Ye T, Zhang C*, Chen Z, et al. Mohr-Coulomb strength and FDEM parameter determination of weathered granite via optimized neural network and deep learning [J]. International Journal of Rock Mechanics and Mining Sciences, 2025.

题目：基于优化神经网络和深度学习的风化花岗岩Mohr-Coulomb强度和FDEM参数确定

  传统FDEM方法大量的输入参数校准程序复杂，校准手段泛化能力差，材料塑性损伤描述不足而在实际工程尺度的建模中受到一定的限制。在这项工作中，一种融合了机器学习-Mohr-Coulomb弹塑性本构的FDEM参数标准化方法被提出，该方法能够快速校准多类岩石材料的输入参数并准确预测其塑性发展以及破坏形态，提升了FDEM方法在复杂工程场景下的适应能力。首先，利用NRBO-BPNN方法建立了输入参数与UCS/BTS结果之间的对应关系，进一步，通过NSGA-II算法协调并分配数值参数以满足目标岩石材料的强度特性，特别地，通过引入破坏形态参数，进一步规范了FDEM方法对不同类型岩石破坏形态的描述；最后，试验结果与数值结果的一致性显示了这项工作的有效性。这项工作利用机器学习成功解决了FDEM输入参数的快速校准工作，通过引入弹塑性模型克服了该方法在描述岩石材料在塑性发展中的不足。

中风化花岗岩预测结果 (a) Pareto解集 (b) 第1次迭代 (c) 第30次迭代 (d) 第60次迭代 (e) 第90次迭代

训练效果对比 (a)对比真实值 (b)对比误差

基于MC-FDEM的不同风化岩破坏阶段分析(a) SLWG (b) MWG (c) SWG.