A physics-informed weakly supervised model for multi-source rock damage evolution under cyclic loading

Yifan Tang

doi:10.1016/j.jrmge.2026.05.058

A physics-informed weakly supervised model for multi-source rock damage evolution under cyclic loading

2026-09-04

0

OA

AI

DOI：10.1016/j.jrmge.2026.05.058

原文链接

原文求助

摘要

En 中文

理解与预测循环加载下岩石损伤演化仍是一个核心且未解决的挑战，尤其是在实验室数据集有限且常用损伤指标缺乏物理一致性的情况下。为克服这些局限性，我们提出了一种物理信息混合学习（PIHL）框架，该框架整合了多源力学、能量和声发射特征。该框架嵌入从循环加载测试中观察到的致密损伤演化模式中提炼出的物理约束，并采用LSTM-RF混合架构将异构时序特征融合为统一表示，从而将经验规律转化为可学习的监督信号并确保物理可解释的预测。进一步采用贝叶斯优化自适应调整模型超参数。所得融合损伤变量产生物理一致的损伤轨迹，与多源指标和残余应变演化良好吻合，优于传统基于AE的指数，并能一致地在宏观破坏前准确预测残余应变加速的起始。使用四种物理一致性指标的评估证实了其在测试围压和加载频率下的强鲁棒性。总体而言，PIHL框架有效解决了小样本岩石测试的局限性，并在测试条件下提供了一种数据高效且物理合理的解决方案。

Keyword:

Cyclic loading-unloading

Physics-informed learning

Weakly supervised damage modeling

Multi-source data fusion

Acoustic emission

A physics-informed weakly supervised model for multi-source rock damage evolution under cyclic loading

摘要

期刊

机构

引用论文