Lagged backward-compatible physics-informed neural networks for unsaturated soil consolidation analysis

arXiv:2602.07031v1 Announce Type: new 本調査は、長期荷重下の一維不飽和土質の凝固をシミュレートおよび反転させるために、Lagged Backward-Compatible Physics-Informed Neural Network（LBC-PINN）を開発しました。多スケール時間領域における空気圧と水圧の連動した消散の課題に対処するため、このフレームワークは対数時間分割、遅れ付き相関損失強制、およびセグメント別転移学習を統合しています。 事前分析において、推奨された分割スキームを持つ LBC-PINN は、孔隙空気圧と孔隙水圧の時間進化を正確に予測します。モデル予測は有限要素法（FEM）の結果と比較され、時間範囲が 1e10 秒までになる限り、絶対誤差の平均値は 1e-2 を下回りました。特相の空気相消散時間に基づいた単純化された分割戦略は、予測精度を維持しながら計算効率を向上させます。感度解析により、気象 permeability の比率が 1e-3 から 1e3 にわたる範囲においても該フレームワークの堅牢性が確認されました。

arXiv:2602.07031v1 Announce Type: new Abstract: This study develops a Lagged Backward-Compatible Physics-Informed Neural Network (LBC-PINN) for simulating and inverting one-dimensional unsaturated soil consolidation under long-term loading. To address the challenges of coupled air and water pressure dissipation across multi-scale time domains, the framework integrates logarithmic time segmentation, lagged compatibility loss enforcement, and segment-wise transfer learning. In forward analysis, the LBC-PINN with recommended segmentation schemes accurately predicts pore air and pore water pressure evolution. Model predictions are validated against finite element method (FEM) results, with mean absolute errors below 1e-2 for time durations up to 1e10 seconds. A simplified segmentation strategy based on the characteristic air-phase dissipation time improves computational efficiency while preserving predictive accuracy. Sensitivity analyses confirm the robustness of the framework across air-to-water permeability ratios ranging from 1e-3 to 1e3.