-Liquefaction Residual Strength from Flow Failure Runout},
author = {Yongjin Choi and Jorge Macedo},
journal= {arXiv preprint arXiv:2602.11621},
year = {2026}
}