PHD疏浚淤泥堆场大应变非线性固结分析

潘毅; 李传勋

doi:10.11779/CJGE20230290

PHD疏浚淤泥堆场大应变非线性固结分析 English Version

潘毅,
李传勋

江苏大学土木工程与力学学院, 江苏镇江 212013

基金项目:

国家自然科学基金面上项目 42377183

详细信息

作者简介:
潘毅(1998—)，男，硕士研究生，主要从事岩土工程方面的研究工作。E-mail: 2212123026@stmail.ujs.edu.cn

中图分类号: TU411
计量
- 文章访问数: 195
- HTML全文浏览量: 30
- PDF下载量: 55
出版历程
- 收稿日期: 2023-04-03
- 刊出日期: 2024-10-31

Large-strain nonlinear consolidation of dredged sludge yards with PHDs

PAN Yi,
LI Chuanxun

Faculty of Civil Engineering and Mechanics, Jiangsu University, Zhenjiang 212013, China

摘要

摘要: 已有的工程实践和室内模型试验均表明铺设水平排水板(Prefabricated Horizontal Drains, PHDs)可有效加快疏浚淤泥的固结。但目前自重作用下能全面反映疏浚淤泥特性的PHD处理疏浚淤泥堆场的大应变固结理论尚缺乏系统性研究。针对底层铺设PHD的疏浚淤泥堆场具有平面渗流、竖向应变的特点，基于Gibson大应变固结理论，考虑疏浚淤泥的非线性压缩和渗透特性，建立PHD处理的疏浚淤泥堆场大应变非线性固结模型，并应用有限差分法获得该模型的解答。通过与疏浚淤泥自重作用下未设置PHD的大应变固结模型解答开展对比分析，验证了PHD处理疏浚淤泥堆场大应变非线性固结模型及其解答的可靠性。在此基础上，分析了不同影响因素对疏浚淤泥堆场大应变固结的影响。分析发现：铺设率达到一定值后就可达到与底部完全透水边界相同的固结速率，且该值随堆放高度的增加而曲线减小；堆放高度分别为1，5 m时，PHD最佳铺设率分别约为50%，27%；堆放高度对PHD处理堆场的固结速率影响较大，可通过增设PHD层数以加快堆场的固结速率；淤泥压缩指数一定时，固结速率随渗透指数的增大而增大；渗透指数保持不变时，固结速率随压缩指数的增大而减小。
- 水平排水板 /
- 疏浚淤泥 /
- 大应变 /
- 自重固结 /
- 非线性固结
Abstract: Engineering practices and indoor model tests indicate that laying prefabricated horizontal drains (PHDs) can effectively accelerate the consolidation of dredged sludge yards. However, the large-strain self-weighted consolidation theory of dredged sludge yards with PHDs, in which the characteristics of dredged sludge can be fully considered, lacks systematic researches. In this study, based on the Gibson's large-strain consolidation theory and considering the nonlinear compressibility and permeability of dredged sludge, a large-strain nonlinear consolidation model for PHD-treated sludge yards with planar seepage and vertical strain is established, and the solution for this model is obtained by the finite difference method. The reliability of the large-strain nonlinear consolidation model and its solution for the PHD-treated sludge yards is verified by comparing with that for the large-strain self-weighted consolidation of dredged sludge yards without PHDs. On this basis, the influences of different factors on large-strain consolidation behaviors of dredged sludge yards are investigated. The results show that: (1) The consolidation rate can be achieved at the same level as the fully permeable boundary at the bottom once the rate of laying PHDs reaches a certain value, and the optimal rate of laying PHDs decreases with the increase of the stacking height of dredged sludge yards. (2) The optimal rates of laying PHDs are 50% and 27% for stacking heights of 1 and 5 m, respectively. (3) The stacking height has a great influence on the consolidation rate of yards treated with PHDs, and the consolidation rate of yards can be accelerated by increasing the number of PHD layers. (4) The consolidation rate increases with the increase of the permeability index when the compression index keeps fixed. (5) The consolidation rate decreases with the increase of the compression index when the permeability index remains constant.
- prefabricated horizontal drain /
- dredged sludge /
- large strain /
- self-weighted consolidation /
- nonlinear consolidation

HTML全文

0. 引言

地表局部地形对地震波的传播有显著影响，当地震波遇到高山、峡谷等，会产生散射波、入射波和反射波等复杂波场，并引起地面运动的放大或衰减，称为地形效应。目前针对地形效应已有了相应的研究（表 1），主要包含了数值模拟和解析分析两种。解析主要运用的是波函数展开法，Wong等^[1]提出了半圆形峡谷对地震SH波散射的波函数级数解，随后众多学者提出了多种圆弧形峡谷的解析解^[2-6]，Gao等^[7]提出了通过坐标变换求解V形对称峡谷引起的圆柱形SH波二维散射和衍射波函数的级数解。数值方法包含了有限差分法^[8]，谱元法等^[9]等，数值方法可实现复杂地形地震波传播模拟，具备边界和复杂几何处理的灵活性，但在计算精度方面往往需要解析解的校准。

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

| 显示表格

近场波动在数学上可归结为偏微分方程的初值、边值问题，偏微分方程的数值离散化在模拟多物理场问题方面取得了很大的进展，但通过使用经典的分析或计算工具来建模和预测非线性多尺度系统的演化较困难，面对复杂网络剖分、参数化偏微分方程控制的高维问题等。

近年来的研究发现，物理信息神经网络（PINN）可以用于对控制物理系统的偏微分方程进行建模，通过嵌入物理信息解决了传统神经网络算法对于求解方面的局限性，例如高度依赖数据驱动，缺乏物理可解释性、易陷入过拟合以及可获取数据的稀疏性等。PINN方法仅依赖于少量甚至零标记的数据集，并实现数据稀缺、物理约束的学习。嵌入物理公式为可训练参数提供约束，缓解过拟合问题，减少对大型训练数据集的需求，从而提高训练模型的鲁棒性，以实现可靠的预测。Raissi等^[10]利用深度学习神经网络（DNN）的强表达性，开发了通用PINN框架，解决了涉及小数据集甚至没有任何标记数据的非线性偏微分方程系统的正逆问题。最近几年PINN方法在地球物理学^[11-13]、固体力学^[14-16]、流体动力学^[17-20]、热传导^[21-22]等方面有了相应的研究。众多学者针对不同的偏微分方程，让PINN方法更好地适应不同的物理问题^[23-29]。也有了少数利用物理信息神经网络求解波动方程的工作，Rao等^[19]通过DNN复合方案以硬嵌入的方式强制满足初值、边值条件，在截断域的波传播问题上进行了模拟。陈苏等^[30]结合了数值模拟原理和物理驱动深度学习建立了波动模拟方法，提出了可以提高网络训练效率的迁移学习方法。

在前人研究的基础上，提出通过物理信息神经网络模拟圆柱形SH波在不规则地形下的散射和衍射方法。通过新的参数加载代理建模策略，在给定初始时刻稀疏地震位移波场，模拟地震波在半无限域的传播，通过对比解析解和PINN预测解来评估所提出的规则地形下PINN模型的性能。通过PINN模型模拟不规则地形下圆柱形SH波的二维散射和衍射，证明该方法具有良好的泛化性。

1. 物理驱动深度学习原理

深度学习神经网络（DNN）具备出色的计算表达能力，在图像识别和自然语言处理等领域获得了较多应用。前馈全连接神经网络可以假设为输入层、多个隐藏层和输出层的堆栈。相邻两层之间的连接，例如从第i−1层到第i层，可用张量的形式简单表示为

$\boldsymbol{Y}_i=\alpha\left(\boldsymbol{W}_i \boldsymbol{Y}_{i-1}+\boldsymbol{b}_i\right) \quad(1 \leqslant i \leqslant n+1) 。$

(1)

式中：n为隐层总数；σ(·)为按元素作用的激活函数； ${\boldsymbol{Y}_0}$ 和 ${\boldsymbol{Y}_{n + 1}}$ 分别为输入张量和输出张量； ${\boldsymbol{W}_i}$ ， ${\boldsymbol{b}_i}$ 为第i层的可训练权重矩阵和偏置向量。DNN作为弹性动力学问题的参数化近似解，其中时空位置X = (x, t)为自变量。通过最优逼近物理系统理论解，获取训练参数，需设计嵌入物理定律的损失函数作为训练目标，网络训练中需评估物理场对时空变量的偏导数，Tensorflow和Pytorch框架中可完成自动微分功能。以前馈神经网络为例，网络以变量x为输入，在式（1）中定义的非线性变换后输出f，表示第i个隐藏层中第j个神经元的输出。由于输出f可以表示为x的嵌套函数，应用链式法则，可以计算每一层之间的梯度关系，通过构建损失函数和误差的反向传播，每训练一步后更新权重和偏置，如图 1所示，权重和偏置的更新计算为

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

$\omega_{1 \mathrm{f}}^{\prime}=\omega_{1 \mathrm{f}}-\alpha \frac{\partial l}{\partial \omega_{1 \mathrm{f}}} ,$

(2)

$\frac{\partial l}{\partial \omega_{\mathrm{1f}}}=\frac{\partial l}{\partial f} \cdot \frac{\partial f}{\partial \omega_{\mathrm{1f}}},$

(3)

$f=\sigma\left(\sum_i^n \omega_{i \mathrm{f}} y_i^{(2)}+b_i\right),$

(4)

$\frac{\partial f}{\partial \omega_{1 \mathrm{f}}}=\sigma y_1^{(2)}。$

(5)

式中： $\alpha$ 为DNN网络的学习率；l为期望值h与网络输出值f构建的损失函数。

损失函数L可以求得 $\tfrac{{\partial l}}{{\partial f}}$ 的值，式（4）中节点 $y_1^{(2)}$ 与输出f之间关系可以求得 $\tfrac{{\partial f}}{{\partial {\omega _\text{1f}}}}$ ，再通过式（2），（3）求得更新后的权重 ${\omega '_\text{1f}}$ 。偏置 ${b'_\text{1f}}$ 的计算同理，网络参数更新过后采用梯度下降最快的策略，使得损失函数L减小到0，最终输出值f与期望值h以及两者的导数实现强形式的相等，如图 1所示。

从函数逼近论角度，具有单一隐藏层的神经网络可精确逼近任何线性或非线性连续函数，因此可以将神经网络作为非线性函数逼近器。Rassi等^[10]通过训练全连接神经网络来逼近偏微分方程的解，用神经网络逼近方程的各阶偏导数，实现将PDE残差以及初、边值条件作为正则项加入损失函数中。

以一维杆件中波的传播为例，介绍物理驱动深度学习方法求解偏微分方程的可行性。杆件长10 m，在杆左端施加Ricker子波，波速为1 m/s。一维标量波动方程形式为

$\frac{{{\partial ^2}u}}{{{\partial ^2}t}} - c\frac{{{\partial ^2}u}}{{{\partial ^2}x}} = 0{\text{ }}\left( {x \in [0, 10], t \in [0, 20]} \right),$

(6)

Ricker子波公式 $:$

$u_{\mathrm{r}}=\left[\frac{2 \pi^2\left(t-t_{\mathrm{s}}\right)^2}{t_{\mathrm{s}}^2}-1\right] \mathrm{e}^{-\pi_2 \frac{\left(t-t_{\mathrm{s}}\right)^2}{t_{\mathrm{s}}^2}}。$

(7)

Ricker子波从x=0处输入，所以在x=0处的边界条件可以表示为

$u(0, t)=\left[\frac{2 \pi^2\left(t-t_{\mathrm{s}}\right)^2}{t_{\mathrm{s}}^2}-1\right] \mathrm{e}^{-\pi_2 \frac{\left(t-t_{\mathrm{s}}\right)^2}{t_{\mathrm{s}}^2}}。$

(8)

式中：c为波速， ${t_\text{s}}$ 为Ricker波的半周期，根据波动传播理论，得到

$u=f\left(t+\frac{x}{c}\right)=\left[\frac{2 \pi^2\left(t-t_\text{s}\right)^2}{t_\text{s}^2}-1\right] \mathrm{e}^{-\pi_2 \frac{\left(t-t_\text{s}\right)^2}{t_\text{s}^2}}。$

(9)

化简后易得上述波动方程解析解：

$u(x, t)=\left[\frac{2 \pi^2\left(t-t_{\mathrm{s}}-\frac{x}{c}\right)^2}{t_{\mathrm{s}}^2}-1\right] \mathrm{e}^{-\pi_2 \frac{\left(t-t_{\mathrm{s}}-\frac{x}{c}\right)^2}{t_{\mathrm{s}}^2}}。$

(10)

此案例满足如下形式的偏微分方程：

$\left. \begin{array}{l}\begin{gathered} \boldsymbol{D}(u(x, t) ; \lambda)=f(x, t) \quad(x \in \varOmega, t \in[0, T]), \\ u(x, t)=\boldsymbol{B}_D(t) \quad\left(x \in \partial \varOmega_D, t \in[0, T]\right), \\ \nabla u(x, t)=\boldsymbol{B}_N(t) \quad\left(x \in \partial \varOmega_N, t \in[0, T]\right), \\ u(0, t)=\boldsymbol{B}_0(t) \quad(t \in[0, T]), \\ u(x, 0)=\boldsymbol{J}_0(x) \quad(x \in \varOmega) 。 \end{gathered}\end{array} \right\}$

(11)

式中： $u(x, t)$ 为偏微分方法的解； $\boldsymbol{D}( \cdot )$ 为带参数 $\lambda$ 的微分算子；x为域 $\varOmega \in {R^d}$ 中的空间变量， $d = 1, 2, \ldots n$ ；域边界 $\partial \varOmega$ 由Dirichlet边界 $\partial {\varOmega _D}$ 和Neumann边界 $\partial {\varOmega _N}$ 组成； $t \in [0, T]$ 为时间变量； ${\boldsymbol{B}_D}(t), {\boldsymbol{B}_N}(t)$ 分别为偏微分方程的初边值问题中的Dirichlet、Neumann边界条件函数； ${\boldsymbol{B}_0}(t)$ 为在x=0处的边界条件函数； ${\boldsymbol{J}_0}(x)$ 为初始条件函数。

对于这些初、边值函数，通过设计损失函数 $\sum (\theta )$ 架构并训练神经网络：

$\sum (\theta ) = {\sum _{\text{p}}}(\theta ) + {\sum _{{\text{bc}}}}(\theta ) + {\sum _{{\text{ic}}}}(\theta ) ,$

(12)

$\left. \begin{array}{l}\begin{aligned} \sum\nolimits_{\mathrm{bc}}(\theta)= & \frac{1}{N_{\mathrm{d}}} \sum\nolimits_i^{N_{\mathrm{p}}}\left\|\nabla \boldsymbol{N} \boldsymbol{N}\left(x_i, t_i ; \theta\right)-\boldsymbol{B}_D(t)\right\|_{\partial \varOmega_D \times[0, T]}^2+ \\ & \frac{1}{N_{\mathrm{n}}} \sum\nolimits_i^{N_{\mathrm{n}}}\left\|\nabla \boldsymbol{N} \boldsymbol{N}\left(x_i, t_i ; \theta\right)-\boldsymbol{B}_N(t)\right\|_{\partial \varOmega_N \times[0, T]}^2, \\ \sum\nolimits_{\mathrm{ic}}(\theta)= & \frac{1}{N_{\mathrm{ic}}} \sum\nolimits_i^{N_{\mathrm{ic}}}\left(\left\|\nabla \boldsymbol{N} \boldsymbol{N}\left(x_i, 0 ; \theta\right)-\boldsymbol{J}_0(t)\right\|_{\varOmega \times\{t=0\}}^2+\right. \\ & \left.\left\|\nabla \boldsymbol{N} \boldsymbol{N}_t\left(x_i, 0 ; \theta\right)-\boldsymbol{J}_1(t)\right\|_{\varOmega \times\{t=0\}}^2\right), \\ \sum\nolimits_{\mathrm{p}}(\theta)= & \frac{1}{N_{\mathrm{p}}} \sum\nolimits_i^{N_{\mathrm{p}}}\left(\left\|\boldsymbol{D}\left(\boldsymbol{N} \boldsymbol{N}\left(x_i, t_i ; \theta\right) ; \lambda\right)-f\left(x_i\right)\right\|_{\varOmega \times[0, T]}^2\right.。 \end{aligned}\end{array} \right\}$

(13)

使用Sobol序列算法分别生成PDE残差损失项、初始条件损失项的时空采样点。采用8个隐藏层、每层20个神经元的全连接神经网络，使用Adam优化器训练40000步，波场云图及PINN的预测解与解析解对比如图 2所示，PINN预测值与解析解之间的绝对误差最大值为0.007 m，表明经过训练的神经网络已具备较强逼近波动方程真解的能力。

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

2. 物理驱动人工智能波动模拟方法

2.1 方法介绍

以SH波在平面内和地表及峡谷处的散射反射为例，二维波动方程为

$\frac{{{\partial ^2}u}}{{{\partial ^2}t}} - c\left( {\frac{{{\partial ^2}u}}{{{\partial ^2}x}} + \frac{{{\partial ^2}u}}{{{\partial ^2}z}}} \right) = f。$

(14)

式中： $u(x, z, t)$ 为出平面波动位移；c为介质物理波速； $f(x, z, t)$ 为外荷载，令 $f \equiv 0$ ，并通过给定初始波场等效施加外力。

根据陈苏等^[30]提出的二维波动方程PINN求解框架，指定时空坐标 $X = (x, z, t)$ 的3个分量为网络的输入值，位移场 $Y = u(x, z, t)$ 为网络的输出值，通过Pytorch的自动微分功能，得到位移对于各分量的微分值，即 $\tfrac{{{\partial ^2}u}}{{{\partial ^2}t}}, \tfrac{{{\partial ^2}u}}{{{\partial ^2}x}}, \tfrac{{{\partial ^2}u}}{{{\partial ^2}z}}$ ，并构建损失函数。

Gao等^[7]提出了对称V形峡谷引起的柱面SH波二维散射和衍射的波函数级数解。峡谷模型如所示，采用半径为a（峡谷壁长度）的圆弧作为辅助边界，将整个空间分成两个子区域。子区域①中为驻波波场，子区域②中包含没有牵引边界的自由波场和因为峡谷存在而产生的散射波场。要求波源的位置位于子区域②中，通过波函数展开法和坐标变换得到了此模型下二维圆柱SH波的反射结果，即半平面内的位移场 ${Y_\text{reli}} = {u_\text{reli}}(x, z, t)$ 。本文采用解析计算得到的 ${t_1}, {t_2}$ 时刻的两个早期位移场作为初始条件，通过两帧波场快照 ${\boldsymbol{u}_1}, {\boldsymbol{u}_2}$ 约束震源的位置、形状和SH波的传播方向。垂直地表的应力为零的边界条件可通过损失函数中的Neumann边界条件 $\nabla u(x, z = {z_\text{top}}, t) = 0$ 表示。

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

$\boldsymbol{L}(\theta)=\lambda_1 \boldsymbol{L}_{\mathrm{p}}(\theta)+\lambda_2 \boldsymbol{L}_{\mathrm{bc}}(\theta)+\lambda_3 \boldsymbol{L}_{\mathrm{ic}}(\theta) ,$

(15)

$\left. \begin{array}{l}\boldsymbol{L}_{\text{p}}(\theta )=\frac{1}{{N}_{\text{p}}}{\displaystyle {\sum }_{i}^{{N}_{\text{p}}}}\Vert \frac{{\partial }^{2}\stackrel{⌢}{u}({x}_{i}, {z}_{i}, {t}_{i})}{\partial {t}_{i}^{2}}-{c}_{i}^{2}(\frac{{\partial }^{2}\stackrel{⌢}{u}({x}_{i}, {z}_{i}, {t}_{i})}{\partial {x}_{i}^{2}}+\\ {\text{ }\frac{{\partial }^{2}\stackrel{⌢}{u}({x}_{i}, {z}_{i}, {t}_{i})}{\partial {z}_{i}^{2}})\Vert }_{\varOmega \times [0, T]}^{2}, \\ \boldsymbol{L}_{\text{ic}}(\theta )=\frac{1}{{N}_{\text{ic1}}}{\displaystyle {\sum }_{i}^{{N}_{\text{ic}1}}}\Vert {\Vert \stackrel{⌢}{u}({x}_{i}, {z}_{i}, {t}_{i})-{U}_\text{rel1}({x}_{i}, {z}_{i}, {t}_{i})\Vert }_{\varOmega \times \{t={t}_{1}\}}^{2}+\\ {\text{ }\frac{1}{{N}_{\text{ic2}}}{\displaystyle {\sum }_{i}^{{N}_{\text{ic2}}}}\stackrel{⌢}{u}({x}_{i}, {z}_{i}, {t}_{i})-{U}_\text{rel2}({x}_{i}, {z}_{i}, {t}_{i})\Vert }_{\varOmega \times \{t={t}_{2}\}}^{2}, \\ \boldsymbol{L}_{\text{bc}}(\theta )=\frac{1}{{N}_{\text{bc}}}{\displaystyle {\sum }_{i}^{{N}_{\text{bc}}}{\Vert \nabla \stackrel{⌢}{u}({x}_{i}, {z}_{i}={z}_\text{top}, {t}_{i})\Vert }_{\varOmega \times [0, T]}^{2}。}\end{array} \right\}$

(16)

式中： $\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{u}$ 为PINN逼近的偏微分方程的解， $\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{u} (x, z, t) =$ $\boldsymbol{NN}(x, z, t;\theta )$ 。

根据式（15），（16），在半无限区域的二维波动问题中，损失函数由PDE残差损失项、初始条件损失项和边界条件损失项组成，其中 ${\lambda _1}$ ， ${\lambda _2}$ ， ${\lambda _3}$ 为损失分配系数。求解二维波动方程的物理信息神经网络架构如图 4所示。选择Tanh激活函数作为神经网络的非线性激活函数，以确保网络非零二阶导数存在，并实现高效收敛。采用Adam和L-BFGS共同作用的优化策略。其中Adam优化算法可实现全域快速收敛，接L-BFGS优化获得高精度解。使用Xavier初始化对神经网络中的可训练参数进行初始化。

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

2.2 方法验证

半无限均匀介质内的SH波动模型如图所示，模型区域为宽1500 m，深1500 m，峡谷深度d=50 m，峡谷宽度b=150 m。介质物理波速c=3000 m/s，输入波位移时程采用主频为10 Hz的Ricker源时间函数，源位置处于模型中心x = 750 m， z = -750 m。

使用解析计算得到的 ${t_1} = 0.05{\text{ s}}$ ， ${t_2} = 0.1{\text{ s}}$ 的位移场作为初始条件参与训练，其余时刻的结果与PINN的计算结果进行对比验证。解析计算中时间步长为0.01 s，计算总时长为1 s。训练前根据模型的几何数据，定义顶部边界为宽150 m，深50 m的对称V型峡谷，在此边界上添加应力为0的Neumann边界条件。采用Sobol序列算法在整个域中生成用于计算PDE残差损失项的采样点和初始条件采样点。在V型峡谷处的采样点布设做局部加密，在顶部两侧水平边界布设200个采样点，在V型边界布设1000个采样点，删除峡谷上部PDE残差损失项采样点，调整后采样点数 ${N_{\text{p}}} = 9954$ ， ${N_{{\text{ic1}}}} = 500$ ， ${N_{{\text{ic2}}}} = 500$ ， ${N_{{\text{top}}}} = 1400$ 。设置4个隐藏层，每层30个神经元的全连接神经网络。

根据时间域分解策略，首先对模型采取预训练（热启动），波场时刻从 ${t_1} = 0.05{\text{ s}}$ 开始算起，预测总时间 $T = 0.1{\text{ s}}$ ，根据经验设置损失分配系数 ${\lambda _1} = {10^{ - 5}}$ ， ${\lambda _2} = 1$ ， ${\lambda _3} = {10^{ - 1}}$ 。调用学习率为6×10^-3的Adam优化器训练20000步，再使用L-BFGS优化器训练200000步。损失分配系数的神经网络会根据初始条件项损失项、边界条件损失项、PDE残差损失项的顺序进行训练，预训练时的SH波还未传播到顶部边界，能够观测到PINN方法很好地预测了柱面SH波的传播过程。保存预训练后的网络结构进行二次训练，调整损失分配系数 ${\lambda _1} = {10^{ - 3}}$ ， ${\lambda _2} = 1$ ， ${\lambda _3} = {10^{ - 1}}$ ，预测总时间 $T =$ $0.3{\text{ s}}$ 。调用L-BFGS优化器训练100000步，进一步优化PDE残差损失项，训练完成后保存网络结构进行最终训练，损失分配系数不变，设置预测总时间T=0.6 s，调用L-BFGS优化器训练200000步。训练完成后，可对任意分辨率下任意时空点的波动方程解及解的各阶偏导进行预测，图 5给出了4个时刻的PINN模拟波场和解析波场的对比。

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

由于此模型的波源位于中心位置，所以可在 $x = 300$ 外布设传感器，观测入射波、反射波和散射波经过的过程，验证PINN在预测柱面SH波在半无限空间内传播和反射特性，给出x坐标同为300 m，z坐标关于 $z = - 750$ 对称点位的时程数据，其中z坐标600 m与z坐标900 m是相对于 $z = - 750$ 的对称坐标，由于t=0 s时刻区域内已存在点源散发出的波场，在0~0.6 s时刻内，在坐标 $z = - 600$ 处和 $z = - 900$ 处有入射波和反射波经过，可以看出PINN方法在此模型下的入射波传播和边界反射的预测值与解析真值基本一致。同时z坐标-300 m与z坐标-1200 m是相对于 $z = - 750$ 的对称坐标，在0~0.6 s时刻内，坐标 $z = - 300$ 处和 $z = - 1200$ 处除入射波和反射波外，还有因峡谷而产生的散射波，可以看出PINN方法在预测柱面SH波在峡谷出的散射值与解析真值基本一致。在 $x = 300$ 布设的位移传感器和预测位移时程结果图 7所示。

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

3. 不同工况深切峡谷波动模拟

为保证PINN方法在处理对称V型峡谷波动模拟问题的有效性，考虑不同波速、不同主频的Ricker波在V型半无限空间内的波动问题。模型区域为宽1500 m，高1500 m，峡谷深度d=50 m，峡谷宽度b=150 m，输入波位移时程采用Ricker源时间函数，源位置处于模型中心x = 750 m，z = -750 m。

本文所有工况的模型参数和训练参数如表 2所示，工况二和工况三的预测结果与解析值的对比云图如图 8所示，由此可见PINN方法在对称V型峡谷的地形下，能够较好地预测不同频率不同波速下柱面SH波的反射和散射。

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

| 显示表格

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

对比不同工况下的预测精度，定义在某一点PINN与解析波场之间的相对 ${L_2}$ 范数误差为

$\varepsilon (\boldsymbol{u}) = \frac{{\sqrt {\sum\nolimits_{i = 1}^N {{{\left\| {\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{u} ({x_0}, {z_0}, {t_i}) - {u_\text{ref}}({x_0}, {z_0}, {t_i})} \right\|}^2}} } }}{{\sqrt {\sum\nolimits_{i = 1}^N {{{\left\| {{u_\text{ref}}({x_0}, {z_0}, {t_i})} \right\|}^2}} } }}。$

(17)

式中： ${x_0}$ ， ${z_0}$ 为采样点的坐标位置； $\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{u} ({x_0}, {z_0}, {t_i})$ 为PINN方法预测得到的该采样点的位移时程； ${u_{ref}}({x_0}, {z_0}, {t_i})$ 为相同位置的解析位移时程；N为计算点数。

给出3种工况预测模型在 $x = 300$ 不同位置的相对范数误差。在x相同时，相对 ${L_2}$ 范数误差与纵坐标z有关，越靠近地表，由于散射波和衍射波的叠加，相对 ${L_2}$ 范数误差会增大，但都保持在0.03以内。表明PINN方法处理对称V型峡谷反射波和散射波的有效性，可实现复杂地形模拟分析。分别给出不同频率下PINN预测的峡谷地表及附近各位置峰值位移分布。由可知：不同SH波（5，8，10 Hz）条件下，V型峡谷地形效应总体上呈现出“M”型分布，中心V型峡谷底端及邻区SH波发生衰减与振荡，在谷肩及地表SH波放大，峡谷边缘出现了显著放大。3种工况下地表处最大峰值位移的相对 ${L_2}$ 误差范数分别为0.0009，0.0006，0.001，由此可见PINN方法在预测低频SH波峡谷处地形效应时更为准确。

图 9 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

4. 结论

通过物理信息驱动神经网络（PINN）的自动微分功能求解了二维波动方程，并计算了柱面SH波在对称V型峡谷下的反射和散射。通过与解析值的对比，验证了PINN方法在求解波动问题上的精度。得到3点结论。

（1）物理驱动深度学习（PINN）方法可通过稀疏初始波场数据，模拟柱面SH波在对称V型峡谷下的反射和散射，具备“无网格、强耦合”等特性，可适应不同地形与波源。

（2）对比不同工况的训练结果，发现越靠近地表位置，波场叠加越复杂，相对 ${L_2}$ 误差范数也会越大。且同一模型下，相对 ${L_2}$ 范数误差与柱面SH波的主频关系不大。

（3）对比不同工况下解析与PINN预测的地表峰值位移大小关系，柱面SH波在V型峡谷底端发生衰减现象，在其他位置发生放大现象。其中在V型峡谷边缘处放大现象最明显，且PINN方法在预测低频SH波在峡谷处地形效应时更为准确。

图 1 高压缩性淤泥的非线性压缩曲线

Figure 1. Nonlinear compression curves of sludge with high compressibility

下载: 全尺寸图片幻灯片

图 2 堆场自重固结及计算单元示意图

Figure 2. Schematic diagram of self-weighted consolidation and calculation unit of yards

下载: 全尺寸图片幻灯片

图 3 Lagrangian坐标系中淤泥自重固结分析示意图

Figure 3. Schematic diagram of self-weighted consolidation in Lagrangian coordinate system

下载: 全尺寸图片幻灯片

图 4 单元体渗流示意图

Figure 4. Schematic diagram of seepage in soil element

下载: 全尺寸图片幻灯片

图 5 计算单元的离散网格

Figure 5. Discretization grid of calculation unit

下载: 全尺寸图片幻灯片

图 6 不同排水条件下平均固结度U_st变化曲线

Figure 6. Variation curves of average consolidation degree under different drainage conditions U_st

下载: 全尺寸图片幻灯片

图 7 不同排水条件下超静孔压随深度变化曲线

Figure 7. Comparative curves of excess pore water pressure under different drainage conditions

下载: 全尺寸图片幻灯片

图 8 铺设率λ对平均固结度U_pt的影响

Figure 8. Influences of laying rate of PHDs on average degree of consolidation U_pt

下载: 全尺寸图片幻灯片

图 9 最佳铺设率随高度变化曲线

Figure 9. Variation of optimum laying rate with height

下载: 全尺寸图片幻灯片

图 10 计算单元的超静孔压力分布

Figure 10. Distribution of excess pore pressure in calculation unit

下载: 全尺寸图片幻灯片

图 11 堆放厚度对固结性状的影响

Figure 11. Influences of sludge height on consolidation behaviors

下载: 全尺寸图片幻灯片

$\alpha$ 对淤泥平均固结度的影响

Influences of $\alpha$ on average degree of consolidation

下载: 全尺寸图片幻灯片

图 13 I_c对淤泥平均固结度的影响

Figure 13. Influences of I_c on average degree of consolidation

下载: 全尺寸图片幻灯片

参考文献(24)

[1]	吴思麟, 朱伟, 刘既明, 等. 环保疏浚泥处理工程泥性质变化规律及问题分析[J]. 岩土工程学报, 2019, 41(12): 2290-2296. doi: 10.11779/CJGE201912014 WU Silin, ZHU Wei, LIU Jiming, et al. Change laws of mud property and problems in typical environmental dredging treatment projects[J]. Chinese Journal of Geotechnical Engineering, 2019, 41(12): 2290-2296. (in Chinese) doi: 10.11779/CJGE201912014
[2]	杨媛媛, 胡黎明, ANGE N, 等. 疏浚污泥资源化处理试验研究[J]. 岩土力学, 2009, 30(5): 1323-1327. doi: 10.3969/j.issn.1000-7598.2009.05.023 YANG Yuanyuan, HU Liming, ANGE N, et al. Laboratory tests on valorization technique of dredged sediment[J]. Rock and Soil Mechanics, 2009, 30(5): 1323-1327. (in Chinese) doi: 10.3969/j.issn.1000-7598.2009.05.023
[3]	TANG P P, ZHANG W L, CHEN Y H, et al. Stabilization/solidification and recycling of sediment from Taihu Lake in China: engineering behavior and environmental impact[J]. Waste Management, 2020, 116: 1-8. doi: 10.1016/j.wasman.2020.07.040
[4]	RAKSHITH S, SINGH D N. Utilization of dredged sediments: contemporary issues[J]. Journal of Waterway, Port, Coastal, and Ocean Engineering, 2017, 143(3): 04016025. doi: 10.1061/(ASCE)WW.1943-5460.0000376
[5]	高扬, 孙科, 谭一军, 等. 多种疏浚淤泥脱水技术的典型应用及分析[J]. 江苏水利, 2020(9): 51-54. GAO Yang, SUN Ke, TAN Yijun, et al. Typical application and analysis of various dredged silt dehydration technology[J]. Jiangsu Water Resources, 2020(9): 51-54. (in Chinese)
[6]	吴思麟, 朱伟, 闵凡路, 等. 泥浆真空抽滤泥水分离中堵塞机理及规律性研究[J]. 岩土工程学报, 2017, 39(8): 1530-1537. doi: 10.11779/CJGE201708022 WU Silin, ZHU Wei, MIN Fanlu, et al. Clogging mechanism and effect of cake permeability in soil-water separation using vacuum filtration[J]. Chinese Journal of Geotechnical Engineering, 2017, 39(8): 1530-1537. (in Chinese) doi: 10.11779/CJGE201708022
[7]	蔡袁强. 吹填淤泥真空预压固结机理与排水体防淤堵处理技术[J]. 岩土工程学报, 2021, 43(2): 201-225. doi: 10.11779/CJGE202102001 CAI Yuanqiang. Consolidation mechanism of vacuum preloading for dredged slurry and anti-clogging method for drains[J]. Chinese Journal of Geotechnical Engineering, 2021, 43(2): 201-225. (in Chinese) doi: 10.11779/CJGE202102001
[8]	SHINSHA H, KUMAGAI T. Bulk compression of dredged soils by vacuum consolidation method using horizontal drains[J]. Geotechnical Engineering Journal of the SEAGS & AGSSEA, 2014, 45(3): 78-85.
[9]	王海燕, 张文彬, 刘凌云, 等. 水平排水板真空预压法处理吹填土现场试验研究[J]. 中国港湾建设, 2016, 36(12): 57-62. doi: 10.7640/zggwjs201612012 WANG Haiyan, ZHANG Wenbin, LIU Lingyun, et al. Field experimental study on dredger fill flow mud improved by vacuum preloading method employing horizontal drains[J]. China Harbour Engineering, 2016, 36(12): 57-62. (in Chinese) doi: 10.7640/zggwjs201612012
[10]	周洋, 蒲诃夫, 李展毅, 等. 水平排水板-真空预压联合处理高含水率疏浚淤泥模型试验研究[J]. 岩石力学与工程学报, 2019, 38(增刊1): 3246-3251. ZHOU Yang, PU Hefu, LI Zhanyi, et al. Experimental investigations on treatment of dredged slurry by vacuum-assisted prefabricated horizontal drains[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(S1): 3246-3251. (in Chinese)
[11]	陈征, 张峰, 陈益峰, 等. 排水通道分布式布设下双层地基平面应变固结分析[J]. 工程力学, 2020, 37(1): 135-144. CHEN Zheng, ZHANG Feng, CHEN Yifeng, et al. Plane-strain consolidation analysis of double-layered ground with strip-shaped distributed drainage boundary[J]. Engineering Mechanics, 2020, 37(1): 135-144. (in Chinese)
[12]	CHAI J C, HORPIBULSUK S, SHEN S L, et al. Consolidation analysis of clayey deposits under vacuum pressure with horizontal drains[J]. Geotextiles and Geomembranes, 2014, 42(5): 437-444. doi: 10.1016/j.geotexmem.2014.07.001
[13]	CHAI J C, WANG J, DING W Q, et al. Method for calculating horizontal drain induced non-linear and large strain degree of consolidation[J]. Geotextiles and Geomembranes, 2022, 50(2): 231-237. doi: 10.1016/j.geotexmem.2021.09.008
[14]	李传勋, 仇超. 高压缩性软土一维非线性大应变固结解析解[J]. 岩石力学与工程学报, 2021, 40(11): 2344-2356. LI Chuanxun, QIU Chao. An analytical solution for one-dimensional nonlinear large-strain consolidation of soft clay with high compressibility[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(11): 2344-2356. (in Chinese)
[15]	LEE K, SILLS G C. The consolidation of a soil stratum, including self-weight effects and large strains[J]. International Journal for Numerical and Analytical Methods in Geomechanics, 1981, 5(4): 405-428. doi: 10.1002/nag.1610050406
[16]	蒲诃夫, 宋丁豹, 郑俊杰, 等. 饱和软土大变形非线性自重固结模型[J]. 岩土力学, 2019, 40(5): 1683-1692, 1703. PU Hefu, SONG Dingbao, ZHENG Junjie, et al. Non-linear self-weight consolidation model of saturated soft soil under large-strain condition[J]. Rock and Soil Mechanics, 2019, 40(5): 1683-1692, 1703. (in Chinese)
[17]	BUTTERFIELD R. A natural compression law for soils (an advance on e-log p')[J]. Géotechnique, 1979, 29(4): 469-480. doi: 10.1680/geot.1979.29.4.469
[18]	TILLER F M, KHATIB Z. The theory of sediment volumes of compressible, particulate structures[J]. Journal of Colloid and Interface Science, 1984, 100(1): 55-67. doi: 10.1016/0021-9797(84)90411-9
[19]	林政, 赵智君. 自重和真空负压下吹填淤泥固结性状分析[J]. 建筑结构, 2012, 42(8): 114-118, 123. LIN Zheng, ZHAO Zhijun. Analysis of consolidation characteristics of dredger soil under self-weight and vacuum pressure[J]. Building Structure, 2012, 42(8): 114-118, 123. (in Chinese)
[20]	曾玲玲, 洪振舜, 陈福全. 压缩过程中重塑黏土渗透系数的变化规律[J]. 岩土力学, 2012, 33(5): 1286-1292. doi: 10.3969/j.issn.1000-7598.2012.05.002 ZENG Lingling, HONG Zhenshun, CHEN Fuquan. A law of change in permeability coefficient during compression of remolded clays[J]. Rock and Soil Mechanics, 2012, 33(5): 1286-1292. (in Chinese) doi: 10.3969/j.issn.1000-7598.2012.05.002
[21]	GIBSON R E, SCHIFFMAN R L, CARGILL K W. The theory of one-dimensional consolidation of saturated clays: Ⅱ Finite nonlinear consolidation of thick homogeneous layers[J]. Canadian Geotechnical Journal, 1981, 18(2): 280-293. doi: 10.1139/t81-030
[22]	闵涛, 张海燕, 周宏宇, 等. 二维变系数热传导方程初边值问题的交替方向隐格式[J]. 西安工业大学学报, 2007, 27(2): 199-204. doi: 10.3969/j.issn.1673-9965.2007.02.021 MIN Tao, ZHANG Haiyan, ZHOU Hongyu, et al. Alternating direction implicit scheme of initial-boundary problem for two-dimension heat conduction equation with variable coefficients[J]. Journal of Xi'an Technological University, 2007, 27(2): 199-204. (in Chinese) doi: 10.3969/j.issn.1673-9965.2007.02.021
[23]	PU H F, SONG D B, FOX P J. Benchmark problem for large strain self-weight consolidation[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2018, 144(5): 1-3.
[24]	仇超, 李传勋, 李红军. 单级等速加载下高压缩性软土非线性大应变固结解析解[J]. 岩土力学, 2021, 42(8): 2195-2206. QIU Chao, LI Chuanxun, LI Hongjun. Analytical solutions for one-dimensional nonlinear large-strain consolidation of high compressible soil under a ramp loading[J]. Rock and Soil Mechanics, 2021, 42(8): 2195-2206. (in Chinese)