基于物理信息神经网络的桩基m法分析模型OA

中国常用m法分析水平承载桩,现已有丰富的资料推荐m的取值,但目前该方法没有解析解,通常需采用数值方法计算。数值方法需要进行网格划分和迭代计算,且一次只能计算一组参数,对于需要大量计算的任务而言效率不佳。近年来,基于物理信息的神经网络(PINN)被提出来,该方法不需要划分网格,可解高维微分方程。基于此,提出一种考虑了m法所有输入参数(包括荷载、桩参数和土参数)的PINN模型,旨在分析任意输入参数而无需重新建模、迭代计算和训练。模型对输入参数进行了规范化,同时采用了硬约束方法,大幅提高模型的训练效率。对损失项的量纲进行了统一,解决了不同损失项差别过大的问题。通过与查表法的无量纲系数对比验证了PINN模型的准确性。PINN模型的优势在于:基于微分方程训练,不需要任何标签数据;相比查表有更好的计算精度,在进行大量样本计算时相比有限元法有更高的计算效率,能通过并行运算高效获得多组样本的结果,不需要重新建模和计算,使其在可靠度分析中有显著的优势;能高效获取输出与输入的导数,使其在优化设计中具有巨大的优势;模型具有良好的扩展性,可运用于其他形式的桩基分析模型,如c法模型等。