面向多模态和跨工程数据融合的物理关联学习方法

《Journal of Rock Mechanics and Geotechnical Engineering》：A physics-linked fusion learning method for multimodal and cross-engineering data integration

　　

工程系统正迅速进入数据驱动时代。然而，工程数据固有的异质性从根本上限制了可用于统一模型训练的有效样本量，使得大规模工程模型的构建尤为困难。为解决这一问题，本研究提出了双向嵌套融合学习（BNFL）范式，这是一种统一的多模态跨工程学习框架。通过引入物理可解释的共享神经结构，BNFL使得由相关物理机制支配的多个工程任务能够在单一架构内联合建模。为验证所提框架的有效性，构建了一个整合三个异质数据集的案例模型，即20年单线隧道沉降数据、10年双线隧道沉降数据以及室内固结试验数据。这一扩展的样本池显著增强了模型所学习的土体物理条件与荷载历史的丰富性。结果表明，与单一工程模型相比，BNFL在预测精度和鲁棒性方面均有显著提升。此外，时间相关土体本构模型和浆–土混合物本构模型与既有岩土工程知识表现出高度一致性，证实了在无监督条件下所实现的物理推理的可靠性。尽管数据覆盖范围扩大，BNFL通过共享子网络保持了轻量化结构，有效避免了参数爆炸。总体而言，BNFL为跨工程数据融合提供了一个可扩展且物理可解释的框架，为未来大规模工程基础模型奠定了有前景的基础。

**物理关联的多模态与跨工程数据融合学习方法——双向嵌套融合学习（BNFL）解读**

论文发表在《Journal of Rock Mechanics and Geotechnical Engineering》。工程系统正快速进入数据驱动时代，但工程数据固有的异质性导致有效样本量不足，使得大规模工程模型构建面临挑战。现有特征融合、迁移学习和多任务学习等方法，或局限于单一工程问题，或依赖顺序式知识迁移，或未能充分融入物理规律，均无法从根本上扩大有效样本规模。为此，研究人员提出了双向嵌套融合学习（BNFL）范式，通过引入物理可解释的共享神经结构，将受相关物理机制支配的多个工程任务统一建模于单一架构中，以实现多模态与跨工程数据的协同学习。

研究人员基于BNFL框架构建了一个整合三个异质数据集的案例模型：上海地铁南京东路–陆家嘴区间20年单线盾构隧道长期沉降数据、川沙–凌空路区间10年双线盾构隧道长期沉降数据，以及南京东路–陆家嘴区间的室内标准固结试验数据。该模型在数据层面融合了现场监测与室内试验两种模态，在工程场景上跨越了不同结构型式的隧道，从而扩展了样本池的物理条件覆盖范围和荷载历史多样性。系统评估了BNFL的三种核心能力：增强泛化、协同物理推理和轻量化建模。结果表明，与单一工程模型相比，BNFL在长期沉降预测和固结应变预测等监督任务中均取得更优的精度和更强的鲁棒性；在无监督条件下推理出的时间相关土体本构模型、浆–土混合物本构模型以及注浆引起的地层竖向膨胀应变等物理量也与既有岩土知识高度一致。BNFL为跨工程数据融合提供了一条可扩展且物理可解释的路径，可视为未来大规模工程基础模型与全尺寸数字孪生系统的可行性基础。

**关键技术方法**（不超过250字）：研究中采用基于双向嵌套方法（BNM）的BNFL建模流程，将多工程任务分解为共享子问题（如土体响应）与任务特定子问题（如沉降诱发荷载、注浆效应）；土体响应采用分层总和法计算，其本构关系由广义Maxwell模型（由多个Kelvin-Voigt单元并联）和Boltzmann叠加原理联合构建，各本构参数（如E₀、E₁、E₂、τ₁、τ₂）均由独立神经网络预测；模型以联合损失函数进行端到端训练。验证采用四折交叉验证（依据空间连续性划分数据），并采用知识一致性验证与反演一致性验证评估无监督物理推理。基线模型为仅整合单线隧道与固结数据的MB模型和仅整合双线隧道与固结数据的MC模型。样本队列来自上海地铁两个区间及相应的固结试验钻孔。

**研究结果**：

**增强泛化**：通过四折交叉验证对比融合模型（MA）与单一工程模型（MB、MC）在三个监督预测任务上的表现。结果显示，MA在单线隧道沉降预测中的平均绝对误差（MAE）和均方根误差（RMSE）分别比MB降低0.05 mm和0.06 mm；在双线隧道沉降预测中，MA的决定系数（R²）比MC提高0.10，MAE和RMSE分别降低0.43 mm和0.56 mm；在固结应变预测中，MA的MAE比MB低0.24‰，比MC低3.34‰。这表明跨工程数据融合通过扩大样本量和增加数据多样性，显著提升了预测精度和鲁棒性，尤其对物理过程复杂但地质条件相对均匀