CN119400303A 土体冻融水热场快速重构方法、装置、设备及存储介质 （西南交通大学）

本发明公开了一种土体冻融水热场快速重模拟计算得到土体一维冻融瞬态温度场和水分2通过有限元软件建立一维土柱冻胀一融沉计算模型，施加随时间变化将训练得到的神经网络参数迁移至目标任务的神经网络模型，作为;刻的真实饱和度；(xi,)表示土体的位置坐标；loss?表示源模型训练时数据损失中的温度损失项，用来衡量土体温度预测值与真实;与边界条件相关的所述物理损失通过边界条件损失函数losso表示：3;与初始条件相关的所述物理损失通过初始条件损失函数lossn表示：;中即温度场控制方程残差和水分场控制方程残差f(xs；gr1与gs1分别为预先给定的模型温度与水分边界条件；T(r,i,0)为土体温度初J,为h时刻土体饱和度预测值；;制方程残差f(i,y,t)见下式：;;水热耦合项4p是密度；c(0)是随体积含水率变化的比热容；是温度T对时间t的导P,是所述温度场控制方程残差和水分场控制方程残差通过水热耦合项连接，选择饱和度S源任务模型的构建及训练模块，用于以源域数据集中的位置处理器，用于执行所述指令以实现如权利要求1_7任一项所述一种土体冻融水热场快在由处理器执行时实现如权利要求1_7任一项所述一种土体冻融5基于迁移学习与物理约束的单一物理场重构方法在面临多物理场瞬态计算与变边界条件6;时刻的真实饱和度；(xi,)表示土体的位置坐标；loss?表示源模型训练时数据损失中的温度损失项，用来衡量土体温度预测值与[0007]进一步的，与水热耦合方程相关的所述物理损失通过物理方程残差损失函数;与边界条件相关的所述物理损失通过边界条件损失函数losso表示：;与初始条件相关的所述物理损失通过初始条件损失函数lossn表示：;失项和初始条件损失项的采样点个数；由于冻融土体水热耦合存在两个物理场控制方程，故式中即温度场控制方程残差和水分场控制方程残差T(,i,t)为时刻土体温度预测值，为时刻土体饱和度预测值；7;;;水热耦合项p度S代替联合水热耦合项，通过训练神经网络使得温度场控制方程残差和水分场控制方[0011]一种土体冻融水热场快速重构装置，采用上述一种土体冻融水热场快速重构方8目标任务模型的训练模块，用于将神经网络参数迁移至目标任务的神经网络模疏测点数据的土体冻融试验，该方法使用与源任务相同结构的神经网络训练目标任务模9x时刻土体(.xi,)温度[0026]loss?表示源模型训练时数据损失中的温度损失项，用来衡量土体温度预测值与p水热耦合项;;I1p1b1与NI1分别代表由随机算法生成的物理方程损失项、边界条件损失项和初始条件损失项的采样点个数；由于冻融土体水热耦合存在两个物理场控制方程，故式（3）中即温度场控制方程残差和水分场控制方程残差 J,为时刻土体（xi,yi）[0035]对损失权重采用如图2所示的自适应调整策略。首先初始[0041]loss;表示目标模型训练时数据损失中的温度损失项，用来衡量土体温度预测值Np2Np1[0046]本发明实施例相较于现有方法的创新之处在于构造出了土体水热耦合多物理场瞬态计算情形下损失函数的具体形式，通过训练深度神经网络可学习土体水热耦合过程，少了目标任务训练所需的样本量和时间，同时增强了神经网络模型的适应性和泛化能力，[0049]本发明实施例中的PINN模型中损失函数的PDE项对应的是水热耦合多物理场方目标任务模型的训练模块，用于将神经网络参数迁移至目标任务的神经网络模种可读存储介质与上文描述的一种土体冻融水热场快速重构行时实现上述方法实施例的土体冻融水热场快速重构方