一种物理-数据双驱动的挡土墙灾变鲁棒性评估方法

1.一种物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，包括以下步骤：S1，输入灾变条件下挡土墙的监测参数，对其进行灾害过程的时间离散与参数向量化，得到灾变过程的参数向量 x k ；S2，根据输入参数计算各时间步下的抗滑稳定性系数 Q 1 ( t k )和抗倾覆稳定性系数 Q 2 ( t k )，通过归一化功能映射得到挡土墙性能衰减函数 F phys ( t k )物理模型；S3，构建融合物理机制的神经网络 Cell 模块，输入当前时间步下的参数向量 x k 和上一时间步下的隐含损伤状态 z k-1 ，生成仅考虑物理机制的当前挡土墙性能衰减函数 F phys ( t k )以及融合实时数据的候选损伤状态 ，并通过鲁棒性融合门更新当前时间步下的隐含损伤状态 z k ；S4，通过前馈网络计算当前时间步下修正后的功能函数改变量 ΔF ( t k )，叠加性能衰减函数 F phys ( t k )后得到当前时间步下的实际性能衰减函数 F total ( t k )，并通过求和计算整个灾变时间内的总性能衰减函数 F total ( t )；S5，依据所述总性能衰减函数 F total ( t )计算鲁棒性缺口面积及对应的鲁棒性指数，输出其鲁棒性等级，实现对挡土墙灾变鲁棒性的精准量化评估。 2.如权利要求1所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，实现S1的方法，依序包括如下步骤 ：S1.1对连续灾变过程[ t 0 , t n ]采用等时间间隔Δ t 划分策略离散为 n 个时间步，第 k 个时间步的时间节点 t k 满足： （1）式中 t 0 为灾变起始时刻；Δ t 为离散时间步长； k 为1到 n 之间的自然数；S1.2将监测得到的灾变工况参数向量化，作为S2物理模型与S3神经网络的统一输入，其中第 k 个时间步的参数向量 x k 为： （2）式中 G 为挡土墙自身重力， x 0 ( t k )为第 k 个时间步的时间节点 t k 对应挡土墙自重距墙趾的距离； E az ( t k )和 x f ( t k )分别为第 k 个时间步的时间节点 t k 对应土压力的竖向分力和其距墙趾的距离； E ax ( t k )和 z f ( t k )分别为第 k 个时间步的时间节点 t k 对应土压力的水平分力和其距墙趾的距离； μ ( t k )为第 k 个时间步的时间节点 t k 对应挡土墙的基底摩擦系数。 3.如权利要求1所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，实现S2的方法，依序包括如下步骤 ：S2.1基于S1的输入参数，计算第 k 个时间步下的抗滑稳定性系数 Q 1 ( t k )： （3）式中 G 为挡土墙自身重力； E az ( t k )为第 k 个时间步的时间节点 t k 对应土压力的竖向分力； E ax ( t k )为第 k 个时间步的时间节点 t k 对应土压力的水平分力； μ ( t k )为第 k 个时间步的时间节点 t k 对应挡土墙的基底摩擦系数；S2.2同时计算第 k 个时间步下的抗倾覆稳定性系数 Q 2 ( t k )： （4）式中 G 为挡土墙自身重力， x 0 ( t k )为第 k 个时间步的时间节点 t k 对应挡土墙自重距墙趾的距离； E az ( t k )和 x f ( t k )分别为第 k 个时间步的时间节点 t k 对应土压力的竖向分力和其距墙趾的距离； E ax ( t k )和 z f ( t k )分别为第 k 个时间步的时间节点 t k 对应土压力的水平分力和其距墙趾的距离；S2.3以挡土墙失效临界状态为基准，取两稳定性系数的最小值进行归一化功能映射，构建仅由物理机制给出的性能衰减函数： （5）式中[ Q ] max 为稳定性系数的理论极限值，由挡土墙设计规范规定的安全系数上限确定； Q 1 ( t k )和 Q 2 ( t k )分别为抗滑稳定性系数与抗倾覆稳定性系数。 4.如权利要求1所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，实现S3的方法，包括：构建融合物理机制的神经网络 Cell 模块，用于刻画挡土墙灾变过程“损伤累积—状态演化—功能退化”的时序依赖关系；神经网络Cell 模块包括候选损伤状态生成单元与鲁棒性融合门；所述候选损伤状态生成单元，其生成候选损伤状态 ： （6）式中[ x k , z k-1 ]为第 k 个时间步的参数向量 x k 与第 k -1 个时间步的隐含损伤状态 z k 1 ； k 为1到 n 之间的自然数；tanh为双曲正切激活函数； 为第 k 个时间步下融合实时数据的候选损伤状态，用于表征挡土墙在灾变扰动下的潜在损伤演化趋势；所述鲁棒性融合门，计算鲁棒性融合门门控系数 β k ： （7）式中 σ ()为Sigmoid 激活函数； b β 为鲁棒性融合门的偏置向量； β k 为第 k 个时间步下鲁棒性融合门的门控系数，用于自适应调节“历史损伤记忆”与“候选损伤更新”之间的贡献比例，并通过引入物理性能衰减函数 F phys ( t k )实现对损伤状态更新的物理一致性约束；更新当前时间步下的隐含损伤状态 z k ： （8）式中 z k 为第 k 个时间步下更新后的隐含损伤状态，用于表征灾变全过程中挡土墙的累积损伤水平与路径依赖效应。 5.如权利要求1所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，实现S4的方法，包括：前馈神经网络用于建立参数向量与隐含损伤状态到功能函数改变量的残差映射关系，以实时修正物理模型误差，其第 k 个时间步下修正后的功能函数改变量Δ F ( t k )满足： （9）式中 g θ [,]为前馈神经网络映射函数，前馈神经网络通过多层权重学习精准拟合该残差；Δ F ( t k )为第 k 个时间步下修正后的功能函数改变量，即相对于物理性能衰减函数 F phys ( t k )的残差修正大小，用于表征物理模型与真实系统响应之间的系统性偏差与非线性误差；所述实际性能衰减函数 F total ( t k )通过将 ΔF ( t k )叠加至 F phys ( t k )得到： （10）式中Δ F ( t k )为第 k 个时间步下修正后的功能函数改变量； F phys ( t k )为第 k 个时间步下仅基于物理模型的挡土墙性能衰减函数；灾变全过程的总性能衰减函数 F total ( t )采用对离散时间步求和得到： （11）式中 N 为灾变过程的时间步数， F total ( t )为整个灾变时间内的总性能衰减函数，用于后续鲁棒性指标计算。 6.如权利要求1所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，实现S5的方法，依序包括如下步骤 ：S5.1通过鲁棒性缺口面积 A g 综合表征“功能损失幅值—持续时长”的耦合效应，鲁棒性缺口面积 A g 计算公式为： （12）式中 T 为灾变总时长， F ( t )为未发生灾变时挡土墙的正常服役性能函数， F total ( t )为整个灾变时间内的总性能衰减函数；S5.2挡土墙灾变鲁棒性指数 R 用于对挡土墙灾变鲁棒性进行归一化表征，其计算公式为： （13）式中挡土墙灾变鲁棒性指数 R ∈(0,1)， R 越接近1表明挡土墙灾变鲁棒性越高，而 R 越接近0表明挡土墙灾变鲁棒性越低；S5.3挡土墙灾变鲁棒性等级根据S5.2中鲁棒性指数 R 大小进行分级。 7.如权利要求6所述的物理-数据双驱动的挡土墙灾变鲁棒性评估方法，其特征在于，S5.3中，挡土墙灾变鲁棒性等级根据S5.2中鲁棒性指数 R 大小进行分级，具体为 ：当 R ≥ R 1 时可分级为高鲁棒性；当 R 2 ≤ R<R 1 时可分级为中鲁棒性；当 R ≤ R 2 时则分级为低鲁棒性；其中， R 1 和 R 2 为灾变鲁棒性分级阈值，依据挡土墙设计规范限值、历史灾变统计数据或专家打分评议确定。