《Computers and Geotechnics》：Prediction of rigid rockfall barrier settlement under dynamic impact using numerical modelling and machine learning methodologies
编辑推荐：
本研究提出一种融合有限元建模与机器学习的混合预测框架，用于快速准确预测刚性混凝土挡石墙在动态冲击载荷下的沉降。通过Abaqus进行高保真三维FEM模拟，结合GBM、XGBoost和SVR算法训练，验证GBM在500个样本数据集上的最佳预测性能，并利用SHAP分析量化地质参数影响。该框架显著减少计算时间（从6小时降至秒级），同时保持高精度，为刚性挡石墙初步设计提供可靠工具。
拉胡尔·库马尔 | 维拉特·辛格·乔汉 | M.R. 萨迪克 | 莫罕德·马斯鲁尔·阿拉姆
印度阿里格尔穆斯林大学土木工程系，阿里格尔 202002
摘要
本研究提出了一个混合预测框架，将有限元建模（FEM）与机器学习（ML）相结合，用于快速准确地预测在动态冲击载荷作用下的刚性钢筋混凝土落石屏障的沉降情况。在Abaqus中进行了高保真度的三维FEM模拟，其中屏障采用混凝土损伤塑性（CDP）公式进行建模，支撑土壤使用莫尔-库仑塑性本构模型表示，冲击岩石质量被理想化为刚体以确保保守的响应估计。通过系统地改变关键冲击和岩土工程参数，生成了包含500个FEM衍生样本的数据集。使用该数据集训练了多种ML算法，包括梯度提升机（GBM）、极端梯度提升（XGBoost）和支持向量回归（SVR），并进行了比较评估。除了预测准确性之外，本研究还明确探讨了不同ML范式在模拟高度非线性土-结构相互作用问题方面的适用性，从而确定了适用于刚性落石屏障沉降预测的合适学习算法。在评估的模型中，GBM表现出最一致的预测性能。特征重要性分析和SHapley加性解释（SHAP）被用来量化岩土工程参数对沉降预测的影响，并提供物理解释能力。所提出的FEM-ML框架在保持高准确性的同时显著减少了计算时间，为刚性落石缓解系统的初步评估建立了一个经过验证的、可解释的、基于算法的工具。
引言
落石是山区最常见的地质现象之一，对基础设施、交通网络和人类生命构成持续威胁（Guccione等人，2025年）。为了减轻这些危害，沿脆弱走廊广泛安装了工程屏障。柔性屏障因其能量吸收能力而受到青睐。然而，由于其结构坚固性、低维护要求和成熟的设计实践，刚性混凝土屏障仍然是首选（Kumar等人，2025年）。尽管应用广泛，但预测刚性屏障的动态性能仍然非常复杂。这种复杂性源于冲击岩石质量、屏障结构和支撑土壤基础之间的耦合相互作用（Volkwein等人，2011年）。
历史上，有两种主要方法用于理解和设计落石屏障：实验测试和有限元建模（FEM）。大规模实验研究可以提供关于屏障在受控冲击条件下的响应机制和失效模式的可靠见解。然而，此类测试成本高昂且物流上具有挑战性。它们在复制特定现场的岩土工程和冲击情景方面的能力也有限。因此，FEM作为一种强大的替代方案应运而生。它能够明确地模拟土-结构相互作用、材料非线性和动态接触行为（Guccione等人，2025年；Senanayake等人，2024年；Zhang等人，2025年）。尽管如此，基于FEM的模拟仍然计算量大。它们需要大量的网格划分、复杂的本构建模和长时间的运行。当FEM应用于需要多次迭代的参数研究或初步设计阶段时，这些限制尤为显著。
近年来，人工智能（AI）和机器学习（ML）的进步显著扩展了它们的范围和能力，为岩土工程和结构工程中的高效预测提供了可能性（X. Liu等人，2023年；Wu等人，2025年）。ML技术已成功应用于斜坡稳定性评估（Chauhan等人，2025a；Chauhan等人，2025b；Chauhan等人，2025c；Chen等人，2025年；Sordo等人，2025年）、隧道沉降预测和结构损伤检测等问题。它们的有效性在于能够捕捉复杂的非线性关系，并以最小的计算成本提供快速预测（Yoo和Kim，2007年；Rao等人，2024年）。然而，许多ML应用的一个关键限制是它们对数据质量的依赖性。另一个问题是它们的物理可解释性有限。为了解决这个问题，Phoon和Zhang（2022年）强调了一个以数据为中心、以实践为导向的框架。他们提倡开发专门针对岩土工程问题的ML模型，而不是直接采用通用算法。进一步的研究展示了ML和深度学习方法在地质灾害问题中捕捉非线性和时间行为的能力（Cisneros Eufracio等人，2025年）。这些包括滑坡位移预测和基于可靠性的岩土工程设计替代建模（Wang等人，2023年；Zhang等人，2023年）。
尽管取得了这些进展，文献中的一个反复出现的主题是，没有一种方法能够同时满足物理真实性和计算效率的要求（C. Liu等人，2026年）。实验方法确保了高保真度，但缺乏可扩展性。FEM提供了详细的机制洞察，但不适合快速或迭代设计。ML提供了速度和适应性，但如果单独使用可能会牺牲物理透明度。值得注意的是，将FEM和ML集成用于落石问题的研究主要集中在柔性屏障系统上。这些研究通常采用混合FEM-DEM方法（Thoeni等人，2014年；Su等人，2023年）。相比之下，刚性混凝土落石屏障的研究较少，其中基础沉降而非结构变形决定了性能。因此，为这类系统开发面向设计的混合预测工具仍然很少。
本研究通过将高保真度有限元建模（FEM）与先进的机器学习（ML）技术相结合，解决了落石屏障研究中的关键空白，用于预测在动态冲击载荷作用下的刚性混凝土落石屏障的沉降情况。所提出的框架整合并系统评估了多种ML算法，包括梯度提升机（GBM）、极端梯度提升（XGBoost）和支持向量回归（SVR），从而实现快速准确的响应预测（Abouelmaty等人，2024年）。与依赖计算密集型数值模拟或纯数据驱动方法的现有研究不同，该框架的新颖之处在于：（i）它专门针对刚性落石屏障系统；（ii）整合了基于SHAP的可解释人工智能，以提供对控制沉降行为的关键岩土工程参数的物理意义解释；（iii）对基于集成树的和非基于树的学习算法进行了比较和特定应用的评估，从而确定了适用于刚性落石屏障沉降预测的合适且稳健的ML范式。通过明确检查算法性能而不仅仅是预测准确性，该研究建立了一个经过验证的、可解释的、基于算法的FEM-ML框架，适用于刚性落石缓解系统的初步设计和性能评估。
由于GBM在中等规模数据集上的稳健性和内置的正则化机制，因此被选为主要模型。此外，还评估了XGBoost，因为它具有优化的提升公式和通过L1-L2正则化增强的泛化能力。支持向量回归（SVR）被包括在内，作为非基于树的算法与基于树的集成模型进行对比。使用混凝土损伤塑性模型（Lee和Fenves，1998年）和土壤的莫尔-库仑准则（Taborda等人，2022年）进行的高保真度FEM模拟，生成了物理上一致的训练数据。针对10个未见过的FEM案例的验证显示了高预测准确性。结果还表明计算时间从几小时显著减少到了几秒。这证实了该框架作为一个实用的、可解释的、面向设计的工具，适用于刚性落石屏障的初步评估。
部分片段
数值模拟
使用配备了64 GB RAM并由Intel Xeon E5-2620处理器驱动的Dell Precision Tower 7610工作站，在Abaqus中进行了三维有限元分析。提交输入文件后，每次模拟通常需要大约6个CPU小时来完成计算过程，包括模型执行和后处理，总共大约需要3000个CPU小时来生成训练数据模拟，从而得出750个CPU小时的结果
网格划分和边界条件
在Abaqus中使用实体3D组件开发了钢筋混凝土刚性落石屏障及其周围土壤的三维有限元模型。屏障墙使用C3D8R类型（Continuum 3D，8节点，简化积分）的六面体元素进行离散化。钢筋用T3D2桁架元素表示，刚性球形岩石块用R3D4刚性表面元素建模。土壤介质被定义为粘聚-摩擦（c-?）材料
机器学习
机器学习（ML）是人工智能的一个子领域，它允许计算系统在数据中识别模式并执行预测或决策任务，而无需明确编程。机器学习算法通常分为监督学习（使用标记的数据集训练模型以预测目标结果）、无监督学习（专注于在未标记数据中发现潜在模式或分组）和强化学习
结果与讨论
本研究采用了两种主要方法来预测沉降：有限元建模（FEM）和机器学习（ML）模型。从FEM模拟中生成的沉降结果被用作训练ML算法的基础数据集。
研究的局限性
所提出的FEM-ML框架使用了有限数量的未见过的FEM衍生案例进行了验证，由于实际和安全考虑，目前缺乏在受控冲击条件下刚性混凝土落石屏障的全面全尺寸实验或现场沉降数据。虽然数值响应趋势与已发表的实验和数值研究中的结果一致，但直接的现场规模验证可以进一步提高信心
结论
本研究开发并展示了一个混合FEM-ML框架，用于预测在动态冲击载荷作用下的刚性钢筋混凝土落石屏障的沉降，解决了高保真度数值建模与快速、面向设计预测之间的关键差距。通过系统地将三维显式有限元模拟与先进的机器学习算法相结合，所提出的方法在物理真实性和计算效率之间取得了平衡
CRediT作者贡献声明
拉胡尔·库马尔：撰写——原始草稿，验证，软件。维拉特·辛格·乔汉：撰写——原始草稿，调查，数据管理。M.R. 萨迪克：撰写——审阅与编辑，监督，正式分析。莫罕德·马斯鲁尔·阿拉姆：撰写——审阅与编辑，监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
