为实现基于颗粒结构的土体宏观力学参数预测，本文提出了一种离散元数值模拟和机器学习相结合的方法。首先，采用切片的方法对三维离散元模型进行切割获得多层二维横截面数据，灰度处理消除冗余信息，堆叠形成新的三维数据以表示土体的结构。其次，基于Python语言和pytorch框架，搭建新的三维卷积神经网络模型，对离散元模拟得到的弹性模量与三维数据的对应关系进行训练。最后，为验证预测的有效性，采用MSE函数评价训练过程的损失值，采用准确度D与均误差率MER评价预测值与离散元计算值的误差。结果显示，学习率设置0.01~0.1范围内，批次取值为10、20、32和64，训练过程中各批次的损失值先下降后趋于稳定，在训练轮次达到15次后损失值基本稳定。随着批次的增加和学习率的降低，准确度和均误差率增加。学习率0.1时，批次10对应的准确度和均误差率最低，分别为2.93%和8.8%。所有批次准确度均低于5.5%，均误差率低于15%。以上结果说明，训练过程模型得到了优化，卷积神经网络预测值与离散元计算值误差较小，证明该方法对土体弹性模量预测的有效性。

土体结构；土体弹性模量；三维离散元模型；三维卷积神经网络；预测误差