修大坝时，堤坝下的粗粒土（石子、砂砾等）在压力下会“缩成一团”还是“散架”？工程师要精准预测这种变形规律，过去只能靠费时费钱的三轴压缩试验——把土样放进仪器加压，记录变形数据，一组试验少则数天，多则数周。我国科研团队在《Frontiers of Structural and Civil Engineering》上发表的一项研究，用AI“造数据”加“预训练”的组合拳，让数据少也能精准预测粗粒土变形，为工程设计按下“加速键”。

传统难题：数据少、成本高，AI“巧妇难为无米之炊”

粗粒土是堤坝、公路等工程的“骨架”，掌握其变形特性（比如轴向应变和体积应变的关系曲线）是保障结构安全的关键。但获取这些数据全靠三轴压缩试验：取土样、加压、测变形，一套流程下来，团队仅收集到335组有效数据。数据量太少，AI模型根本“喂不饱”，直接影响预测精度——这成了工程领域的“数据饥荒”。

TimeGAN：给数据“生娃”的AI“复印机”

为解决“没数据”的问题，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“偷学”真实试验数据的规律：比如，它会观察真实土样的粒径分布、干密度、围压等参数与变形曲线的关系，然后“生成”大量“以假乱真”的模拟数据。就像用一张真实照片训练AI，它能生成成百上千张风格相似但细节不同的“假照片”，且肉眼难辨真假。

但生成的数据靠不靠谱？团队用“特征重要性分析（SHAP）”给数据“做体检”：检查生成数据中，哪些特征（比如粒径分布、围压）对变形的影响最大。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）对变形影响排第一，围压、干密度紧随其后，而容器尺寸等“打酱油”的特征影响很小。这说明TimeGAN生成的数据不是“胡编乱造”，而是“神似”真实数据。

预训练策略：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。团队又想了个办法：“预训练策略”。就像人学英语，先背通用单词（预训练），再针对专业领域学术语（微调）。AI先在生成的大量模拟数据上“学通用规律”，再用少量真实数据“调整参数”。实验显示，这种方法让模型性能大幅提升：预测体积应变的平均绝对误差（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：工程设计的“秒级助手”

现在，工程师只要输入土样的基本参数（如粒径分布、干密度），AI模型就能秒级生成轴向应变-体积应变曲线，不用再等数天做试验。这对堤坝选址、公路地基设计意义重大——既能缩短设计周期，又能降低试验成本。

未来：挑战与方向

研究也“自曝短板”：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“见得少”，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