Page 62 - 《爆炸与冲击》2026年第5期

第 46 卷 田浩帆，等： 基于PAWN全局敏感性分析与智能优化算法的岩石RHT本构参数反演 第 5 期

ranging from 0.23% to 9.28%, and the reliability of the calibrated parameters was verified through Semicircular Bend Split
Hopkinson Pressure Bar (SCB-SHPB) tests and scaled blasting experiments. The proposed method significantly enhances both
the efficiency and accuracy of RHT parameter calibration without the need to construct large sample datasets, and it is
applicable to a wide range of loading conditions. Compared with traditional calibration approaches, the required inversion
accuracy was achieved in fewer than 15 iterations, meeting the dual demands of computational efficiency and precision.
Overall, the proposed framework provides a new and effective approach for sensitivity analysis and parameter calibration of
dynamic constitutive models, demonstrating strong engineering applicability and practical value.
Keywords: calibration of RHT constitutive parameters; PAWN method; intelligent optimization algorithm; global sensitivity;
parameter inversion

数值模拟是揭示材料在爆炸、冲击等极端载荷作用下动态力学响应特征的关键手段，其精度高度依
赖于所选动态本构模型的合理性及参数取值的可靠性 [1-2] 。在众多的动态本构模型中，RHT（Riedel-
Hiermaier-Thoma）本构模型 [3] 因其能够准确表征混凝土、岩石等脆性材料在不同应变率下的动态力学响
应特征，现已被广泛应用于爆炸与冲击领域。然而，RHT 本构模型涉及多达 34 个参数需要标定，涵盖弹
性、塑性、损伤及应变率响应等多个方面，其中大部分参数的标定需依赖室内试验 [4-7] 或复杂的现场试验
进行 ，且所得参数精度往往难以保证，最终仍需依赖耗时的试错法进行优化 [9-10] 。因此，研究一种既高
[8]
效又精确的 RHT 本构模型参数获取方法，是提升复杂工况下数值模拟可靠性与工程适用性的核心需求。
目前，RHT 本构模型参数的标定方法主要依赖于正演途径，即通过各类室内外试验获取其本构参数。
对此，李洪超等 [11] 已对其标定方法进行了系统的阐述，但在实际应用中仍存在以下问题：一方面，参数标
定依赖于大量不同类型的力学试验数据作为支撑；另一方面，受限于试验条件和成本，部分关键参数难
以获取，此类参数可界定为较难标定参数。鉴于上述两方面因素影响，对于较难标定的参数，部分学者
倾向于直接引用已有的参数取值，这在特定的研究场景是不适用的。针对本构参数的反演问题，智能优
化算法如遗传算法（genetic algorithm, GA）、粒子群算法（particle swarm optimization, PSO）和人工蚁群算
法（ant colony optimization, ACO）因其具有处理复杂非线性问题的能力，在岩土工程静态本构，如摩尔-库
仑准则的参数识别中展现出良好的应用前景 [12-13] 。在此基础上，研究者们进一步结合响应曲面法与机器
学习算法，或将智能优化算法与室内/原位测试结合的方式，构建了高效的参数反演模型，有效降低了工
程设计成本 [14-17] 。针对动态本构参数的反演方面也有初步的探索，如：Özel 等 [18] 采用协作粒子群优化算
法识别了金属在切削过程中的 Johnson-Cook (JC) 本构参数；Andrade-Campos 等 [19] 联合梯度下降法与进
化算法实现了热弹-黏塑性模型的多参数反演；Zhai 等 [20] 通过 Bayesian 理论与 DREAM 算法识别了冻结
损伤模型参数；Meng 等 [21] 则基于多目标遗传算法优化了硬岩 Holmquist-Johnson-Cook (HJC) 本构的关键
参数。上述研究表明，智能优化算法在处理多参数、非线性和耦合性强的本构反演问题时具有独特优势。
然而，目前尚缺乏对 RHT 本构模型参数反演的系统性研究。这是由于开展动态本构参数的反演相
较于静态情形更具挑战性，首要难点在于目标函数构建过程的复杂性。表征材料动态响应的应力应变
曲线通常需借助三波法或二波法处理数据获得 [22] ，如何高效自动提取数值模拟结果并实现准确的三波对
[23]
齐，是构建可靠性评价指标的核心技术瓶颈 。其次，由于 RHT 模型涉及众多参数，若对所有参数无差别
地进行反演，将导致反演维度灾难和不必要的计算成本，因此明确本构模型中参数的敏感性是必要的。目
前关于 RHT 本构模型的敏感性分析大多集中于局部敏感性方法（local sensitivity analysis，LSA），即通过
单参数扰动研究其对模型结果输出响应的影响 [24-27] ，无法揭示多参数协同变化对结果的影响。相比之下，
全局敏感性分析（global sensitivity analysis，GSA）能够系统量化参数的交互作用对模型输出的影响 [28-30] 。
目前全局敏感性分析方法主要包括基于方差分析的 Sobol 方法 [31] 和基于概率密度估计的 Pianosi-
Wagener（PAWN）方法 [32] ，后者在保持计算结果的可信度的同时具备采样量少、效率高、实现简便等优

势，更适用于高维参数敏感性分析问题。但因缺乏高效可靠的目标函数构建方法，GSA 在 RHT 模型中
的应用尚属空白。即便克服上述障碍并成功筛选高敏感参数，采用传统算法如 GA、PSO 等进行反演易

051424-2