用于具有多种材料性质的多层边坡系统正演与反演建模的可微图神经网络模拟器

《Soils and Foundations》:Differentiable graph neural network simulator for forward and inverse modeling of multi-layered slope system with multiple material properties

【字体: 大 中 小 】 时间:2026年04月17日 来源:Soils and Foundations 3.3

编辑推荐:

  图神经网络模拟器(Graph Neural Network Simulators, GNS)已成为模拟颗粒流(granular flows)的一种计算高效工具。既有研究主要局限于仅由摩擦角表征的简化均质几何体,尚不能反映工程实践中真实边坡所具有的复杂性。本研究

  
图神经网络模拟器(Graph Neural Network Simulators, GNS)已成为模拟颗粒流(granular flows)的一种计算高效工具。既有研究主要局限于仅由摩擦角表征的简化均质几何体,尚不能反映工程实践中真实边坡所具有的复杂性。本研究提出了一种面向多层边坡系统的可微GNS框架,由正演建模与反演建模两部分构成。正演部分依赖经微调(fine-tuned)的GNS,并同时纳入摩擦角(?)与黏聚力(c)。其性能通过柱体坍塌(column collapse)与多层边坡流动堆积(runout)模拟得到验证,其中GNS在显著快于材料点法(Material Point Method, MPM)的同时,能够复现多材料流动动力学。反演建模部分结合已训练GNS、反向模式自动微分(reverse-mode automatic differentiation)以及L-BFGS-B优化,以根据目标堆积几何形态推断材料性质。其性能通过对由多种材料组成的坝体系统失稳后堆积所对应材料强度进行反算加以验证。结果可在数分钟内获得,且与目标强度取值具有良好一致性。本研究提出的框架为真实边坡系统中的正演堆积评估与反演强度反算提供了一种高效方法。
该文发表于《Soils and Foundations》,研究聚焦于复杂边坡体系中颗粒流失稳后堆积过程的高效数值模拟与参数反演问题。天然滑坡及岩土边坡工程失稳,如水坝、尾矿坝、堆浸场与填埋体失稳,具有大变形、强非线性、多材料耦合和流动过程复杂等特点,因此堆积距离与最终堆积形态预测对风险评估和灾害缓解具有关键意义。现有高保真数值方法虽能较好刻画此类过程,但离散元法(DEM)在大尺度问题中计算代价极高,有限元法(FEM)易受网格畸变限制,材料点法(MPM)虽适于处理大变形,却因物质点与背景网格间反复映射而带来显著计算开销。尤其在反演分析中,需要重复进行正演计算以识别未知参数,传统方法的成本更为突出。另一方面,已有图神经网络模拟器(GNS)在颗粒流代理建模方面表现出高效率与可微性优势,但以往相关研究多针对仅含摩擦角的均质矩形或立方体简化体系,难以适配工程中常见的多层边坡与多材料结构。因此,开展面向真实多层边坡系统、同时考虑摩擦角与黏聚力的可微GNS研究具有明确必要性。

研究人员据此构建了一个用于多层边坡系统正演与反演建模的可微图神经网络模拟框架。该框架在已有多GPU图神经网络模拟器基础上扩展材料特征输入维度,使材料参数向量w可同时包含摩擦角(?)与黏聚力(c),以适应摩尔–库仑(Mohr–Coulomb)材料。模型以颗粒或物质点作为图节点,以相互作用关系作为图边,通过编码器—处理器—解码器结构学习颗粒流演化动力学,并采用自回归(autoregressive)方式逐步预测后续时刻状态。为缓解长时程滚动预测中的误差累积,研究引入随机游走噪声注入(random-walk noise injection)策略,提高模型对误差传播的鲁棒性。在反演方面,研究人员将训练后的GNS与反向模式自动微分(AD)及L-BFGS-B约束优化算法耦合,构建了可根据目标堆积几何快速识别材料强度参数的反演流程,并通过梯度检查点(gradient checkpointing)降低长序列反向传播的内存需求。

研究采用迁移学习(transfer learning)实施两阶段训练。首先使用仅含摩擦角的基础数据集训练基础模型,再以同时包含摩擦角与黏聚力的较小数据集进行微调,从而以较低数据与算力成本扩展模型对黏聚材料的表达能力。基础训练集包含2000组MPM模拟,微调数据集包含1000组MPM模拟并增加了柱体坍塌场景。研究结果表明,微调开始时由于引入新材料性质,损失函数出现短暂上升,但很快下降并稳定,且稳定后的损失低于基础训练末期水平,说明模型成功吸收黏聚效应,同时保留了对纯摩擦颗粒动力学的既有表征能力。

方法概括:研究主要采用四类关键技术方法。其一,以材料点法(MPM)生成训练与验证数据,并在多层边坡、坝体及柱体坍塌场景中构建多材料颗粒流样本;其二,构建编码器—处理器—解码器式图神经网络模拟器(GNS),以颗粒邻域消息传递学习流动动力学;其三,采用迁移学习与微调策略,将仅学习摩擦角的预训练模型扩展为同时表征摩擦角(?)与黏聚力(c)的模型;其四,在反演分析中结合反向模式自动微分、梯度检查点与L-BFGS-B盒约束优化,实现基于目标最终堆积形态的材料强度参数反算。训练与测试样本均来源于研究人员构建的MPM模拟数据集,而非外部现场样本队列。

在结果部分,论文首先以“Granular column collapse with Mohr–Coulomb properties”为题,检验微调后GNS对摩尔–库仑型材料柱体坍塌的模拟能力。研究在三种初始高宽比a=0.5、1.0与2.0条件下,系统考察不同摩擦角与黏聚力组合对标准化堆积距离的影响,并将GNS结果与MPM进行对比。结果显示,GNS总体上能够较好捕捉堆积范围、形态演化与整体流动模式。不同高宽比下,GNS预测与MPM结果高度接近,决定系数R2分别达到0.975、0.994和0.957。各组平均堆积误差分别为7.26%、3.55%和6.73%。误差相对较大的情况主要出现在低摩擦、低黏聚的高动态近自由落体流动工况中,这些状态偏离训练分布较远。速度空间与物理空间误差诊断进一步表明,误差增大并非单纯由高颗粒运动性造成,而主要与训练数据中表征不足的近自由落体动力学及分布外速度状态有关。总体而言,在大多数工况下误差低于10%,且模型对未参与训练的高摩擦角或高黏聚力参数表现出一定外推能力。

随后,在“Multi-layered slope runout”部分,研究考察GNS对四层边坡体系流动堆积的模拟表现。该案例的空间尺度与层数均超过训练配置范围,能够检验模型泛化能力。结果表明,在初始失稳、发展及最终平衡各阶段,GNS均能较好再现多层材料之间的相互作用、层状结构保持、侧向展布差异以及最终钟形堆积形态。尤其对于中间层形成的细薄尾部层状结构,以及底部材料被上覆层约束、仅边缘发生明显变形的现象,GNS与MPM呈现良好一致。基于对称位置x=500 m估算的左右两侧堆积误差仅为1.57%和0.96%。位移场演化对比也显示,GNS能够准确追踪坡体两翼大位移区的发展。计算效率方面,GNS在GPU上完成模拟仅需41 s,而MPM需6075 s,加速比约145倍;即便在与MPM相同CPU硬件上运行,GNS仍获得约3倍加速。颗粒位移误差随时间的分析显示,自回归预测会导致误差逐步累积,尤其是侧翼大位移颗粒误差更为明显,但当系统趋于平衡后,误差增长趋于平台化,整体堆积模式仍得到较好保持。

在“Inverse analysis”部分,研究展示了可微GNS框架在多材料坝体失稳反演中的应用。研究以一个由上游坝壳、心墙及下游坝壳组成的多材料坝体为对象,采用MPM生成最终堆积形态作为目标,并利用GNS对材料1的黏聚力c、材料3的摩擦角?以及受严格约束的材料2黏聚力进行联合反演。反演损失定义为GNS预测颗粒位置与MPM目标颗粒位置之间的均方误差,仅使用最终时刻信息。结果显示,数据损失与模型损失均在约10次迭代内显著下降并收敛。材料1的反演黏聚力收敛至46.17 kPa,接近目标值40 kPa;其对应的不排水强度比su/σ′v=0.15,也接近目标值0.13。材料3的摩擦角收敛至40.24°,与真实值41°一致性良好。材料2的参数始终保持在设定约束范围内,说明L-BFGS-B能够有效施加盒约束。优化过程中,初始迭代因参数偏差导致无变形或过度堆积,但随着迭代推进,预测几何逐步逼近MPM目标形态。计算成本方面,每次基于GNS的优化步约需1 min,其中正演约20 s、梯度计算约42 s;若采用不可微的MPM并以有限差分求梯度,每次迭代则需超过95 min,显示出可微代理框架在反演中的显著效率优势。

在“Discussion: data size sensitivity and future data generation strategies”部分,研究进一步评估了训练数据规模对模型性能的影响。基础训练阶段设置N=500、1000、1500和2000组数据,微调阶段设置N=10、50、100、250、500、750和1000组数据。结果表明,在固定训练步数条件下,不同基础数据规模的损失衰减趋势相近,说明即便500组模拟也可学习主要堆积动力学。微调结果显示,数据量较小时损失下降更快,主要源于在固定步数下经历了更多有效训练轮次,而非数据效率本身提高。对20个未见测试样本的滚动预测评估表明,当微调数据量低于约50–100组时,模型泛化性能明显下降;当数据量达到250组及以上时,误差趋于稳定并接近大数据集水平。该结果提示,在本研究任务范围内,中等规模微调数据集即可取得与更大数据集相近的效果,从而为降低数据生成成本提供依据,但这一结论具有任务特异性。关于未来数据生成策略,研究指出可考虑引入基于失事案例与稳定边坡系统的几何样本,并进一步结合主动学习(active learning)或生成模型(generative models)来提高训练样本的代表性与生成效率。

讨论部分总结表明,该研究验证了可微GNS作为MPM代理模型在复杂多层边坡正演与反演中的适用性。其优势体现在三个方面:一是通过图结构消息传递与迁移学习,实现对多材料、含摩擦—黏聚特性颗粒流的有效表征;二是在正演模拟中显著降低计算时间,同时保持对堆积形态和层间相互作用的较高保真度;三是在反演分析中借助自动微分与约束优化,使多参数强度识别从传统数小时乃至更长时间压缩至数分钟。研究同时指出,若仅依赖最终堆积几何进行反演,解可能并非唯一,因此在工程应用中仍需结合先验知识与领域经验进行合理性判断;若未来可获得中间时刻变形观测,则可进一步增强反演约束。研究还强调,本文工作聚焦于二维边坡系统,这与现有现场资料格式及岩土工程常规实践相一致,但向真实三维几何推广仍是后续的重要发展方向。

结论部分可译为:本研究提出了一种用于以摩尔–库仑模型表征的多层边坡系统正演与反演建模的可微图神经网络模拟器(GNS)。研究结果表明,GNS可作为材料点法(MPM)的有效可微代理模型,在考虑颗粒流演化的前提下,能够显著加速真实多层边坡系统中颗粒流模拟的正演与反演过程。通过迁移学习,研究人员将原先仅针对单一材料性质即摩擦角训练的预训练GNS模型微调为能够纳入黏聚力的模型,而无需从头训练全新模型;面对先前未见的黏聚性颗粒流数据时,微调训练损失能够成功稳定。正演方面,柱体坍塌试验表明,GNS能够较好捕捉不同摩擦角与黏聚力条件下的堆积行为;虽然对于超出训练数据范围的高动态类流体材料误差较大,但此类情况在工程应用中并不常见,总体上大多数工况误差低于10%。进一步应用于多层坝体堆积模拟时,GNS能够准确再现堆积动力学与材料间相互作用,并相较MPM实现最高145倍加速。反演方面,通过结合GNS加速正演、L-BFGS-B优化与反向模式自动微分,所提出方法能够在数分钟内成功识别多材料坝体系统中选定材料的不排水抗剪强度;若采用传统MPM正演配合有限差分梯度计算,则同等反演需耗费数小时。尽管本文重点展示了单参数反演这一边坡失稳反算中的常见情形,该框架同样支持高效多参数反演,因为反向模式自动微分可在单次正演中为所有参数计算精确梯度,而有限差分方法则会随参数数量增加而快速增大计算代价。研究还发现,在微调阶段,只要数据量保持在约N≈50至100组模拟以上,在算力受限与固定训练轮次两种评估条件下,中等规模与大规模训练数据集可获得相近性能;当数据量低于此范围时,由于对训练分布覆盖不足,性能会明显下降;当N高于约250时,滚动预测误差趋于稳定并接近更大数据集水平。该结果说明,对本研究任务而言,适中的微调数据集有望在维持性能的同时降低数据生成成本,但这一发现依赖具体任务情形。最后,尽管本文反演仅使用最终堆积几何,所提出的GNS框架同样可纳入中间堆积状态,从而支持更稳健的优化;随着现场监测与遥感技术提升,未来失事案例更可能获取完整堆积演化过程,届时该框架将更具应用潜力。总体而言,本研究展示了可微GNS作为边坡系统正演与反演代理建模方法的潜力,能够在计算效率与物理精度之间实现有效平衡。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号