论文速览 | IJRMMS：基于优化神经网络与深度学习的风化花岗岩 Mohr-Coulomb 强度及 FDEM 参数确定

1. 传统 FDEM 输入参数校准流程繁琐，校准技术预测能力弱，且无法充分描述岩石的塑性损伤过程，导致工程尺度建模适用性低；

2. 风化花岗岩力学性质异质性强，现有评价方法（标准贯入试验、波速比测试等）依赖单一标准，泛化能力差，难以满足复杂工程的地质风险评估需求；

3. 现有数值方法（如纯弹性 FDEM）难以兼顾岩石弹塑性变形与断裂损伤的协同作用，能量耗散规律与实验结果偏差大。

   风化花岗岩是岩石工程中常见的不良地质条件，其力学稳定性直接决定工程结构安全，而现有方法的局限导致工程风险评估可靠性不足，亟需高效、精准的参数确定与模拟技术。

该文通过将 Mohr-Coulomb 模型融入 FDEM，结合 NRBO-BPNN、Xception 与 NSGA-II 构建参数确定框架，解决了传统 FDEM 参数校准难、塑性损伤描述不足的问题，实现了风化花岗岩力学响应与破坏模式的精准模拟。

1. 为 FDEM 参数校准提供 “数据库 - 映射建模 - 多目标优化” 的标准化流程，可推广至其他岩石类型，降低 FDEM 工程应用门槛；

2. 精准的风化花岗岩模拟可为边坡稳定、隧道开挖等工程的地质风险评估提供可靠依据，减少工程事故隐患；

3. 将机器学习（参数映射）与深度学习（模式识别）引入岩石力学数值模拟，为该领域提供新的技术思路；

4. 该框架可结合 X 射线荧光（XRF）等原位测试技术，关联矿物成分与数值参数，进一步提升工程风险预测的准确性。

原文摘要

The traditional finite discrete element method (FDEM) is less applied in practical engineering-scale modeling due to its complex input parameter calibration process, poor prediction ability of calibration techniques, and insufficient description of material plastic damage. This study proposed a novel FDEM model enriched with the Mohr-Coulomb (MC) model and applied the neural network method to standardize the input parameters. The method enables rapid calibration of input parameters for various rock materials and accurately predicts their plastic development and failure modes, thereby enhancing the adaptability of FDEM in complex engineering scenarios. First, the Newton-Raphson-Based Optimizer (NRBO)-Back Propagation Neural Network (BPNN) method is employed to establish the correspondence between input parameters and Unconfined Compressive Strength (UCS) and Brazilian Tensile Strength (BTS) results. Subsequently, the Non-dominated Sorting Genetic Algorithm II (NSGA-II) is used to manage and assign numerical parameters to match the target rock strength. Notably, by introducing failure mode parameters, the method refines the FDEM’s description of different failure modes in weathered granites. Finally, the consistency between experimental and numerical results demonstrates the effectiveness of the proposed approach. This work successfully addresses the rapid calibration of FDEM input parameters using machine learning and overcomes the limitations of traditional models in describing the plastic development of rock materials.

译文

传统有限离散元法（FDEM）因输入参数校准流程复杂、校准技术预测能力薄弱且材料塑性损伤描述不充分，在实际工程尺度建模中的应用受限。本研究提出一种融入 Mohr-Coulomb（MC）模型的新型 FDEM 模型，并采用神经网络方法实现输入参数的标准化。该方法可快速校准各类岩石材料的输入参数，同时精准预测其塑性发展过程与破坏模式，进而提升 FDEM 在复杂工程场景中的适应性。具体而言，首先采用基于牛顿 - 拉夫逊的优化器（NRBO）- 反向传播神经网络（BPNN）方法，建立输入参数与单轴抗压强度（UCS）、巴西抗拉强度（BTS）结果的对应关系；其次，利用非支配排序遗传算法 II（NSGA-II）对数值参数进行管理与分配，以匹配目标岩石的强度特性；值得关注的是，该方法通过引入破坏模式参数，细化了 FDEM 对风化花岗岩不同破坏模式的描述精度；最后，实验结果与数值结果的一致性验证了所提方法的有效性。本研究借助机器学习成功解决了 FDEM 输入参数的快速校准问题，并克服了传统模型在描述岩石材料塑性发展方面的局限性。