海洋珊瑚砂-珊瑚黏土混合物的力学行为：采用仿生蜂窝聚合物网格进行加固的实验与人工智能方法研究

《Ocean Engineering》：Mechanical behavior of marine coral sand - coral clay mixtures reinforced with bionic honeycomb polymer grid: Experimental and artificial intelligence methods

海洋珊瑚砂-黏土混合料基体通过CNN-LSTM混合模型结合1200组三轴剪切试验研究，揭示加固类型、层数及围压为关键因素，推导经验公式并开发GUI工具，有效降低试验成本，促进AI与海洋工程融合应用，为珊瑚礁区填海工程提供技术支持。

　　

徐开伟|罗佳琪|赵佳明|史丹达|赵志明|崔蒂蒂

上海海事大学海洋科学与工程学院，上海，200135，中国

摘要

海洋珊瑚粘土是海洋工程中人工岛基础的重要组成部分，通常与海洋珊瑚砂混合形成复合基础土壤，以保障海上基础设施的稳定性。为了准确预测这种由3D打印仿生蜂窝聚合物网格（BHPG）加固的土壤的强度，本研究开发了一个CNN-LSTM模型，使用Shapley Additive Explanations（SHAP）方法量化输入参数的重要性，并通过1200次三轴剪切试验进行了验证。结果证实了该模型的高精度，并确定了加固类型、层状结构和围压作为关键因素；同时，推导出的经验公式便于工程应用。此外，还开发了一个用户友好的图形用户界面（GUI），帮助海洋工程从业者实时获取强度预测结果。这项工作降低了试验成本，促进了深度学习与海洋工程的结合，并支持BHPG在人工岛和海上平台中的应用。

引言

海洋珊瑚粘土是海洋工程项目中人工岛基础的主要材料（Wang等人，2021, 2022a；Wu等人，2023a；Zhu等人，2017）。特别是海洋珊瑚砂，其颗粒形状不规则、孔隙率高且颗粒间粘结力弱，导致强度低、变形抗力差，严重威胁防波堤、海上平台和基于珊瑚礁的基础设施的稳定性（Chao等人，2024a；He等人，2025；Wu等人，2023b；Yang等人，2024；Ye和Gao，2024）。聚合物网格加固被广泛用于提高土壤性能；然而，传统的三轴聚合物网格和双轴聚合物网格无法完全适应海洋珊瑚砂-珊瑚粘土混合物（MCCM）复杂的微观结构特性，从而限制了加固效果（Oliveira和Falorca，2025；Wang等人，2025b；Xu等人，2023；Zhang等人，2025）。由于填充不均匀和分离不足，实际应用中海洋珊瑚土壤通常会形成珊瑚砂-珊瑚粘土的混合层（Dong等人，2021，2022；Gao和Ye，2023，2024；Li等人，2025；Wu等人，2023a），这显著影响了基础土壤的工程性能，尤其是MCCM的强度对加固类型非常敏感。因此，研究MCCM的强度特性和微观结构行为对于指导珊瑚礁区域的可靠海洋工程设计至关重要。

近年来，受蜂窝结构等自然结构启发和3D打印技术的发展，为优化聚合物网格性能提供了新方法（Fowmes等人，2017；Garbatov等人，2024；Hasheminezhad等人，2025）。3D打印技术在精度、灵活性和快速原型制作方面具有显著优势，能够在多种地质条件下高效优化加固结构（Shi等人，2025a）。蜂窝结构以其高结构稳定性和高效的力传递能力而闻名，可以显著增强聚合物网格与海洋珊瑚砂之间的颗粒互锁和界面相互作用（Luo等人，2025a；Yi等人，2023；Zhao等人，2025）。同时，如立体光刻（SLA）等3D打印技术能够精确制造定制的仿生聚合物网格，避免了传统制造方法中的结构缺陷（Fowmes等人，2017；Wang等人，2016）。然而，3D打印仿生蜂窝聚合物网格（BHPG，如图1所示）加固的海洋珊瑚砂的力学行为尚未得到充分研究，特别是在加固层、围压和含水量对强度和变形的影响方面（Luo等人，2025b；Shi等人，2025a，2025b）。因此，对其力学特性的系统实验研究具有重要意义。

另一方面，海洋工程实践中加固MCCM的设计和优化传统上依赖于大量的三轴试验，这些试验耗时、劳动密集且难以涵盖所有复杂的工作条件（Wang等人，2025a；Yang等人，2025c）。跨学科研究在应对前沿挑战方面表现出强大的竞争力（Sui等人，2025a，2025b；Yang等人，2025a，2025b）。机器学习（ML）和深度学习（DL）技术能够模拟非线性关系和高维数据，为预测加固材料的强度提供了有前景的替代方法（Shi等人，2025a，2025b）。然而，现有研究往往使用单一的ML模型（BPNN、SVM），这些模型无法捕捉三轴剪切过程中强度演变的时间依赖性，导致预测精度和泛化能力有限（Chao等人，2022）。传统机器学习依赖于静态输入特征，无法捕捉三轴试验中的时间依赖行为和复杂的应力-应变演变，而单一的深度学习模型也无法有效提取空间和时间模式，这突显了混合模型的必要性（Yang等人，2025a，2025b）。像CNN-LSTM这样的混合深度学习模型，通过卷积神经网络（CNN）进行空间特征提取，并通过长短期记忆网络（LSTM）进行时间序列学习，为预测BHPG加固的MCCM的强度提供了有效方法（Jin等人，2025；Shen等人，2022）。在MCCM的三轴试验中，力学响应表现出强烈的时间依赖性，反映了材料的“记忆”特性（Ding等人，2022）；加载路径和循环应力持续影响后续的强度和变形（Lv等人，2021；Zhou等人，2024）。虽然CNN能够捕捉局部非线性特征（如屈服点和峰值强度），但在模拟这些时间依赖性方面存在困难（Jing等人，2022；J?rges等人，2023）。通过结合LSTM，CNN-LSTM将空间特征嵌入动态序列建模中，使模型不仅能够检测瞬时模式，还能追踪加载的完整演变过程，从而显著提高预测精度和泛化能力，为复杂海洋环境中基础材料的强度评估提供了可靠工具（Liu等人，2020；Meng等人，2022；Sareen等人，2023；Wang等人，2022c；Zhao等人，2023）。然而，这种方法尚未应用于BHPG加固MCCM的实际工程案例中。

为填补这些研究空白，本研究结合了物理实验和人工智能方法进行了全面研究。首先进行了一系列三轴剪切试验，评估加固类型、围压（50–200 kPa）、加固层（0–2层）和含水量（0%–27%）对MCCM的偏应力-应变行为和颗粒破坏的影响。通过扫描电子显微镜（SEM）和透射电子显微镜（TEM）分析了MCCM和聚合物网格的微观结构特性，以阐明BHPG的加固机制。随后，基于1200组三轴试验数据，开发了通过遗传算法（GA）和粒子群优化（PSO）优化的ML模型（BPNN、SVM），以及DL模型（CNN、CNN-LSTM），用于预测MCCM的强度。使用Shapley Additive Explanations（SHAP）进行敏感性分析，确定了关键影响因素，并从最优CNN-LSTM模型中推导出经验公式，并建立了图形用户界面（GUI），以促进海洋工程应用。

研究片段

海洋珊瑚砂和海洋珊瑚粘土

试验材料包括来自南海的海洋珊瑚砂和海洋珊瑚粘土（Wu等人，2021）。经过干燥和筛分后，选择了粒径在0.074 mm至2 mm之间的颗粒用于实验，而所有海洋珊瑚粘土颗粒的粒径均小于0.074 mm，这与其他几位学者的采样方法一致（Chen等人，2024；Wang等人，2022b）。图2展示了所使用的海洋珊瑚砂和海洋珊瑚粘土

人工智能方法

本研究采用了两种机器学习算法，即BPNN（反向传播神经网络）和SVM（支持向量机）。为了优化机器学习过程，还应用了GA（遗传算法）和PSO（粒子群优化）。此外，还结合了两种深度学习算法，CNN（卷积神经网络）和LSTM（长短期记忆）。这些方法的主要优势有：

1.

所有这些算法都是按照标准流程创建的

偏应力-应变关系

图9显示了基于实验数据的每组的偏应力-应变曲线。结果表明，BHPG加固的效果明显优于传统的TPG（T）和BPG（D）加固。在200 kPa的围压下，两层BHPG加固的试样在15%应变时达到最大应力4773.531 kPa。此外，BHPG加固的试样表现出更明显的应变硬化行为。

图10显示了含水量对海洋珊瑚砂-珊瑚粘土的影响

进一步研究的方向

本研究开发的CNN-LSTM模型通过捕捉时间依赖性和复杂特征相互作用，实现了对加固MCCM强度的快速准确预测。这种方法减少了实验工作量、材料使用量和设计成本，尽管仍存在一些需要在未来工作中解决的局限性。（1）在实际海洋工程中，除了海洋珊瑚砂外，还可能存在其他类型的砂，如海洋硅质砂，因此需要考虑砂的均匀性

总结与结论

本研究系统地研究了用3D打印仿生蜂窝聚合物网格（BHPG）和其他聚合物网格加固的海洋珊瑚砂-珊瑚粘土混合物（MCCM）的力学行为，结合了三轴剪切试验、微观结构分析和先进的人工智能建模。通过分析关键因素（如加固类型、围压、含水量和加固层）对MCCM强度和变形的影响，并开发了混合深度学习模型

作者贡献声明

徐开伟：撰写——原始稿件、监督、软件、资源、项目管理、方法论、研究、资金获取、正式分析、数据管理、概念化。罗佳琪：撰写——审稿与编辑、项目管理、正式分析、数据管理。赵佳明：撰写——审稿与编辑、监督、软件、资源、项目管理、研究、数据管理。史丹达：撰写——审稿与编辑、可视化、验证、资源

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢以下机构的持续支持：国家自然科学基金：编号52571297、52471290、52301327；中国博士后科学基金：编号2024T170217、2023M730929；四川省断裂力学与工程灾害防治重点实验室：编号FMEDP202209；上海航海计划：编号22YF1415800、23YF1416100；上海自然科学基金：编号23ZR1426200、24ZR1427900；上海软科学重点