|
第1届北京等贤GeoAI-人工智能与岩土力学培训班第一轮通知发布日期:2026年09月15日 培训简介 当前GeoAI在岩土力学中的前沿探索,正经历从纯数据驱动向“机理-数据”双驱动范式的深刻跃迁。这一转型的核心支撑在于物理信息神经网络(PINNs),通过将Biot固结及非饱和渗流控制方程作为硬约束植入损失函数,从根源上抑制了小样本学习中的物理悖论。研究热点已转向融合随机场理论的数据增强与元学习策略,以有效破解地质体空间变异性的泛化瓶颈。在多源数据融合层面,联合InSAR时序形变与钻探文本知识的跨模态基础模型已初具雏形,推动本构参数识别向全生命周期动态反演拓展。此外,可解释性工具与降阶模型的协同作用,正促使智能算法从“黑箱”走向透明,为构建具备因果逻辑的岩土数字孪生体、实现工程灾害由被动预警向主动防控转型开辟了全新路径。这一范式革新,标志着岩土力学正从传统的经验科学逐步迈入可解释、可计算的高阶智能科学新阶段。 培训目标 本课程旨在帮助学员建立:“岩土工程问题—数据集构建—人工智能模型—工程预测—模型解释—物理约束—论文表达”的完整 GeoAI 研究思路。 通过本课程学习,学员将能够理解人工智能在岩土工程中的主要应用模式,掌握岩土工程数据的读取、清洗、标准化、训练集划分和特征分析方法,并能够根据不同类型的岩土工程问题选择合适的人工智能模型。 学员将学习 Logistic Regression、Decision Tree、Random Forest、SVM、SVR、Gaussian Process Regression、人工神经网络以及深度神经网络等基本方法,并进一步掌握 LSTM、Bi-LSTM、Attention、Bayesian Optimization、CNN、U-Net 和 PINNs 等先进人工智能方法。 课程还将重点介绍不同类型岩土工程数据的人工智能处理方式,包括表格型试验数据、数值模拟数据、工程案例数据库、岩石图像数据以及物理场数据。 课程结束后,学员应能够独立完成一个基本 GeoAI 研究案例,包括:岩土问题定义、数据库处理、模型建立、模型训练、性能评价、结果可视化、工程解释以及论文结果分析。 培训授课讲师 来自国内重点高校,长期从事人工智能、机器学习与地理空间信息技术交叉领域研究,研究方向涵盖地理空间人工智能(GeoAI)、遥感影像智能分析、空间数据挖掘、地学信息提取、环境与灾害监测、机器学习、深度学习、时空数据分析及智能预测等。近年来,围绕人工智能驱动的地理空间数据分析、遥感信息智能提取、环境与工程问题预测以及智能建模与优化方法开展了系统研究,在多个国际高水平期刊发表 SCI 论文多篇,具有扎实的人工智能理论基础和丰富的数据分析、算法建模与科研实践经验。 在教学中注重人工智能理论、地理空间信息技术与实际科研案例相结合,通过公开遥感数据集、GIS 数据、时空监测数据、文献案例和工程实践,系统讲解地理空间数据预处理、机器学习、深度学习、计算机视觉、无监督学习、时间序列与时空数据分析、模型优化及可解释人工智能等方法在 GeoAI 领域中的应用。课程重点帮助学员掌握从地理空间数据获取与处理、特征提取、模型建立与训练,到结果解释、空间可视化和科研应用的完整流程,并结合遥感、环境监测、自然灾害、城市与基础设施等典型问题开展案例教学。授课方式注重理论联系实际,突出代码实践和科研思维训练,能够将复杂的人工智能方法与地理空间问题讲解得清晰易懂。 培训内容大纲 第一天|GeoAI基础:Python、岩土数据与边坡稳定机器学习分类 上午|基础段:Python科学计算与岩土数据分析 1. GeoAI与岩土工程机器学习导论 1.1 人工智能、机器学习与 GeoAI 的基本概念 1.2 岩土工程为什么需要机器学习 1.3 监督学习、无监督学习与基本任务类型 1.4 回归问题与分类问题的区别 1.5 边坡稳定问题的机器学习建模思路 2. Python科学计算与机器学习环境 2.1 Python、Anaconda 与 Jupyter Notebook 2.2 NumPy:数值计算与数组 2.3 Pandas:岩土工程表格数据处理 2.4 Matplotlib:数据可视化 2.5 Scikit-learn:机器学习建模工具 3. 岩土工程数据库与数据预处理 3.1 样本、特征、标签和输入/输出变量 3.2 627组边坡稳定数据库介绍 3.3 重度、黏聚力、内摩擦角、坡高、坡角和孔压比 3.4 Stable / Failed 分类标签 3.5 描述性统计与数据分布 3.6 缺失值与异常值检查 3.7 训练集与测试集划分 3.8 数据标准化上午实践 · Jupyter Notebook 环境配置与基本操作 · 运行简单的回归与分类示例 · 导入627组边坡稳定数据库 · 数据查看、统计分析与可视化 · 缺失值与类别分布检查 · 训练集/测试集划分及标准化 下午|进阶段:边坡稳定机器学习分类模型 4. Logistic Regression:从概率到边坡稳定分类 4.1 Logistic Regression 基本思想 4.2 分类概率与分类阈值 4.3 Stable / Failed 二分类预测 4.4 分类结果与工程意义 5. Decision Tree:可解释的边坡稳定判别 5.1 决策树基本结构 5.2 节点、分裂与叶节点 5.3 Gini/Entropy 基本思想 5.4 树深度与过拟合 5.5 决策树可视化 6. Support Vector Machine:非线性边坡分类 6.1 最大间隔与分类超平面 6.2 支持向量 6.3 Linear Kernel 与 RBF Kernel 6.4 参数 CC 与 γ\gamma 6.5 数据标准化对 SVM 的影响 7. Random Forest:集成学习边坡分类 7.1 从单棵决策树到随机森林 7.2 Bootstrap 抽样 7.3 随机特征选择 7.4 多数投票 7.5 岩土参数特征重要性 8. 分类模型评价与优化 8.1 Confusion Matrix 8.2 Accuracy、Precision、Recall 与 F1-score 8.3 ROC Curve 与 AUC 8.4 过拟合与泛化能力 8.5 Cross Validation 8.6 Grid Search 参数优化 项目实践:不同岩土参数对边坡稳定状态的影响 案例1:Logistic Regression 实现边坡 Stable / Failed 分类 案例2:Decision Tree 实现边坡稳定分类及决策树可视化 案例3:SVM 边坡稳定分类及不同核函数比较 案例4:Random Forest 边坡稳定分类及岩土参数重要性分析 案例5:Logistic Regression、Decision Tree、SVM 和 Random Forest 综合性能比较 最终比较: Accuracy|Precision|Recall|F1-score|ROC-AUC 第二天|GeoAI回归预测:边坡安全系数与非线性机器学习 上午|基础段:边坡安全系数与机器学习回归 1. 边坡安全系数与回归问题 1.1 边坡安全系数 FsF_s 的基本概念与工程意义 1.2 Stable / Failed 分类与 FsF_s 回归预测的区别 1.3 监督学习中的回归问题 1.4 岩土参数与边坡安全系数之间的非线性关系 2. 边坡安全系数数据库 2.1 630组边坡数值模拟数据库介绍 2.2 输入变量与输出变量 2.3 不排水抗剪强度 2.4 坡角 2.5 退距比 2.6 坡顶荷载 2.7 输出变量:边坡安全系数 FsF_s 3. 回归模型评价方法 3.1 真实值与预测值 3.2 Mean Absolute Error(MAE) 3.3 Mean Squared Error(MSE) 3.4 Root Mean Squared Error(RMSE) 3.5 Coefficient of Determination(R2R^2) 3.6 不同评价指标的工程意义 4. Multiple Linear Regression:边坡安全系数基准模型 4.1 多元线性回归基本思想 4.2 输入变量与回归系数 4.3 线性关系与非线性关系 4.4 模型训练与参数估计 4.5 线性模型的优点与局限性 上午实践 · 导入630组边坡安全系数数据库 · 数据查看、统计分析及缺失值检查 · 绘制输入参数与 FsF_s 的关系图 · 完成训练集与测试集划分 · 建立 Multiple Linear Regression 模型 · 计算 R2R^2、MAE、MSE 和 RMSE · 绘制真实值—预测值对比图 · 分析线性模型在边坡安全系数预测中的局限 下午|进阶段:非线性回归、神经网络与概率机器学习 5. Support Vector Regression:核方法非线性预测 5.1 SVM 与 SVR 的区别 5.2 支持向量与回归间隔 5.3 ε\varepsilon-不敏感损失函数 5.4 Linear、Polynomial 与 RBF Kernel 5.5 参数 CC、ε\varepsilon 与 γ\gamma 5.6 SVR 的标准化与参数选择 6. MLP:人工神经网络回归 6.1 神经网络基本结构 6.2 输入层、隐藏层和输出层 6.3 神经元、权重与偏置 6.4 激活函数 6.5 前向传播 6.6 损失函数与反向传播 6.7 Epoch、Batch Size 与 Learning Rate 6.8 过拟合与模型泛化 7. Gaussian Process Regression:小样本与不确定性预测 7.1 Gaussian Process Regression 基本思想 7.2 均值函数与协方差函数 7.3 Kernel Function 7.4 预测均值与预测区间 7.5 岩土工程小样本问题中的优势 7.6 GPR 与确定性机器学习模型的区别 8. 回归模型比较与模型选择 8.1 线性模型与非线性模型比较 8.2 模型精度与模型复杂度 8.3 训练误差与测试误差 8.4 过拟合与欠拟合 8.5 R2R^2、MAE、RMSE 综合评价 8.6 岩土工程回归模型的选择原则 项目实践:不同岩土参数与荷载条件对边坡安全系数的影响 案例1:Multiple Linear Regression 边坡安全系数预测 案例2:SVR 非线性边坡安全系数预测 案例3:MLP 人工神经网络边坡安全系数预测 案例4:Gaussian Process Regression 边坡安全系数预测及预测不确定性分析 案例5:Multiple Linear Regression、SVR、MLP 和 GPR 综合性能比较 第三天|GeoAI深度学习:边坡稳定分类与贝叶斯优化 上午|基础段:深度神经网络与边坡稳定分类 1. 从传统机器学习到深度学习 1.1 传统机器学习与深度学习的区别 1.2 边坡稳定分类的深度学习建模思路 1.3 输入特征与 Stable / Failed 分类标签 1.4 深度学习模型的训练流程 1.5 深度学习在岩土工程中的适用场景 2. 深度神经网络基本原理 2.1 输入层、隐藏层与输出层 2.2 神经元、权重与偏置 2.3 Sigmoid、Tanh、ReLU 等激活函数 2.4 前向传播 2.5 损失函数 2.6 反向传播与梯度下降 2.7 Epoch、Batch Size 与 Learning Rate 2.8 训练误差、验证误差与过拟合 3. LSTM:长短期记忆神经网络 3.1 RNN 的基本思想 3.2 RNN 中的梯度消失问题 3.3 LSTM 网络结构 3.4 Forget Gate 3.5 Input Gate 3.6 Output Gate 3.7 Cell State 与 Hidden State 3.8 LSTM 在工程数据分类中的应用 4. Bi-LSTM与Attention机制 4.1 单向 LSTM 与双向 LSTM 4.2 Bi-LSTM 网络结构 4.3 双向特征信息融合 4.4 Attention Mechanism 基本思想 4.5 Attention Weight 4.6 特征重要信息的自适应提取 4.7 Attention-LSTM 基本结构 上午实践 · 导入论文边坡稳定数据库 · 分析重度、黏聚力、内摩擦角、孔压比、坡高和坡角等特征 · 完成数据标准化及训练集/测试集划分 · 建立基础 ANN 分类模型 · 建立 LSTM 边坡稳定分类模型 · 建立 Bi-LSTM 模型 · 比较 ANN、LSTM 与 Bi-LSTM 的 Accuracy、Precision、Recall 和 F1-score 下午|进阶段:Attention与Bayesian Optimization智能调参 5. 深度学习超参数与模型优化 5.1 什么是模型参数与超参数 5.2 Learning Rate 5.3 Hidden Units 5.4 Number of Layers 5.5 Batch Size 5.6 Epoch 5.7 Dropout 5.8 超参数对模型精度和稳定性的影响 6. 传统超参数搜索方法 6.1 Manual Tuning 6.2 Grid Search 6.3 Random Search 6.4 搜索空间与计算成本 6.5 传统搜索方法的局限性 7. Bayesian Optimization基本原理 7.1 Bayesian Optimization 的基本思想 7.2 Objective Function 7.3 Search Space 7.4 Surrogate Model 7.5 Gaussian Process 7.6 Acquisition Function 7.7 Exploration 与 Exploitation 7.8 Bayesian Optimization 的迭代搜索过程 8. 深度学习与贝叶斯优化融合 8.1 深度学习模型超参数自动优化流程 8.2 Bayesian Optimization + LSTM 8.3 Bayesian Optimization + Bi-LSTM 8.4 Bayesian Optimization + Attention-LSTM 8.5 最优超参数组合选择 8.6 优化前后模型性能比较 8.7 自动调参在 GeoAI 中的应用价值 项目实践:深度学习与贝叶斯优化在边坡稳定分类中的应用 案例1:ANN 深度神经网络实现边坡 Stable / Failed 分类 案例2:LSTM 模型实现边坡稳定分类 案例3:Bi-LSTM 模型实现边坡稳定分类,并与 LSTM 比较 案例4:建立 Attention-LSTM 模型进行边坡稳定分类 案例5:使用 Bayesian Optimization 自动优化 Learning Rate、Hidden Units、Batch Size、Dropout 等超参数 案例6:比较 ANN、LSTM、Bi-LSTM、Attention-LSTM 及 Bayesian Optimization 优化模型的预测性能 第四天|GeoAI计算机视觉:CNN、U-Net与岩石图像应变分析 主要论文:Leveraging U-Net/CNN-Based Segmentation in Deep-Learning-Driven Strain Analysis of Metasedimentary Rocks 上午|基础段:岩石图像、CNN与语义分割 1. 岩土工程中的图像数据 1.1 图像数据与传统表格数据的区别 1.2 岩石显微图像与结构图像 1.3 像素、通道与图像分辨率 1.4 图像标签与监督学习 1.5 岩石纹理、颗粒、孔隙与结构边界 1.6 图像分析在岩石力学中的应用 2. CNN卷积神经网络基本原理 2.1 CNN 基本结构 2.2 Convolution Layer 2.3 Convolution Kernel 2.4 Feature Map 2.5 Activation Function 2.6 Pooling Layer 2.7 CNN 的局部特征提取机制 2.8 CNN 如何识别岩石纹理和边界特征 3. 图像识别任务类型 3.1 Image Classification 3.2 Object Detection 3.3 Semantic Segmentation 3.4 Instance Segmentation 3.5 不同计算机视觉任务在 GeoAI 中的应用 4. U-Net语义分割网络 4.1 U-Net 网络基本结构 4.2 Encoder 编码器 4.3 Decoder 解码器 4.4 Skip Connection 4.5 Downsampling 与 Upsampling 4.6 像素级分类 4.7 U-Net 在岩石结构分割中的优势 上午实践 · 导入和显示岩石图像数据 · 查看图像尺寸、通道和标签 · 图像 Resize 与归一化 · 划分训练集、验证集和测试集 · 使用 Python 完成基础图像处理与可视化 · 建立基础 CNN 模型提取岩石图像特征 · 建立 U-Net 网络进行语义分割 · 显示原始图像、真实标签和预测结果 · 计算 Accuracy、IoU 和 Dice Coefficient 下午|进阶段:岩石图像特征提取与应变分析 5. 图像分割模型评价 5.1 Pixel Accuracy 5.2 Intersection over Union(IoU) 5.3 Dice Coefficient 5.4 Precision 与 Recall 5.5 分割边界误差 5.6 不同评价指标的适用范围 6. 岩石图像数据增强与模型泛化 6.1 小样本岩石图像问题 6.2 Rotation 6.3 Flip 6.4 Crop 6.5 Scale 6.6 数据增强与过拟合 6.7 Training / Validation Loss 6.8 模型泛化能力 7. Transfer Learning与深度特征 7.1 Transfer Learning 基本思想 7.2 Pre-trained CNN 7.3 Feature Extraction 7.4 Fine-tuning 7.5 小样本岩石图像中的迁移学习 7.6 传统图像处理与深度学习的比较 8. 从图像分割到岩石应变分析 8.1 分割结果的几何信息提取 8.2 目标区域面积与尺寸 8.3 颗粒长轴与短轴 8.4 方向角与空间分布 8.5 岩石结构取向分析 8.6 应变标志物与变形特征 8.7 从 U-Net 输出到定量应变参数 8.8 深度学习图像分析在岩石力学中的工程意义 项目实践:基于深度学习图像分割的变沉积岩应变分析 案例1:使用传统图像处理方法进行岩石目标区域提取 案例2:使用 CNN 对岩石图像进行自动特征提取 案例3:使用 U-Net 完成岩石图像语义分割 案例4:采用旋转、翻转、裁剪和缩放进行数据增强 案例5:比较真实标签与 U-Net 预测结果,并计算 IoU 和 Dice Coefficient 案例6:从分割结果中提取尺寸、方向和形态特征,并进行岩石应变分析 第五天|GeoAI物理信息智能:PINNs、Darcy渗流与波动方程 上午|基础段:PINNs基本原理与Darcy渗流正问题 1. 从数据驱动到物理信息神经网络 1.1 传统神经网络与 PINNs 的区别 1.2 数据驱动模型与物理驱动模型 1.3 控制方程在神经网络中的作用 1.4 初始条件与边界条件 1.5 PINNs 的基本建模流程 1.6 PINNs 在岩土工程中的典型应用 2. PINNs核心理论 2.1 全连接神经网络基本结构 2.2 Automatic Differentiation 自动微分 2.3 Collocation Points 配点 2.4 PDE Residual 控制方程残差 2.5 Data Loss 2.6 Physics Loss 2.7 Boundary Condition Loss 2.8 Initial Condition Loss 2.9 多损失函数联合训练 3. Darcy渗流基本理论 3.1 多孔介质中的地下水渗流 3.2 Darcy 定律 3.3 渗透系数 KK 3.4 Hydraulic Head / Pressure Field 3.5 流速场 3.6 连续性方程 3.7 二维稳态 Darcy 渗流控制方程 3.8 边界条件及其物理意义 4. PINN求解Darcy渗流正问题 4.1 计算区域定义 4.2 边界点与内部配点生成 4.3 神经网络输入与输出设计 4.4 利用自动微分计算压力梯度 4.5 构建 PDE Residual 4.6 构建 PINN Loss Function 4.7 PINN 模型训练 4.8 压力场与流速场预测 上午实践 · 建立二维 Darcy 渗流计算区域 · 设置渗透系数及边界条件 · 生成 Boundary Points 和 Collocation Points · 建立全连接 PINN 网络 · 使用自动微分计算空间导数 · 构建 Darcy 控制方程物理损失 · 训练 PINN 预测二维压力场 · 计算并绘制流速场 · 将 PINN 结果与解析解或传统数值解进行比较 下午|进阶段:Inverse PINNs与波动方程 5. PINNs正问题与反问题 5.1 Forward Problem 与 Inverse Problem 5.2 已知参数预测物理场 5.3 已知观测反演物理参数 5.4 将未知岩土参数设置为 Trainable Parameter 5.5 数据损失与物理损失联合优化 5.6 岩土工程参数识别的基本流程 6. 基于Inverse PINN的渗透系数反演 6.1 压力观测数据的引入 6.2 渗透系数 KK 作为未知参数 6.3 PINN 参数反演 Loss Function 6.4 参数训练与收敛过程 6.5 真实值与反演值比较 6.6 观测点数量对反演结果的影响 6.7 观测位置对反演结果的影响 6.8 测量噪声与参数反演稳定性 7. 波动方程与PINNs 7.1 岩土与固体介质中的弹性波传播 7.2 一维与二维波动方程 7.3 位移、时间和空间变量 7.4 波速、频率和波长 7.5 初始条件、边界条件与激励信号 7.6 波动方程 PDE Residual 7.7 PINN 波场预测 7.8 PINNs 在无损检测与材料参数识别中的应用 8. Inverse PINNs与波速反演 8.1 传感器波形数据作为观测信息 8.2 波速作为待识别参数 8.3 波速与材料力学参数之间的关系 8.4 利用 PINN 重构时空波场 8.5 基于波形数据反演波速 8.6 PINN、解析解与有限差分方法比较 8.7 参数变化对传播时间和波场的影响 项目实践:PINNs在渗流与波传播问题中的应用 案例1:二维 Darcy 渗流 PINN 正问题 给定渗透系数和边界条件,利用 PINN 预测多孔介质中的压力场和流速场。 案例2:Inverse PINN 渗透系数反演 利用有限压力观测数据,将渗透系数 KK 设置为可训练参数,实现岩土介质渗透参数识别。 案例3:噪声与观测条件对参数反演结果的影响 改变观测点数量、位置以及数据噪声水平,分析渗透系数反演误差和 PINN 稳定性。 案例4:基于波动方程的 PINNs 超声波传播分析 建立一维或二维波动方程 PINN 模型,模拟超声波在固体介质中的传播过程。 设置脉冲激励、初始条件和边界条件,预测不同时刻的空间波场以及不同传感器位置的时域波形。 比较 PINN 与解析解或有限差分方法得到的传播结果。 改变材料波速,分析波速变化对传播时间、波长和波形的影响。 进一步利用传感器波形作为观测数据,将波速设置为待识别参数,介绍 Inverse PINN 实现材料波速或等效弹性参数反演的方法。 课程特色及授课方式 线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能在岩土力学领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑; 完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单! 增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价! 授课时间 GeoAI-人工智能与岩土力学专题 腾讯会议线上授课(共五天课程提供全程视频回放和课程群答疑) 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。 报名方式 联系人:陈老师 咨询电话:15652523032(微信同号) 相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。 |

