1.题目：
Tracking the movement of quartz sand particles with neural networks
（
用神经网络跟踪石英砂颗粒的运动
）
2.关键词：
Leighton Buzzard砂；
粒子匹配和跟踪；
机器学习；
PointConv；
PointNetLK；
点云
追踪颗粒的运动对于研究颗粒破碎对颗粒材料宏观力学行为的影响至关重要，迄今为止仍然是一个持续的挑战。
本文提出了一种新的粒子跟踪方法，该方法集成了Pointon和PointNetLK网络，能够准确跟踪完整和破碎的Leighton Buzzard砂（LBS）粒子
。
最初，LBS颗粒的形态信息是从微型三轴试验收集的X射线显微断层扫描（CT）数据中提取的。各种图像处理技术被应用于原始CT图像，以实现逼真的三维（3D）重建。随后，通过采样、高斯噪声注入和分组来处理粒子点云数据，以训练和测试Poynton和PointNetLK网络。接下来，通过PointConv建立不同扫描中粒子之间的对应关系，并使用PointNetLK预测两个相互匹配粒子之间的变换矩阵。最后，对剪切过程中被跟踪和未被跟踪的粒子的空间分布和形态参数的变化进行了检查，并对粒子运动学进行了分析
。
4.引言：
颗粒材料在静态或动态载荷下的颗粒破碎会严重影响其宏观响应，导致各种岩土工程问题，包括堆石坝、岩石滑坡和海上打桩等。许多学者对颗粒破碎对颗粒材料力学行为的影响进行了实验和数值研究。
Nakata et al. （2001）通过考虑石英颗粒破碎强度特性的一维压缩试验，研究了场应力与空隙率之间的相关性。Altuhafi 和 Coop （2011）通过对具有不同矿物学特性的三种沙质土壤进行一维压缩测试，为初始级配和密度对土壤行为的影响提供了新的见解。俞 （2017）进行了一系列三轴试验，以检验颗粒断裂应力与空隙率之间的关系。在数值模拟方面，Minh 和 Cheng （2013），通过使用球形颗粒模拟已发表的实验数据，研究了粒径分布对颗粒材料一维压缩行为的影响。Zhang et al. （2020）使用离散元方法研究了颗粒形状对由三种形状的团聚体组成的砂体组件中颗粒破碎的影响。
然而，上述研究没有考虑真实的颗粒形态和破损模式，因为它们缺乏监测样品内颗粒实时运动和破损过程的能力。
最近，X 射线显微断层扫描 （CT） 的出现为这一挑战提供了有效的解决方案。Zhao et al. （2015和2020） 使用高分辨率 CT 扫描仪研究了单颗粒和一维压缩测试中 LBS 颗粒的破损机制。Chen et al. （2021）发现通过将断层扫描技术与有限和离散元法 （DEM） 模拟相结合，局部区域的时空演变影响了颗粒系统的宏观响应。Wu 等人 （2022a）使用 DEM 模拟和统计颗粒碎裂方案在原位 CT 一维压缩测试期间模拟颗粒破损。然而，由于粒子破碎过程的信息未知，该研究并未模拟任何粒子破碎事件的具体过程。
为了解决这一挑战，必须在测试过程中准确匹配和跟踪完整和破碎的颗粒。
周 et al. （2018a）使用从 CT 数据中提取的球谐不变量识别和跟踪完整的 LBS 粒子。但是，此方法不适用于跟踪破碎的粒子。Andò et al. （2012）和Cheng 和 Wang （2018）使用 ID 跟踪方法检查粒子运动学，该方法使用粒子体积、表面积或极半径作为 ID 来跟踪粒子。但是，这些方法仅在较小的搜索窗口中有效，无法跟踪破碎的粒子。最近Wu 和 Wang （2023）采用两步颗粒跟踪方法，将基于颗粒体积和表面积的筛选与迭代最近点 （ICP） 搜索算法集成在一起，以成功跟踪由石英和方解石颗粒混合物组成的样品中的完整和轻微破碎的颗粒。同样，这种方法仅限于跟踪零度或低度破损的粒子，并且计算效率低。
深度学习在处理复杂的多变量问题方面表现出非凡的熟练程度。
Kang 等人 （2024）通过将晶格玻尔兹曼方法与各种机器学习算法集成来预测多孔材料的内禀磁导率。Choi 和 Kumar （2024）使用图形神经网络成功预测了列折叠的粒度流动力学以及训练期间与障碍物的交互。马 et al. （2024）使用人工神经网络预测了能源隧道中的未来热交换。在 3D 点云识别领域，Qi et al. （2017）推出了 PointNet++，这是一种专为 3D 点云数据分类和分割而定制的神经网络。在此基础上，Wu 等人 （2022b）通过使用 PointNet++ 对多孔钙质砂颗粒进行模式识别，取得了重大成功。然而，PointNet++ 网络架构仅限于提取目标最突出的形态特征，这可能会导致在模型训练过程中丢失有价值的特征信息。为了克服此限制，Zhu et al.， （2023a）利用 PointConv 网络，该网络能够提取和学习沙粒的局部和全局特征信息，从而成功实现了 100 LBS 颗粒的颗粒匹配。上述工作仅集中在完整颗粒的识别和匹配上。在利用神经网络跟踪破碎粒子和研究粒子运动学方面仍然存在研究空白。最近Aoki et al. （2019）提出了一个名为 PointNetLK 的网络模型，该模型建立了一个可训练的深度神经网络，以推导出两个相似点云之间的转换矩阵。值得注意的是，使用这种方法训练的模型在点云配准方面表现出值得称道的结果，即使对于未经训练和残差形状的点云也是如此。因此，本研究采用该方法来解决与破碎粒子相关的跟踪困难。
本文的主要创新在于集成了 PointConv 和 PointNetLK 网络，以精确跟踪微型 LBS 样品中经历零度和中度破损的颗粒。
在第 2 部分，使用一系列图像处理技术从原始 CT 图像中重建颗粒形态，并表示为点云。然后对这些粒子点云进行采样并注入噪声以准备训练数据集。3 PointConv 网络,4 PointNetLK 网络分别描述 PointConv 和 PointNetLK 的架构。在第 5 部分，描述了详细的粒子跟踪过程，包括使用 PointConv 在不同扫描中匹配单个粒子，以及使用 PointNetLK 预测匹配粒子之间的变换矩阵。随后，在第 6 部分.成功跟踪破碎颗粒有助于对颗粒破碎行为的全面研究，为剪切过程中颗粒破碎与颗粒运动学之间的关系提供新的见解。
5.主要研究
6.研究结论：
-
PointConv和PointNetLK网络的集成成功地跟踪了1470个原始粒子中的1441个和1420个粒子，在第二次和第三次扫描中的跟踪成功率分别为99.93%和99.86%。
与基于体积和表面积、基于极半径、基于球面调和不变量和两步粒子跟踪方法相比，所提出的方法可以准确有效地跟踪更多破碎程度更高的粒子。
-
值得注意的是，
对于具有更不规则和复杂形态的破碎颗粒，特别是当VR<65%时，跟踪成功率较低。
这是因为VR<65%的粒子在形态特征上表现出更广泛的多样性，使其更难追踪。
