在循环载荷作用下，欧洲白桦（Betula platyphylla）根系的非线性滞后行为及其锚固性能

《Frontiers in Plant Science》：Nonlinear hysteretic behavior and anchorage performance of Betula platyphylla roots under cyclic loading

根系锚固性能及能量耗散规律分析，采用循环载荷试验和改进Bouc-Wen模型研究白桦根系在25%、50%、75%载荷幅度下的力学响应。结果表明：峰值承载能力随载荷幅度增加呈负相关（降幅12%-25%），能量耗散首周最大（降幅超50%），100次循环后趋于稳定。模型R2均超0.9，有效表征根系的非线性滞回特性。

　　植物根系在自然环境中常受到周期性载荷的影响，这种载荷主要来源于强风、水流冲刷等自然因素。长期暴露于这些载荷下可能会导致植物根系锚固性能的下降，从而影响植物的稳定性以及土壤保护效果。本研究聚焦于北方中国一种常见树种——白桦（Betula platyphylla）的根系锚固性能，探讨周期性载荷对其的影响。白桦根系在北方山区的土壤稳定和防止侵蚀中起着重要作用，因此了解其在周期性载荷下的表现对于提高生态工程的稳定性具有重要意义。

为了更全面地研究根系在周期性载荷下的行为，研究团队采用了拉拔试验的方法，对嵌入土壤中的根系进行了测试。这些试验包括单次拉拔测试和100次周期性加载与卸载试验。研究发现，随着周期性载荷振幅的增加，根系的峰值承载能力呈现负相关关系，即载荷越大，承载能力越低。同时，根系系统在周期性载荷下的能量耗散也随着振幅的增加而提高，但随着周期数的增加，能量耗散逐渐减少。从第一次到第25次周期，能量耗散明显下降，而在第25次到第100次周期之间，能量耗散减少趋势趋于平缓。这表明，根系在经历一定数量的周期性载荷后，其能量耗散能力趋于稳定。

研究还开发了一种改进的Bouc-Wen模型，以更精确地描述根系在周期性载荷下的非线性滞回行为。该模型能够很好地拟合力-位移曲线，并准确再现根系锚固性能在周期性载荷下的损伤演化过程。Bouc-Wen模型在模拟混凝土和土壤的周期性响应方面已被广泛认可，它能够描述多种滞回曲线的形状。因此，将其应用于根系锚固性能的研究中，具有重要的理论和实际意义。

本研究通过在控制实验环境中模拟自然条件下的周期性载荷，分析了白桦根系在不同载荷振幅下的表现。实验结果显示，白桦根系在25%、50%和75%的载荷振幅下，分别表现出不同的破坏模式。在较低振幅下，根系在经历100次周期后完全被拉出，而在较高振幅下，根系可能在未完成全部周期前就已经被拉出。这表明，随着载荷振幅的增加，根系的破坏速度加快，锚固性能下降更明显。

从能量角度分析，周期性载荷下的根系系统表现出显著的能量耗散。在每个周期中，根系的力-位移曲线所围成的面积代表了能量耗散量。随着周期数的增加，能量耗散逐渐减少，而随着振幅的增加，能量耗散则显著上升。这表明，周期性载荷不仅影响根系的承载能力，还对根系的损伤积累和能量消耗产生重要影响。特别是在初期几个周期中，根系经历较大的弹性-塑性变形，导致较高的能量耗散。随着周期数的增加，根系逐渐适应外部载荷，能量耗散减少。

此外，研究还发现，周期性载荷下的根系系统表现出非线性响应。在初始阶段，根系的弹性变形显著，而随着载荷的持续作用，根系的塑性变形逐渐占据主导地位。这种变化不仅影响根系的承载能力，还影响其与土壤之间的摩擦力和粘结力。在较高振幅下，根系与土壤之间的界面摩擦力逐渐减弱，导致根系更容易被拉出。而在较低振幅下，根系通过逐渐调整自身结构和与土壤的相互作用，实现一定程度的适应，从而减少能量耗散。

为了更准确地描述根系在周期性载荷下的行为，研究团队引入了改进的Bouc-Wen模型。该模型通过引入与根系变形相关的形状参数，更贴合实验数据。模型的拟合结果表明，其能够准确再现根系的滞回行为，并在不同载荷振幅下表现出较高的拟合精度。平均R2值达到0.917，显示出模型在描述根系锚固性能方面的可靠性。

本研究的发现对于理解植物根系在周期性载荷下的机械性能具有重要价值。通过分析根系在周期性载荷下的损伤机制和能量耗散过程，研究提供了关于如何在动态环境中增强植物根系锚固性能的理论依据。这些结果可以为生态工程中的植被选择和土壤保护策略提供参考，有助于提高在易受侵蚀和不稳定地区的土壤稳定性。

在实际应用中，了解根系在周期性载荷下的表现，有助于优化植被配置和管理措施。例如，在易受风力影响的地区，选择具有较高抗周期性载荷能力的植物种类，可以有效提高土壤稳定性。此外，研究还表明，根系的形态、直径以及土壤的物理特性，如含水率和类型，对根系的锚固能力有显著影响。因此，在进行生态工程设计时，需要综合考虑这些因素，以提高植被在动态环境中的适应能力和稳定性。

本研究的结果不仅为植物根系的机械行为提供了新的见解，还为相关模型的建立和优化提供了基础。未来的研究可以进一步探索如何利用机器学习和智能算法，提高模型在周期性载荷下的预测能力和适应性。通过引入更多的输入变量，如根系形态、土壤类型等，可以增强模型的多样性，提高其在不同条件下的适用性。这将有助于更全面地理解和预测植物根系在自然环境中的锚固性能，从而为生态工程和土壤保护提供更科学的指导。