物理信息双驱动的长距离盾构隧道结构纵向力学性态智能诊断方法

针对目前盾构隧道纵向结构安全诊断面临的瓶颈,提出了一种物理信息双驱动的隧道纵向结构力学性态智能诊断方法。通过将表征隧道纵向结构力学性态的物理方程嵌入物理神经元中,利用实测数据作为信息神经元综合构建了物理信息双驱动的神经网络（physics-informed neural networks,PINNs）模型,可实时更新反演盾构隧道结构参数、周围地层参数以及荷载分布规律,继而正演求解隧道的纵向结构力学性态。将反演得到的参数进一步用于其他隧道段的分析,以实现长距离盾构隧道结构纵向智能诊断。算例与工程实例应用表明,提出的PINNs模型能有效求解隧道结构纵向问题,且相较传统的纯数据驱动的深度神经网络（deep neural network,DNN）模型,PINNs模型表现出了显著的泛化能力与鲁棒性,具有十分可观的工程应用前景。     

考虑地层变异和参数空间变异的浅基础承载力可靠度分析

地层不确定性显著影响浅基础承载力，其不确定性主要包括地层变异和参数空间变异性。以往研究已分别研究了地层变异和参数空间变异性对浅基础承载力的影响。旨在建立浅基础承载力的随机概率计算框架，以揭示地层不确定性对浅基础承载能力的影响。其中，使用马尔可夫随机场模拟地层变异。在此基础上，考虑土体参数竖向相关距离的变化，使用对数正态随机场模拟不同地层中土体参数的空间变异性。基于深圳妈湾的钻孔和土体参数数据，根据所提出的计算框架进行浅基础承载力分析。使用子集模拟方法加速计算各方案的可靠度，提出了缩小系数对计算结果进行不同程度的缩减以达到简化考虑空间变异性的效果。定义了贡献率指标以定量计算地层变异和参数空间变异性对浅基础承载力计算结果的影响。结果表明，如果不考虑地层不确定性，传统确定性的承载力计算会高估浅基础的承载力。当钻孔数量较少时，地层变异对承载力计算起主要影响；当钻孔数量充足时，则由参数空间变异主导。