滞后向后兼容的物理驱动神经网络用于不饱和土壤固结分析
机器学习
2026-02-10 v1 人工智能
计算物理
摘要
本研究开发了一种滞后向后兼容的物理驱动神经网络（LBC-PINN），用于模拟和反演一维不饱和土壤在长期加载下的固结过程。为解决跨多尺度时间域中空气和水分压联合耗散的挑战，该框架集成了对数时间分段、滞后兼容损失强制执行以及分段迁移学习。在正向分析中，LBC-PINN采用推荐的分段方案准确预测孔气压和孔水压的演化。模型预测结果与有限元方法（FEM）结果验证一致，在时长达到1e10秒的时间范围内，平均绝对误差均低于1e-2。基于特征空气相耗散时间的简化分段策略在保持预测精度的同时提高了计算效率。灵敏度分析确认了该框架在空气-水渗透率比从1e-3到1e3范围内的鲁棒性。
引用
@article{arxiv.2602.07031,
title = {Lagged backward-compatible physics-informed neural networks for unsaturated soil consolidation analysis},
author = {Dong Li and Shuai Huang and Yapeng Cao and Yujun Cui and Xiaobin Wei and Hongtao Cao},
journal= {arXiv preprint arXiv:2602.07031},
year = {2026}
}