岩土工程正面临复杂地质条件、多场耦合和非线性问题的重大挑战，传统数值方法（如FEM/FDM）在计算效率、反问题求解和数据驱动建模中存在瓶颈。近年来，物理信息神经网络（PINN）、生成式AI（如GPT）和量子计算等技术的突破，为岩土工程提供了全新的研究范式。

国际趋势：Nature、CMAME等顶刊持续聚焦“AI+力学”交叉研究，PINN与FEM的融合、大模型辅助科研成为热点方向；

国家需求：我国《“十四五”智能制造发展规划》明确提出推动AI与工程技术的深度融合，助力基建智能化与灾害防控；

学科发展：智能岩土（Smart Geotechnics）作为新兴交叉领域，亟需兼具土木工程知识与计算科学能力的复合型人才。

2.培训对象

1、学术研究者：土木工程、岩土工程、计算力学方向的科研人员，需掌握智能算法解决复杂问题；

2、工程从业者：从事岩土设计、地质灾害预测的工程师，需提升数据驱动建模与仿真能力；

讲师介绍

讲师为同济大学土木工程本科、博士，德克萨斯大学奥斯汀分校计算机硕士（QS计算机专业排名全球30），香港科技大学博士后，在中科院一区Top顶刊CMAME，Computers and Geotechnics，Engineering Geology，International Journal of Mechanical Sciences，Journal of Rock Mechanics and Geotechnical Engineering以一作发表十余篇SCI论文，包括多篇PINN和FEM结合的顶刊论文。

岩土工程智能计算：从PINN代码复现到GPT/量子融合创新

基础入门与工具准备

1. 岩土工程中的偏微分方程（课前预习资料，针对性讲解）
   1.1. 渗流方程
   1.2. 热传导方程
   1.3. 固体力学基础
   1.3.1. 平衡方程
   1.3.2. 线弹性本构
   1.3.3. 超弹性本构
   1.3.4. 塑性本构
2. 偏微分方程数值解
   2.1. 有限差分法原理
   2.2. 有限单元法原理
   2.3. 实战演练：使用COMSOL软件求解渗流PDE和弹塑性模型，保存数据。
   2.4. 实战演练：Abaqus弹塑性模型建模与数据后处理
   2.4.1理论基础：线弹性和弹塑性模型的核心概念（几何建模、材料属性定义、边界条件设置、屈服准则、硬化法则）
   2.4.2建模实践：在Abaqus中建立弹塑性模型
   2.4.3求解与数据导出：模型求解与结果数据的导出方法
   2.4.4后处理与分析：弹塑性行为的可视化与数据提取技巧
3. Python编程基础
   3.1. Python编程基础
   3.2. 常用科学计算库：Numpy和Scipy
   3.3. 如何在Linux服务器上运行python程序

数据驱动机器学习和物理数据双驱动机器学习PINN

4. 数据驱动深度神经网络
   4.1 神经元及激活函数
   4.2 前馈神经网络与万能逼近定律
   4.3 自动微分方法
   4.4 深度神经网络的损失函数
   4.5 最优化方法
   4.6. 实践：基于Pytorch与Tensorflow建立深度神经网络模型并调优
5. 深度学习进阶
   5.1 CNN模型的基本原理与案例（图像识别）
   5.2 RNN的时序数据建模基础（时序预测）
   5.3 GNN的基本理论和案例（非结构化数据）
   5.4 RL强化学习的基本理论和案例
6. 物理数据双驱动神经网络 PINN (Physics-informed neural network)
   Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations
   6.1. 物理数据双驱动网络的开创性论文导读介绍
   6.1.1. 采样点策略
   6.1.2. 偏微分方程的余量计算
   6.1.3. 损失函数的构建
   6.1.4. 统一的正分析与反分析
   6.2. 实践：开创性论文的代码复现
   6.2.1. tensorflow版本与pytorch版本
   6.2.2. 神经网络、损失函数的选择与设计

PINN进阶与论文代码复现

7. 论文与代码复现：深度能量法
   深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method，DEM，DRM
   中科院一区TOP数值计算顶刊CMAME：An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications
   7.1. 论文介绍与导读
   7.1.1. 采样点与积分点
   7.1.2. 偏微分方程的深度能量计算
   7.2. 实践：代码复现
   7.2.1. 神经网络、损失函数的选择与设计
   7.2.2. 岩土工程相关的偏微分方程求解
8. 论文与代码复现：渗流固结问题
   PINN解决岩土工程中的渗流固结问题
   中科院一区顶刊Géotechnique 论文复现，A physics-informed data-driven approach for consolidation analysis
   8.1. 太沙基固结理论
   8.2. 基于PINN的岩土固结问题正分析
   8.3. 基于PINN的岩土固结问题反分析
   8.4. 实践：代码复现
   8.4.1. 训练数据的生成
   8.4.2. 噪音的生成与调节
   8.4.3. 神经网络的设计
   8.4.4. 岩土固结微分方程的PDE损失函数
   8.4.5. 岩土固结微分方程的初始条件和边界条件损失函数
   8.4.6. 双驱动方法求解岩土固结问题的调参和优化
9. PINN解决岩土工程中的固体力学问题
   中科院一区TOP数值计算顶刊CMAME：A physics-informed deep learning framework for inversion and surrogate modeling in solid mechanics
   9.1. 岩土工程中的线弹性问题
   9.2. 岩土工程中的超弹性问题
   9.3. 岩土工程中的弹塑性问题
   9.4. 实践：代码复现
   9.4.1. 神经网络的设计
   9.4.2. 计算数据的生成
   9.4.3. 双驱动神经网络的训练
   9.4.4. 岩土工程中的迁移学习与代理模型

PINN进阶：论文代码复现

10. PINN解决岩土工程中的固体力学问题，进阶
    中科院一区TOP数值计算顶刊Computers and Geotechnics: A Comprehensive Investigation of Physics-Informed Learning in Forward and Inverse Analysis of Elastic and Elastoplastic Footing
    10.1. Footing问题背景与Ritz方法（正问题）
    10.1.1问题背景：Footing问题的物理意义与工程应用
    10.1.2数学模型：Footing问题的数学描述与控制方程
    10.1.3 Ritz方法：Ritz方法在正演建模中的应用与实现
    10.1.4 PINN框架：论文中PINN实现的核心思路与框架解读
    10.2. Footing问题的逆问题求解
    10.2.1 损失函数构建：PINN中物理驱动损失函数的设计与实现
    10.2.2 自适应采样：自适应采样方法的原理与实现细节
    10.2.3 指数加速：逆问题求解中的指数加速技术
    10.2.4 代码复现与结果分析：代码实现与结果分析（数据集大小、高斯噪声的影响）
11. 小孔扩张问题复现
    11.1.问题背景：小孔扩张问题的物理意义与数学模型
    11.2 Parsimonious Loss Function：Parsimonious Loss的理论背景、优势及其与传统损失函数的对比分析
    11.3 无标签数据正向求解：线弹性与弹塑性模型的无标签数据正向求解流程
    11.4 Parsimonious PINN应用：Parsimonious PINN在小孔扩张问题中的实现与代码复现/敏感性分析
12. DeepSeek生成PINN代码解决瞬态问题
    12.1 什么是DeepSeek大模型
    12.2. DeepSeek大模型生成PINN代码求解瞬态热传导
    12.2.1. Prompt与任务分解
    12.2.2. 代码运行、可视化和Debug
    12.3. ChatGPT大模型生成PINN代码求解瞬态热传导
    12.3.1. Prompt与任务分解
    12.3.2. 代码运行、可视化和Debug

量子计算融合创新与未来展望

13. PINN vs. FEM/FDM
    13.1 PINN可以打败FEM么?论文精讲
    13.2 PINN可以替代传统的线性方程求解器么？论文精讲
    13.3 有限差分法转化为神经网络，nature 子刊精讲
14. Nature子刊和量子计算
    14.1. PINN的优势与缺点，将来发展方向
    14.2. PINN论文创新点怎么找
    14.3. PINN与传统数值方法的深度融合
    14.4. 发表在Nature子刊上的PINN论文
    14.5. GPT在岩土工程中的应用，量子计算的潜力