Neues neuronales Netzwerk für Bodenverdichtung bei ungesättigtem Boden

Ein neu entwickeltes Lagged Backward-Compatible Physics-Informed Neural Network (LBC‑PINN) ermöglicht die Simulation und Inversion der eindimensionalen Bodenverdichtung bei ungesättigtem Boden unter langfristiger Belastung. Durch die Kombination physikalischer Gesetzmäßigkeiten mit modernen Lerntechniken liefert das Modell präzise Vorhersagen für Luft- und Wasserdruckverläufe in Böden.

Die Hauptinnovation liegt in der Integration von logarithmischer Zeitscheibenbildung, einer lagspezifischen Kompatibilitätsverlustfunktion und segmentweiser Transfer‑Learning‑Strategie. Diese Ansätze adressieren die Herausforderung, dass Luft- und Wasserdruck über sehr unterschiedliche Zeitskalen dissipieren. Durch die Aufteilung des Zeitraums in logarithmisch verteilte Segmente kann das Netzwerk die komplexen Wechselwirkungen zwischen Luft- und Wasserströmungen effizient erfassen.

In der Vorwärtsanalyse hat das LBC‑PINN mit empfohlenen Segmentierungsplänen die Entwicklung von Luft- und Wasserdruck exakt reproduziert. Die Ergebnisse wurden mit Finite‑Elemente‑Simulationen (FEM) verglichen, wobei die mittleren absoluten Fehler unter 1 × 10⁻² lagen – selbst für Zeiträume bis zu 10¹⁰ Sekunden. Eine vereinfachte Segmentierungsstrategie, die sich an der charakteristischen Luft‑Dissipation‑Zeit orientiert, reduziert die Rechenzeit erheblich, ohne die Genauigkeit zu beeinträchtigen.

Sensitivitätsstudien zeigen, dass das Modell robust bleibt, wenn das Verhältnis der Luft‑ zu Wasser‑Durchlässigkeit zwischen 10⁻³ und 10³ variiert. Diese Vielseitigkeit macht das LBC‑PINN zu einem leistungsfähigen Werkzeug für Ingenieure und Geotechniker, die langfristige Bodenverformungen unter wechselnden Belastungen prognostizieren müssen. Die Technologie eröffnet neue Möglichkeiten für die Planung und Bewertung von Bauwerken, bei denen die Verdichtung von ungesättigten Böden eine kritische Rolle spielt.