DOI: https://doi.org/10.1139/cgj-2023-0457
تاريخ النشر: 2024-02-21
المؤلف: Hua-Ming Tian وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
يتناول قسم ورقة البحث التطور السريع للتوائم الرقمية في الهندسة الجيوتقنية، مع التأكيد على ضرورة التحديثات الفورية للنماذج العددية، مثل نماذج العناصر المحدودة (FEM)، من خلال مصادر بيانات المراقبة المتنوعة. غالبًا ما تعتمد طرق معايرة النماذج التقليدية على بيانات محدودة، مما يبرز الحاجة إلى نهج أكثر كفاءة. لمعالجة ذلك، يقترح المؤلفون طريقة جديدة تُسمى التعلم من القوام المتناثر متعدد المصادر (MS-SDL)، والتي تدمج النتائج من نماذج عددية متعددة وتستخدم بيانات مراقبة متعددة المصادر لتعزيز توقعات النموذج دون الحاجة إلى تقييمات عددية متكررة.
تتميز طريقة MS-SDL بأنها مدفوعة بالبيانات ومستنيرة بالفيزياء، حيث تستفيد من نماذج FEM المستندة إلى الفيزياء لإنشاء ذرات قاموس تمثل استجابات جيوتقنية متنوعة. من خلال تحديد ذرات القاموس الرئيسية من خلال بيانات المراقبة المجمعة بشكل متسلسل، يتيح هذا النهج المعايرة التلقائية والفورية للنموذج، مما يحسن بشكل كبير توقعات الاستجابات المتغيرة زمانيًا ومكانيًا مثل الهبوط وضغوط المياه المسامية. توضح تطبيق هذه الطريقة في مشروع تحميل الاستصلاح في هونغ كونغ فعاليتها في دمج بيانات المراقبة والنتائج العددية، مما يحقق تحديثات فورية بتكاليف حسابية منخفضة. تشير النتائج إلى أن دمج بيانات المراقبة التاريخية يعزز التوقعات في مراحل البناء اللاحقة، مما يسهل تطوير التوائم الرقمية الجيوتقنية.
النتائج
في هذا القسم، يوضح المؤلفون بناء ذرات القاموس لاستجابات التوحيد المتعددة باستخدام نتائج طريقة العناصر المحدودة (FEM)، وهو أمر ضروري للنهج المقترح للتعلم من القوام المتناثر متعدد المقاييس (MS-SDL). يتم استخدام نموذج الزحف للتربة الناعمة (SSC) لوصف سلوك تربة قاع البحر، مع تعريف معلمات النموذج مثل مؤشر الضغط ($C_c$)، مؤشر الانتفاخ ($C_s$)، مؤشر الضغط الثانوي ($C$)، النفاذية ($k’$)، ونسبة الضغط الزائد (OCR) ضمن توزيعات موحدة. تشير تحليل الحساسية إلى أن محاكاة 100 مجموعة من المعلمات العشوائية كافية للتنبؤ بدقة باستجابات التوحيد المتغيرة زمانيًا ومكانيًا، على الرغم من أن حجم العينة الأصغر قد يكون كافيًا.
تم بناء نموذج FEM استنادًا إلى مصرف عمودي واحد، يتميز بطول 17 م ونصف قطر مكافئ يبلغ 27.45 مم، مع معامل نفاذية يبلغ 1.0 م/يوم. يتضمن النموذج معلمات محددة لتأثير المصرف العمودي ومنطقة التلطيخ، مع الالتزام بالنسب وظروف الحدود المعمول بها. بينما تفترض الدراسة خصائص تربة متجانسة داخل كل طبقة، يسمح المنهج بدمج التباين المكاني وعدم اليقين في النفاذية ضمن إطار عمل FEM. تُستخدم المخرجات من تحليل FEM لبناء قاموس ثلاثي الأبعاد ($B_{3D}$)، مما يسهل توقعات استجابات التوحيد المختلفة من خلال النهج المقترح.
المناقشة
يعزز الإطار المقترح للتعلم من القوام المتناثر متعدد المصادر (MS-SDL) توقع استجابات جيوتقنية متغيرة زمانيًا ومكانيًا من خلال دمج مصادر متعددة من بيانات المراقبة مع نتائج النموذج العددي. تعتمد طريقة التعلم من القوام المتناثر التقليدية (SDL) على عدد محدود من ذرات القاموس لتقريب مجموعات البيانات، لكن MS-SDL توسع هذا المفهوم من خلال استخدام مجموعة متنوعة من النماذج العددية الجيوتقنية كذرات قاموس. يستخدم الإطار خوارزمية المطاردة المتطابقة العمودية (OMP) لتحديد ذرات القاموس المهمة التي ترتبط ارتباطًا وثيقًا ببيانات المراقبة، مما يسمح بتقدير الأوزان التي تحسن دقة التنبؤ. توضح الدراسة أن نهج MS-SDL يدمج بفعالية بيانات المراقبة والنتائج العددية، مما يؤدي إلى تقليل كبير في خطأ الجذر التربيعي المتوسط (RMSE) لكل من توقعات الهبوط وضغط المياه الزائدة مقارنة بتوقعات نموذج العناصر المحدودة التقليدي (FEM).
يتضمن تنفيذ MS-SDL بناء قاموس من العديد من النماذج العددية، مما يعكس عدم اليقين في معلمات التربة من خلال إطار عمل محاكاة مونت كارلو. هذا القاموس مستقل عن بيانات المراقبة، مما يتيح تحديثات فورية مع توفر بيانات جديدة خلال مراحل المشروع. توضح النتائج من دراسة حالة في موقع مطار تشيك لاب كوك في هونغ كونغ فعالية الطريقة، حيث تظهر أن التوقعات المستمدة من نهج MS-SDL تتماشى بشكل وثيق مع بيانات المراقبة الميدانية، متفوقة على نتائج FEM التقليدية. تتيح الكفاءة الحسابية لإطار عمل MS-SDL توقعات سريعة، مما يجعله أداة قيمة للمراقبة الجيوتقنية الفورية واتخاذ القرار في مشاريع الهندسة.
DOI: https://doi.org/10.1139/cgj-2023-0457
Publication Date: 2024-02-21
Author(s): Hua-Ming Tian et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
The research paper section discusses the rapid development of digital twins in geotechnical engineering, emphasizing the necessity for real-time updates of numerical models, such as finite element models (FEM), through diverse monitoring data sources. Traditional model calibration methods often rely on limited data, which highlights the need for a more efficient approach. To address this, the authors propose a novel method called multi-source sparse dictionary learning (MS-SDL), which integrates results from multiple numerical models and utilizes multi-source monitoring data to enhance model predictions without the need for repeated numerical evaluations.
The MS-SDL method is characterized as both data-driven and physics-informed, leveraging physics-based FEM models to create dictionary atoms that represent various geotechnical responses. By identifying key dictionary atoms through sequentially collected monitoring data, the approach enables automatic and real-time model calibration, significantly improving predictions of spatiotemporally varying responses such as settlements and pore water pressures. The application of this method in a reclamation preloading project in Hong Kong demonstrates its effectiveness in fusing monitoring data and numerical results, achieving real-time updates with minimal computational costs. The findings indicate that incorporating historical monitoring data enhances predictions at subsequent construction stages, thereby facilitating the development of geotechnical digital twins.
Results
In this section, the authors detail the construction of dictionary atoms for multiple consolidation responses using finite element method (FEM) results, which is essential for the proposed multi-scale spatial dictionary learning (MS-SDL) approach. The Soft Soil Creep (SSC) model is utilized to characterize seabed soil behavior, with model parameters such as compression index ($C_c$), swelling index ($C_s$), secondary compression index ($C$), permeability ($k’$), and overconsolidation ratio (OCR) defined within uniform distributions. A sensitivity analysis indicates that simulating 100 sets of random parameters is adequate for accurately predicting spatiotemporally varying consolidation responses, although a smaller sample size may suffice.
The FEM model is constructed based on a single vertical drain, characterized by a length of 17 m and an equivalent radius of 27.45 mm, with a permeability coefficient of 1.0 m/day. The model incorporates specific parameters for the vertical drain’s influence and smear zone, adhering to established ratios and boundary conditions. While the study assumes homogeneous soil properties within each layer, the methodology allows for the integration of spatial variability and uncertainties in permeability within the FEM framework. The outputs from the FEM analysis are utilized to construct a three-dimensional dictionary ($B_{3D}$), facilitating predictions of various consolidation responses through the proposed approach.
Discussion
The proposed Multi-source Sparse Dictionary Learning (MS-SDL) framework enhances the prediction of spatiotemporally varying geotechnical responses by integrating multiple sources of monitoring data with numerical model results. Traditional Sparse Dictionary Learning (SDL) relies on a limited number of dictionary atoms to approximate datasets, but MS-SDL expands this concept by utilizing a diverse set of geotechnical numerical models as dictionary atoms. The framework employs an orthogonal matching pursuit (OMP) algorithm to identify significant dictionary atoms that correlate strongly with monitoring data, allowing for the estimation of weights that improve prediction accuracy. The study demonstrates that the MS-SDL approach effectively fuses monitoring data and numerical results, leading to significant reductions in root mean square error (RMSE) for both settlement and excess pore water pressure predictions compared to conventional finite element model (FEM) predictions.
The implementation of MS-SDL involves constructing a dictionary from numerous numerical models, which reflects uncertainties in soil parameters through a Monte Carlo simulation framework. This dictionary is independent of the monitoring data, enabling real-time updates as new data becomes available during project stages. The results from a case study at the Chek Lap Kok airport site in Hong Kong illustrate the method’s effectiveness, showing that predictions derived from the MS-SDL approach align closely with field monitoring data, outperforming traditional FEM results. The computational efficiency of the MS-SDL framework allows for rapid predictions, making it a valuable tool for real-time geotechnical monitoring and decision-making in engineering projects.