利用基于物理知识的神经网络进行主动学习，以实现深隧道穿越各向同性弹性岩石时传感器的最优布置

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Active learning with physics-informed neural networks for optimal sensor placement in deep tunneling through transversely isotropic elastic rocks

　　

Alec Tristani|Chloé Arson

摘要

本文提出了一种深度学习策略，用于在深隧道挖掘的背景下同时求解偏微分方程（PDEs）并反计算其参数。该策略采用物理信息神经网络（PINN）模型，该模型通过合成数据进行训练，这些数据模拟了来自伸长计和收敛监测的围岩及洞壁处的原位位移测量结果。由于获取现场观测数据可能成本较高，因此采用了基于主动学习的顺序训练方法来确定新传感器的最佳安装位置。具体而言，通过蒙特卡洛dropout技术来量化认知不确定性，并在模型信心较低的区域内对测量数据进行评估。这种方法减少了所需的现场数据量，并优化了传感器的布置。实验表明，该模型能够很好地重建在横向各向同性弹性岩石中挖掘的圆形隧道周围的位移场，并确定岩石的本构参数和应力场参数。结果表明，在小型、分散且数据噪声较大的数据集上，该模型能够实现高精度测量，准确获取杨氏模量、剪切模量、水平与垂直方向的远场应力比以及层理面的方向等信息。所提出的框架与传统观测方法兼容，最终将有助于实现最优的地下监测决策，以及近实时的隧道设计与控制。