基于应力-应变数据库与机器学习的海冰行为数据驱动建模研究

为解决全球变暖背景下北极海冰消退带来的工程挑战，研究人员通过整合无围压与三轴压缩试验数据库，结合机器学习（ML）技术，系统分析了海冰峰值/残余应力及应变的关键影响因素。研究发现围压、应变率、晶粒尺寸和温度显著调控海冰的韧脆转变行为，ML模型成功揭示了传统方法难以捕捉的非线性相互作用，为北极基础设施设计提供了新理论框架。

　　

随着全球变暖加速，北极海冰正经历前所未有的消退，多年冰减少而季节性冰成为主导。这一变化虽开辟了北极航道的新机遇，却也带来了严峻的工程挑战——移动冰层在风浪驱动下对船舶和海岸结构产生巨大压力，而传统海冰力学模型对失效后行为（如残余强度和裂纹扩展）的认知仍存在显著空白。海冰作为多晶材料，其力学响应受应变率、温度、晶粒尺寸等多参数非线性调控，尤其在高压区（HPZs）会呈现复杂的韧脆转变特性。这些特性使得传统本构模型难以准确预测实际工程场景中的冰载荷，亟需创新研究方法。

为此，由Peiman Sharifi、Ali Khosravi等组成的国际团队在《Ocean Engineering》发表研究，首次将深度学习神经网络与决策树模型应用于海冰应力-应变行为的全周期分析。研究整合了包含无围压和三轴压缩试验的综合性数据库，重点解析了残余应力（post-failure load-bearing capacity）和残余应变（ductility indicator）的调控机制。通过SHAP特征重要性分析，揭示了围压（confinement）与应变率（strain rate）对海冰力学行为的决定性作用，为北极基础设施的韧性设计提供了数据支撑。

关键技术方法包括：1）构建涵盖不同冰型、加载条件和地理区域的海冰力学数据库；2）采用深度神经网络预测峰值/残余应力应变值；3）利用决策树模型分类失效行为；4）基于SHAP（Shapley Additive Explanations）框架量化参数贡献度。数据来源于汉堡工业大学共享数据库及团队自主实验。

【Background】
海冰的晶体结构和损伤敏感性导致其力学行为高度非线性。研究指出，高压区（HPZs）内海冰会从表面脆性断裂转变为内部微孔塌缩的韧性流动，这种多尺度损伤机制是建模难点。

【Methodology】
通过标准化处理实验数据，研究采用机器学习模型关联输入参数（应变率、温度、晶粒尺寸等）与输出响应（峰值/残余应力应变）。特别设计了特征工程流程以捕捉参数间的交互效应。

【Results】
模型成功预测了不同条件下海冰的力学响应：1）围压增加使残余应力提升40-60%；2）低温（<-10°C）与高应变率（>10^-3
s^-1
）协同促进脆性破坏；3）晶粒尺寸增大导致韧性指标下降。决策树对失效模式分类准确率达89%。

【Discussion】
实际北极环境中，预损伤海冰的残余强度对结构安全至关重要。研究首次量化了围压对残余应力的放大效应，解释了船舶在破碎冰区航行时冰载荷波动的内在机制。

【Conclusions】
该研究通过数据驱动方法突破了传统本构模型的局限，建立了海冰失效前后行为的统一预测框架。成果可直接应用于离岸结构抗冰设计、船体优化和海岸防护工程，为动态冰况下的工程决策提供新范式。美国海军研究办公室（ONR）资助项目N000141912604和N000142412691支持了本工作。