土体力学特性参数是灾害应急救援通道开辟、特种车辆越野通行评估与岩土工程安全分析的重要基础。面向危险区、隔离区和无路通达区域，传统接触式测试受限于人工抵近作业，天基遥感和空基物探等非接触式手段难以准确获取土体力学参数。为此，中国科学院力学研究所研究团队发明了可实现远程、广域、原位土体力学参数快速勘测的冲击贯入触探方法和技术系统。然而，冲击贯入过程涉及大变形、高应变率和复杂边界条件，贯入响应的可靠解译有赖于厘清不同类型土壤在冲击载荷下的率效应、惯性效应、摩擦耗散与颗粒重排的耦合机制，传统基于经验公式或优化算法的反演手段也往往计算复杂、泛化性不足，难以满足快速、精准原位探测的需求。针对上述问题，研究团队围绕细观参数标定、多尺度机理与智能反演开展系统研究，取得了系列进展，相关成果分别发表于Powder Technology、Acta Geotechnica和Computers and Geotechnics。

针对参数标定问题，研究团队以我国西南部某区域粉质黏土、风沙土为对象，结合室内冲击贯入触探试验、数字图像相关（DIC）观测与离散元（DEM）模拟，开展了不连续级配粉质黏土DEM细观参数多响应标定和智能优化研究。动载荷受力下土壤复杂动力学响应行为的准确复现取决于离散元参数的精确校准。研究团队采用了融合休止角和直剪标定试验、单因素敏感性分析、BBD试验设计、响应面分析以及机器学习方法的多响应标定和优化流程（图1）。在传统参数标定方法的基础上融入机器学习，基于多响应流程中确定的DEM参数范围和优化参数进行数据训练，通过对比LSTM、RNN和GRU三种神经网络的预测效果，证明了LSTM网络模型在动载荷时序依赖性下的优越性，且平均标定时间仅为1.23秒，显著提高了标定效率，解决了粉质黏土在准静态受力下标定的细观参数不适用动载荷受力下离散元模拟的问题。相关成果以“Multi-response calibration and intelligent optimization of DEM model parameters for silty clay with discontinuous gradation: Applicability to simulations under dynamic loading”为题发表于Powder Technology，力学所助理研究员韩宗芳为论文成果第一作者，李玉琼研究员为通讯作者。

在多尺度机理研究方面，研究团队搭建了半剖面观测平台，构建并验证了考虑颗粒形状、黏附与接触阻尼的离散元模型（图2）。分析表明：贯入初期，颗粒碰撞与动量传递产生的惯性效应主导阻力，初始阻力峰值近似与贯入初速度的平方成正比；随着贯入加深，颗粒间摩擦逐步成为主导阻力机制，深度相关阻力近似线性增加，摩擦耗散约占总耗散能量的70%。同时，力链网络由少数强链集中承载向更广泛的颗粒接触协同承载演化，揭示了贯入阻力主导机制的阶段性转变，阐明了锥尖阻力与加速度时程“双峰”响应的形成机理及其背后的跨尺度传力机制。上述研究建立了颗粒尺度相互作用与宏观贯入响应之间的物理联系，为风沙土冲击贯入触探解译及力学参数识别提供了理论依据。相关成果“Meso- and macroscale investigation on impact penetration mechanisms in weathered sand”为题发表于Acta Geotechnica。力学所助理研究员应黎坪为论文成果第一作者，李玉琼研究员为通讯作者。

在智能反演方面，研究团队提出了一种基于迁移学习的智能反演方法，通过将大规模数值模拟的知识迁移到稀疏试验数据中，实现了对土体强度力学参数的高效、精准反演。研究团队首先建立了耦合欧拉-拉格朗日有限元模型，模拟冲击贯入触探全过程，并引入率相关摩尔-库仑本构以反映动态强度效应；通过拉丁超立方抽样，生成了覆盖砂土和黏土广泛力学参数范围的仿真数据集，包含贯入阻力、加速度时程及对应的10个土体力学参数。在此基础上，团队构建了人工神经网络（ANN）、一维卷积神经网络（1D-CNN）和双向循环神经网络（Bi-RNN）三种模型（图3），对比发现Bi-RNN凭借其对时序数据双向依赖的捕捉能力，在仿真数据反演中精度最高。

进一步，团队发现仿真数据与真实试验数据之间存在显著的域偏移——试验数据仅含砂土样本，且参数分布范围窄、概率密度集中，直接应用仿真训练模型反演误差高达50%以上。为此，团队首次将迁移学习引入该反演问题，将仿真模型的全部权重和偏置作为初始值，在试验数据上进行微调。迁移后模型的反演精度大幅提升，五个关键参数的绝对百分比误差最大值低于15%、平均值低于10%，且误差方差极小，展现了优异的鲁棒性（图4）。与传统遗传算法类反演方法（如多岛遗传算法结合空腔膨胀理论、RBF神经网络结合NSGA-II）相比，迁移学习方法在所有土体力学参数上的反演误差均显著更低，且计算时间仅需数秒。该工作为原位冲击贯入触探测试提供了一种可解释、高精度、快速响应的智能化解决方案，进一步推动了土体力学参数原位探测技术的发展。相关成果以“Intelligent inversion of soil mechanical parameters driven by impact penetration data: An explainable transfer learning method”为题发表于岩土工程计算领域权威期刊Computers and Geotechnics，力学所特别研究助理袁征为论文第一作者，李玉琼研究员为通讯作者。

研究得到了中国科学院青年创新促进会优秀会员项目（Y2022009）、国家重点研发计划（2025YFF0513100）和中国科学院战略性先导科技专项（XDB0620103）等项目的资助。

原文链接：https://doi.org/10.1016/j.powtec.2026.122834、

https://doi.org/10.1007/s11440-026-02944-4

https://doi.org/10.1016/j.compgeo.2026.108281

图1 集成机器学习方法的细观参数多响应标定和优化流程

图2 初始贯入阶段离散元模拟与数字图像相关观测对比

图3 不同神经网络学习模型的构建及超参数优化

图4 土体力学参数不同反演方法的有效性对比