在深度学习与岩土工程融合的背景下，科研的边界持续扩展，创新成果不断涌现。从基本物理模型的构建到岩土工程问题的复杂模拟，从数据驱动的分析到工程问题的智能解决，深度学习正以前所未有的动力推动岩土工程领域的革新。据调查，目前在岩土工程领域内，深度学习的应用主要集中在以下几个方面：
1、预测模型开发：使用深度学习来预测土壤和岩石的力学行为，例如土压力、剪切强度等。
2、数据驱动特性分析：通过机器学习算法分析大量实验数据，以识别土壤和岩石的非线性特性。
3、地质结构识别：应用深度学习技术如卷积神经网络（CNN），识别和分类地质结构和岩石类型。
4、地下设施稳定性分析：利用深度学习模型评估地下设施（隧道、矿井）的稳定性和潜在风险。
5、环境影响评估：使用深度学习模拟和预测岩土工程活动对环境（地下水流、土壤污染）影响。
6、灾害风险评估：应用深度学习模型来评估地震、滑坡等自然灾害对岩土工程结构的潜在风险
7、智能监测和诊断：利用深度学习进行岩土工程结构的实时监测，及时发现问题并进行诊断
8、自动化设计和优化：使用深度学习算法自动设计岩土工程解决方案，优化工程设计参数。
为促进科研人员、工程师及产业界人士对深度学习在岩土工程领域应用技术的掌握，特举办“深度学习在岩土工程中的前沿应用与实践”专题培训会，本次培训会议主办方为北京软研国际信息技术研究院，承办方互动派（北京）教育科技有限公司，会议会务合作单位为北京中科四方生物科技有限公司，具体相关事宜通知如下：
01
培训对象
地质学、建筑科学与工程、矿业工程、安全科学与灾害防治、公路与水路运输、水利水电工程、石油天然气工业、地球物理学、环境科学与资源利用、自动化技术等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
讲师介绍
02
双一流及985工程建设高校副教授、硕导。主持和参与国家及省自然科学基金多项，发表 SCI 检索论文30余篇，论文总共他引900余次。主要从事岩土工程数值模拟方法研究。在土体基本理论与本构关系、人工智能机器学习在岩土工程中的应用等方面积累了丰富的经验。
03
培训大纲
深度学习在岩土工程中的应用与实践
课 程 | 内容 | |
岩土工程 物理模型基础 | 1. 岩土工程中的基本物理模型及工程问题 1.1.饱和土的一维渗流固结模型（扩散方程）及实际工程应用 1.2.达西定律与饱和土渗流方程（Laplace equation）及适用性 1.3.非饱和土渗流数学模型（Richards方程）及实际工程应用 1.4.工程应用中的正问题与反问题，通过具体案例区分 | |
2. 基本物理模型的求解方法 2.1.边界条件：通过图解和实际工程案例，讲解边界条件在物理模型中的作用，如无流边界、狄利克雷边界等 2.2.线性方程的解析解法 2.2.1. 直接解法：分离变量法及行波变换法 2.2.2. 间接解法：积分变换法 实战演练：分离变量法求固结方程的解析解 2.3.非线性方程的解析解法 2.3.1. 直接解法：双线性方法 2.3.2. 间接解法：反散射变换 实战演练：双线性方法求KdV方程的解析解 2.4.线性与非线性方程的数值解法 2.4.1. 有限差分法 2.4.2. 有限单元法 2.4.3. 谱方法 实战演练：时间分布Fourier方法求Boussinesq方程的数值解 | ||
Python及神经网络构建基础 | 3. Python基本指令及库 3.1.Python基础：通过交互式编程环境，教授Python基础，包括数据类型和逻辑运算等 3.2.科学计算库：介绍Numpy和Matplotlib，并讲授如何使用它们进行科学计算和数据可视化 实战演练：基于简单Numpy指令解决岩石图像分类问题 3.3.神经网络构建：通过简单的实例，如使用Numpy构建感知机，教授神经网络的基本概念 3.4.深度学习框架：通过Tensorflow和Pytorch的实例，教授如何构建和训练用于岩土工程问题的深度学习模型 实战演练：基于Pytorch模块求解渗透系数及其影响因素间关系的量化模型 | |
数据—物理 双驱动神经网络 | 4. 深度学习基本原理与数据—物理双驱动神经网络 4.1.深度学习基础 4.1.1. 神经元及激活函数 4.1.2. 前馈神经网络与万能逼近定律 4.1.3. 多种深度神经网络 4.1.4. 自动微分方法 4.1.5. 深度神经网络的损失函数 4.1.6. 最优化方法 4.2.数据—物理双驱动神经网络方法 4.2.1. 物理信息神经网络（PINN）的工作原理及应用介绍 4.2.2. 深度算子网络（DeepONet）的工作原理及应用介绍 4.2.3. 物理深度算子网络（PI-DeepONet）的工作原理及应用介绍 实战演练：利用DeepXDE框架解决饱和土体的固结问题 | |
案例实践 论文复现 | 5. 动手实践：论文复现 论文实例解读与实战（一）：PINN模型在固结问题中的应用 参考文献：Application of improved physics-informed neu-ral networks for nonlinear consolidation problems with continuous drainage boundary conditions Ø 神经网络架构的选择与设计 Ø 固结方程作为约束的损失函数设计 Ø 训练及预测 Ø 构建并训练一个固结问题的PINN模型 Ø 硬约束边界条件 论文实例解读与实战（二）：PINN模型在非饱和渗透模拟中的应用 参考文献：Surrogate modeling for unsaturated infiltration via the physics and equality-constrained artificial neural network Ø PINN的改进—PECANN模型 Ø 损失函数的设计：数据拟合项与物理定律项的平衡 Ø 训练数据的生成：合成数据与实验数据（多保真PINN模型） Ø PINN用于非饱和渗透模拟的优势（不确定性问题） 论文实例解读与实战（三）：PINN模型在非线性波动方程中的应用 参考文献：Explorations of certain nonlinear waves of the Boussinesq and Camassa–Holm equations using physics-informed neural networks Ø Boussinesq方程与Camassa-Holm方程的数值求解难点 Ø PINN的改进—MPINN模型 Ø PINN的优势、劣势及未来发展方向 | |
报名须知
04
时间地点
2024 年 7月 27日-7月28日
2024 年 8月 03日-8月04日
在线直播（授课四天）
报名费用
（含报名费、培训费、资料费）
￥4500元/人
2024年6月28日前报名缴费可享受200元早鸟价优惠；
参加过我单位举办的其它课程的老学员，可享受额外优惠200元；
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科四方生物科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票。如需开具会议费的单位请联系招生老师索取会议邀请函。
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件；
2、培训结束可获得本次所学专题课程全部无限次回放视频；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《深度学习在岩土工程中的应用与实践》专业技能结业证书；
联系方式
