一种用于加速多孔地质材料渗流破坏预测的正向-逆向卷积神经网络框架

《Engineering Applications of Artificial Intelligence》：A forward–inverse convolutional neural network framework for accelerated seepage failure prediction in porous geomaterials

　　

# 一种用于渗流破坏分析的前向-逆卷积神经网络模型

- 一种用于渗流破坏分析的前向-逆卷积神经网络模型
- 光滑粒子流体动力学变量被转换为结构化图像
- 前向模型快速准确地捕捉失效带形态
- 从等效塑性应变图像识别岩土材料特性

## 引言

在多孔塑性介质中研究复杂物理过程及其相互作用对于推进多个领域至关重要，包括岩土工程、生物医学工程及其他领域。这些复杂的相互作用涉及渗透率演化、应力重分布和应变局部化，它们控制着自然和工程系统的稳定性和适用性。例如，堤坝、堤防和土坝中的渗流诱导变形和失效对水利工程基础设施构成重大风险（Chen等，2022c；Foster等，2000）。相关风险不仅在于是否会发生失效，还在于失效过程的后续演化以及可能引发的潜在次生灾害（Girardi等，2023）。这些过程受渗透率演化、应力重分布和应变局部化耦合作用的控制，并且对粘聚力、摩擦角和渗透率非常敏感（Chen等，2022a；Feng等，2025）。因此，要稳健地理解和预测实际的渗流失效响应，需要准确解析局部变形带的演化并可靠地推断控制性土体特性。

由于网格畸变以及难以追踪自由面和移动界面，大变形渗流问题对于基于网格的方法（如有限元和有限差分方法）仍然具有挑战性（Agertz等，2007；D. Zhang等，2025；Zhan等，2026）。无网格方法，特别是光滑粒子流体动力学（SPH），非常适合解决这些问题，并且可以在大变形条件下解析应变局部化和孔隙水压力演化。基于混合理论的多层SPH公式已被开发用于动态水土耦合、滑坡和渗流诱导变形（Bui和Nguyen，2017；Wang等，2017；Zhu等，2022）。本研究采用作者先前开发的两层SPH框架来生成渗流诱导堤坝失效的全场响应。

尽管有其优势，当需要进行参数反演、概率分析或快速评估时需要重复模拟，SPH变得计算昂贵。经典的机器学习代理模型，包括支持向量机、随机森林和克里金模型，已被广泛用于降低重复数值分析的 computational cost（Goh和Goh，2007；Gu等，2023；W. Zhang等，2025）。这些方法已被应用于一系列岩土工程任务，如边坡稳定性预测（Qi和Tang，2018）、土壤参数识别（Levasseur等，2008）和地质灾害风险评估（Cao等，2020）。然而，直接从高维空间场中进行表示和学习需要能够保存和提取空间结构化信息的模型。这一考虑促使我们在当前的工程代理框架中使用基于卷积的架构。

卷积神经网络（CNNs）可以自动提取分层空间特征，并且已越来越多地应用于工程监测、损伤识别、渗流检测、随机场分析和全场岩土工程预测（Chen等，2024）、损伤识别（Pathirage等，2018）和渗流模式分析（Kumar等，2025）。近期的综述工作还强调了人工智能对工程应用中统计过程监测和智能学习系统日益增长的影响，表明人工智能驱动方法对于从复杂工程数据中提取有用信息的重要性日益增长（Chang等，2026）。近年来，CNNs在岩土工程代理建模和空间响应预测方面也显示出相当大的潜力。例如，已开发出基于CNN的元模型来加速空间变土壤中的随机场有限元分析和边坡可靠性评估（Wang等，2021；Wang和Goh，2021）。相关研究进一步将基于图像的学习策略扩展到三维边坡可靠性评估（Wu等，2025）、空间变土壤中支护开挖墙变形的预测（Wu等，2023），以及使用U-Net等深度卷积架构对地质系统进行变形或失效机制预测（Wang等，2024）。这些研究表明，CNNs可以有效地从随机场和数值模拟输出中提取空间特征，并显著推进了岩土工程系统中的数据驱动代理建模。

然而，大多数现有研究侧重于随机场输入、标量响应、变形剖面或基于网格的数值输出。水力-力学参数与由耦合无网格模拟生成的全场失效响应之间的统一前向-逆映射仍较少被探索。

基于上述考虑，本研究开发了一种基于CNN的双向预测框架，以在材料参数和全场力学响应之间建立高效的数据驱动映射。需要注意的是，本研究中采用的两层SPH土壤-孔隙水耦合模型遵循Wu等（2026）的已发表工作，主要用于生成渗流诱导失效的高保真数值数据。然而，与专注于建立、验证和应用SPH土壤-孔隙水耦合模型进行渗流诱导失效模拟的Wu等（2026）不同，本研究进一步开发了一种基于SPH全场模拟结果的基于图像学习的代理建模方法。在一个统一的框架内，它同时实现了从材料参数到物理场的快速生成和从物理场到材料参数的反演识别。该框架提供了一种更具计算效率的数据驱动方法，用于快速预测渗流诱导失效场、参数反演和辅助工程风险识别。

后续章节的组织如下。在第2节中，介绍了两层SPH渗流-固体耦合框架，重点介绍多相混合理论、数值公式和等效塑性应变评估，这些共同构成了后续数据集构建和模型验证的物理基础。第3节介绍了一个物理引导的、基于CNN的前向-逆框架，该框架将土壤参数与全场力学响应联系起来，用于高效预测渗流诱导失效和稳健的参数识别。第4节通过一系列数值实验检验了所提框架的预测性能，包括收敛行为、对训练样本大小的敏感性、对输入扰动的鲁棒性以及修改几何和物理场设置下的框架可扩展性。最后，第5节总结了主要发现并讨论了深度学习与水力-力学数值建模整合的未来研究方向。

## 两层SPH方法

本节简要回顾了Wu等（2026）最近开发的两层土壤-孔隙流体SPH框架，该框架用于建模多孔岩土材料中的土壤变形、失效和流体传输。该多孔介质由不可压缩的土壤颗粒和弱可压缩粘性流体组成，如图1所示。达西定律和Drucker-Prager模型分别描述了流体传输和土壤变形。边界条件和时间集成在附录中提供。

## 3.2 基于CNN的渗流诱导失效前向-逆映射框架

基于第2节建立的两层土壤-孔隙水耦合SPH模型，本章通过学习土壤参数与渗流诱导失效期间全场力学响应之间的关系，开发了一个用于前向预测和反演识别的综合框架。与基于标量指标或稀疏监测数据的传统方法不同，所提框架直接使用空间响应场，从而保留其连续性和结构特性。

## 数据描述

本研究使用的数据集来源于使用两层SPH渗流-固体耦合模型进行的数值模拟。SPH模型的配置如图7所示，该模型最初由Wu等（2026）开发，详细的模拟程序以及物理参数设置见表1。通过构建粘聚力c、内摩擦角?和渗透系数ks的多维参数空间，这些参数的范围是...

## 结论

本研究提出了一种基于CNN的双向预测框架，该框架建立了材料参数与使用两层SPH模型为多孔塑性岩土材料生成的等效塑性应变场之间的高效映射。该框架为基于物理的机器学习社区带来了若干贡献，即：(I) 整合CNN预测架构的优势与高保真两层SPH模拟，(II) 直接生成物理上真实的...

## 缩写

| 缩写 | 全称 |
|------|------|
| SPH | 光滑粒子流体动力学 |
| DL | 深度学习 |
| CNN | 卷积神经网络 |
| RGB | 红绿蓝 |
| DP | Drucker-Prager |
| IDF | 固有密度基公式 |
| ADF | 表观密度基公式 |
| MAPE | 平均绝对百分比误差 |
| R2 | 决定系数 |
| RMSE | 均方根误差 |
| MAE | 平均绝对误差 |
| MSE | 均方误差 |
| SGD | 随机梯度下降 |
| BN | 批归一化 |
| SSIM | 结构相似性指数度量 |
| VAEs | 变分自编码器 |
| ReLU | 整流线性单元 |
| RAM | 随机存取存储器 |
| GPU | 图形处理单元 |

## CRediT作者贡献声明

吴丙清：撰写 – 原稿，软件，方法学，形式分析。王宁：可视化，方法学，形式分析。Manuel Pastor：撰写 – 审阅与编辑，监督，概念化。顾崇世：撰写 – 审阅与编辑，经费获取。邵辰飞：监督，经费获取。陈易均：撰写 – 审阅与编辑，方法学，形式分析。

## 写作过程中生成式AI和AI辅助技术的声明

在准备本工作期间，作者使用ChatGPT来提高可读性，检查语法和拼写，并增强英语表达的清晰度。使用该工具/服务后，作者根据需要对内容进行了审阅和编辑，并对出版物的内容承担全部责任。

## 利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些可能影响本论文中报告的工作。

## 致谢

本研究得到了中国国家自然科学基金委员会的资助（批准号U2243223）。第一作者得到了中国留学基金委员会（CSC）（202506710109）的资助，在马德里理工大学进行为期一年的联合博士研究。中央高校基本科研业务费专项资金（编号B250201005）。

吴丙清|王宁|Manuel Pastor|顾崇世|邵辰飞|陈易均