基于物理知识的神经网络,结合学习率调度和域分解技术,用于复杂载荷下海上柔性桩的前向和逆向分析

《Ocean Engineering》:Physics-informed neural networks with learning-rate scheduling and domain decomposition for forward and inverse analysis of offshore flexible piles under complex loading

【字体: 大 中 小 】 时间:2026年04月29日 来源:Ocean Engineering 5.5

编辑推荐:

  梁法云|陶明辉|李琳|张浩 同济大学岩土工程系,上海200092,中国 **摘要** 本研究提出了一个基于物理信息的神经网络(PINNs)框架,用于在复合侧向荷载和部分暴露条件下对海上柔性桩进行正向预测和逆向识别。该框架结合了阶梯衰减的学习率调度和域分解方法,以提高

  梁法云|陶明辉|李琳|张浩
同济大学岩土工程系,上海200092,中国

**摘要**
本研究提出了一个基于物理信息的神经网络(PINNs)框架,用于在复合侧向荷载和部分暴露条件下对海上柔性桩进行正向预测和逆向识别。该框架结合了阶梯衰减的学习率调度和域分解方法,以提高基础反应为分段定义时的训练鲁棒性。基于简化的Winkler梁公式,将控制方程嵌入到损失函数中,并在暴露部分与埋设部分桩段之间的接口处施加连续性条件。正向模型可以在没有现场监测数据的情况下预测桩的变形,而逆向模型则可以从稀疏的位移测量数据中识别弹性模量和变形场。三个验证案例表明,所提出的方法在正向分析中的误差通常低于1%。与固定学习率训练相比,采用的阶梯衰减调度加快了收敛速度,并将桩头位移误差从约10%–30%降低到约0.5%–2%。在逆向分析中,在所研究的荷载条件下,弹性模量和全场位移的恢复误差均低于2%。本研究系统地整合了现有的优化技术,如域分解和学习率衰减策略,开发了一个用于复杂荷载条件下柔性桩变形分析和参数识别的框架。

**引言**
桩将结构荷载传递到更深、更稳定的土层中,广泛应用于海上基础设施,如平台、风力涡轮机、桥墩和码头。由于复杂的海洋环境(包括来自上部结构的水平和弯矩荷载、波浪和水流的循环荷载以及地震活动)以及改变土壤支撑条件的冲刷效应,其设计面临关键挑战(Liang等人,2022年)。在这种耦合荷载下,海上桩表现出复杂的非线性变形和显著的不确定性(Zhang等人,2022年)。不可预测的变形可能通过结构相互作用传播,导致上部结构的逐步失效,对海上工程的安全性和完整性构成重大风险。因此,在海洋荷载下分析桩的变形是岩土工程和海洋工程中的关键研究领域。

现有的分析方法包括半解析方法和有限元方法。基于Winkler的土层反力方法在半解析方法中仍被广泛使用,因其效率高(Terzaghi,1955年;Reese和Matlock,1960年),随后扩展到了线性模量递增的沙土中的桩(例如,Shen和Teh,2002年)以及长桩的积分技术(Liang和Li,2014年)。有限元方法提供了强大的建模能力,但在模拟复杂的桩-土相互作用时涉及较高的程序复杂性和计算成本(Tang等人,2019年;Liu等人,2020年),这突显了需要平衡精度和可行性的先进策略。

最近的进展表明,深度学习(DL)在岩土工程中具有广阔的应用前景(Lefik等人,2002年;Kardani等人,2020年),例如在预测桩的承载能力方面(Momeni等人,2015年;Armaghani等人,2017年)。然而,传统的数据驱动模型严重依赖于大型数据集且缺乏物理可解释性。基于物理信息的神经网络(PINNs)通过将控制方程嵌入到训练过程中克服了这些限制(Raissi等人,2017年,2019年)。PINNs已应用于纳米光学、超材料、类光线问题、桩-土相互作用(Chen等人,2020年;Fang等人,2020年;Waheed等人,2021年,2022年;Vahab等人,2023年;Ouyang等人,2024年)以及大直径桩周围冲刷深度的预测(Chen等人,2025年)。最近的发展还包括针对电化学系统的增强型PINNs和混合物理信息无网格公式、逆柯西问题以及自适应基本解方法(Huang等人,2025年;Li等人,2026年;Wang等人,2025年),反映了该领域方法的快速进展。

本研究开发了一个基于PINN的工作流程,用于分析在复合侧向荷载和集中弯矩作用下的细长海上桩。本研究重点是将优化算法集成到一个用于复杂荷载条件下海上柔性桩的集成物理信息神经网络框架中。主要贡献有三方面:(1)基于Winkler梁-基础模型的正向和逆向PINNs公式;(2)阶梯衰减的学习率调度以提高收敛鲁棒性;(3)用于部分暴露桩的域分解,实现弹性模量和变形场的稀疏测量逆向识别。该框架通过Liang和Li(2014年)在三种代表性荷载条件下的解析解进行了验证。

**问题描述和定义**
本研究探讨了在复杂荷载条件下长桩的变形,重点是对完全埋设和部分暴露桩在水平荷载和弯矩作用下的正向预测和逆向识别。关于长桩的定义,Reese和Matlock(1960年)以及Randolph(1981年)引入了临界桩长的概念。当实际桩长超过临界桩长时,该桩可被视为长桩。

**简单PINNs的基本框架**
为了构建用于桩变形分析的神经网络模型,本节简要介绍了PINNs求解器的构建和训练过程。对于给定问题,考虑一个L层神经网络,其中x和y分别代表输入和输出变量。如图2所示,神经网络中的输出变量y可以通过以下变换获得:
$$ y = \sum_{L}^{L-1} \cdots \sum_{1}^{L} (u^{\hat{i}-1) \cdot W_i \cdot u^{\hat{i}} $$
其中
$$ \sum_{i} (u^{\hat{i}-1) = x^{\hat{i}} = \sigma_i W_i \cdot u^{\hat{i}-1 + b_i), \quad i=1, \cdots, L $$

**采用的学习率调度的验证**
为了检验学习率调度的作用,本节考虑了Mohan和Shrivastava(1971年)报道的一个带有测量仪的桩。目的不是直接再现原始的现场测量数据;相反,使用该研究中报告的代表性桩几何形状和刚度来构建一个受控的基准问题,并使用Liang和Li(2014年)的解析解(在后续的图表和表格中,引用将始终为Liang和Li,2014年)。

**不同桩场景下的验证**
本节评估了所提出的框架在三种代表性荷载条件下的长桩变形,并将结果与Liang和Li(2014年)的解析解进行比较。目的是评估完全埋设和部分暴露桩的正向预测精度,并检验学习率调度在这些情况下的作用。

**弹性模量的逆向识别**
逆向分析对于海上桩基础的长期监测尤为重要,因为在腐蚀、循环荷载和恶劣的海洋暴露条件下,可能会出现刚度退化、局部损伤或异常变形。受这一工程需求的启发,本研究使用稀疏位移数据和控制方程来识别弹性模量并重建变形场。

**结论**
本研究提出了一个基于PINN的桩变形分析框架,该框架结合了阶梯衰减的学习率调度和域分解方法,用于部分暴露的桩。主要发现总结如下:
(1)该框架将桩-土相互作用的控制方程直接纳入损失函数中,能够在测试的荷载条件下实现长桩响应的高精度正向预测,预测误差通常保持在1%以下。

**作者贡献声明**
梁法云:监督、资金获取、数据管理、概念化。
陶明辉:撰写 – 审稿与编辑、软件、方法论、调查。
李琳:撰写 – 审稿与编辑、方法论、数据管理、概念化。
张浩:监督、数据管理、概念化。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了国家自然科学基金(项目编号52478356)的支持。对此表示衷心的感谢。
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