发布时间:Dec 8, 2025点击量:
（通讯员 孟杰）近日，我院李长冬教授在物理机制与数据双驱动下的滑坡预测领域取得重要研究进展。该成果依托唐辉明院士主持的国家自然科学基金重大项目“重大滑坡预测预报基础研究”，由李长冬教授等联合意大利帕多瓦大学Filippo Catani教授和挪威奥斯陆大学Helge Hellevang教授共同完成，以“Physics-Informed Deep Learning for Revealing the Evolutionary Characteristics of Landslides Induced by Rainfall Process”为题发表于自然指数期刊Geophysical Research Letters（论文链接：https://doi.org/10.1029/2025GL117356）。
降雨诱发灾难性滑坡因其复杂的物理场耦合作用与高度非线性特征，其精准演化过程分析与灾变预警一直是防灾领域的重大挑战。现有数值法难以在复杂边界与极端降雨下兼顾精度与泛化；纯数据驱动模型则常缺乏显式物理约束与可解释性。针对这一难题，研究团队提出了一种基于“物理信息驱动—物理约束引导”的多模态多任务神经网络（PMNN）模型。该模型显式嵌入了包括van Genuchten渗流模型和Bishop有效应力方程在内的核心渗流与力学理论，并将质量守恒、达西定律等控制方程作为物理约束直接引入模型训练过程，从而确保预测结果既具备数据智能的灵活性，又遵循自然界的基本物理规律。
图1 Graphical summary
基于800个数值模拟与55个多场景测试的系统验证表明，内部物理方程嵌入显著提升了滑坡多物理场状态预测的一致性与精度，实现了对饱和度、孔隙水压力、有效应力及边坡稳定性四项核心指标的物理一致联合预测；在多场景下，相比去除物理项的变体，多物理场预测误差显著降低，即使在边界条件复杂或信息不完整的情况下，该模型仍可保持较高的预测准确度与物理可靠性。研究成果不仅为降雨条件下的滑坡演化建模与预警提供了新的技术路径，也为地质灾害数字孪生系统的构建提供了算法支撑。
图2 集成物理驱动与边界约束的PMNN深度学习架构
