1.一种基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，包括以下步骤：S1. 构建物理-数据混合驱动的增强数据集；所述数据集包含实验室实测的砂土级配数据，以及基于渗流物理机理生成的物理增强数据；对所述数据集进行预处理；S2. 构建双通道特征解耦融合神经网络；所述网络包含独立并行的粒径特征提取通道和结构特征提取通道，分别学习砂土级配特征与结构特征，并在深层进行融合，建立输入特征与渗透系数的非线性映射关系；S3. 引入多物理约束嵌入机制，构建总损失函数，基于砂土数据集对所述双通道特征解耦融合神经网络进行初步训练；S4. 采用汉密尔顿蒙特卡洛算法对神经网络参数进行后验采样，生成参数的后验样本集；S5. 基于所述参数后验样本集，通过双通道特征解耦融合神经网络，对待测样本进行预测，输出渗透系数的预测均值及置信区间；步骤 S2 中所述双通道特征解耦融合神经网络的具体架构包括：粒径特征提取通道：用于接收砂土的各级配粒径数据， 、 、...、 ，共10维，通过多层全连接层提取级配曲线的非线性形态特征;所述粒径特征提取通道包含两层隐藏层，节点数分别为16和8；结构特征提取通道：用于接收砂土的孔隙比的结构性参数，通过独立的全连接层提取土体密实状态特征；所述结构特征提取通道包含两层隐藏层，节点数分别为8和4；特征融合模块：将所述粒径特征提取通道输出的8维特征向量与结构特征提取通道输出的 4 维特征向量进行拼接，形成12维综合特征向量，输入到包含8个节点的融合隐藏层；物理约束输出层：所述特征融合模块的末端连接有物理约束激活函数，强制网络输出值恒大于零，以满足渗透系数非负的物理定义；除物理约束输出层外，其余层均采用双曲正切函数 tanh作为激活函数；所述多物理约束嵌入机制具体为，引入若干个物理模型，基于每个物理模型，计算理论渗透系数与所述神经网络预测的渗透系数之间的绝对差值作为残差，使用以下算式表示： ，其中， 为第k个物理模型计算得到的残差， 为第k个物理模型计算得到的理论渗透系数， 为所述神经网络预测的渗透系数；然后按照预设权重对残差进行加权求和，得到的结果作为物理约束损失 ，所述物理模型包括Kozeny-Carman方程、Terzaghi公式、粗粒土渗透系数经验公式一以及粗粒土渗透系数经验公式二；物理约束损失 使用以下算式表示： ；其中， 为基于Kozeny-Carman方程计算得到的残差； 为基于 Terzaghi公式计算得到的残差； 为基于粗粒土渗透系数经验公式一计算得到的残差； 为基于粗粒土渗透系数经验公式二算得到的残差； 为第一权重值； 为第二权重值； 为第三权重值； 为第四权重值；所述Kozeny-Carman方程使用以下算式表示： ；其中，n为孔隙度，且 ； 为基于Kozeny-Carman方程计算得到的理论渗透系数；e为孔隙比；所述 Terzaghi公式使用以下算式表示： ；其中， 为基于Terzaghi公式计算得到的理论渗透系数；所述粗粒土渗透系数经验公式一使用以下算式表示： ；其中， 为基于粗粒土渗透系数经验公式一计算得到的理论渗透系数； 为曲率系数，且 ； 为不均匀系数，且 ；所述粗粒土渗透系数经验公式二使用以下算式表示： ；其中， 为基于粗粒土渗透系数经验公式二计算得到的理论渗透系数；n为孔隙度，且 。
2.根据权利要求 1 所述的方法，其特征在于，步骤 S1 中所述物理-数据混合驱动的增强数据集的构建方法为：以实验室实测数据为锚点；基于Kozeny-Carman方程及Terzaghi公式在预设的粒径与孔隙比参数空间内进行随机采样，计算理论渗透系数值，并叠加符合正态分布的随机噪声以模拟实验误差，生成物理增强数据；将所述物理增强数据与实测数据混合，形成扩充后的训练样本集；步骤S1中，所述级配特征包括有效粒径 、 、...、 ；所述预处理为对砂土数据进行清洗，消除异常值与缺失值，并进行Z-score标准化处理消除量纲影响；所述消除异常值具体为：基于砂土的物理特性，设置物理规律阈值，将不合符的数据点过滤去除；所述砂土数据集中的样本为包含有效粒径 、 、...、 以及孔隙比的11维特征向量。
3.根据权利要求1所述的基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，步骤S3中，所述总损失函数使用以下算式表示： ；其中， 为数据似然损失； 为先验正则化损失； 为物理约束损失； 为物理约束损失权重；基于步骤S1得到的砂土数据集，通过最小化总损失函数，完成针对所述双通道特征解耦融合神经网络的训练。
4.根据权利要求3所述的基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，所述数据似然损失 使用以下算式表示： ；其中， 表示数据似然的期望值； 为神经网络参数，包括权重与偏置； 为似然函数；X为输入特征； 为模型参数的变分后验分布。
5.根据权利要求3所述的基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，所述先验正则化损失 使用以下算式表示： ；其中， 为先验分布； 为Kullback-Leibler散度； 为模型参数的变分后验分布。
6.根据权利要求1所述的基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，步骤S4中，采用Hamiltonian Monte Carlo算法对神经网络的参数进行后验采样，生成参数的后验样本集，具体为：首先构造HMC系统模拟参数空间的概率分布，对于神经网络参数 ，定义联合概率分布为： ；r为引入的动量变量； 为神经网络参数；W为神经网络参数中的权重；b为神经网络参数中的偏置； 为似然函数； 为联合概率分布；然后基于HCM算法，预设以下参数：采样步数、步长、预热步数、总样本数；根据预设的参数，使用HMC算法生成参数的后验样本集，构成模型参数的后验分布。
7.根据权利要求1所述的基于贝叶斯与物理信息神经网络的砂土渗透系数预测方法，其特征在于，步骤S5具体为：采集待预测砂土的各级配参数与孔隙率e，构建符合双通道网络输入的特征向量；基于双通道特征解耦融合神经网络，以参数的后验样本集中的参数样本作为网络的参数，对于输入特征 ，生成若干组渗透系数预测值；渗透系数预测值与参数的后验样本集中的参数样本一一对应；将得到的若干组渗透系数预测值进行统计分析，得到预测均值及置信区间，作为最终的预测结果。
