基于SSC-PINN的季节冻区粉质黏土抗剪强度预测

《Applied Sciences》：Prediction of Shear Strength of Silty Clay in Seasonally Frozen Regions Based on SSC-PINN

　　

季节冻粉质黏土抗剪强度的预测受到复杂物理机制和稀疏实验数据的限制。研究人员提出了一种自监督对比物理信息神经网络（SSC-PINN）来克服这些限制。通过对比预训练，从有限数据集中提取了鲁棒的潜在特征。同时将时间依赖的本构方程和物理边界条件嵌入损失函数中。这种数学约束确保了建模过程中的严格物理一致性。该框架使用在受控含水率、冻结温度和融化持续时间条件下制备的100个独立实验室样本进行了验证。实验结果表明，所提出模型具有优越的预测精度。在测试集上达到了0.988的决定系数（R2），同时与常规数据驱动方法相比，误差指标最小化。因此，该架构建立了一种高精度且可靠的方法，用于评估土壤稳定性并支持寒冷地区的基础设施设计。

**论文解读文章**

**1. 研究背景、问题与意义**

季节冻土区广泛分布于中国东北和西北等高寒气候区域，这些地区是岩土工程开发的主要区域。独特的冻融循环条件导致土壤物理力学性质发生显著变化，其中粉质黏土（silty clay）的行为尤为复杂。在冻结过程中，孔隙水转化为冰体，形成冰透镜体并产生胶结作用，从而增加表观黏聚力；融化后，残余未冻水膜影响强度和变形行为，基质吸力（matric suction）也进一步调节力学性能。粉质黏土的抗剪强度（shear strength）受含水率、冻结温度和融化持续时间等多参数控制，且呈现高度非线性变化。然而，传统经验模型存在固有缺陷，纯数据驱动方法无法完全表征系统行为，非均匀场地条件、稀疏实验数据以及冰-土行为的物理机制复杂性进一步限制了建模精度。为此，研究人员提出了一种自监督对比物理信息神经网络（Self-Supervised Contrastive Physics-Informed Neural Network, SSC-PINN），旨在桥接物理建模与表示学习之间的鸿沟，准确预测季节冻粉质黏土的抗剪强度。该研究发表在《Applied Sciences》上，其创新发现为寒冷地区斜坡稳定性分析、基础设施设计以及冻融诱发地质灾害预警提供了可靠的计算工具和微观-宏观物理基础。

**2. 主要关键技术方法**

本研究采用的关键技术方法包括：物理信息数据增强（physics-informed data augmentation），通过含水率抖动、温度漂移、融化时间缩放和物理引导插值生成正负样本对；对比预训练模块（contrastive pretraining module），利用InfoNCE损失函数训练编码器以提取鲁棒潜在特征；集成物理信息神经网络（PINN）回归，将Mohr-Coulomb本构方程、时间依赖的常微分方程（ODE）以及初始和渐近边界条件嵌入损失函数；两阶段优化策略，先进行自监督对比预训练，再进行物理信息微调；自动微分（automatic differentiation）计算物理梯度。样本来源为黑龙江省穆棱季节冻土区，采集深度2 m的粉质黏土，制备100个独立样本，涵盖4个含水率水平（18%、20%、22%、24%）、5个冻结温度水平（?5 °C、?10 °C、?15 °C、?20 °C、?25 °C）和5个融化持续时间水平（0 h、3 h、6 h、9 h、12 h）。

**3. 研究结果**

**3.1 预测性能比较（Predictive Performance Comparison）**
通过对比线性回归（LR）、支持向量回归（SVR）、随机森林回归（RF）、全监督神经网络（FSNN）和标准物理信息神经网络（PINN）等基线模型，SSC-PINN在测试集上取得了最高的决定系数（R² = 0.988），以及最低的均方根误差（RMSE = 1.329）和平均绝对误差（MAE = 1.088）。该结果表明，对比学习与物理约束的联合优化显著提升了预测精度和泛化能力。

**3.2 消融研究（Ablation Study）**
通过移除SSC-PINN中的对比学习模块或物理约束模块，分别测试了标准PINN（R² = 0.974, RMSE = 1.275）和仅含对比学习的模型（R² = 0.860, RMSE = 2.350）。结果表明，两种组件对模型性能均至关重要：对比学习增强了特征鲁棒性，物理约束确保了物理一致性，两者缺一不可。

**3.3 关键超参数敏感性分析（Sensitivity Analysis of Key Hyperparameters）**
系统评估了学习率、隐藏层数量、每层神经元数、批大小、权重衰减和对比温度参数对预测性能的影响。最优配置为：学习率0.001、3个隐藏层（每层64个神经元）、批大小16、权重衰减1×10^?5、温度参数0.2。该配置在测试集上实现了最佳平衡，避免了过拟合且有效收敛。

**4. 讨论与结论**

讨论部分通过低温扫描电子显微镜（Cryo-SEM）和能量色散X射线光谱（EDS）对冻融循环后的粉质黏土进行了微观表征。结果显示，循环冻融导致微裂缝增生、颗粒脱落、孔隙网络重构，以及元素分布不均匀（如Fe、Ca在断裂区富集），这些微观结构变化直接解释了宏观抗剪强度退化机制，为SSC-PINN的物理约束设计提供了微力学依据。与现有文献比较，该框架在预测精度和物理可解释性上均优于传统数据驱动方法。但需明确，本研究仅基于黑龙江穆棱地区的单一粉质黏土样本，其通用性有待多场地、多土类验证。

研究结论（翻译自原文）：本研究通过成功开发自监督对比物理信息神经网络（SSC-PINN）框架，系统评估和预测了季节冻粉质黏土的抗剪强度。通过整合自监督对比学习与物理信息损失正则化，所提出模型实现了优越的预测精度。实验结果表明，对比学习有效优化了潜在特征表示，而物理信息目标函数确保了严格遵循土壤力学本构定律。消融研究证实了两种核心组件的关键贡献：对比预训练增强特征噪声鲁棒性，物理驱动损失保证严格物理一致性。与标准PINN、FSNN、RF和SVR等基线方法的比较进一步凸显了该框架的结构优势，定量结果显示SSC-PINN一致地获得了更低的RMSE、MAE和更高的决定系数（R²）。最后，这些结论的推广需适当限定：本研究严格基于黑龙江省穆棱地区采集的粉质黏土单一案例，因此直接外推至所有季节冻土区的粉质黏土具有显著局限性。本研究强烈强调了数据驱动表示学习与领域特定物理原理耦合的有效性，但所提出方法对不同地质材料的普遍适用性仍需未来多站点研究和扩展的网络优化策略进行严格验证。