随着极区资源勘探,北极航道的开通等极地项目的兴起,海冰这一颗粒材料成为了研究的热点。由于海冰内部结构复杂随机,在不同条件下会表现出复杂的力学特性。为实现极地资源开发,北极航道的通航以及保障船舶与海洋结构物安全性设计等目的,深入研究海冰的力学性质具有重要意义和价值。许多学者尝试通过建立海冰的本构关系来探究海冰复杂力学行为特性的机理,但存在诸多困难。本文以简单颗粒材料为对象,结合传统方法的优势,目标构建一种高效、准确建立颗粒材料本构关系的方法。本文基于数据驱动策略对颗粒材料本构关系建立方法进行研究。采用离散元法建立离散元颗粒材料试样并进行三轴压缩数值试验,获取应力应变关系曲线和内变量等数据,并构建长短期记忆神经网络对颗粒试样三轴压缩本构关系进行预测,验证了利用机器学习获得的神经网络数据驱动模型代替和建立颗粒材料本构关系的可能性。引入深度强化学习等方法,构建了一套深度自主强化学习算法。该算法可为计算机提供建模选项,使其通过自主探索学习发现数据之间隐藏的关系,从而做出建模决策以模拟人类编写本构模型的过程,同时可以根据提供的已知内变量信息自主高效的创建和验证颗粒材料的本构关系,无需人工干预。以离散元内聚力颗粒模型为例,利用深度自主强化学习算法对颗粒材料的作用力-位移本构关系进行创建及预测,结果较为准确。对深度自主强化学习算法的应用进行研究。采用离散元法建立颗粒材料模型试样,并进行不同工况的三轴压缩数值模拟。通过深度自主强化学习算法利用数值模拟所获数据进行自主学习,建立并验证颗粒材料的本构关系,检验本文提出的颗粒材料的本构关系建立方法的适用性以及准确性,为颗粒材料本构关系建立方法的研究提供参考。