智能手机摄影——不规则珊瑚沙颗粒的AI重建建模及其应用探索

《Powder Technology》：Smartphone photography-AI reconstruction modeling of irregular coral sand particles and exploration of its applications

　　•人工智能通过智能手机图像重建珊瑚砂颗粒，其结果经CT验证。•经过权重调整的网格满足了数值模拟的需求。•不规则粗颗粒周围的渗流与球形颗粒模型存在差异。•基于人工智能的框架可实现从月球土壤扫描电镜图像进行三维重建。

引言
珊瑚砂是一种钙质沉积物，由珊瑚和有孔虫等海洋生物的骨骼残骸经过生物侵蚀、化学溶解及地质作用形成，广泛分布于南北纬30°之间的热带海域[1]。由于储量丰富且易于获取，珊瑚砂已成为海上资源开发与人工岛填海工程的重要基础材料[2][3]。与陆源石英砂不同，珊瑚砂颗粒因其独特的生物成因，通常具有高度不规则的外部形态、多孔的骨架结构、较高的孔隙比以及明显的易碎性[4][5]。这种不规则的颗粒形状和内部孔隙结构决定了颗粒间的接触行为、力链网络以及孔道分布，进而影响其宏观力学响应和渗透特性[6][7]。因此，准确获取并定量描述珊瑚砂颗粒的三维形态，是进行可靠数值模拟和工程分析的前提条件。

随着介观和微观表征技术的发展，X射线计算机断层扫描（X-CT）已成为捕捉颗粒外部形态和内部孔隙结构的最常用高精度方法之一[8]。周等人[8]利用CT扫描对碳酸盐砂颗粒进行了系统分类，并对其内部孔隙结构进行了定量分析。李等人[9]研究了颗粒形态和内部孔隙分布对钙质砂力学响应的耦合效应。李等人[10]进一步提出了将大视觉模型与CT断层扫描相结合的框架，用于珊瑚砂颗粒的三维重建与追踪。这些研究体现了CT技术的显著优势，但CT设备通常价格昂贵、操作复杂，且仅适用于实验室环境[11]，难以在物流支持有限的偏远海岛-珊瑚礁地区使用。三维激光扫描也存在类似限制，如设备庞大且对粗糙多孔表面敏感[12]，而光学显微镜和扫描电子显微镜则主要只能获取二维形态信息[13]。因此，现有方法在便携性和野外适用性方面仍存在明显不足，亟需一种轻便、低成本且适合野外应用的替代方案。

近年来，人工智能与计算机视觉的深度整合使得仅凭一张或少量图像就能恢复三维结构成为可能。从传统的多视图立体成像（MVS）和运动结构恢复（SfM）方法，到神经辐射场（NeRF）[14][15]，再到3D高斯泼溅模型（3DGS）[16]，三维重建的精度和效率都得到了显著提升。如今，大规模预训练的多视图扩散模型已能够从单张图像重建出相对完整的三维几何结构[17]，而3DGS的渲染速度比NeRF快多个数量级，同时仍能保持相当的重建精度[18]。尽管这些技术已在游戏、电影制作和数字文化遗产保护等领域得到广泛应用，但在岩土工程领域的应用仍然有限。尤其是，人工智能重建的模型是否能够满足工程数值模拟所需的几何精度，仍有待验证。

岛礁地基不仅面临波浪、潮汐和高腐蚀性海水等特殊水动力环境，还受到高地应力、高孔隙水压力以及复杂地层结构等深层因素的影响，因而表现出明显的多场耦合特征。离散元法（DEM）是研究颗粒材料微观力学行为的重要工具[19]，而计算流体动力学-离散元法（CFD-DEM）则进一步将流体-颗粒相互作用纳入分析体系[20][21]。关于三轴压缩条件下颗粒流动的DEM-DFM建模进一步表明，颗粒尺度模拟能够捕捉土壤变形、孔隙结构及侵蚀质量之间的耦合演化过程[22]。利用成型砂颗粒进行的空心圆柱扭转剪切试验的DEM模拟，阐明了初始结构各向异性、力链演化以及剪切带形成在宏观响应中的作用[23]。然而，虽然球形颗粒假设能提高计算效率，但它无法充分体现不规则颗粒形态所导致的各种物理机制，如互锁效应、旋转受限以及各向异性接触，这些因素可能导致模拟结果与实际宏观力学响应之间存在较大偏差[7][24][25]。目前，DEM中表示不规则颗粒的主要方法包括多球体填充法[26]、基于数学形态学的描述，以及直接导入通过CT扫描重建的真实颗粒形状的STL模型[8][27]。其中，直接导入真实形状模型最能保留颗粒的几何特征；但由于通过CT数据重建的高精度模型通常包含数十万个三角形面，直接在DEM中使用会大大增加接触搜索和数值计算的成本。尽管传统的低分辨率体素重建可以有效减少面数，但会在离散化过程中导致颗粒边缘、分支末端以及表面起伏等关键形态特征的严重丢失[28]。

在工程应用中，珊瑚砂的高孔隙率和强渗透性使得在潮位波动期间，流体能够快速渗透到颗粒骨架中，这与黏性土壤中常见的缓慢渗流行为有很大不同[5][29]。在重力反向作用下的渗流过程中，即水位上升阶段，细小颗粒可能会通过粗颗粒骨架迁移并流失。长期来看，这一过程可能导致分级恶化、局部管涌以及地基承载力下降等工程问题[30]。近年来，CFD-DEM耦合方法已被成功用于研究级配土中的管涌机制[31]。熊等人[30]利用CFD-DEM研究了潮汐波动作用下钙质砂的管涌现象，发现细小颗粒在周期性渗流过程中会出现逆向迁移。黄等人[32]建立了一个结合有符号距离场（SDF）的CFD-DEM框架，该框架考虑了珊瑚砂颗粒的不规则形态和内部孔隙，结果表明颗粒内部孔隙可通过捕获细小颗粒来抑制管涌。近期基于DEM的流体-固体耦合研究进一步证明了CFD-DEM和SPH-DEM在颗粒尺度流动问题中的价值。CFD-DEM已被用于研究海上桩基周围的局部冲刷以及涉及级配颗粒的两相流现象[33][34]。SPH-DEM是一种无网格方法，在存在大幅流体变形、自由面运动以及复杂颗粒输运的问题中具有明显优势[35][36]。例如，SPH-DEM对单桩周围局部冲刷的模拟表明，桩的形状和方向会影响涡旋发展、颗粒运动以及冲刷形态[37]。这些研究表明，CFD-DEM和SPH-DEM都是分析流体-颗粒相互作用的有效工具。不过，本研究侧重于不规则珊瑚砂骨架中的重力反向渗流及细小颗粒迁移现象，未涉及强烈的自由面变形或单桩冲刷问题，因此采用了CFD-DEM方法。该方法适用于施加水力梯度边界条件、计算孔隙尺度渗流场，以及将流体流动与经过权重调整的真实形状DEM颗粒相结合。然而，目前大多数相关研究仍采用球形颗粒或简化的多球体填充模型，因此无法真实反映珊瑚砂高度不规则形态对渗流通道分布及细小颗粒迁移路径的影响。因此，将基于真实形状不规则颗粒的CFD-DEM模拟引入岛礁渗流问题研究，有望揭示在球形颗粒假设下无法捕捉到的颗粒尺度上的流体-颗粒相互作用机制。实现这一目标的关键前提是解决高效的颗粒形状获取和模型轻量化这两个核心问题。

本研究提出了一种基于智能手机摄影的、由人工智能辅助的不规则珊瑚砂颗粒三维重建方法。通过将多视图扩散模型与3D高斯泼溅模型（3DGS）相结合，从智能手机图像中重建出了三维颗粒模型，并通过二维投影重叠分析以及基于三维CT的对比，验证了这些模型的几何精度。此外，还采用了一种基于二次误差度量（QEM）的保特征网格简化方法，将网格面数从数十万减少到约6000个，同时保留了关键的形态特征。在此基础上，开展了颗粒入水沉降试验，以验证CFD-DEM耦合方法的有效性，进而进行了重力反向渗流数值模拟，研究在潮位上升过程中细小颗粒在不规则粗颗粒骨架内的迁移行为。最后，进一步探讨了该方法在岛礁工程、生态环境研究以及月球土壤微观颗粒三维重建中的应用潜力。

章节节选
珊瑚砂材料
本研究所用的珊瑚砂采集自中国南海的一处岛礁。所有样本均为未固结的松散沉积物，采集深度为地下水位以上0.0–3.5米。经过筛分分析后，所得颗粒尺寸分布曲线如图1所示，不同尺寸范围内的珊瑚砂颗粒则展示在图2中。值得注意的是，粗珊瑚砂颗粒的高度不规则形态增加了本研究的复杂性。

人工智能重建模型与CT源模型之间的相似性评估
从单张图像进行三维重建本质上是一种针对缺失视点的病态推理过程。为了定量且客观地评估人工智能生成的珊瑚砂三维模型与真实物理颗粒之间的形态差异，采用了X-CT扫描来对比源颗粒与人工智能生成的颗粒。在评估3D重建模型的精度之前，首先分析了CT扫描得到的三角网格特性。

不规则颗粒模型在CFD-DEM模拟中的应用
回到本研究的核心主题，我们关注的是其在岛礁地质工程和岩土工程中的实际应用。尽管关于降雨入渗到土壤或珊瑚砂中的数值研究较为常见，但珊瑚砂海岸与普通土壤斜坡存在显著差异。在后者中，地下水位也会升降，但由于渗透性较低，渗流效应主要表现为水填充气相孔隙。在……

结论
本研究基于智能手机摄影和人工智能建模，开发了一种用于不规则珊瑚砂颗粒的三维重建方法。通过多视图深度学习推理、视点一致性优化、显式几何提取以及材料解耦，生成了可用于离散元模拟的颗粒模型文件。在此基础上，对珊瑚砂海岸的重力反向渗流进行了CFD-DEM耦合模拟。

手稿准备过程中的生成式人工智能与人工智能辅助技术声明
在撰写本论文的过程中，作者们使用了生成式人工智能和人工智能辅助工具来优化英文文本，以及处理概念图的矢量化与精细化工作。此外，本研究还运用了人工智能辅助方法来支持不规则颗粒的三维重建，这与本研究的核心内容相契合。相关应用细节已在手稿的方法论部分进行说明。

作者贡献声明
黄文旭：写作——审阅与编辑，写作——初稿，验证，软件，研究。刘婷婷：写作——审阅与编辑，研究，资金获取，数据整理。李文浩：软件，形式分析，概念构建。陈尚远：资源，研究，资金获取。魏晓青：软件，数据整理。谭庆：写作——审阅与编辑，软件。李新平：监督，项目管理。

利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢
本研究得到了中国国家重点研发计划（编号2023****106500）、湖北省自然科学基金（编号2024AFA041）以及海南省自然科学基金（编号525YXQN597）的支持。

黄文旭|刘婷婷|李文浩|陈尚远|魏晓青|谭庆|李新平