同济大学李爽博士：基于MatDEM和机器学习的土体结构模式识别

2月前浏览3304

导读：大家好，我是李爽，本科毕业于兰州大学（毕设导师：张彤炜副教授），目前是同济大学博士研究生在读（直博），导师为彭铭教授。主要研究方向为无网格法的算法开发及应用，参与国自然国际合作，地区联合等基金项目。目前以第一作者身份和第二作者身份（导师一作）在《Computers and Geotechnics》，《Journal of Rock Mechanics and Geotechnical Engineering》和《Ocean Engineering》期刊各发表一篇文章。

在此感谢仿真秀，南京大学刘春老师及其MatDEM团队给予的支持。很荣幸在这里分享我的MatDEM学习与应用经验，并与大家交流学习。9月20日19时，我将作为2024MatDEM奖学金线上讲座的分享者，与各位老师、同学分享《基于MatDEM和机器学习的土体结构模式识别》，欢迎莅临指导。

一、我的汇报主题

我的汇报题目为：基于MatDEM和机器学习的土体结构模式识别。在本次汇报，我将介绍我是如何根据离散元信息的特征，提取土体结构的三维形态特征，并搭建所对应的三维卷积神经网络，从而实现从土体三维初始模型至土体结构参数的快速预测。

2024MatDEM奖学金讲座(五)：基于MatDEM和机器学习的土体结构模式识别-仿真秀直播

二、关键问题解决过程

土体的结构信息对土体的结构参数有重要影响，我们采用MatDEM软件，采用了基准的砂土模型，并设置了统一的颗分曲线。在单轴压缩的条件下，我们发现在不同的颗粒空间分布下，获得的应力应变曲线会出现明显的变化，指示在土体材料特性不变的前提下，土体的强度特征与土体的结构特性有密切关系，是我们的研究对象。

为此我们提出了一个问题：如何采用机器学习的算法，对土体的结构参数进行快速识别，从而实现对数值模拟的高效替代？在计算机视觉领域，卷积神经网络是常见的提取结构/空间信息的神经网络方法，在图像识别等领域都有广泛的应用。目前也有学者在相关领域进行了探索，但是多集中于对有限元模型结构信息的识别。对于卷积神经网络方法，输入信息通常是规则的矩阵信息。由于有限元是一种网格方法，它的网格信息可以直接转化为矩阵信息，矩阵中的每个位置的值可以由有限元模型的网格信息确定，从而变为卷积神经网络的输入信息（图1）。而针对于以MatDEM为代表的离散元方法，无法直接从初始模型获得包含结构信息的矩阵，为相关机器学习方法的应用带来了挑战。

图1 有限元方法与离散元方法在结构信息提取的区别

为了解决这一问题，我们借鉴医学中CT扫描的思路，对离散元的初始模型进行切片，认为每个截面的图像（像素矩阵）代表了某层的结构信息，再将这些切片堆叠为三维的矩阵（图2），便可作为神经网络训练时的输入信息，实现了对离散元土体模型结构信息的提取。

图2 神经网络搭建的流程

在本次报告，我将详细介绍我们所采用的MatDEM模型设置，借助MatDEM后处理的切片信息提取流程，神经网络的搭建与训练等过程，并分享关于神经网络学习与应用的经验，欢迎对MatDEM应用，机器学习，智能岩土等领域感兴趣的同学和老师莅临指导。

三、2024MatDEM奖学金讲座

为促进MatDEM软件在科研和工程中的应用，鼓励探索研究，特设立“2024智星云-MatDEM奖学金”。奖学金面向使用MatDEM开展科学研究和工程应用的学生和科研人员。经前期有效筛选，最终14名同学入围本次线上评比。通过线上投票和专家评议，产生特等奖1名、一等奖4名、二等奖7名。具体评定结果公布如下(同一等级排名不分先后)：

（本次MatDEM奖学金由智星云(亘聪信息科技)赞助）

8月30日-9月20日，2024智星云-MatDEM奖学金部分获得者代表，将在仿真秀主办的2024国产软件仿真技术交流月期间做线上讲座分享。诚邀地质工程、岩土工程、采矿工程等专业学生和离散元分析研究者报名参与。我们坚信，这些获奖者不仅展示了MatDEM软件在科研和工程应用中的巨大潜力，也为后来的研究者提供了宝贵的经验和启示。

这些报告包括：

报告一：由持续加载条件诱发的静态液化问题研究

报告二：基于MatDEM的降雨型滑坡数值模拟

报告三：基于MatDEM的加筋拦石墙冲击变形研究

报告四：高速远程滑坡滑带摩擦热演化机制

报告五：基于MatDEM和机器学习的土体结构模式识别

（请扫码报名所有直播讲座）

扫码进技术群领仿真资料包

可免费参加技术直播

（完）

来源：仿真秀App

振动岩土离散元多体动力学化机材料

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2024-09-20