采用离散-连续耦合方法的岩填体宏观-微观参数智能反演模型

《Particuology》：Intelligent inversion model of macro-micro parameters for rockfill using discrete-continuous coupling method

基于大坝变形监测数据构建了RUN-XGBoost智能反演模型，通过离散-连续耦合方法实现岩填筑体宏观与微观参数的协同反演，解决了传统方法精度低、计算慢的问题，显著提升工程安全评估效率。

　　

马春辉|高明远|侯圆圆|程琳|柴俊瑞|伊布罗希莫夫·霍菲兹

西安理工大学水资源与水电学院，中国西安，710048

摘要

本研究探讨了传统反馈分析方法在坝体建筑材料分析中的局限性，这些方法存在精度低、计算时间长以及无法捕捉微观力学性能的问题。我们提出了一种新的宏观-微观参数联合智能反馈分析模型，该模型基于坝体变形监测数据，能够高效准确地确定这些材料的宏观和微观参数。通过使用智能逆向分析模型，研究人员可以推导出离散-连续耦合模型的宏观和微观材料参数，从而有助于优化设计标准并指导坝体的建造和运行。为了进一步提升这一过程，我们构建了一个自适应替代模型，该模型采用了龙格-库塔优化器（RUN）和极端梯度提升（XGBoost）算法。该模型能够捕捉宏观参数、微观参数与坝体沉降之间的复杂非线性关系，减少了耗时的数值模拟需求。利用面板堆石坝的变形监测数据，RUN-XGBoost算法有效地解决了逆向分析问题。研究结果表明，这种智能逆向分析模型能够快速准确地确定堆石坝的参数，提高了宏观-微观参数计算的精度，并能够全面研究堆石材料的力学演化，对结构安全分析具有重要的意义。

引言

由于混凝土面板堆石坝（CFRD）具有适应复杂地质条件、易于建造和结构可靠性的优点（Hunter & Fell, 2003; Saberi et al., 2022），对清洁能源需求的增加加速了其广泛应用。近年来，CFRD的高度已超过300米。然而，由于测试条件、施工质量和运行环境的差异，设计参数往往无法准确反映现场材料特性（Chen et al., 2024; Song et al., 2023; Yang et al., 2024），导致预测的沉降量经常低于实际测量值（Zhou et al., 2011）。由于堆石坝由颗粒材料组成，其宏观力学响应本质上受介观尺度行为（如颗粒破碎和各向异性）的控制（Cheng et al., 2023; Cui et al., 2023），因此深入理解微观变形机制对于准确预测坝体变形和提升安全评估至关重要（Chakraborty & Honkanadavar, 2021; Qin et al., 2020; Wu et al., 2020; Zhu et al., 2020）。

离散元方法（DEM）是介观力学研究的基石，能够模拟颗粒间的相互作用和力传递（Ma et al., 2020）。然而，由于缺乏标准化的校准程序，确定介观参数仍然是一个重大挑战（Bu et al., 2023; Coetzee, 2017）。大多数现有研究依赖于试错方法来校准这些参数并将其与宏观响应相关联（Hu et al., 2023; Wei et al., 2022）。例如，Zhang et al.（2022）开发了一种灵活边界校准方法来捕捉非线性介观-宏观相关性，而Liu et al.（2022）和Hu et al.（2024）在不同接触模型下研究了参数敏感性。此外，Wu et al.（2023）结合灰色模型和回归分析来精细参数识别，取得了与实验观测结果的高度一致。

人工智能（AI）的快速发展显著提高了逆向分析的精度和效率。智能算法（如神经网络、遗传算法、粒子群优化和支持向量机）成功建立了观测到的变形数据与模型参数之间的非线性映射（Peng et al., 2023; Wen et al., 2023）。例如，Pan et al.（2022）提出了一个基于神经网络的框架，有效识别了高CFRD的介观参数。Zhang et al.（2024）进一步发展了ResGRU深度学习模型，整合了时空特征以实现高精度沉降预测。Wang et al.（2020）利用径向基函数神经网络（RBFNN）与改进的并行遗传算法（MPGA）来确定动态参数。然而，大多数研究侧重于宏观本构建模，往往忽视了介观参数的校准。因此，CFRD服役寿命期间的介观变形特性及其演化仍不甚清楚。

当前的逆向分析策略通常局限于单一尺度。虽然宏观尺度逆向分析具有计算效率，但它将坝体视为连续体，忽略了颗粒级机制（如颗粒破碎）（Ai et al., 2025）。相反，微观尺度逆向分析提供了物理洞察，但在全尺寸应用中通常计算成本过高，且缺乏与宏观变形场的直接映射（Wang et al., 2021）。所提出的耦合框架解决了这些限制。通过使用RUN-XGBoost替代模型来桥接离散和连续域，该模型在关键区域保持了介观真实性，同时保持了工程尺度逆向分析所需的计算可行性。

鉴于实验室测试和现场施工中的固有不确定性，逆向分析被认为是推导运行条件下代表性堆石参数的有效方法。这种精度对于CFRD的设计优化和安全保障至关重要。为了克服传统限制，本研究开发了一个联合宏观-介观逆向分析框架，将离散-连续耦合模型与RUN-XGBoost智能替代模型相结合。通过使用广泛的模拟数据集训练替代模型，并以测量沉降数据作为逆向目标，该框架能够快速准确地识别宏观-微观参数，捕捉材料行为与坝体变形之间的复杂非线性关系。本研究有三个主要贡献：（1）利用现场监测数据，弥合实验室推导参数与运行参数之间的差距；（2）提出了一种结合离散-连续耦合模型与智能替代模型的新型联合逆向分析框架；（3）提供了一种物理上可解释的方法来研究堆石的介观力学演化，为CFRD的设计、建造和安全评估提供了理论指导和实际帮助。

部分摘录

离散-连续耦合原理

离散-连续耦合方法将连续域的有限差分法（FDM）与介观力学演化的离散元方法（DEM）相结合。这种集成有效地捕捉了颗粒集合中的宏观和介观行为（Abdi et al., 2025; Valera et al., 2023），使其在计算效率和预测准确性方面具有优越性。

在实现方面，耦合域方案

RUN-XGBoost智能算法原理

基于学习的智能优化算法的快速发展显著增强了工程解决方案（Li et al., 2021）。特别是Ahmadianfar等人（2021）提出的龙格-库塔优化器（RUN）作为一种新颖的元启发式算法脱颖而出。该方法结合了经典龙格-库塔方法的梯度搜索机制和随机探索，平衡了全局和局部搜索能力。

堆石坝离散-连续耦合模型的构建方法

建立精细高效的数值模型是进行堆石材料宏观-介观参数逆向分析的前提。为此，本研究采用了一个离散-连续耦合框架，整合了不同尺度方法的互补优势。宏观变形通过连续介质模拟来捕捉，而介观力学响应通过离散建模来解决。

RUN-XGBoost模型训练

在本研究中，使用RUN-XGBoost算法对堆石材料的宏观-微观参数进行联合逆向分析。在数据生成方面，拉丁超立方抽样（LHS）生成了包含300个参数组合的数据集用于模型训练，另外准备了30组数据用于测试。

为了提高泛化能力并减少过拟合，在超参数调整过程中对训练集实施了5折交叉验证。RUN算法

结果

基于第4节的研究结果，混合RUN-XGBoost模型成功推导出了准确的宏观参数，为研究微观力学性能提供了可靠的输入条件。主要结果包括：（1）利用反演参数的耦合模型能够准确再现ES2测量线上的沉降演化；（2）模拟值与现场测量值之间的偏差很小（通常在几厘米范围内）；（3）空间分布

讨论

通过将离散-连续耦合模型与RUN-XGBoost智能逆向分析框架相结合，本研究显著提高了计算效率和精度，有效解决了混凝土面板堆石坝（CFRD）服役期间遇到的实际工程挑战。主要研究结果总结如下：

(1)

智能逆向模型的适应性：RUN-XGBoost模型消除了手动调整参数的需要，

结论

本研究开发了一种离散-连续耦合模型和改进的RUN-XGBoost逆向分析框架，用于研究混凝土面板堆石坝（CFRD）中堆石材料的变形行为和宏观-微观力学特性。主要结论总结如下：

(1)

RUN-XGBoost模型显著提高了宏观-微观参数反演的稳定性和准确性。此外，它有效地捕捉了材料之间的非线性关系

CRediT作者贡献声明

马春辉：撰写——原始草稿、软件、方法论。高明远：调查、数据管理、概念化。侯圆圆：验证、监督。程琳：项目管理、调查。柴俊瑞：撰写——审阅与编辑。伊布罗希莫夫·霍菲兹：正式分析。

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的研究工作。

致谢

本研究得到了国家自然科学基金（项目编号：52409173）、国家自然科学基金-黄河水利科学研究联合基金项目（项目编号：U2443230）、陕西省教育厅资助的科学研究计划（项目编号：23JY058）以及陕西省科技发展计划项目（项目编号：2024CX-GXPT-23）的支持。