《Geotechnics》：On the Non-Uniqueness of the Settlement-Based Inverse Problem in Recovering Soil Modulus Profiles from Plate Bearing Test Data: The Case for a Simplified, Poisson Ratio-Calibrated Inversion Method
编辑推荐：
非破坏性原位试验，如平板载荷试验（plate bearing test），被广泛用于估算既有道路路堤的等效变形模量（例如，??v2）。然而，此类试验所采样的影响深度由承压板直径决定，因此单次试验仅能获得一个依赖于直径的平均模量，而非刚度随
非破坏性原位试验，如平板载荷试验（plate bearing test），被广泛用于估算既有道路路堤的等效变形模量（例如，??v2）。然而，此类试验所采样的影响深度由承压板直径决定，因此单次试验仅能获得一个依赖于直径的平均模量，而非刚度随深度的实际变化。本研究探讨了系统改变承压板直径并对所得的沉降–直径（弥散）曲线进行反演，是否能够恢复完整的随深度变化的刚度剖面??(??)。研究人员使用基于布辛尼斯克（Boussinesq）的正演模型，针对四类参考刚度剖面生成了合成沉降–直径曲线，这些剖面代表正常型（刚度随深度增加）和反向型（刚度随深度减小）的线性与指数趋势，并结合六种泊松比和五种剖面斜率/指数（每类剖面30个案例，共120个案例）。研究人员应用两种反演策略从每条弥散曲线反算??(??)：一种是经典的奥卡姆型（Occam-type）光滑性约束（Tikhonov正则化）非线性反演，另一种是基于视模量–直径曲线差分的直接闭式简化反演方法（SIM）。结果以已知参考剖面为基准进行对比。一旦校准使其控制参数仅取决于泊松比和实测弥散曲线的形状，SIM即可盲目应用——无需知道参考剖面或起始模型，仅需假设泊松比和已建立的校准——并且其恢复??(??)的误差显著低于奥卡姆反演（在四类剖面族中，加权绝对偏差WAD分别为2.2–4.7%和7.4–19.1%，均方根百分比误差RMSPE分别为2.6–5.8%和9.4–28.3%）。对于土体材料最典型的泊松比， ，校准进一步简化为对所有四个研究的剖面族通用的单一参数集（；刚度随深度增加时为，刚度随深度减小时为），无需任何校准方程即可在四个剖面族中实现WAD ≤ 4.2%。值得注意的是，奥卡姆反演在大多数情况下能高精度地重现沉降–直径曲线本身，但这种紧密的数据拟合并不能保证准确的刚度剖面——这是基于沉降的反问题内在非唯一性的直接体现。这些发现受其证据基础的限定：数据为无噪声，且来自反演中使用的同一正演算子；剖面光滑；校准在与产生该校准的相同案例上进行评估；奥卡姆对比特定于L曲线选择的正则化。在这些限制内，SIM是正则化反演的一个有前景的替代方案；测量噪声、层状剖面和现场验证是后续步骤。
《Geotechnics》期刊上发表了一项关于平板载荷试验反演土体模量剖面的系统性研究。该研究针对传统平板载荷试验仅能获得直径相关平均模量的固有局限，探讨了利用多直径试验数据反演深度相关刚度剖面??(??)的可行性，并提出了一种简化的闭式反演方法（simplified inversion method, SIM）与经典正则化反演方法进行对比。
研究背景方面，既有道路路堤的力学状态评估是交通岩土工程的重要任务。平板载荷试验作为标准化原位测试，可直接测量荷载-沉降响应，并给出广泛使用的变形模量（如??
v2）。然而，其影响深度由承压板直径控制，单次试验只能得到影响体积内的加权平均模量，无法揭示刚度随深度的变化。两个路堤即使具有截然不同的刚度–深度剖面，也可能对同一板径给出相同的模量值；反之，同一路堤用不同板径测试会得到不同模量。这种直径依赖性通常被视为干扰，但研究人员将其视为可利用的信息源：若系统改变板径并记录沉降，所得的沉降–直径（弥散）曲线便编码了刚度随深度的变化。从该曲线恢复刚度剖面是一个与面波频散反演、落锤式弯沉仪反算具有相同数学结构的反问题，但该问题本质上是不适定且非唯一的。现有研究中，岩土工程领域对板载沉降数据的正则化反演关注甚少，通常仅通过直接优化反演少量层参数。因此，该研究旨在通过系统性合成基准评估多直径板载试验反演剖面的能力，并开发一种可直接应用的简化方法。
研究人员基于布辛尼斯克（Boussinesq）正演模型生成了四类参考刚度剖面（指数正常型、指数反向型、线性正常型、线性反向型）的120个无噪声合成沉降–直径曲线，结合六种泊松比和五种剖面斜率/指数。两种反演策略被应用：经典奥卡姆型（Occam-type）光滑性约束（Tikhonov正则化）非线性反演，以及基于视模量–直径曲线差分的直接闭式简化反演方法（SIM）。SIM通过剥层（peeling）方式逐层估计模量，仅需两个校准参数：影响系数??和深度比??。所有数据均为合成数据，无现场样本队列。
研究结果分述如下。4.1 SIM校准结果：研究人员通过穷举网格搜索获得每个案例的最优参数对，发现RMSPE误差景观比WAD更尖锐，更利于参数辨识。统计校准采用二次响应面将最优参数拟合为泊松比和弥散曲线形状描述符的函数，决定系数中位数约0.9，盲应用仅造成轻微精度损失。在ν=0.3时，校准进一步简化为通用常数：影响系数??=1.0适用于所有剖面族，深度比??仅根据弥散曲线斜率方向选择（正常剖面??=0.5，反向剖面??=0.35），无需任何校准方程即可达到WAD≤4.2%的精度。4.2 奥卡姆结果与正则化参数作用：数据拟合误差RMSPES–D随正则化参数??增大而单调增加，而剖面误差在中间??处出现极小值。然而，基于L曲线最大曲率的自动选择准则无法识别该最优??，导致盲目选择的??远离最优值，剖面误差远高于该方法在理想选择下可达到的水平。4.3 弥散曲线重现与剖面恢复：对比显示，SIM的剖面恢复误差远低于奥卡姆反演（WAD 2.2–4.7%对7.4–19.1%，RMSPE 2.6–5.8%对9.4–28.3%），但SIM对弥散曲线的重现误差却远高于奥卡姆。几乎所有120个案例中，奥卡姆能极好地拟合数据却给出错误剖面，而SIM剖面准确但数据拟合较差。这种颠倒关系定量证明了基于沉降反问题的非唯一性。4.4 各剖面族行为：反向指数型（Family 2）对奥卡姆最不利，其剖面误差最大（WAD 19.1%）但数据拟合最好；正向指数型（Family 1）对两种方法均最有利。SIM在正常剖面族中自动选择基于柔度的差分变体，在反向剖面族中选择基于模量的差分变体，与基于斜率符号的选择规则一致。
讨论部分总结了三个核心观点。第一，正则化反演在偏差-方差框架下，其多参数模型容易将信息用于拟合数据而非恢复剖面；SIM通过剥层直接利用每次观测增加的信息，避免了这一问题。第二，通用校准的稳健性源于剥层过程不预设剖面形状，仅需校正模量尺度和深度定位，因此通用参数不产生通用剖面。第三，剖面准确性与数据重现是两个不同的度量：重现弥散曲线需要知道比数据可分辨深度更深处的剖面，SIM明确报告其分辨深度内的结果，而奥卡姆通过光滑性先验隐式补充深层结构，从而获得虚假的拟合。研究局限性包括：数据无噪声、正演算子与反演一致、校准在与生成案例相同的数据上评估、奥卡姆结果特定于L曲线选择规则等。
研究结论为：SIM通过剥层恢复刚度剖面，而非拟合预设函数，在120个合成案例中实现了WAD 2.2–4.7%和RMSPE 2.6–5.8%的精度，优于奥卡姆反演1.6–7倍。在ν=0.3时，校准简化为通用规则，无需校准方程即可应用。对于其他泊松比，最优参数随ν和形状描述符平滑变化。奥卡姆反演在数据拟合上更优，但剖面误差更大，且L曲线无法选择最优??，这证明了基于沉降反问题的非唯一性。未来需在测量噪声、层状剖面和现场数据条件下进一步验证SIM的适用性。
