《Geotechnics》：Finite-Element-Informed Neural Surrogates for Elastic Site Characterization from Sparse Data: A Feasibility and Sensitivity Study
编辑推荐：
岩土工程中的数据驱动场地表征日益依赖高维波形数据与计算密集的反演建模。全波形反演（FWI）与有限元模型更新通常依赖基于梯度或贝叶斯优化，需大量串行正演模拟，致大规模应用计算昂贵。本试点研究中，研究人员提出一种基于物理信息神经代理模型的替代方法——FE–PINN
岩土工程中的数据驱动场地表征日益依赖高维波形数据与计算密集的反演建模。全波形反演（FWI）与有限元模型更新通常依赖基于梯度或贝叶斯优化，需大量串行正演模拟，致大规模应用计算昂贵。本试点研究中，研究人员提出一种基于物理信息神经代理模型的替代方法——FE–PINN（连续时间）与FE–NODE（离散时间），将完全组装的空间有限元质量–阻尼–刚度矩阵直接嵌入物理损失残差中。该框架从稀疏地质数据推断地下材料参数，迭代期间无需重复执行正演求解器。利用二维合成场地表征算例，研究人员证明所提代理模型能以良好精度恢复土体参数，对测量噪声具鲁棒性，并揭示对参数初始化的敏感性。在跨越数据稀疏性、噪声（0–50%）、参数初始化（±30%）与材料非均质性变化的240例敏感性扫描中，所提代理模型仅需2个实测地表自由度即成功恢复土体参数。具体而言，FE–PINN表现出强噪声容忍度，在高达25%测量噪声与30%初始化误差下相对参数误差低于5%；相比之下，FE–NODE在洁净均质情形下收敛快，但在非均质介质中因离散有限差分误差传播致参数误差达90–113%而未能可靠收敛。结果凸显了基于有限元的神经代理模型作为可自动微分框架用于岩土反演分析的潜力与操作局限。
研究背景与动机
岩土场地表征是土木基础设施设计的关键环节，但传统基于少量采样点推断空间变异性土参数的做法受限于数据稀缺与不确定性。地球物理方法虽能获取更大体量波形数据，但传感器仅布设于可达地表，导致空间部分可观测——仅少数地表自由度（DOF）拥有波场记录，内部DOF须作为潜变量处理。常规全波形反演（FWI）与有限元模型更新依赖梯度或贝叶斯优化，需大量串行正演模拟，计算昂贵且难用于日常工程。物理信息神经网络（PINN）虽能以软约束融合数据与方程残差，但连续时空表示带来边界条件难以硬施加、超参数权重难调、瞬态噪声易累积等问题；而动态有限元（FE）方法虽边界易控却需逐步时间积分、串行求解。为兼取两者之长，研究人员提出将组装后的FE半离散运动方程直接作为物理残差嵌入神经代理损失，从而把材料参数识别从反复正演中解耦出来，形成可自动微分、直接从稀疏空间观测更新参数的框架。该研究发表于《Geotechnics》，旨在以最小合成算例验证可行性并系统量化操作边界。
主要关键技术方法
研究人员构建仅含两个双线性四节点四边形单元的二维平面应变FE网格，单元边长5 m、体系深度为1，以调制啁啾（chirp）信号作用于左上角节点生成合成“真值”位移时程；体系矩阵（质量M、瑞利阻尼C、刚度K）按标准流程组装，正演采用显式四阶Runge–Kutta。在此骨架上实现两类代理：FE–PINN用SIREN网络以时间t为输入、各节点位移轨迹为输出，通过自动微分求一阶与二阶时间导数代入Mü+Cù+Ku=f残差，测量损失采用部分地表DOF均方误差，物理损失权值设为1×10?14；FE–NODE则用两个tanh多层感知机分别映射观测DOF的时间延迟嵌入与荷载延迟嵌入至下一时刻全状态，用有限差分（式2）求离散时间导数代入同构FE残差（式3），物理权值1×10?6，时间步0.001 s。敏感性实验覆盖240例组合：观测DOF数（最少2个）、均匀噪声0–50%、E与ν初始化偏移±30%、均质/非均质两版网格。所有训练基于PyTorch于RTX 3050 Ti笔记本GPU完成，终止条件为最大参数误差连续500步<10%或满20000轮。
研究结果
3.1 问题设置
通过两单元合成柱体类比竖向土柱/土结构子体系，赋予均质（两单元同模量）与非均质（上层近115 m/s横波速、下层66.66 m/s）两组土参数，证实该极简设定可承载异质耦合、地表传感类比与大规模条件扫描。
3.2 FE–PINN与FE–NODE实现细节
FE–PINN的SIREN（4层×32神经元）连续时间表示使其借全时段信息平滑噪声；FE–NODE的双MLP（5层×64神经元、延迟步长k）借Takens定理由部分DOF延迟嵌入恢复可观性，免除了训练内时间积分。两者均对位移输出按观测最大幅值缩放。
3.3 敏感性实验设计
240例四象限扫描显示：FE–PINN在均质与非均质下，即便30%初始化误差+25%噪声，相对E、ν误差稳低于5%；FE–NODE在洁净均质下收敛快、精度高，但在非均质中因有限差分误差传播致E误差飙至90–113%、收敛失败。观测DOF至少2个方可可靠收敛，且靠近观测节点的参数误差更低，符合可观测性准则。
3.4 结果示例
零噪声、2个DOF、?10%初始化均质情形下，FE–PINN与FE–NODE均能拟合实测并外推未测DOF，FE–PINN时程重合度更优。
讨论部分总结
研究人员指出，将空间离散FE方程嵌入学习过程使两类方法皆可从稀疏噪声位移恢复参数；FE–PINN连续时间+自动微分阻断了噪声递归放大，故对非均质与高噪鲁棒；FE–NODE离散递归与有限差分导数为噪声前向传播提供通路，故在非均质中退化。传感器数目与布设位置显著影响可辨识性，最少2个地表DOF为阈值。该框架适用于地表-only面波测试等稀疏场景，但遇大应变液化等非线性弹阵失效情形不适用，小规模单次正演仍宜用传统求解器。现场非高斯噪声、轴偏、半无限辐射阻尼等需借贝叶斯不确定性界与λ权值调节软约束信任度来缓释。
结论部分翻译
本试点研究针对岩土全波形反演瓶颈——即从有限地表观测估计异质地下属性时正演计算昂贵——提出FE–PINN与FE–NODE两类有限元神经代理用于稀疏噪声位移下的系统辨识。通过将组装FE方程直接嵌入学习过程，两法皆无需重复正演即可回归材料参数。在最小合成两单元网格上的可行性验证与240例敏感性扫描表明：FE–PINN在均质/非均质中均保持≤5%误差（噪声至25%、初始化±30%）；FE–NODE在洁净均质中快敛，但在非均质中因离散有限差分残差误差传播无法恢复刚度。实验同时揭示传感器布设对可辨识性的实质影响。结果表明有限元信息化神经代理为常规反演流程提供了有前景的替代框架。鉴于结论源于极小合成平面应变基准，其属概念验证而非现场就绪；向实用推进需解决3D多层异质、非高斯环境噪声、吸收边界及与传统有限元模型更新/梯度FWI的定量对标等挑战。
