Page 63 - 《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

陷入局部最优或收敛缓慢的问题，难以满足反演精度与效率的双重需求。因此，选择一种兼具全局寻优
能力与快速收敛的智能优化算法，是确保反演精度与效率的关键。
为解决上述问题，本文聚焦 RHT 本构模型中难以通过试验直接获取的关键参数，构建一套高效、可
靠的 RHT 本构参数反演体系。首先基于 PAWN 方法和分离式霍普金森杆（split Hopkinson pressure bar，
SHPB）数值模拟，联合 ANSYS/LS-DYNA 与 MATLAB 仿真分析平台，开发批量仿真结果提取与自动三
波对齐程序，突破目标函数构建瓶颈，系统揭示 RHT 模型的全局敏感影响性机制。其次，测试并筛选具
备快速收敛与全局寻优能力的智能优化算法，实现对敏感参数的高效反演。最后，通过半圆盘三点弯
（semi-circular bend split Hopkinson pressure bar，SCB-SHPB）试验以及爆破缩尺模型试验对反演结果进行
验证，确保所提方法的适用性与可靠性。本研究旨在为复杂动态本构的参数反演提供普适性框架。

1 RHT 模型参数标定与反演模型建立

RHT 本构模型由 3 个极限面方程和 p-α 状态方程 [33] 组成：其中初始屈服强度、极限强度和残余强度
充分考虑材料不同阶段的力学响应特征，如图 1(a) 所示，图中 σ 为等效偏应力，p 为静水压，ε 为塑性应变，
p
D 为损伤；p-α 方程用于表征材料在压力作用下的非线性力学行为，可分为弹性和塑性阶段，如图 1(b) 所示，
图中 α 为孔隙度，α 为孔隙压缩压力，p 所对应的孔隙度 RHT 模型所包含的 34 个主要参数见表 1。
l
p
。
e
p
σ Failure surface
Yield surface
Residual surface Plasticity stage
p co
D＞0 Elasticity stage
ε p ＞0
p el

O p O 1 α p α 0 α
(a) Strength surfaces of the RHT model (b) State equation of the RHT model
图 1 RHT 本构模型屈服面与状态方程 [33]
Fig. 1 Limit surfaces and state equation of the RHT model [33]

表 1 RHT 本构模型参数
Table 1 Parameters for RHT constitutive model
参数（单位） 符号 参数（单位） 符号
3
密度（g/cm ） ρ 0 压缩屈服面参数 g c *
抗压强度（MPa） f c 拉伸屈服面参数 g * t
孔隙压缩压力（MPa） p el 压缩应变率指数 β c
孔隙压实压力（GPa） p co 拉伸应变率指数 β t
初始孔隙度 α 0 相对抗剪强度 f s ∗
孔隙度指数 n 相对抗拉强度 f t ∗
罗德角相关参数 Q 0 , B 0 剪切模量缩减系数 ξ
失效面参数 A, N 剪切模量（GPa） G
残余面参数 A f , n f 状态方程参数 B 0 , B 1 , T 1 , T 2
损伤参数 D 1 , D 2 Hugoniot多项式系数（GPa） A 1 , A 2 , A 3
最小等效塑性应变 p 参考压缩和拉伸应变率 c t
ε m
˙ ε ˙ε ,
0 0
压缩应变率 ˙ ε c 拉伸应变率 ˙ ε t

051424-3