一种针对离散元模型参数的多源智能校准新方法及其在边坡土壤宏观-微观强度分析中的应用

《Engineering Applications of Artificial Intelligence》：A novel multisource-intelligent calibration method for discrete element model parameters and application in macro-mesoscopic strength analysis of slope soil

离散元法（DEM）参数标定方法研究。通过多维相关性分析构建多源数据集，融合XGBoost和LIME-SHAP算法建立可解释预测模型，结合遗传算法实现动态优化标定。验证表明该方法有效整合多源数据，预测精度高且满足物理一致性原则，在边坡工程中展现良好应用效果。

　　

邓志兴|王五斌|张顺|徐林荣|苏倩

中南大学土木工程学院，中国湖南长沙，410075

摘要

离散元方法（DEM）的介观参数对于准确模拟边坡土壤的强度特性至关重要。现有的DEM参数校准方法存在多源数据挖掘不足和智能化水平低的问题，这严重限制了校准结果的准确性和可靠性。因此，本研究提出了一种基于多源数据的智能DEM参数校准方法。首先，利用多维相关性分析方法确定关键的DEM参数，并基于这些关键参数、测试参数和土壤固有特性构建多源数据集。然后，采用网格搜索交叉验证（GridSearchCV）和极端梯度提升（XGBoost）从多源数据中挖掘信息，并结合多种可解释性分析算法来提高模型的透明度，从而开发出一种可解释的土壤强度预测模型。最后，将遗传算法（GA）与预测模型结合，实现关键DEM参数的动态优化和智能校准。校准结果经过全面验证后，用于分析边坡土壤的宏观-介观强度特性。结果表明，GSCV-XGBoost模型能够有效整合多源数据，其预测结果不仅符合物理一致性原则，而且具有较高的预测精度。所提出的智能校准方法提高了DEM参数校准的准确性，并已在特定边坡工程中显示出良好的应用效果。

引言

边坡失稳灾害是全球范围内最普遍且发生频率最高的灾害类型之一，具有极其显著的破坏力和影响范围（Millán和Galindo，2025；Xu等人，2025a；Wang，2025）。在边坡失稳过程中，土壤强度的退化是一个关键因素（Wu等人，2024）。离散元方法（DEM）作为一种高效的颗粒系统数值模拟技术（Zhou等人，2026a；Sun等人，2025），近年来在边坡工程中得到了广泛应用。其应用包括边坡稳定性分析、强度和变形特性分析以及水-岩相互作用（Chen等人，2025a；Lu等人，2024）。在强度特性方面，DEM通过模拟颗粒间的接触力学行为，有效再现了边坡土壤的剪切力学响应（Jin等人，2024）。因此，它越来越多地被用于分析边坡土壤的宏观和介观尺度上的强度特性（Tu等人，2024）。值得注意的是，DEM数值模拟的准确性高度依赖于微观参数的合理校准（Li等人，2024a；Zhong等人，2025），包括粘结强度、摩擦系数等。然而，传统的参数校准通常依赖于耗时且高度主观的试错方法，这些方法效率低下，无法保证参数的全局最优性。近年来，机器学习方法已广泛应用于土壤本构建模、参数反演和宏观响应预测等多个领域（Zhang和Vanapalli，2025；Singh等人，2026；Zou等人，2025），表现出强大的非线性拟合和泛化能力。迫切需要使用智能机器学习方法来融合多源异构的测试和模拟数据，从而实现DEM参数的高效可靠校准。这对于提高DEM数值模拟在宏观-介观强度分析和边坡稳定性分析中的准确性具有重要意义。

建立DEM微观参数与宏观力学特性之间的准确映射关系是实现智能参数校准的前提条件。当前的研究主要包含两种方法：以响应面方法和回归分析为中心的统计方法（Chen等人，2022），以及基于机器学习的数据驱动方法（Shang等人，2025）。响应面方法通过有限的实验设计来开发参数与响应之间的多项式关系（Xiao等人，2023）。它简化了计算过程，但难以捕捉复杂的非线性关系，并且在融合多源数据方面表现不佳。回归分析方法通常假设变量之间存在线性或可线性化的关系，这限制了它们在实际工程问题中的适用性（Suo等人，2024）。近年来，机器学习方法在DEM参数校准方面显示出潜力。例如，Hua等人（2025）使用反向传播（BP）神经网络开发了微观参数与多个宏观强度特性之间的映射模型，并评估了模型的有效性。Long等人（2023）利用DEM模拟为土壤构建了应力-应变训练和测试数据集，并基于循环神经网络开发了DEM参数校准模型。上述研究使用多种神经网络算法从微观参数到宏观响应学习非线性映射，为DEM参数的智能校准提供了宝贵的见解。然而，现有研究仍面临两个需要改进的问题。首先，在模型开发和实际应用中，获得的数据通常具有多源和异构特性（室内测试数据、DEM模拟数据、土壤固有特性），现有方法难以有效利用这些数据开发高精度映射模型。其次，上述方法都缺乏可解释性，这意味着大多数机器学习模型仍处于“黑箱”状态（Shao等人，2025）。参数影响的物理机制无法被解释，限制了它们在工程实践中的透明度和可接受性。

此外，参数动态优化是DEM校准的核心步骤，本质上是通过最小化目标函数（如数值模拟与测试结果之间的误差）来确定最优参数集（Chauhan和Yadav，2023）。优化方法已经从早期的直接搜索方法发展到基于启发式的优化算法，如遗传算法（GA）、粒子群优化（PSO）和模拟退火（SA）（Xu等人，2025b；Konar和Chatterjee，2025；Tsai等人，2022）。GA是一种模拟自然选择和遗传机制的优化搜索算法，它通过模拟生物进化原理来寻找最优解（Zhang和Liu，2025）。由于其综合搜索能力、并行计算能力和鲁棒性（Ye等人，2024；He等人，2024），它在复杂参数空间中表现良好，并已成功应用于参数优化、自动化设计和扫描规划等领域（Li等人，2024b；Dong等人，2025）。这也为实现准确高效的DEM参数校准和建模提供了支持。

总之，本研究进行了近200次直剪试验和DEM模拟，结合了先进的集成机器学习算法、可解释性分析算法和GA，提出了一种基于多源数据的智能DEM参数校准方法。首先，使用多维相关性分析方法系统地识别和定量分析DEM参数与剪切强度之间的相关特性。随后，结合关键DEM参数、测试参数和土壤固有特性构建多源数据集。然后，利用极端梯度提升（XGBoost）算法和局部可解释模型-不可知解释-Shapley加性解释（LIME-SHAP）算法开发出一种可解释的土壤强度预测模型。最后，将GA与预测模型结合，实现关键DEM参数的动态优化和智能校准。校准结果经过全面验证后，用于分析边坡土壤的宏观-介观强度特性。

本研究的主要意义如下：离散元方法（DEM）的介观参数对于准确模拟边坡土壤的强度特性至关重要。现有的DEM参数校准方法存在多源数据挖掘不足和智能化水平低的问题，这严重限制了校准结果的准确性和可靠性（研究局限性）。本研究提出了一种新颖的基于多源数据的智能DEM参数校准框架。校准过程由多维相关性分析方法、可解释预测模型和遗传算法共同驱动。通过比较和应用分析验证了所提方法的优越性和可靠性（研究的进步）。研究结果有望为边坡土壤DEM参数的准确校准提供新的理论参考和实践基础（研究发现）。

节选内容

边坡土壤DEM参数的多源智能校准框架

如图1所示，提出了一种用于离散元方法（DEM）参数的多源智能校准框架，可用于模拟边坡土壤的宏观-介观强度特性。首先，结合了皮尔逊相关系数、斯皮尔曼相关系数和互信息等多维相关性分析方法，系统地识别和定量分析相关特性

条件设计和数据采集

表1总结了室内直剪试验和离散元模拟的设计，涵盖了196种不同的测试条件。测试土壤样本分为五组，包括粉质粘土、粘土、粉砂、花岗岩残积土和泥岩残积土。由于土壤类型数据是文本型和分类变量，在编码过程中需要特别小心。本研究遵循Karimpour-Fard等人（2019）和Zheng等人（2025）的研究成果

强度预测和可解释性分析

本研究使用的计算机配置包括AMD Ryzen 9 8945HX处理器和32 GB DDR5内存。主要机器学习任务通过CPU并行计算能力完成。实验在Windows 11操作系统上运行，编程语言为Python 3.1.3，依赖于以下关键软件库的特定版本：scikit-learn（1.6.1）、xgboost（3.0.1）、shap（0.48.0）和lime（0.2.0.1）。主要结果总结如下

参数校准结果分析

遗传算法（GA）的性能在很大程度上取决于其关键参数的设置，主要包括种群大小、交叉概率和变异概率。这些参数共同决定了算法在搜索过程中的探索和利用能力，进而影响模型的准确性和计算效率。因此，在正式进行之前，需要优化种群大小、交叉概率和变异概率等参数

CMCA的比较验证和稳定性分析

为了验证CMCA的有效性和优势，我们将其与两种特征选择方法进行了比较：排列重要性和树集成中的嵌入方法。在比较实验中，我们保持数据集构建和预测模型参数的一致性，得到了表9中显示的验证结果。总体分析表明，通过这三种方法获得的关键DEM参数存在一些重叠，都包括核心参数N_bs和u

结论

为了解决传统DEM参数校准中效率低、准确性和智能化不足的问题，提出了一种基于多源数据的智能DEM参数校准方法。进行了近200次直剪试验和DEM模拟，以全面验证该方法。此外，基于特定的边坡案例研究，对边坡土壤强度的宏观-介观特性进行了应用分析。主要研究结果如下：

1)

CRediT作者贡献声明

邓志兴：撰写——原始草稿、可视化、验证、软件、方法论、正式分析、数据整理。王五斌：撰写——审阅与编辑、验证、监督、项目管理、资金获取、概念构思。张顺：验证、软件、方法论、正式分析、数据整理。徐林荣：撰写——审阅与编辑、资源协调、项目管理、资金获取、概念构思。苏倩：资源协调、正式分析

利益冲突声明

作者声明在此项工作中没有利益冲突。

我们声明与提交的工作无关任何商业或关联利益冲突。

致谢

本研究得到了国家自然科学基金（编号：U2268213）、中国铁路集团有限公司技术研发计划（编号：2023-key Project-09）和中南大学研究生研究创新项目（编号：1053320250604）的支持。