基于物理知识和数据驱动的滑坡动力学模型研究
文献类型：学位论文
| 作者 | 田澳华 |
| 答辩日期 | 2025-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 高星 ; 伍宇明 |
| 关键词 | 滑坡 滑坡动力学模型 深度平均模型 深度学习 物理知识 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 我国的山区面积约占总土地面积的三分之二，西高东低的特殊地形使得我国的地质条件较为复杂。近年来全球的气候多变，新构造运动活跃，滑坡灾害对我国的威胁越来越大，迫切需要开发合适的方法来对滑坡灾害进行预测评估，从而降低其造成的风险和损失。滑坡动力学是研究滑坡规模、速度、滑移距离、和致灾范围的主要理论，可为滑坡灾害的预测预防以及灾后治理提供科学依据。 目前，在流体动力学框架内滑坡动力学模型多以深度平均理论为基础，在浅层质量流假设的前提条件下简化流体在Z轴方向上的运动，从而降低模型的复杂度，以实现对模型的快速求解。然而，当三维地形过于复杂不满足上述假设条件时，该模型不再适用。现有的滑坡动力学模型求解方法多基于理论驱动，未能充分利用观测数据与数值模拟结果。深度学习作为一种强大的数据驱动方法，在许多领域均取得了显著成就，但在滑坡动力学模型中的应用尚未得到充分探索。传统的滑坡动力学模型因受到复杂的物理方程和数值求解的限制，往往面临着精确解难以获取的问题，而深度学习具有从大量数据中学习复杂模式的能力，可为滑坡动力学模型的建立和求解提供新的思路。 针对上述问题，本研究基于两相模型，通过解析DEM和STL的结构信息，在GIS平台上实现对滑坡动力学过程的三维求解；在此基础上，结合SPH核函数，将三维数值模拟结果在GIS平台上可视化。传统的滑坡动力学控制方程求解方法易受空间分辨率的制约和数值振荡、数值扩散的影响，而基于数据驱动的深度学习神经网络需要大量的训练数据才可实现收敛。针对二者各自存在的不足，本文根据滑坡动力学相关的物理知识，利用数值模拟技术，基于深度平均模型生成一系列高精度数值模拟数据用于神经网络训练，并通过引入傅里叶变换来增强模型的泛化能力，最终基于数据驱动的深度学习强大的学习能力对滑坡动力学控制方程的解函数进行学习，从而快速实现滑坡动力学过程的预测。 最终，通过一维溃坝案例和易贡滑坡案例证明该方法的可行性及其优势。一维溃坝实验结果表明：对于简化后的浅水方程组，FNO神经网络可以从训练数据中学习到偏微分方程组的解函数，在固定时间步长的浅水方程组求解上FNO神经网络的预测解与解析解高度一致；通过迭代计算可在整个时间域实现求解，但在神经网络结构中加入RNN结构会导致模型训练成本增高，精度下降；通过将一维傅里叶变换扩展到二维，二维FNO神经网络可以学习到浅水方程组的通用解，可基于初始条件直接对流体的运动过程进行求解。易贡滑坡实验结果表明：FNO滑坡动力学模型在固定时间步长下的求解精度上与深度平均模型相当，结果更为平滑，求解耗时最短，该模型不受空间分辨率制约，可实现超分辨率求解。而本文提出的基于两相模型的三维滑坡动力学模型，可以捕捉到滑坡在Z轴方向上更多的运动细节，但求解时间最长，数值扩散最为严重。 总体而言，本文从滑坡灾害领域对滑坡动力学模型的需求出发，梳理了当前滑坡动力学模型的前沿研究现状和深度学习与偏微分方程结合的发展现状，提出了一种三维滑坡动力学模型，为在GIS平台上进行三维流体模拟及其可视化提供了一种可行方案；通过将深度平均理论与神经网络结合，提出了一种基于傅里叶神经算子求解滑坡动力学控制方程的方法，可为在GIS平台上基于数据驱动求解流体运动提供一个参考。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 95 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215737]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 田澳华. 基于物理知识和数据驱动的滑坡动力学模型研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。