用于分区土坝渗流预测的混合 FEM–PINN 框架：Eyvashan 大坝案例研究

《Scientific Reports》：Hybrid FEM–PINN framework for seepage prediction in zoned earth dams: a case study of Eyvashan dam

　　

摘要

渗流是影响分区土石坝长期安全的关键因素。本研究提出了一种数据 - 物理混合框架，将校准后的有限元方法（FEM）与物理信息神经网络（PINN）相结合，旨在提高渗流预测精度同时保持物理一致性。瞬态地下水流动方程通过自动微分直接嵌入到损失函数中。训练使用了来自 Eyvashan 大坝（伊朗）的八年监测记录（1,118 个样本），与有限元合成数据以 60:40 的比例结合，并采用严格的时间顺序数据分割。与随机森林（RF）和极端梯度提升（XGBoost）相比，所提出的 PINN 实现了更高的预测精度（\(\:{R}^{2}=0.992\)、\(\:\text{RMSE}=0.018\text{\:L/s}\) 和 \(\:\text{MAE}=0.013\text{\:L/s}\)），优于 XGBoost（\(\:{R}^{2}=0.975\)）和 RF（\(\:{R}^{2}=0.941\)）。随机蒙特卡洛不确定性分析表明，PINN 保持了最窄的 95% 预测区间（\(\:95\%\text{\:PI}=\left[-\text{0.004,0.028}\right]{\text{\:m}}^{3}/\text{s}\)）和最低方差（\(\:\sigma\:=0.008\text{\:L/s}\)）。可解释人工智能（XAI）证实水库水位和坝芯渗透系数为主导因素，符合达西定律。开发了一个独立的图形用户界面（GUI），建立了一个用于智能大坝安全监测的稳健离线数字孪生原型。