一个基于物理知识的变压器框架,用于地震响应建模和土桩系统的脆弱性评估

《Soil Dynamics and Earthquake Engineering》:A physics-informed transformer framework for seismic response modeling and fragility evaluation of soil–pile systems

【字体: 大 中 小 】 时间:2026年04月25日 来源:Soil Dynamics and Earthquake Engineering 4.6

编辑推荐:

  土壤-桩系统地震响应预测与抗震能力分析研究提出融合多头注意力机制和非-dimensional化动态控制方程的物理信息神经网络(PINN),有效提升桩身曲率与位移时程预测精度,误差控制在2.3%-15%。通过集成模型不确定性传播,建立预测-校正的抗震能力评估方法,经New Madrid与Coos Bay地区对比验证,误差范围符合工程可靠性要求。

  
万一江|贾明明
哈尔滨工业大学土木工程学院,哈尔滨,150090,中国

摘要

为了捕捉土壤-桩相互作用系统在地震激励下的复杂动态响应特性,本研究提出了一种基于物理信息的神经网络(PINN),用于预测桩基的全长度和全时间地震响应,并评估其地震脆弱性。数据驱动组件采用了多头注意力机制来增强对时间依赖性的捕捉。采用无量纲化的动态控制方程来构建基于物理的约束,并采用自适应控制策略来平衡数据和物理损失的梯度。这种设计提高了模型的训练稳定性和物理一致性。结果表明,所提出的PINN框架显著提高了沿桩长度的曲率预测精度,同时保持了高精度的地震位移预测。此外,通过整合PINN预测的不确定性传播,开发了一种预测校正的地震脆弱性分析方法。与有限元结果的比较表明,校正后的基于PINN的脆弱性曲线在地震风险评估中显示出较小的差异,在新马德里地区的误差约为2.3%,在库斯湾地区约为4%-15%,从而证实了所提出方法的可靠性。

引言

土-结构相互作用(SSI)分析是评估桩基地震安全性的关键组成部分[1,2]。目前最广泛使用的SSI分析方法基于Winkler基础模型[3],在该模型中,桩被理想化为梁,周围的土壤被简化为沿桩身分布的一系列连续的、解耦的弹簧。实际上,这些土壤弹簧通常由曲线[4,5]表示,它定义了不同深度处的侧向土壤阻力

与桩位移之间的关系。尽管数值解具有高精度,但它们通常涉及复杂的网格划分和迭代过程[6,7]。此外,在处理不确定性和可靠性分析时,可能需要数百次模拟,这使得这些方法在计算上非常昂贵且耗时。

近年来,神经网络被广泛用作模拟结构非线性行为的替代模型[8,9]。由于它们能够利用高维数据集有效捕捉复杂SSI系统的非线性特性,这些技术已成功应用于SSI分析[10,11]。万等人基于人工神经网络有效预测了支撑码头的钢筋混凝土桩的峰值地震响应,并进一步将其应用于地震脆弱性分析[12]。然而,即使是最先进的监督机器学习方法也面临与传统实验方法类似的挑战,因为它们需要大量不同精度的输入-输出数据来充分学习潜在的动态行为。对大量数据的需求构成了一个重大障碍,因为获取此类数据通常既费力又耗资源[6]。此外,传统数据驱动机器学习模型[13]的固有“黑箱”性质——即在没有明确考虑物理或机械原理的情况下构建——通常限制了它们的可解释性和物理透明度。
一种有前景的方法是将物理原理融入学习过程中,从而引导神经网络遵循物理定律[[14], [15], [16]]。物理信息神经网络(PINN)代表了一个半监督框架,在该框架中,物理约束(以偏微分方程的形式及其边界和初始条件)被嵌入到损失函数中。这种规范化提高了预测的物理一致性,即使只有有限的监督数据可用。PINN的原始多层感知器结构可以灵活地适应和扩展到各种架构,包括卷积神经网络[17]、长短期记忆网络(LSTM)[18]、生成对抗网络[19]和图卷积网络[20]。
由于PINN将深度学习与物理约束相结合的独特优势,它已被广泛应用于各种工程领域[21,22],在固体力学[23,24]和结构动力学[18]的复杂问题中显示出显著的有效性。对于结构动力学,张等人将动态平衡方程嵌入到基于LSTM的PINN模型中,实现了高度准确的时间历史响应预测,其性能明显优于传统的“黑箱”机器学习方法[18]。在桩基和类似梁的系统中,PINN也被用于模拟非线性机械响应。Bazmara等人利用PINN捕捉了受限结构的非线性弯曲行为[25],而Ouyang等人展示了PINN在静态桩加载分析中的高精度预测能力[26]。Vahab应用PINN框架处理垂直加载下土壤-桩区域和土层共享边界处的应变场不连续性[27]。Kapoor等人探索了物理约束神经网络在梁模型和移动载荷问题中的适用性[28],并随后提出了一种因果一致的PINN损失函数,以提高弹性基础上梁的动态分析的模型泛化能力[29]。同时,Xu等人开发了一种能够适应各种加载条件的自适应PINN结构[30],Farah和Agardem应用基于物理的神经网络研究了位于弹性基础上的三维功能梯度多孔梁的弯曲和自由振动[31]。
最近的研究表明,当PINN应用于强非线性偏微分方程时,可能会出现收敛失败,主要是由于来自多个来源的耦合效应[[32], [33], [34], [35]]。首先,复合损失函数不同组成部分之间的幅度不平衡可能导致多目标竞争,使网络优先最小化单个损失组成部分[[36], [37], [38]]。其次,复杂非线性或刚性方程中固有的梯度尺度差异可能导致病态训练行为,包括梯度不平衡、消失或爆炸,使得优化过程对权重初始化和学习率非常敏感,容易导致次优收敛甚至训练停滞[[39], [40], [41], [42]]。此外,神经网络的内在谱偏置有利于学习低频成分。这种限制通常表现为多尺度或强非线性问题中的过度平滑解决方案[43,44]。
为了解决这个问题,已经开发了各种多任务优化策略来减轻损失项之间的冲突。例如,梯度病理学缓解[37]引入了一种学习率退火算法来平衡多个损失组成部分之间的相互作用。GradNorm[45,46]提出了一种梯度归一化方法,自动平衡跨任务的学习进度。梯度手术[47,48]通过将每个任务的梯度投影到其他任务冲突梯度的法平面上来减轻有害的梯度干扰。多目标优化方法[49]旨在通过提出的多梯度下降算法上限实现帕累托最优解。此外,神经切线核框架[38,50]通过基于特征值的自适应校准来调整不同损失组成部分的收敛率。自适应PINN[30]引入了可训练的局部加权,对预测误差较大的子区域施加协调约束,从而显著提高了整体预测精度和物理一致性。
总之,现有研究主要集中在模拟在静态加载或明确定义的力/位移激励下的结构响应。然而,在处理强非平稳地震激励下土壤-桩系统的非线性动态响应以及在物理约束预测框架内捕捉不确定性传播方面仍存在局限性。为了克服这些挑战,本研究扩展了传统的PINN框架,并做出了以下关键贡献:(1)在数据驱动组件中引入了多头注意力机制,以提高时间预测精度;(2)开发了一个无量纲化且自适应控制的动态PINN框架,以实现数据和物理损失之间的梯度平衡,从而提高训练稳定性和物理一致性;(3)提出了一种基于PINN预测的地震脆弱性分析方法,结合了模型误差,使得数据驱动建模与概率地震工程相结合。

部分摘录

桩振动的控制方程和边界条件

地震激励下土壤-桩系统的力学模型如图1所示。桩基被建模为欧拉-伯努利梁,其弹性振动的控制方程可以表示为:
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