建大坝、修公路时，工程师常要面对一个关键问题：粗粒土（石子、砂砾等）在压力下会怎么“变形”？传统方法靠三轴压缩试验测数据，但这类试验成本高、耗时长，且样本有限，很难直接用来训练AI模型做预测。我国科研团队在《Frontiers of Structural and Civil Engineering》上发表的一项研究，用“时间序列生成对抗网络（TimeGAN）+预训练策略”的组合，让数据少也能精准预测粗粒土的变形曲线，为工程设计省下大量时间和成本。

传统方法的“卡脖子”难题：数据少、成本高

粗粒土是堤坝、道路等大型工程的基础材料，掌握其变形规律（比如轴向应变和体积应变的关系曲线）对保障结构安全至关重要。过去，工程师主要靠三轴压缩试验获取数据——把土样放进仪器里加压，记录不同压力下的变形情况。但这类试验一次耗时数天，且样本量有限（团队仅收集到335组有效数据），根本不够训练高精度的AI模型。

TimeGAN：给数据“生宝宝”的AI复印机

为解决“数据饥荒”，团队请出了“时间序列生成对抗网络（TimeGAN）”。这个AI像“数据复印机”，能学习真实试验数据的规律，生成大量“以假乱真”的模拟数据。比如，它能根据已有土样的粒径分布、干密度等特征，“造”出更多类似条件下的变形曲线，把训练数据量从335组扩展到数千组。

但生成的数据靠不靠谱？团队用“特征重要性分析（SHAP）”来验证——就像给数据做“体检”，检查生成数据的关键特征（如粒径分布、围压等）是否和真实数据“神似”。结果发现，生成数据的特征重要性排序和真实数据几乎一致：粒径分布（PSD）对变形影响最大，围压、干密度次之，而容器尺寸等影响很小。这说明TimeGAN生成的数据质量高，能“以假乱真”辅助模型训练。

预训练策略：让AI“先学通用知识再专攻”

不过，直接用生成数据训练模型效果并不好——毕竟是“模拟”的，和真实数据有细微差异。团队又引入“预训练策略”：先让AI在生成数据上“学通用知识”，再用真实数据“微调”，就像人先学基础课再学专业课。实验显示，这种方法大幅提升了模型性能：平均绝对误差（MAE）从0.247降到0.2219，决定系数（R²）从0.8747升到0.9155，预测的变形曲线和真实试验结果几乎“贴”在一起。

应用价值：从实验室到工程的“快速通道”

现在，这套AI模型能快速生成粗粒土的轴向应变-体积应变曲线，工程师不用再等数天做试验，输入土样的基本参数（如粒径分布、干密度），秒级就能得到变形预测结果。这对堤坝选址、公路地基设计等工程意义重大——既能缩短设计周期，又能降低试验成本。

未来：挑战与拓展

研究也指出不足：目前数据主要来自最大粒径60mm的粗粒土，更大粒径的土样数据极少，模型泛化能力受限。团队计划用“迁移学习”把现有模型的知识“迁移”到更大粒径的土样上，同时结合地质领域知识，让模型更“懂”粗粒土的物理特性，提升解释性。

来源: FrontCIVlL