一个用于训练、验证和测试耦合地质力学过程降阶模型的引导策略

这篇文章介绍了一种用于开发复杂岩土系统降阶模型（Reduced Order Models, ROMs）的方法，该方法基于高保真数值模拟。以下是主要内容概述：

1. 引言：

- 许多岩土系统涉及复杂的耦合物理过程，需要数值模拟来正确描述。

- 直接模拟这些系统可能因高计算成本而受限，因此通常寻求降阶模型来解释这些过程。

2. 方法论：

- 介绍了基于神经网络的降阶模型的一般策略，包括对模拟状态变量进行POD。

- 由于POD无法保留数据的时间序列并计算未来时间步的值，因此训练了一个LSTM神经网络来推进计算权重的时间序列。

- 描述了一种增量方法，用于从高保真模型中产生独立的训练、验证和测试集。

3. 应用：

- 应用采样策略开发了一个复垦煤矿斜坡的降阶模型。

- 基础的高保真模型是一个水力-力学耦合的三维模拟，包含了异质裂缝网络。

- 训练和验证了降阶模型，直到达到所需的精度。

4. 结论：

- 本文概述了一种用于复杂岩土问题的降阶模型开发策略。

- 该方法结合了状态变量的POD和LSTM神经网络，通过增量方法训练、验证和测试神经网络，基于准随机采样的参数空间。

- 通过这种方法开发的降阶模型在模拟煤矿斜坡时，能够准确再现高保真模拟中的耦合物理效应。

参考文献