Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: geomechanics, modeling, generative neural networks, stress-strain state, numerical methods, synthetic data, геомеханика, моделирование, генеративные нейронные сети, напряженно-деформированное состояние, численные методы, синтетические данные
Аннотация: Представлены результаты исследования возможностей применения генеративных нейронных сетей для моделирования геомеханических процессов. В качестве примера рассмотрено одномерное сжатие породного массива с использованием вариационного автоэнкодера. Сравнение синтетических данных с результатами численного моделирования методом конечныПоказать полностьюх элементов показало высокую степень совпадения, при этом относительная погрешность не превышала 1,5 %. Модель продемонстрировала способность к экстраполяции данных за пределы обучающей выборки и устойчивое воспроизведение распределений напряжений при варьировании параметров. Существенным преимуществом является значительное сокращение времени расчетов по сравнению с традиционными методами. Выявленные ограничения связаны с выходом параметров за рамки исходных данных, что требует дальнейшей оптимизации модели. Полученные результаты подтверждают перспективность генеративного подхода для задач геомеханики и прогнозирования поведения горных пород. This paper presents the results of a study on the application of generative neural networks for modeling geomechanical processes. As an example, one-dimensional compression of a rock mass was simulated using a variational autoencoder. Comparison of synthetic data with numerical modeling results obtained by the finite element method showed a high degree of agreement, with relative errors not exceeding 1.5 %. The model demonstrated the ability to extrapolate data beyond the training set and reliably reproduce stress distributions under varying parameters. A key advantage of the approach is a significant reduction in computation time compared to traditional methods. The identified limitations are related to parameter ranges outside the training dataset, which indicates the need for further model optimization. The results confirm the potential of generative approaches for geomechanics and the prediction of rock mass behavior.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 3
Номера страниц: 286-291
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет