二维机翼裂纹Fairhurst-Cook模型的ACO、PSO与GA优化：参数敏感性与最小楔入力

本文研究主要关注脆性岩石的轴向分裂问题，特别是Fairhurst-Cook模型在描述二维机翼裂纹形成过程中的应用。Fairhurst-Cook模型是一种用于模拟岩石在单轴压缩下经历的预裂扩展，最终导致岩石破坏的机制。在这个模型中，关键参数对结果有着显著影响，因此作者进行了全面的敏感性分析，以理解这些参数的变化趋势、极限值和可能导致最优解的"峰值"。 优化是研究的核心，作者利用了三种先进的人工智能算法进行参数优化：粒子群智能（PSO）、蚁群优化（ACO）和遗传算法（GA）。这些算法在寻找最小楔入力以引发楔形裂纹方面展现出不同的性能。PSO模仿了鸟群的协作行为，ACO则借鉴了蚂蚁觅食的行为模式，而GA则是基于自然选择和基因突变的概念。通过比较这些算法的效果，研究者旨在找到在给定条件下，哪种方法能更有效地逼近模型的最大优化结果。 具体实施过程中，作者首先对Fairhurst-Cook模型的关键参数进行了系统测试，确保每个参数的变化不会偏离模型的基本原理，同时探索它们对最终结果的影响。然后，通过迭代优化过程，每种算法都被用来寻找最优参数组合，以最小化产生2-D机翼裂纹所需的楔入力。 这项研究不仅提供了对脆性岩石机翼裂纹破坏行为的深入理解，还展示了AI算法在结构力学和材料科学领域的应用潜力，特别是在复杂物理模型的优化问题上。通过对不同算法的比较，本文为工程实践中的参数优化策略提供了有价值的经验和参考。