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：
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。
2024 年 7月 13日-7月14日
2024 年 7月 20日-7月21日
在线直播（授课4天）
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4天）
课 程 | 内 容 |
理论基础及PFC入门 | 1 岩土工程数值模拟方法概述 1.1基于网格的模拟方法： 有限元、有限差分、大变形处理CEL、ALE、XFEM 1.2基于点的模拟方法： 离散单元法DEM、光滑粒子流方法SPH、物质点法MPM 1.3基于块体的模拟方法 |
2 离散元与PFC软件操作 2.1 离散元的基本原理（计算原理、宏观参量与微观参量的关系） 2.2 PFC软件界面操作 2.3文件系统 2.4显示控制 2.5帮助文档的使用 | |
FISH、PYTHON语言及COMMAND命令 | 3 PFC软件的计算控制方法 3.1 PFC计算控制的语言逻辑 3.2 FISH语言（基本语法、函数定义与调用、创建模型、控制模拟过程、处理模拟结果、FISH Callback操作等） 3.3 COMMAND命令（命令结构、创建模型、状态监测与绘图、控制模拟过程、求解控制、状态查询、与FISH语言的混合使用等） 3.4 PYTHON语言（基本语法、Numpy库的使用、接口的使用等） |
离散元模拟方法 | 4 离散元模拟方法 4.1离散元数值试样的生成方法 4.1.1单元试样模型生成方法 4.1.2边值问题（场地）模型生成方法 4.1.3连续—非连续耦合模型生成方法 4.1.4复杂颗粒形状的模拟方法（Rblock方法、Clump方法） 4.2接触模型选择与参数标定 4.2.1离散元接触模型的选择原则—12个内置模型 4.2.2接触模型参数的标定方法与参数意义—以胶结颗粒材料（岩石、胶结砂土等）为例，讲授参数标定步骤 4.3其他问题 4.3.1模型边界条件施加方法（达到初始平衡状态、开挖类模拟、填筑类模拟、加载类模拟、周期性边界、应力伺服） 4.3.2各种阻尼的选择（粘滞阻尼、局部阻尼、滞回接触模型） 4.3.3时步与时步缩放（静力、动力问题时步及相关命令） 4.3.4试样尺寸、颗粒数量、级配选择 4.3.5 并行计算 |
土体单元试验模拟 | 5 土体单元试验模拟方法 5.1常规三轴剪切试验模拟(命令流+FISH) 5.1.1建模方法与注意事项 5.1.2模拟结果分析 5.1.3模拟结果可视化 5.2真三轴剪切模拟(命令流+FISH) 5.2.1真三轴加载路径的模拟 5.2.2真三轴强度准则 5.2.3微观结构演变过程 5.3不排水三轴剪切模拟(命令流+FISH) 5.4循环三轴剪切的模拟(命令流+FISH) 5.5颗粒破碎过程模拟(命令流+FISH) 5.6岩石（胶结颗粒）材料的剪切过程模拟 5.7离散元模拟与弹塑性本构模型 |
工程实例分析 | 6 工程实例分析 6.1活动门试验模拟(命令流+FISH) 6.1.1试样级配控制 6.1.2应力状态控制 6.1.3孔隙比的控制 6.1.4 活动门加载的实现 6.2盾构隧道掌子面稳定性(命令流+FISH) 6.2.1主动失稳模式 6.2.2被动失稳模式 6.3节理岩体中的硐室开挖稳定性(命令流+FISH) 6.3.1节理裂隙岩体的生成 6.3.2初始应力状态控制 6.3.3 开挖模拟 |
PFC3D与FLAC3D耦合模拟与分析 | 7 离散—连续域耦合模拟 7.1离散—连续耦合模拟方法 Ø 与FLAC3D中一维结构单元耦合 Ø 与FLAC3D中二维壳结构单元或三维实体单元的面的耦合 Ø 与FLAC3D中三维实体单元的耦合（实例） 7.2离散—连续域参数匹配 7.3基于离散—连续域耦合的三轴剪切试验模拟(命令流+FISH) 实例操作：二维壳结构单元耦合（壳单元模拟橡胶膜-创建耦合墙-施加应力边界等向压缩-剪切模拟） 7.4基于离散—连续域耦合的地基承载力分析(命令流+FISH) 实例操作：基于Punch indentation案例的修改与实现 |
PFC-CFD耦合模拟与分析 | 8 流固耦合分析 8.1颗粒与流体相互作用理论（CFD模块概况、体积平均粗网格法、颗粒与流体相互作用计算） 8.2流固耦合框架 Ø CFD网格、流体域边界设置、网格导入、网格流体参数设置 Ø 孔隙率计算 Ø 耦合时间间隔、耦合时步、网格与颗粒尺寸 Ø 耦合步骤 8.3实例操作分析(命令流+FISH) 8.3.1单向耦合 8.3.2孔隙介质中Darcy流模拟（Fipy应用） 8.3.3 与FLAC3D的渗流耦合模拟 |
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 |
江苏省高水平建设重点高校副教授、硕导。参与国家及省自然科学基金数项，发表 SCI 检索论文二十余篇，国际、国内会议论文二十余篇，其中专利两项，软著五项。主要从事岩土工程数值模拟方法。在土体宏微观力学特性与本构关系、城市地下空间工程、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。
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。
PFC离散元数值模拟仿真（第十八期）
2024 年 7月 13日-7月14日
2024 年 7月 20日-7月21日
在线直播（授课4天）
深度学习在岩土工程中的应用与实践
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4天）
每人￥4300元（含报名费、培训费、资料费）
每人￥4500元（含报名费、培训费、资料费）
参加过我单位举办的其它课程的老学员，可享受额外200优惠；
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；如需开具会议费的单位请联系招生老师索取会议邀请函；
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《离散元仿真核心技术与应用》、《深度学习在岩土工程中的应用与实践》专业技能结业证书；
官方联系人:孟老师
电话、微信：15932325652
官方座机：010-56245524
官方网址：www.hdpaii.com
