近日，西安交通大学人居环境与建筑工程学院许领教授团队在国际期刊《Computers and Geotechnics》（JCR Q1，IF=5.3）上发表论文，题目为“Tracking the evolution of loess microstructure using micro-CT 3D reconstruction based on a soil-particle-aware model”。文章提出了一个基于卷积神经网络（CNN）和内容感知图像恢复（CARE）理论的方法，旨在重建更精确的黄土三维数字模型，为有效地识别和分割CT切片中的土体颗粒轮廓，进一步追踪黄土在不同固结压力下的微观结构演变提供方法。助理教授赵源为论文第一作者，许领教授为论文通讯作者。

研究背景

黄土作为一种典型的风积土体，因其较高的孔隙率、可压缩性和易塌陷性，具有独特的工程地质特性，黄土的微观结构是决定这些特性的根本原因。然而，由于传统的CT技术在小尺寸试样的颗粒细节分辨上存在限制，尤其是颗粒轮廓因伪影和噪声而不连续、模糊，难以准确获取颗粒数据。机器学习方法在识别岩土材料的微观图像中的不同矿物成分方面有所建树，可提高微观CT图像的分辨率和颗粒识别精度，有效解决黄土CT切片不清晰的问题。

主要内容

本文提出了一个基于卷积神经网络（CNN）和内容感知图像恢复（CARE）理论的神经网络模型训练方法，用于识别高噪声CT切片中的黄土颗粒轮廓，重建更精确的黄土3D数字模型，准确绘制了不同固结压力下的颗粒尺寸分布曲线。利用小型固结试验装置和微型CT扫描设备进行了验证实验，验证了训练后的土体颗粒感知模型在识别黄土颗粒方面的有效性。在精确3D数字模型和离散元（DEM）数值模拟的基础上，跟踪并测量了风积黄土试样在垂直固结压力下配位数、接触力分布密度和孔喉直径等力学参数，追踪了黄土在不同固结压力下的微观结构演变。

论文总结

所提出的神经网络模型训练方法有效提高了传统模型识别高噪声CT切片中土体颗粒的能力。土体颗粒感知模型对micro-CT三维数字模型进行预处理，正确分割相邻颗粒，解决了高噪声CT切片重建的三维模型中小颗粒缺失的问题。

原状黄土试样的验证试验表明测量结果可正确反映风积黄土试样孔喉直径峰值随固结压力增大而减小的趋势，所提出的方法可以无损地获得试样的峰值孔喉直径特征。

3D数字模型和DEM模拟结果表明：黄土中小颗粒粘附在大颗粒表面的典型微观结构特征，随着固结压力的增加，最初聚集在大颗粒表面的小颗粒会发生分散和重组；颗粒之间的法向接触力分布呈现出典型的蝴蝶形状，黄土颗粒在固结条件下为双向应力状态，干黄土颗粒之间的分子吸引力导致最大接触力密度方向与垂直方向之间的平均倾角较大。

本研究提出的土体颗粒感知模型也适用于集成式原位CT测试系统。将土体颗粒感知模型与原位CT测试技术相结合，可以跟踪原状黄土、粘土、细尾矿、月壤等其他颗粒材料的微观结构演变。

ZHAO Y, XU L, QIN C, et al. Tracking the evolution of loess microstructure using micro-CT 3D reconstruction based on a soil-particle-aware model[J]. Computers and Geotechnics, 2025, 182: 107176.

图1 土体颗粒分割模型训练流程图：(a)生成训练数据；(b)训练新的神经网络模型；(c)识别模糊CT切片中的土体颗粒

图2 土体颗粒感知模型改进了CT切片中的颗粒分割：(a)原始CT切片；(b)通用模型结果；(c)训练后的土体颗粒感知模型；(d)一般神经网络处理高噪声CT切片结果；(e)本文改进的训练方法处理高噪声CT切片的结果

图3 改进方法和常规方法的重构模型对比：(a)粒度分布曲线对比；(b)和(c)颗粒几何参数对比