深切V型峡谷物理驱动人工智能波动模拟

栾绍凯; 陈苏; 丁毅; 金立国; 王巨科; 李小军

doi:10.11779/CJGE20230263

深切V型峡谷物理驱动人工智能波动模拟 English Version

栾绍凯^1,,
陈苏^1, ,,
丁毅¹,
金立国²,
王巨科²,
李小军^{1, 2}

1.
北京工业大学城市与工程安全减灾教育部重点实验室, 北京 100124
2.
中国地震局地球物理研究所, 北京 100081

基金项目:

国家自然科学基金重大项目 52192675

国家自然科学基金项目 51878626

国家自然科学基金项目 U1839202

详细信息

作者简介:
栾绍凯(1999—)，男，硕士研究生，主要从事物理驱动工程波动模拟方向的研究工作。E-mail: luanshaokaipsg@163.com

通讯作者:
陈苏, E-mail: chensuchina@126.com

中图分类号: TU435;P315
计量
- 文章访问数: 369
- HTML全文浏览量: 55
- PDF下载量: 79
出版历程
- 收稿日期: 2023-03-26
- 网络出版日期: 2024-06-04
- 刊出日期: 2024-05-31

Wave simulation of symmetric V-shaped canyon based on physics-informed deep learning method

LUAN Shaokai^1,,
CHEN Su^1, ,,
DING Yi¹,
JIN Liguo²,
WANG Juke²,
LI Xiaojun^{1, 2}

1.
Key Laboratory of Urban Security and Disaster Engineering of the Ministry of Education, Beijing University of Technology, Beijing 100124, China
2.
Institute of Geophysics, China Earthquake Administration, Beijing 100081, China

摘要

摘要: 高山峡谷区场地地震效应是地震工程领域研究热点。V形峡谷引起的圆柱形SH波散射和衍射波函数的级数解已较为成熟，并为众多河谷区重大工程提供了合理、科学的地震动输入。采用物理驱动深度学习方法结合与解析结果的对比分析，近一步明确了V型河谷地形地震反应特性及复杂波场空间分布。此方法主要关注稀疏样本及可诠释性人工智能，结合强形式自动微分和软约束边界条件嵌入，建立深度神经网络实现半无限域地震传播模型。采用时间域分解策略，实现不同给定波场工况下V型河谷高精度预测。通过与解析解对比，评估了所提出的物理驱动人工智能方法的精度和效率。结果表明，物理驱动人工智能方法可应用于地形效应分析，柱面SH波在V型峡谷底端发生显著衰减与振荡，边缘区呈现放大效应。
- 物理驱动深度学习 /
- 河谷地震 /
- 波动模拟 /
- 科学人工智能
Abstract: The seismic effects of alpine and canyon sites are a research hotspot in the field of earthquake engineering. The series solution of the two-dimensional scattering and diffraction wave functions of cylindrical SH waves caused by V-shaped canyons is relatively mature and provides reasonable and scientific ground motion input for many major projects in river valleys. In this study, the physics-informed deep learning method combined with the comparative analysis of the analytical results is used to further clarify the seismic response characteristics and complex wave field spatial distribution of the V-shaped river valley. The method mainly focuses on sparse samples and interpretable artificial intelligence, and establishes a deep neural network to realize the semi-infinite seismic propagation model by combining the strong formal automatic differentiation with the soft constraint boundary condition embedding, and realizes high-precision prediction of V-shaped river valleys under different given wave field conditions by adopting the time domain decomposition strategy. By comparing with the analytical solution, the accuracy and efficiency of the proposed physics-driven artificial intelligence method are evaluated. The results show that the physics-driven artificial intelligence method can be applied to the analysis of terrain effects, and the cylindrical SH waves are significantly attenuated at the bottom of the V-shaped canyon, and the edge area shows an amplification effect.
- physics-informed deep learning /
- river valley earthquake /
- wave simulation /
- AI for science

HTML全文

0. 引言

近年来,盾构施工技术已经在地铁隧道中得到了广泛的应用,如何正确预测城市地下工程施工对周围地层变形尤其是地表位移显得异常重要^[1-2]。纵观目前的地下施工技术,理论研究明显不足,实际施工大多数依赖于工程经验,因此,许多学者对盾构隧道施工引起的地层变形进行了研究。Peck^[3]于1969年提出了一种经验公式来预测地表沉降变形,许多工程实例已经证明了它的使用效果,但该公式中参数的选取往往取决于实际工程经验,未考虑土层条件,也不能预测深部土层位移情况；吴昌胜等^[4]研究了不同盾构直径对隧道地层损失率和地表沉降的影响；张冬梅等^[5]在研究隧道地表沉降时考虑了衬砌局部渗流作用的影响。以上研究均没有考虑土体的小应变特性,而大量工程实测数据表明,实际工程诸如地铁、基坑变形等中岩土体应变都很小,主要集中在0.01%～0.3%^[6-7],在此情况下,土体的剪切刚度是随着应变的增加而减小的,土体在小应变阶段的刚度要远大于较大应变阶段的刚度。众多的岩土试验^[8-9]也表明,土体的剪切模量与剪应变之间存在一种非线性关系,图1是相应的归一化刚度退化曲线。

图 1 刚度衰减曲线和应变范围

Figure 1. Curves of stiffness decreasing with strain and ranges of strain

下载: 全尺寸图片幻灯片

Lee等^[10-11]的研究表明,利用理想弹塑性本构模型（莫尔-库仑模型）来预测实际盾构施工变形,其结果偏于保守。因此,土体小应变特性会对预测盾构施工地层尤其是地表变形产生重要的影响。

鉴于此,本文从小应变塑性硬化本构（PH-SS模型）^[12]和莫尔-库仑本构（MC模型）出发,对盾构施工地层变形规律展开了研究。首先基于三轴模拟试验证实了PH-SS模型反映土体小应变特征的有效性；依托上海某一软土隧道工程,比较PH-SS模型和MC模型在模拟盾构施工中地表及深部土体变形规律的异同；最后结合现场监测数据,说明PH-SS模型在盾构施工地表变形预测中的先进性和合理性。

1. PH-SS模型的介绍

1.1 有限差分程序中的小应变本构模型

针对有限差分程序中的小应变特性研究,尹骥^[13]在室内试验的基础上,利用FLAC^3D中内嵌的fish语言将试验结果应用到有限差分程序的二次开发中,但这往往难度较大,同时自定义的本构模型往往受到试验结果较大的影响。本文利用FLAC^3D内置的Plastic Hardening-Small Strain model（简称PH-SS模型）^[12]来反映土体的小应变特性。

PH-SS模型以硬化土模型（PH模型）为基础,充分考虑了BENZ^[8]提出的卸载—再加载应变相关刚度关系,将土体的小应变特性考虑到有限差分程序中,最终用小应变参数G₀（初始剪切模量）和γ₇₀（剪应变阈值）来反应土体的小应变特性。除此之外,PH-SS还包含了11个硬化土模型参数：有效黏聚力c′、膨胀角ψ、有效内摩擦角 $φ^{'}$ 、三轴固结排水剪切试验的参考割线模量 $E_{50}^{ref}$ 、固结试验的参考切线模量 $E_{oed}^{ref}$ 、三轴固结排水卸载再加载试验的参考加卸载模量 $E_{ur}^{ref}$ 、与模量应力水平相关的幂指数m、参考应力p^ref、破坏比R_f、泊松比 $ν$ 、正常固结时的静止侧压力系数K₀。

PH模型以增量弹性定律来描述弹性行为；采用的是剪切屈服流动准则,确定剪切硬化开始和发展的剪切屈服函数可以表示为

$f^{s} = \frac{E_{ur}}{E_{i}} \cdot \frac{q_{a} q}{(q_{a} - q)} - q - \frac{E_{ur} γ^{p}}{2} = 0$ 。

(1)

式中 E_i=2E₅₀/(2-R_f)是初始变形模量； $q_{a}$ = $q_{f}$ /R_f,破坏比R_f是一个比1还小的值（通常取0.9）；而最终偏应力q_f的定义和莫尔-库仑准则是一致的,q是偏应力,PH模型还引入一种截止因子f_cut（Cut-off）以防止偏应力过大； $γ^{p}$ 是剪切硬化参数（内部变量之一）, $Δ γ^{p} = - (Δ ε_{1}^{p} + Δ ε_{2}^{p} + Δ ε_{3}^{p})$ ,由此可见, $γ^{p}$ 与3个塑性应变有关。

PH模型中的体积塑性应变和剪切塑性应变之间的流动规律如下：

$Δ ε_{v}^{p} = \sin ψ_{m} Δ γ^{p}$ 。

(2)

式中, $\sin ψ_{m}$ 为动力膨胀角,应该小于或等于定义的最终膨胀角ψ。

PH模型的剪切势函数为

$g^{s} = (- 1 + sin ψ_{m}) + (1 + \sin ψ_{m}) σ_{3} / 2$ 。

(3)

式中, $σ_{1}$ 为最大主应力, $σ_{3}$ 为最小主应力。

为了避免土体达到临界孔隙状态e_max时发生过度膨胀,对膨胀角进行了稍微修改。主要是采用Schanz等^[14]提出的一种设定分割线方法：

$\begin{array}{l} \sin ψ_{m}^{cut} = 0 & (e \geq) e_{max} \end{array}$ 。

(4)

这时为避免膨胀角的突然变化,对膨胀角进行平滑处理：

$\sin ψ_{m}^{smooth} = 100 (1 - e / e_{\max}) \sin ψ_{m} (e \geq 0.99 e_{\max})$ 。

(5)

对有截止因子f_cut（Cut-off）,光滑处理（Smoothing）和没有截止因子f_cut（No Cut-off）3种情况下的土体膨胀规律进行了如图2所示的对比,可以看出,光滑处理（Smoothing）情况下的数值计算最为稳定（渐变过程）,与实际情况也最为贴近。

图 2 标准三轴压缩试验的体积应变曲线

Figure 2. Curves volumetric strain of standard triaxial compression tests

下载: 全尺寸图片幻灯片

PH模型的体积屈服函数定义为

$f^{v} = g^{v} = {\tilde{q}}^{2} / a^{2} + p^{2} - p_{c}^{2} = 0$ 。

(6)

式中 $α$ 为一个常量,是基于数值固结仪测试推导得到的； $\tilde{q}$ 为一个剪应力量度；p为硬化参数,而硬化参数初值 $p_{c}^{}$ （代表是先前固结压力）可以由初始应力状态和超固结比OCR来确定。此处的体积硬化采用相关联流动法则。

PH-SS模型中的小应变特性是由小应变参数 $G_{0}$ 和 $γ_{70}$ 来反映的,其相应的关系式为

$G / G_{0} = {(1 + 0.385 γ / γ_{70})}^{^{- 2}}$ ,

(7)

式中 $γ_{70}$ 为剪切模量衰减到初始剪切模量的70%所对应的剪应变；初始剪切模量G₀可以由参考压力p^ref下的模量 $G_{0}^{ref}$ 在极小的应变水平下得

$G_{0} = G_{0}^{ref} {(\frac{c^{'} \cos ϕ^{'} + {σ^{'}}_{3} \sin ϕ^{″}}{c^{'} \cos ϕ^{'} + p^{ref} \sin ϕ^{'}})}^{m}$ 。

(8)

考虑到土体的实际情况,有限差分程序在PH-SS模型中充分考虑了卸载剪切模量 $G_{u r}$ 和卸载弹性模量 $E_{u r}$ 之间的关系,并设置了一个下限值：

$G_{u r} = E_{u r} / [3 (1 - 2 v)]$ 。

(9)

1.2 基于三轴模拟试验的PH-SS模型分析

利用FLAC^3D构建三轴压缩数值计算模型,模型尺寸为1 m×1 m×1 m,围压为100 Pa。为说明PH-SS模型在反映软土加载和卸载过程的优越性,该三轴模拟试验利用不同的本构模型（MC模型,PH模型和PH-SS模型）进行计算,且每种情况下都采用相同的循环荷载过程。

图3为三轴试样偏应力随轴向应变的变化曲线。可以看出,MC模型的卸载模量和加载模量是相同的；PH模型能够反映加载和卸载模量的差异性,但是不区分加载路径和卸载路径；PH-SS模型不仅能够区分加载和卸载模量的差异,而且能较好地区分加载路径和卸载路径,这种情况最符合相关试验^[15]的结果,同时也和谢东武等^[16]的模拟结果保持一致。PH-SS模型中出现回滞环进一步说明,随着剪应变的增大,土体的剪切模量迅速衰减,在加载—卸载的过程中产生塑性积累。

图 3 三轴试验中加卸载的应力应变曲线

Figure 3. Stress-strain curves of loading and unloading in triaxial tests

下载: 全尺寸图片幻灯片

图4为三轴试样的剪切模量随剪应变的变化曲线。由此可知：MC模型和PH模型中的模量始终保持恒定；而PH-SS模型能够较好地反应土体模量随剪应变增大逐渐衰减的特性,并达到一个下限值,这与式（9）是保持一致的,说明了PH-SS模型能够很好地表现土体的小应变特性。

图 4 剪切模量随剪应变的关系曲线

Figure 4. Curve of shear modulus with shear strain

下载: 全尺寸图片幻灯片

2. 基于不同模型的盾构隧道地层变形分析

2.1 计算模型的建立

根据上海某隧道^[17]的实际工程情况,建立二维数值模型。其中,隧道埋深为11.9 m,隧道直径为D为6.2 m。为避免边界的影响,X两侧方向取6倍的直径尺寸,下底边界取3倍的直径尺寸,即模型尺寸为76 m×40 m（宽×高）。隧道周围取1倍的隧道半径进行加密处理,单元尺寸为0.5 m,其他单元尺寸为1 m,数值模型共计有11942个节点、5880个单元。

本文分别利用PH-SS模型与MC模型对土体的力学行为进行模拟。参照文献[17～20],确定上海地区典型土层的小应变模型参数见表1。为保证数值计算结果更具有对比性,MC模型参数选取与PH-SS模型中相同的数值（其中,弹性模量取对应土层的加卸载模量）。衬砌材料利用shell单元来模拟,衬砌结构为线弹性材料, $γ$ =24.5 kN·m^-3, $ν$ =0.2；E= 24.44×10³ MPa,衬砌厚度d=0.35m。

表 1 PH-SS模型的土体参数^[17-20]

Table 1. Parameters of soil of PH-SS model

介质	$γ$ /(kN·m^-3)	$ν$	φ/(°)	c/kPa	/MPa	$E_{ur}^{ref}$ /MPa	/MPa	$p_{}^{ref}$ /kPa	m	$γ_{70}$ /10^-4
1素填土	18.0	0.35	18.0	10.0	4.0	23.2	92.8	100	0.9	2
2粉质黏土	18.7	0.35	15.0	18.0	6.0	34.8	139.2	100	0.9	2
3淤泥质粉质黏土	18.0	0.35	24.0	10.0	5.0	29.0	116.0	100	0.9	2
4淤泥质黏土	17.0	0.35	19.5	10.0	4.0	23.2	92.8	100	0.9	2
5-1粉质黏土	18.3	0.35	18.5	12.0	5.0	29.0	116.0	100	0.9	2
5-2粉质黏土	18.3	0.35	21.0	15.0	6.5	37.7	150.8	100	0.9	2
6粉质黏土	19.9	0.35	17.0	30.0	6.4	37.1	148.4	100	0.9	2
7-粉质黏土夹粉砂	20.1	0.30	26.3	6.0	10.2	59.2	236.6	100	0.9	2

下载: 导出CSV

| 显示表格

2.2 计算方案

采用应力释放法模拟盾构隧道的开挖和支护过程^[21]。利用不同的应力释放系数（ $λ$ 为0.1,0.2,0.3,0.4）反映隧道周围的地应力因开挖所引起的扰动程度。本文分别采用PH-SS和MC两种本构模型,总计八组计算工况,如表2。

表 2 计算工况设计

Table 2. Design of numerical cases

工况名称	是否考虑小应变特性	本构模型	应力释放系数λ
MC-0.1	否	MC	0.1
MC-0.2			0.2
MC-0.3			0.3
MC-0.4			0.4
PH-SS-0.1	是	PH-SS	0.1
PH-SS-0.2			0.2
PH-SS-0.3			0.3
PH-SS-0.4			0.4

下载: 导出CSV

| 显示表格

为研究深部土体的水平位移情况,取5个剖面（编号为^#1,^#2,^#3,^#4和^#5,相对位置分别如图5所示）为研究对象。对于地层竖向位移情况,本文重点关注地表、地表以下5 m处、地表以下10 m处、以及隧道以下5 m处的地层隆沉规律。

图 5 深层位移分析剖面位置示意图

Figure 5. Profile locations for displacement analysis of deep soils layers

下载: 全尺寸图片幻灯片

2.3 地表位移分析

图6给出了利用PH-SS模型计算得到的地表位移曲线,图7是利用MC模型计算得到的地表位移曲线。

图 6 利用PH-SS模型计算得到的地表位移曲线

Figure 6. Curves of surface displacement based on PH-SS model

下载: 全尺寸图片幻灯片

图 7 利用MC模型计算得到的地表位移曲线

Figure 7. Curves of surface displacement based on MC model

下载: 全尺寸图片幻灯片

由图6,7可知,两种地表沉降规律大致相似,但是在较大应力释放系数情况下（如 $λ$ =0.4）,PH-SS模型下的最大地表位移明显比MC模型下的地表位移大很多；在同一种本构模型计算工况下,应力释放系数越大,地表变形（竖向沉降、水平位移）越大,这是因为应力释放系数较大时,地层的应力扰动较大,造成地表变形较大。由图8可以得到,当应力释放系数小于0.3时,采用MC模型和PH-SS模型计算得到的地层损失率和最大地表沉降差别相对较小；但是当应力释放系数大于0.3时,采用PH-SS模型比MC模型计算的结果大得多,此时考虑模型之间的差异是必要的,这是因为盾构开挖应力释放系数较小（地层扰动较小）时,地层变形的小应变行为表现得不明显,当应力释放系数较大（地层扰动较大）时,小应变特征则十分明显,此时因剪应变而引起的刚度变化则十分显著。

图 8 地表最大沉降值、地层损失率与应力释放系数之间的关系

Figure 8. Relationship among maximum surface settlement, volume loss rate and stress release coefficient

下载: 全尺寸图片幻灯片

2.4 深部土层位移分析

以应力释放系数为0.3为例进行两种本构模型下的深部土层位移分析。图9分别为地表以下5 m、地表以下10 m的土层沉降的对比曲线,可以得到,深部土层位移场中的考虑小应变特性的沉降槽宽度比不考虑小应变特性的情况要小一些。图10是剖面^#1,^#2,^#4,^#5剖面的水平位移曲线,鉴于^#3剖面处于中央的位置,水平位移的差异性不明显,所以不单独列出^#3剖面的曲线。对图10的结果进行分析,沿着隧道对称的剖面（^#1和^#4,^#2和^#5）的水平位移变化规律沿隧道轴线对称,当埋深较浅时,由于地层沉降槽的形成产生了趋向隧道轴线方向的水平位移,而当埋深达到开挖面附近时,由于盾构管片的挤压作用,水平位移变成正值（土体沿着坐标轴正向移动）,随着分析剖面与隧道轴向距离的增加,岩土体受开挖扰动的影响逐渐减小。由此可见,盾构推进引起隧道周围土体向开挖面临空移动,最终水平位移大致关于中轴线对称。同时,考虑到隧道开挖造成周围地层在不同方向都产生了卸载作用,因而考虑土体加载模量和卸载模量的差异性时,土体模量变化较大,PH-SS模型相较MC模型在隧道轴线埋深处的地层水平位移更大。

图 9 地表以下地层剖面的沉降曲线

Figure 9. Settlement curves of soil layers below surface

下载: 全尺寸图片幻灯片

图 10 深部土体剖面的水平位移曲线

Figure 10. Curves of horizontal displacement of deep soil profile

下载: 全尺寸图片幻灯片

2.5 隧道以下地层隆起分析

盾构开挖会引起隧道以下地层发生卸载,PH-SS模型能区分土体加载和卸载模量的差异性。图11给出了不同应力释放系数情况下的隧道以下地层的位移规律。可以看出,两种本构模型下的地层位移规律差异较大。图12给出了对应地层处的最大隆起量（隆起为正、沉降为负）变化规律。可以看出,PH-SS模型计算隆起量比MC模型计算值较小,并且当应力释放系数增大时,其差异性逐步增大,说明应力释放系数越大（地层扰动越大）,应力相关模量的力学响应越明显,这也与前述保持一致,说明了PH-SS模型在地层隆起研究中的适宜性。

图 11 不同应力释放系数下的隧道以下5 m地层处的隆沉规律

Figure 11. Heave or settlement curves of layer 5 m below tunnel under different stress release coefficients

下载: 全尺寸图片幻灯片

图 12 地层隆起量随应力释放系数的变化曲线

Figure 12. Curves of soil layer uplift with stress release coefficient

下载: 全尺寸图片幻灯片

3. 与实测数据对比

根据上述研究,地层变形受到应力释放系数的影响较大。而实际工程情况受很多因素的影响,本文从简单问题出发,以地层损失为衡量标准^[22],通过三维数值计算结果反演二维模型的应力释放系数。三维模拟按照现场工况进行,每步推进1个管片环宽即1.0 m,利用强度不同的等代层来模拟注浆层及超挖层部分,最终确定二维数值计算的应力释放系数为0.38。因此,将 $λ$ =0.38情况下基于PH-SS模型和MC模型的数值计算结果与文献[17]中的监测数据进行对比,如图13所示。

图 13 数值计算结果与实测数据对比

Figure 13. Comparison between numerical results and measured data

下载: 全尺寸图片幻灯片

由此可知,利用PH-SS模型计算的地表沉降值更大,其地表沉降曲线相较MC模型更加符合实际监测结果,因此验证了预测盾构隧道地层变形中考虑小应变特性的必要性,同时也说明了PH-SS模型在预测地表沉降变形中的适用性。

4. 结论

软土地区盾构施工中的大部分区域处于小应变的状态,本文基于FLAC^3D内置的MC模型和PH-SS模型对盾构施工地层变形规律展开研究。首先基于三轴模拟试验证明了PH-SS在表现土体小应变特性方面的合理性和优越性；依托上海某软土隧道工程,分别利用MC模型和PH-SS模型进行二维盾构施工数值计算研究,着重研究了地层变形尤其是地表沉降随应力释放系数的演化规律,以及利用两种本构模型计算所得结果之间的差异性；最后将数值结果与现场数据进行了对比。

（1）相较MC模型,PH-SS模型不仅可以区分软土加载和卸载模量的差异性,而且可以较好地反映土体剪切模量随剪应变增大而逐渐衰减的特性,在表现软土行为时更为合理。

（2）当应力释放系数小于0.3时,预测地表沉降时考虑小应变特性与不考虑时的情况区别不大；但是当应力释放系数大于0.3时,考虑土体小应变特性是十分必要的。

（3）应力释放系数越大,土体应力相关模量的力学响应越明显,地层变形越大。

（4）数值计算结果与实测数据进行对比的结果表明,考虑小应变特性的PH-SS模型地表沉降更大,与实测数据更为贴近,说明了PH-SS模型在预测盾构隧道地表变形规律更为合理。

致谢: 本文解析方法得到了安徽建筑大学张宁教授及河海大学博士研究生张煜的大力协助，特此致谢。

图 1 DNN网络自动微分简图

Figure 1. Automatic differential diagram of DNN network

下载: 全尺寸图片幻灯片

图 2 波场云图及PINN预测与解析对比图

Figure 2. Comparison of wavefield clouds and PINN prediction and resolution

下载: 全尺寸图片幻灯片

图 3 对称V型峡谷模型示意图

Figure 3. Schematic diagram of a symmetrical V-shaped canyon model

下载: 全尺寸图片幻灯片

图 4 物理驱动神经网络架构图

Figure 4. Diagram of PINN architecture

下载: 全尺寸图片幻灯片

图 5 半无限空间波动问题: PINN与解析波场快照对比

Figure 5. Semi-infinite space fluctuation problem: PINN vs. analytical wave snapshot

下载: 全尺寸图片幻灯片

图 6 对称位置PINN与解析波场时程对比

Figure 6. Comparison of time histories of symmetrical position PINN and analytical wave field

下载: 全尺寸图片幻灯片

图 7 PINN模拟时程图（x=300）

Figure 7. Time histories of PINN analog (x=300)

下载: 全尺寸图片幻灯片

图 8 PINN预测与解析真值云图对比

Figure 8. Comparison of PINN prediction and ground truth under condition 3

下载: 全尺寸图片幻灯片

不同工况相对 ${L_2}$ 范数误差（x=300）

Figure 9. Relative norm errors under different working conditions (x=300)

下载: 全尺寸图片幻灯片

图 10 地表峰值位移对比

Figure 10. Comparison of peak displacements on surface

下载: 全尺寸图片幻灯片

表 1 复杂地形效应近场波动模拟研究现状

Table 1 Researches on near-field fluctuation problems

模拟方法	应用场景	时间	文献
解析法	平面SH波在半圆柱型峡谷的散射	1972年	[1]
	平面SH波在半圆柱型冲击峡谷的散射	1971年	[2]
	平面SH波在半椭圆形冲击峡谷的散射	1974年	[3]
	平面SH波在圆弧形峡谷的散射	2009年	[4]
	平面SH波在截断峡谷的散射	2009年	[5]
	U型峡谷引起的地形放大对地震波的影响	2012年	[6]
	柱面SH波在对称V型峡谷的反射和散射	2013年	[7]
有限差分法	极坐标尺度不规则地形FEM方法	2021年	[8]
谱元法	入射平面SV波作用下梯田形山丘的表面运动	2017年	[9]
PINN	近场波动数值模拟	2022年	[30]

下载: 导出CSV

表 2 不同工况PINN模型参数

Table 2 Parameters of PINN model under different working conditions

参数	工况一（图 5）		工况二（图 8(a)）	工况三（图 8(b)）
主频 $\omega {\text{/Hz}}$		10	8	5
波速 $c{\text{/}}$ ${\text{(m}} \cdot {{\text{s}}^{ - 1}}{\text{)}}$		3000	3000	2000
第一帧快照时间 ${t_0}{\text{/s}}$		0.20	0.15	0.30
第二帧快照时间 ${t_1}{\text{/s}}$		0.22	0.20	0.40
传播时间 $T{\text{/s}}$		0.60	0.65	1.00
采样点	${N_{\text{p}}} = 9954$ ， ${N_{{\text{ic1}}}} = 500$ ， ${N_{{\text{ic2}}}} = 500$ ， ${N_{{\text{top}}}} = 1400$
预训练损失分配系数	${\lambda _1} = {10^{ - 5}}$ , ${\lambda _2} = 1$ , ${\lambda _3} = {10^{ - 1}}$
后续损失分配系数	${\lambda _1} = {10^{ - 3}}$ , ${\lambda _2} = 1$ , ${\lambda _3} = {10^{ - 1}}$
优化策略	Adam20000步+ LBFGS500000步		Adam20000步+ LBFGS300000步	Adam20000步+ LBFGS300000步

下载: 导出CSV

参考文献(30)

[1]	WONG H L, TRIFUNAC M D. Scattering of plane sh waves by a semi-elliptical canyon[J]. Earthquake Engineering & Structural Dynamics, 1974, 3(2): 157-169.
[2]	TRIFUNAC M D. Surface motion of a semi-cylindrical alluvial valley for incident plane SH waves[J]. Bulletin of the Seismological Society of America, 1971, 61(6): 1755-1770. doi: 10.1785/BSSA0610061755
[3]	WONG H L, TRIFUNAC M D. Surface motion of a semi-elliptical alluvial valley for incident plane SH waves[J]. Bulletin of the Seismological Society of America, 1974, 64(5): 1389-1408. doi: 10.1785/BSSA0640051389
[4]	YUAN X M, LIAO Z P. Scattering of plane SH waves by a cylindrical canyon of circular-arc cross-section[J]. Soil Dynamics and Earthquake Engineering, 1994, 13(6): 407-412. doi: 10.1016/0267-7261(94)90011-6
[5]	TSAUR D H, CHANG K H. Scattering of SH waves by truncated semicircular canyon[J]. Journal of Engineering Mechanics, 2009, 135(8): 862-870. doi: 10.1061/(ASCE)0733-9399(2009)135:8(862)
[6]	GAO Y, ZHANG N, LI D, et al. Effects of topographic amplification induced by a U-shaped canyon on seismic waves[J]. Bulletin of the Seismological Society of America, 2012, 102(4): 1748-1763. doi: 10.1785/0120110306
[7]	GAO Y F, ZHANG N. Scattering of cylindrical SH waves induced by a symmetrical V-shaped canyon: near-source topographic effects[J]. Geophysical Journal International, 2013, 193(2): 874-885. doi: 10.1093/gji/ggs119
[8]	XU J X, ZHANG W, CHEN X F. An optimized finite difference method based on a polar coordinate system for regional-scale irregular topography[J]. Earthquake Science, 2021, 34(4): 334-343. doi: 10.29382/eqs-2021-0022
[9]	KONG X, LI H. Surface motion evaluation of terrace-shaped hill subjected to incident plane SV wave using spectral element method[C]// 16 th World Conference on Earthquake Engineering. Chile, 2017.
[10]	RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019, 378: 686-707. doi: 10.1016/j.jcp.2018.10.045
[11]	SMITH J D, AZIZZADENESHELI K, ROSS Z E. EikoNet: solving the eikonal equation with deep neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(12): 10685-10696. doi: 10.1109/TGRS.2020.3039165
[12]	MOSELEY B, MARKHAM A, NISSEN-MEYER T. Solving the wave equation with physics-informed deep learning[EB/OL]. https://arxiv.org/abs/2006.11894.pdf. 2020.
[13]	RASHT-BEHESHT M, HUBER C, SHUKLA K, et al. Physics-informed neural networks (PINNs) for wave propagation and full waveform inversions[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(5): e2021JB023120. doi: 10.1029/2021JB023120
[14]	SHUKLA K, LEONI P C, BLACKSHIRE J, et al. Physics-informed neural network for ultrasound nondestructive quantification of surface breaking cracks[J]. Journal of Nondestructive Evaluation, 2020, 39(3): 1-20.
[15]	唐明健, 唐和生. 基于物理信息的深度学习求解矩形薄板力学正反问题[J]. 计算力学学报, 2022, 39(1): 120-128. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJG202201018.htm TANG Mingjian, TANG Hesheng. A physics-informed deep learning method for solving forward and inverse mechanics problems of thin rectangular plates[J]. Chinese Journal of Computational Mechanics, 2022, 39(1): 120-128. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSJG202201018.htm
[16]	HAGHIGHAT E, RAISSI M, MOURE A, et al. A physics-informed deep learning framework for inversion and surrogate modeling in solid mechanics[J]. Computer Methods in Applied Mechanics and Engineering, 2021, 379: 113741. doi: 10.1016/j.cma.2021.113741
[17]	SUN L N, GAO H, PAN S W, et al. Surrogate modeling for fluid flows based on physics-constrained deep learning without simulation data[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 361: 112732. doi: 10.1016/j.cma.2019.112732
[18]	GUO H W, ZHUANG X Y, LIANG D, et al. Stochastic groundwater flow analysis in heterogeneous aquifer with modified neural architecture search (NAS) based physics-informed neural networks using transfer learning[EB/OL]. https://arxiv.org/abs/2010.12344.pdf. 2020.
[19]	RAO C P, SUN H, LIU Y. Physics-informed deep learning for incompressible laminar flows[J]. Theoretical and Applied Mechanics Letters, 2020, 10(3): 207-212. doi: 10.1016/j.taml.2020.01.039
[20]	JIN X W, CAI S Z, LI H, et al. NSFnets (Navier-Stokes flow nets): physics-informed neural networks for the incompressible Navier-Stokes equations[J]. Journal of Computational Physics, 2021, 426: 109951. doi: 10.1016/j.jcp.2020.109951
[21]	陆至彬, 瞿景辉, 刘桦, 等. 基于物理信息神经网络的传热过程物理场代理模型的构建[J]. 化工学报, 2021, 72(3): 1496-1503. https://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ202103031.htm LU Zhibin, QU Jinghui, LIU Hua, et al. Surrogate modeling for physical fields of heat transfer processes based on physics-informed neural network[J]. CIESC Journal, 2021, 72(3): 1496-1503. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ202103031.htm
[22]	赵暾, 周宇, 程艳青, 等. 基于内嵌物理机理神经网络的热传导方程的正问题及逆问题求解[J]. 空气动力学学报, 2021, 39(5): 19-26. https://www.cnki.com.cn/Article/CJFDTOTAL-KQDX202105003.htm ZHAO Tun, ZHOU Yu, CHENG Yanqing, et al. Solving forward and inverse problems of the heat conduction equation using physics-informed neural networks[J]. Acta Aerodynamica Sinica, 2021, 39(5): 19-26. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-KQDX202105003.htm
[23]	KARNIADAKIS G E, KEVREKIDIS I G, LU L, et al. Physics-informed machine learning[J]. Nature Reviews Physics, 2021, 3(6): 422-440. doi: 10.1038/s42254-021-00314-5
[24]	LU L, JIN P, KARNIADAKIS G E. Deeponet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators[EB/OL]. https://arxiv.org/abs/1910.03193.pdf. 2019.
[25]	BELBUTE-PERES F A, CHEN Y, SHA F. HyperPINN: Learning parameterized differential equations with physics-informed hypernetworks[EB/OL]. https://arxiv.org/bs/111.01008.pdf. 2021.
[26]	LEUNG W T, LIN G, ZHANG Z C. NH-PINN: neural homogenization-based physics-informed neural network for multiscale problems[J]. Journal of Computational Physics, 2022, 470: 111539. doi: 10.1016/j.jcp.2022.111539
[27]	BRUNTON S L, PROCTOR J L, KUTZ J N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems[J]. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(15): 3932-3937.
[28]	GAO H, SUN L N, WANG J X. PhyGeoNet: physics-informed geometry-adaptive convolutional neural networks for solving parameterized steady-state PDEs on irregular domain[J]. Journal of Computational Physics, 2021, 428: 110079. doi: 10.1016/j.jcp.2020.110079
[29]	MOSELEY B, MARKHAM A, NISSEN-MEYER T. Finite Basis Physics-Informed Neural Networks (FBPINNs): a scalable domain decomposition approach for solving differential equations[J]. Advances in Computational Mathematics, 2023, 49(4): 62. doi: 10.1007/s10444-023-10065-9
[30]	陈苏, 丁毅, 孙浩, 等. 物理驱动深度学习波动数值模拟方法及应用[J]. 力学学报, 2023, 55(1): 272-282. https://www.cnki.com.cn/Article/CJFDTOTAL-LXXB202301022.htm CHEN Su, DING Yi, SUN Hao, et al. Methods and applications of physical information deep learning in wave numerical simulation[J]. Chinese Journal of Theoretical and Applied Mechanics, 2023, 55(1): 272-282. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-LXXB202301022.htm