Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình số quá trình lan truyền sóng lở đất sử dụng học sâu thông tin vật lý
Tóm tắt
Sóng lở đất là một thảm họa thứ cấp phổ biến của các vụ lở đất ở bờ hồ chứa, có thể gây ra thiệt hại nghiêm trọng hơn so với chính vụ lở đất trong nhiều trường hợp. Với sự phát triển của tính toán khoa học và kỹ thuật quy mô lớn, nhiều kỹ thuật mới đã được áp dụng vào nghiên cứu các vấn đề động lực học chất lỏng để khắc phục những hạn chế của các phương pháp truyền thống. Trong bài báo này, chúng tôi sử dụng mạng nơ-ron thông tin vật lý (PINN) để mô phỏng quá trình lan truyền của các sóng do lở đất gây ra. Chúng tôi nghiên cứu các đặc điểm khác nhau của sóng lở đất bằng cách thay đổi độ sâu nước và mật độ hạt. Chúng tôi nhận thấy rằng: (1) phương pháp mô phỏng quá trình lan truyền sóng lở đất dựa trên mạng nơ-ron thông tin vật lý có tính ứng dụng tốt, và các giai đoạn lan truyền sóng lở đất có thể được thể hiện một cách rõ ràng; (2) độ sâu của nước ảnh hưởng đến quá trình lan truyền sóng lở đất khi biên độ của sóng tăng lên theo độ sâu nước; (3) mật độ hạt của nước ảnh hưởng đến quá trình lan truyền sóng lở đất khi sự biến thiên của sóng rõ ràng hơn với mật độ hạt lớn hơn. Nghiên cứu của chúng tôi có ích cho việc hiểu rõ hơn về quá trình lan truyền của sóng lở đất và cung cấp những ý tưởng mới cho nghiên cứu tiếp theo về vấn đề tương tác phức tạp giữa chất lỏng và cấu trúc.
Từ khóa
#lở đất #sóng lở đất #mô hình số #học sâu thông tin vật lý #động lực học chất lỏngTài liệu tham khảo
Heller V, Hager WH, Minor H-E. Landslide generated impulse waves in reservoirs: Basics and computation. Mitteilungen der Versuchsanstalt fur Wasserbau, Hydrologie und Glaziologie an der Eidgenossischen Technischen Hochschule Zurich 2009;(211), 1–172. https://doi.org/10.3929/ethz-b-000157446
Akgün A. Assessment of possible damaged areas due to landslide-induced waves at a constructed reservoir using empirical approaches: Kurtun (north turkey) dam reservoir area. Natural Hazards and Earth System Science. 2011;11(5):1341–50. https://doi.org/10.5194/nhess-11-1341-2011.
Fritz HM, Hager WH, Minor H-E. Lituya bay case: rockslide impact and wave run-up. Science of tsunami Hazards. 2001;19(1):3–22.
Miller DJ. Giant waves in lituya bay, alaska. Bull Seism Soc Am. 1960;50:253–66. https://doi.org/10.3133/pp354C.
Barla G, Paronuzzi P. The 1963 Vajont landslide: 50th anniversary. Springer. 2013. https://doi.org/10.1007/s00603-013-0483-7.
Heller V, Hager WH. Wave types of landslide generated impulse waves. Ocean Engineering. 2011;38(4):630–40. https://doi.org/10.1016/j.oceaneng.2010.12.010.
Harbitz CB, Glimsdal S, Løvholt F, Kveldsvik V, Pedersen GK, Jensen A. Rockslide tsunamis in complex fjords: From an unstable rock slope at Åkerneset to tsunami risk in western norway. Coastal Engineering. 2014;88:101–22. https://doi.org/10.1016/j.coastaleng.2014.02.003.
Noda E. Water waves generated by landslides. Journal of the Waterways, Harbors and Coastal Engineering Division. 1970;96(4):835–55.
Kim G-B, Cheng W, Sunny RC, Horrillo JJ, McFall BC, Mohammed F, Fritz HM, Beget J, Kowalik Z. Three dimensional landslide generated tsunamis: Numerical and physical model comparisons. Landslides. 2020;17(5):1145–61. https://doi.org/10.1007/s10346-019-01308-2.
Yavari-Ramshe S, Ataie-Ashtiani B. Numerical modeling of subaerial and submarine landslide-generated tsunami waves-recent advances and future challenges. Landslides. 2016;13(6):1325–68. https://doi.org/10.1007/s10346-016-0734-2.
Mulligan RP, Take WA. On the transfer of momentum from a granular landslide to a water wave. Coastal Engineering. 2017;125:16–22. https://doi.org/10.1016/j.coastaleng.2017.04.001.
Heller V, Spinneken J. On the effect of the water body geometry on landslide-tsunamis: Physical insight from laboratory tests and 2d to 3d wave parameter transformation. Coastal Engineering. 2015;104:113–34. https://doi.org/10.1016/j.coastaleng.2015.06.006.
Panizzo A, De Girolamo P, Di Risio M, Maistri A, Petaccia A. Great landslide events in italian artificial reservoirs. Natural Hazards and Earth System Science. 2005;5(5):733–40. https://doi.org/10.5194/nhess-5-733-2005.
Horrillo J, Wood A, Kim G-B, Parambath A. A simplified 3-d navier-stokes numerical model for landslide-tsunami: Application to the gulf of mexico. Journal of Geophysical Research: Oceans. 2013;118(12):6934–50. https://doi.org/10.1002/2012jc008689.
Shi G-H. Discontinuous deformation analysis: A new numerical model for the statics and dynamics of deformable block structures. Engineering Computations. 1992;9(2):157–68. https://doi.org/10.1108/eb023855.
Yu X-Y, Xu T, Heap M, Zhou G-L, Baud P. Numerical approach to creep of rock based on the numerical manifold method. International Journal of Geomechanics 2018;18(11). https://doi.org/10.1061/(ASCE)GM.1943-5622.0001286
Mao J, Zhao L, Di Y, Liu X, Xu W. A resolved cfd-dem approach for the simulation of landslides and impulse waves. Computer Methods in Applied Mechanics and Engineering 2020;359. https://doi.org/10.1016/j.cma.2019.112750
Jiang M, Sun C, Crosta GB, Zhang W. A study of submarine steep slope failures triggered by thermal dissociation of methane hydrates using a coupled cfd-dem approach. Engineering Geology. 2015;190:1–16. https://doi.org/10.1016/j.enggeo.2015.02.007.
Tan H, Chen S. A hybrid dem-sph model for deformable landslide and its generated surge waves. Advances in Water Resources. 2017;108:256–76. https://doi.org/10.1016/j.advwatres.2017.07.023.
Xiang Z, Peng W, Zhou W, Yao W. Hybrid finite difference with the physics-informed neural network for solving pde in complex geometries. arXiv preprint arXiv:2202.07926 (2022)
Solin P, Andrs D, Cerveny J, Simko M. Pde-independent adaptive hp-fem based on hierarchic extension of finite element spaces. Journal of computational and applied mathematics. 2010;233(12):3086–94.
Raissi M, Perdikaris P, Karniadakis GE. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics 2019;378:686–707. https://doi.org/10.1016/j.jcp.2018.10.045.
Kissas G, Yang Y, Hwuang E, Witschey WR, Detre JA, Perdikaris P. Machine learning in cardiovascular flows modeling: Predicting arterial blood pressure from non-invasive 4d flow mri data using physics-informed neural networks. Computer Methods in Applied Mechanics and Engineering 2020;358. https://doi.org/10.1016/j.cma.2019.112623.
Mao Z, Jagtap AD, Karniadakis GE. Physics-informed neural networks for high-speed flows. Computer Methods in Applied Mechanics and Engineering 2020;360. https://doi.org/10.1016/j.cma.2019.112789.
Jin X, Cai S, Li H, Karniadakis GE. Nsfnets (navier-stokes flow nets): Physics-informed neural networks for the incompressible navier-stokes equations. Journal of Computational Physics 2021;426. https://doi.org/10.1016/j.jcp.2020.109951.
Russell JS. Report on Waves: Made to the Meetings of the British Association in 1842-43, (1845)
Monaghan JJ, Kos A. Scott russell’s wave generator. Physics of Fluids. 2000;12(3):622–30. https://doi.org/10.1063/1.870269.
Morales JL, Nocedal J. Remark on “algorithm 778: L-bfgs-b: Fortran subroutines for large-scale bound constrained optimization’’. ACM Transactions on Mathematical Software (TOMS). 2011;38(1):1–4.
Shi CQ, An Y, Yang JX. A sph based numerical method of landslide induced impulse and its application on huangtian landslide event (in chinese). SCIENTIA SINICA Physica, Mechanica & Astronomica 2015;(10):9. https://doi.org/10.1360/sspma2015-00280.
Vacondio R, Mignosa P, Pagani S. 3d sph numerical simulation of the wave generated by the vajont rockslide. Advances in Water Resources. 2013;59:146–56. https://doi.org/10.1016/j.advwatres.2013.06.009.
Rauter M, Viroulet S, Gylfadóttir S.S, Fellin W, Løvholt F. Granular porous landslide tsunami modelling - the 2014 lake askja flank collapse. Nature Communications 2022;13(1). https://doi.org/10.1038/s41467-022-28296-7.