一种基于物理信息神经网络与生成式对抗网络的深基坑支护结构逆向演化生成方法与流程

摘要: 本发明属于岩土工程与人工智能交叉,具体涉及一种深基坑工程安全监测、参数反演与支护结构状态演化生成技术,尤其涉及一种基于物理信息神经网络与生成式对抗网络(gan)...
一种基于物理信息神经网络与生成式对抗网络的深基坑支护结构逆向演化生成方法与流程

本发明属于岩土工程与人工智能交叉,具体涉及一种深基坑工程安全监测、参数反演与支护结构状态演化生成技术,尤其涉及一种基于物理信息神经网络与生成式对抗网络(gan)的深基坑支护结构全场力学状态逆向演化生成方法及系统。

背景技术:

1、深基坑工程是城市地下空间开发的关键环节,其支护结构(如排桩、地下连续墙及内支撑)在施工过程中的力学状态演化直接关系到周边环境安全。目前,基坑安全监测主要依赖测斜管、支撑轴力计等传感器获取离散点的位移和应力数据。现有技术在处理这些数据时存在以下问题:

2、监测数据稀疏,难以反映全场状态:现有监测手段仅能获取支护结构局部或表面的离散数据,无法直接获取桩身深层弯矩、桩后土压力及坑底土体应力等隐蔽的全场连续演化状态。

3、传统反分析方法计算效率低下:传统的基于有限元(fem)的参数反演方法,需要通过反复迭代调整土体参数来拟合监测数据,计算耗时极长,无法满足深基坑施工对“实时动态预警”的需求。

4、纯数据驱动模型缺乏物理一致性:近年来,部分研究尝试使用普通深度学习进行基坑响应预测。但此类纯数据驱动模型缺乏岩土力学机理约束,在训练数据外推或面对未见工况时,极易生成违背力学常识的“物理幻觉”(如不满足静力平衡方程),泛化能力和工程可信度差。

5、现有pinn应用的局限性:现有的物理信息神经网络(pinn)多用于正向求解偏微分方程,在逆向反演时,若仅依靠少量稀疏监测数据,网络容易陷入局部最优,且难以直接生成高分辨率的全场连续演化图像或场分布。

6、因此,需一种既能保证岩土力学物理规律一致性,又能从稀疏数据高效生成全场高分辨率演化状态的方法。

技术实现思路

1、1、发明目的

2、本发明的目的在于提供一种基于物理信息神经网络与生成式对抗网络的深基坑支护结构逆向演化生成方法及系统。 通过构建融合pinn与gan的混合架构,以稀疏的现场监测数据和开挖步序为输入,逆向生成符合土力学控制方程(静力平衡与本构关系)的高分辨率全场位移与应力演化场。该方法既克服了传统有限元反演计算慢的缺点,又解决了纯数据驱动模型缺乏物理约束的问题,实现了深基坑支护结构隐蔽状态的高效、高精度、物理一致的实时逆向推演与安全预警。

3、2、技术解决方案

4、本发明采用如下技术方案:

5、多源异构监测数据获取与时空对齐预处理

6、获取目标深基坑(主要是排桩+内支撑体系)施工过程中的稀疏监测数据,包括:不同开挖深度下的桩身深层水平位移数据、内支撑轴力数据、地表沉降数据,以及地层剖面参数和当前开挖步序信息。对上述数据进行时空对齐、异常值剔除及归一化处理,构建稀疏观测数据集。

7、构建物理约束的生成对抗网络模型(pinn-gan)

8、构建包含生成器、判别器和物理信息嵌入模块的联合网络架构:

9、生成器以当前开挖步序编码、空间坐标网格 (x,y)(x,y) 及步骤1中的稀疏监测数据为条件输入,输出高分辨率的全场连续位移场(u,v)和应力场(σx,σy,τxy)的演化序列。

10、判别器:接收生成器生成的全场场图和真实监测数据插值后的参考场图,判别其数据分布的真实性。

11、物理信息嵌入模块:将岩土力学控制方程作为软约束嵌入网络。针对排桩支护的平面应变问题,定义物理残差损失。包括:

12、静力平衡方程残差:,

13、几何协调与本构残差:基于简化的线弹性或弹塑性本构关系,计算应变-位移协调方程残差。

14、模型联合训练与逆向演化生成

15、定义总损失函数,采用交替优化策略训练网络,直至损失函数收敛。训练完成后,输入新的实时稀疏监测数据,模型即可前向推理,逆向生成当前及下一开挖步序的全场高分辨率力学演化状态。

16、基于生成场的极值提取与安全动态预警

17、对逆向生成的全场位移场和应力场进行后处理,自动提取关键控制部位的力学极值。将极值与规范允许阈值进行实时比对,若超出阈值或演化梯度异常,则触发多级安全预警。

18、一种实现上述方法的深基坑支护结构逆向演化生成系统,包括以下模块:

19、数据采集与预处理模块:用于接入基坑自动化监测物联网数据,进行清洗、时空对齐和归一化;

20、pinn-gan演化生成模块:内置训练好的生成器、判别器及物理残差计算图,负责执行从稀疏数据到全场物理一致演化场的逆向生成推理。

21、模型在线更新模块:当新开挖阶段产生新数据时,采用增量学习策略微调网络权重,适应地层参数变化。

22、安全评估及可视化预警模块:将生成的全场演化场以热力图形式可视化,并结合阈值规则输出安全评估报告及预警信号。

23、3、技术效果

24、(1)物理一致性高,消除“模型幻觉”:创新性地将土力学静力平衡方程和本构关系作为损失函数嵌入gan框架,确保生成的全场演化场不仅数据分布逼真,且严格满足岩土力学基本定律,大幅提升了工程可信度。

25、(2)突破稀疏数据限制,实现全场高分辨率重构:利用gan强大的空间特征映射能力结合pinn的物理插值能力,仅需极少数几个测斜管和轴力计数据,即可高精度逆向还原整个剖面的连续位移和应力分布,解决了监测盲区问题。

26、(3)实时性强,满足动态预警需求:模型训练完成后,逆向演化生成过程仅为神经网络的前向传播计算,耗时在毫秒级,彻底摆脱了传统有限元反分析长达数小时的迭代计算瓶颈,真正实现了施工过程中的实时动态推演与预警。

27、(4)聚焦明确,工程落地性好:专门针对应用最广泛的排桩+内支撑体系,控制方程明确,网络输入输出维度固定,易于封装为标准化软件模块并部署于工地边缘计算节点或云端平台。

1.一种基于物理信息神经网络与生成式对抗网络的深基坑支护结构逆向演化生成方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的方法,其特征在于,所述静力平衡方程残差针对排桩支护的平面应变问题,具体为:

3.根据权利要求1所述的方法,其特征在于,所述几何协调与本构残差基于线弹性或弹塑性本构关系,计算应变-位移协调方程残差。

4.根据权利要求1所述的方法,其特征在于,所述生成器采用u-net架构,输入通道包括归一化空间坐标网格、当前开挖步序编码和稀疏监测数据掩码,输出通道为水平位移u、竖向位移v、水平正应力σx和剪应力τxᵧ。

5.根据权利要求1所述的方法,其特征在于,所述总损失函数中物理损失与数据损失的权重系数采用梯度平衡法动态调整。

6.根据权利要求1所述的方法,其特征在于,所述模型训练完成后,还包括增量学习步骤:当新开挖阶段产生新数据时,以较小的学习率对模型权重进行微调,以适应地层参数变化。

7.一种基于物理信息神经网络与生成式对抗网络的深基坑支护结构逆向演化生成系统,其特征在于,包括:

8.根据权利要求7所述的系统,其特征在于,所述数据采集与预处理模块接入的监测数据包括测斜管深层水平位移数据、支撑轴力计数据和地表沉降数据。