研究 / Research

研究方向：物理信息神经网络（PINN）× 岩土多场耦合数值计算
探索数据驱动与物理约束融合方法，推动岩土工程智能化。

研究概述 / Overview

岩土工程中的多场耦合问题（如 Biot 固结、非饱和渗流-变形耦合）在数学上表现为复杂的偏微分方程组，传统数值方法（FEM、FDM）在计算效率与参数反演方面存在瓶颈。

我的研究将**物理信息神经网络（Physics-Informed Neural Networks, PINNs）**引入岩土计算领域，以神经网络为近似函数，将物理控制方程作为损失函数的约束项，实现无网格、可微分的正问题求解与参数反演。

核心方向 / Research Themes

1. PINN 求解岩土多场耦合问题

问题类型	控制方程	状态
饱和土 Biot 一维固结	扩散方程 + 平衡方程	✅ 完成数值实验
二维 Biot 固结	弹性力学 + Darcy 渗流	🔬 进行中
非饱和多孔介质	Richards 方程 + 变形耦合	📋 规划中

👉 相关笔记：PINN 求解饱和土 Biot 固结

2. 神经网络在工程中的应用

物理约束学习（Physics-Constrained Learning）在以下场景中的落地研究：

地基沉降预测与参数反演
边坡稳定性评估（数据稀缺场景下的迁移学习）
土工结构健康监测（多传感融合 + 边缘推理）

3. 边缘计算与智能感知

依托 RK3588 边缘计算芯片，研究低功耗、实时化的多模态传感与推理系统，服务于工程现场的智能监测需求。

👉 相关文章：RK3588 边缘计算连接使用摄像头

研究方法与工具 / Methods & Tools

数值方法        有限元（FEM）· ANSYS · 自编 Python FEM
机器学习框架    PyTorch · TensorFlow（PINN 实现）
数据处理        NumPy · SciPy · Matplotlib
边缘计算        RK3588 · RKNN · OpenCV
高性能计算      离线超算环境配置（Conda · SLURM）
版本管理        Git · GitHub

论文与成果 / Publications

博士初期，成果持续积累中。以下为已完成的核心数值实验与技术报告。

类型	标题	时间	链接
研究笔记	PINN 求解饱和土 Biot 固结方程	2025.10	查看
研究笔记	PINNs 物理内嵌神经网络入门（一）	2025.10	查看
学习笔记	有限元学习笔记 01	2025.11	查看
工程项目	钢箱梁施工设计与 ANSYS 动态模拟	2024.01	查看