数学建模竞赛：从黑箱套用到白盒构建的工程优化方法论

1. 从“黑箱”到“白盒”：数学建模竞赛的解题心法

每年五一、国赛、美赛这些数学建模竞赛季，总能看到一个现象：很多队伍拿到题目后，第一反应是去网上找“完整思路+论文+可运行代码”。这背后反映的，是一种典型的“黑箱”思维——我不关心模型是怎么构建的，也不关心代码为什么这么写，我只想知道“标准答案”，然后把它套上去，希望能拿个奖。这种心态，对于真正想在建模竞赛中锻炼能力、取得好成绩的同学来说，是最大的障碍。我参加过几次竞赛，也带过不少队伍，一个深刻的体会是：建模竞赛的核心价值，恰恰在于从“黑箱”走向“白盒”的过程。你不是在找一个“答案”，而是在学习一套“解题的方法论”。

就拿“煤矿巷道支护”这类典型的工程优化问题来说，它本质上是一个多因素耦合的力学与优化问题。锚杆的预紧力、支护密度、围岩性质、巷道断面形状……这些因素相互影响，牵一发而动全身。如果你只盯着别人给的“完整代码”，你学到的可能只是一堆MATLAB函数调用，比如fmincon怎么用，pdepe怎么解偏微分方程。但更重要的是，你需要理解：为什么在这个问题里要用fmincon而不是遗传算法？为什么要把围岩简化为弹塑性模型而不是完全弹性体？为什么预紧力矩和预紧力之间是那个换算关系？这些“为什么”，才是建模的精髓，也是评委在论文里最看重的地方——你的模型假设是否合理，你的求解方法是否适配问题特性，你的结论是否经得起推敲。

所以，这篇内容，我不想（也不可能）给你一份2026年五一赛A题的“标准答案”。那没有意义，因为题目每年都在变，核心的物理背景和数学工具却万变不离其宗。我想做的，是和你一起，以“煤矿巷道支护”这个极具代表性的工程问题为蓝本，彻底拆解一次数学建模的全流程。我们会从问题本质的理解、模型框架的搭建、求解算法的选择、论文书写的逻辑，一直到代码实现的技巧，一步步把“黑箱”打开，让你看到里面的每一个齿轮是如何咬合的。掌握了这套心法，无论题目怎么变，你都能从容应对，构建出属于自己的“白盒”模型。

2. 问题深潜：煤矿巷道支护到底在问什么？

拿到“煤矿巷道支护”这种题目，第一步绝对不是打开MATLAB或者去搜论文。第一步必须是：像工程师一样，把实际问题“翻译”成数学语言。很多队伍折戟沉沙，就是因为跳过了这一步，直接套模型，导致论文“两张皮”——前面说实际问题，后面突然开始一堆数学公式，中间的逻辑链条是断裂的。

2.1 核心物理背景与关键参数

煤矿巷道开挖后，原来的地应力平衡被打破，围岩（巷道周围的岩石）会向巷道内变形、松动，甚至垮塌。支护的目的，就是用人工结构（锚杆、锚索、喷射混凝土等）给围岩提供支撑力，控制其变形，维持巷道稳定。

这里有几个核心的物理概念和参数，你必须吃透：

1. 地应力场：岩石在地下深处处于三向受压状态。开挖后，巷道周边应力重新分布，形成“应力集中区”和“卸压区”。这是所有巷道力学分析的起点。在建模中，我们通常将其简化为垂直应力（主要由上覆岩层重量引起）和水平应力（与地质构造有关）两个主方向。
2. 围岩性质：岩石不是理想的弹簧。它的力学行为非常复杂，涉及弹性、塑性、流变（随时间缓慢变形）。对于短期稳定性分析，常用弹塑性模型，比如Mohr-Coulomb准则或Drucker-Prager准则，来描述岩石的屈服（开始发生不可恢复的塑性变形）条件。
3. 锚杆支护机理：锚杆不是一根简单的“棍子”顶在那里。它的作用机理主要有：
   • 悬吊作用：将不稳定的浅部岩层“吊”在深部稳定岩层上。
   • 组合梁作用：将层状岩层锚固在一起，形成整体承重的“梁”。
   • 挤压加固作用：这是预紧力发挥作用的核心。通过对锚杆施加预紧力（拧紧螺母产生的力），在锚杆托盘和围岩之间形成主动的压应力，使松散岩块相互挤压，形成一个承载环，显著提高围岩的整体强度和自承能力。
4. 预紧力与预紧力矩：这是一个极易混淆的关键点。预紧力是锚杆杆体受到的轴向拉力，单位是千牛（kN）。预紧力矩是拧紧螺母时施加的扭矩，单位是牛·米（N·m）。两者通过一个复杂的摩擦关系换算，并非简单的线性比例。公式大致为T = K * d * F，其中T是预紧力矩，d是螺栓公称直径，F是预紧力，K是扭矩系数（一个与螺纹摩擦、螺母端面摩擦等有关的无量纲数，通常通过实验测定，范围在0.1-0.3之间）。在题目中，很可能给你力矩，让你反求力，或者给你一个换算关系表。

注意：在实际工程和高质量论文中，必须明确区分这两个概念。直接说“加大扭矩以提高支护效果”是不严谨的，应该说“通过施加更大的预紧力矩，以获得更高的锚杆预紧力，从而增强挤压加固效果”。

2.2 从工程问题到数学问题的转化路径

现在，我们尝试把上述物理问题“数学化”。一个典型的赛题可能会这样描述：“给定巷道断面尺寸、围岩力学参数、地应力条件，请确定合理的锚杆间距、长度、直径以及预紧力矩，使得支护成本尽可能低，同时满足巷道顶底板和两帮移近量不超过安全阈值。”

拆解开来，数学建模需要解决以下几个子问题：

1. 力学分析子问题：建立巷道围岩在支护作用下的力学响应模型。输入是地应力、围岩参数、支护参数（锚杆位置、预紧力等），输出是围岩各点的应力、应变和位移场。这通常归结为求解一个偏微分方程（PDE）边值问题。由于几何和材料的复杂性，解析解几乎不可能，必须采用数值方法，如有限元法（FEM）。
2. 优化决策子问题：在满足位移/应力约束（安全性）的前提下，寻找使总成本（锚杆材料费、安装费等）最低的支护参数组合。这构成了一个约束优化问题。决策变量就是锚杆间距、长度、直径、预紧力等。
3. 不确定性处理子问题：围岩参数（如内聚力、内摩擦角）具有空间变异性，地应力也可能测量不准。如何保证支护方案在参数波动下依然可靠？这引入了鲁棒优化或可靠性分析的需求。

看到这里，你应该意识到，这绝不是一个简单的方程求解。它是一个“仿真-优化”的耦合循环：每调整一组支护参数，就要调用一次有限元仿真来计算围岩响应，然后判断是否安全、成本多少。仿真本身计算量巨大，直接嵌入优化循环会非常慢。因此，一个关键的建模技巧出现了：代理模型（Surrogate Model）。

3. 模型构建：搭建一个可求解的数学框架

基于上面的分析，我们可以设计一个分层、高效的建模框架。这个框架是通用的，适用于很多工程优化问题。

3.1 核心模型一：围岩力学响应的有限元模型

这是整个问题的物理基础。我们使用商业软件（如COMSOL、Abaqus）或开源库（如FEniCS）来建立二维（平面应变）或三维巷道模型。

建模步骤与关键设置：

1. 几何建模：根据题目给出的巷道断面形状（矩形、拱形、梯形）建立几何模型。计算区域要足够大（通常取巷道尺寸的3-5倍），以消除边界效应。
2. 材料属性：
   • 围岩：定义为弹塑性材料，屈服准则选用Drucker-Prager准则（它比Mohr-Coulomb在数值计算上更稳定）。需要输入弹性模量E、泊松比ν、内聚力c、内摩擦角φ。
   • 锚杆：简化处理。一种常见方法是使用杆单元（Truss Element）或梁单元（Beam Element）来模拟锚杆，只承受轴向力。另一种更精细的方法是使用植入式桁架单元（Embedded Truss Element），将锚杆“嵌入”围岩实体单元中，自动考虑两者的耦合。
3. 边界条件与载荷：
   • 地应力：以初始应力场的形式施加在整个模型上。垂直应力 = 岩层平均密度 * 埋深 * 重力加速度。水平应力通常按与垂直应力的比例系数（侧压力系数λ）给出。
   • 支护力：锚杆的预紧力，以集中力或分布力的形式施加在锚杆端部（托盘与围岩接触处）。关键点：预紧力的方向垂直于巷道表面，指向围岩内部，模拟“挤压”效果。
   • 模型边界：底部固定垂直位移，两侧限制水平位移，顶部为自由面或给定应力。
4. 求解与后处理：求解后，提取关键结果：巷道周边关键点（顶板中点、底板中点、两帮中点）的位移、围岩塑性区范围、锚杆轴力分布。

实操心得：对于数学建模竞赛，自己从头写一个有限元求解器是不现实的。建议使用MATLAB的PDE Toolbox（对于相对简单的二维弹性问题）或Python的FEniCS库。更务实的方法是：用商业软件（如COMSOL）快速搭建一个参数化模型，然后通过其LiveLink for MATLAB功能，让MATLAB调用COMSOL进行批量计算。这能极大提升后续优化迭代的效率。

3.2 核心模型二：基于代理模型的优化模型

直接耦合FEM和优化器计算量太大。我们引入代理模型作为“桥梁”。

1. 实验设计：在支护参数的可行域内（如锚杆间距0.6m~1.2m，预紧力50kN~150kN），采用拉丁超立方采样方法，生成几百组样本点(间距_i， 预紧力_i， 长度_i， 直径_i)。
2. 仿真计算：对每一组样本，调用3.1中建立的参数化FEM模型，计算得到目标响应：(顶板位移_i， 成本_i)。
3. 构建代理模型：用样本数据(输入X， 输出Y)来训练一个快速的预测模型。常用的代理模型有：
   • 克里金模型：适用于非线性、空间相关的响应，能提供预测方差，常用于稳健优化。
   • 径向基函数神经网络：拟合能力强，对高维非线性问题表现好。
   • 多项式响应面：形式简单，但拟合复杂非线性能力有限。 对于支护问题，克里金模型是一个很好的选择，因为它能很好地处理工程响应中的不确定性。
4. 建立优化模型：
   • 决策变量：锚杆间距s， 预紧力F， 长度L， 直径d。
   • 目标函数：最小化总成本C_total = C_material(L, d) * N + C_install。其中N是锚杆数量（由巷道长度和间距s决定）。
   • 约束条件：
     • 安全性约束：顶板位移(s, F, L, d) <= [安全阈值]。这个约束函数现在由克里金代理模型快速计算，而不是昂贵的FEM。
     • 几何约束：s_min <= s <= s_max,F_min <= F <= F_max等。
   • 优化算法：由于代理模型是黑箱且可能非凸，推荐使用全局优化算法，如遗传算法、粒子群算法。MATLAB的Global Optimization Toolbox里的ga函数可以直接调用。

这个“FEM采样 -> 代理模型 -> 优化求解”的框架，是解决此类仿真优化问题的标准且高效的套路。

3.3 模型三：考虑不确定性的鲁棒优化模型（进阶）

如果题目强调了参数的不确定性（如“围岩内聚力c在某个范围内波动”），我们就需要将模型升级。

1. 不确定性量化：将不确定参数（如c）视为随机变量，服从某种分布（如正态分布、均匀分布）。
2. 蒙特卡洛模拟：在代理模型的基础上，对不确定参数进行大量随机采样。对于每一组固定的支护方案，计算在不同随机参数下巷道位移的分布。
3. 重构优化模型：
   • 机会约束规划：将安全性约束从确定性的位移 <= 阈值，改为概率形式的P(位移 <= 阈值) >= 置信水平(如95%)。
   • 鲁棒优化：寻找一个支护方案，使得在最坏情况（如c取最小值）下，位移约束依然满足。这通常转化为一个min-max问题。 求解这类问题计算量更大，需要结合代理模型和智能优化算法（如鲁棒遗传算法）。

4. 代码实现：将数学框架落地为可运行程序

光有思路不够，必须能跑出结果。这里给出一个基于MATLAB的、高度模块化的代码框架思路。请注意，这不是完整代码，而是告诉你每个部分该怎么写，如何组织。

4.1 模块一：参数化有限元模型的调用接口

假设你已经用COMSOL建好了名为tunnel_model.mph的模型，并参数化了锚杆间距s、预紧力F等。

function [u_roof, cost] = fem_simulation(s, F, L, d) % 输入：支护参数 % 输出：顶板位移u_roof和估算成本cost % 此函数通过COMSOL LiveLink for MATLAB调用仿真 % 1. 启动COMSOL并加载模型 import com.comsol.model.* import com.comsol.model.util.* model = mphload('tunnel_model.mph'); % 2. 设置参数 model.param.set('s', [num2str(s), '[m]']); model.param.set('F_preload', [num2str(F), '[N]']); % ... 设置其他参数 L, d % 3. 运行仿真 model.study('std1').run; % 4. 提取结果 (例如，顶板中点的Y方向位移) % 首先获取顶板中点坐标对应的节点ID，这里假设已知节点标签或坐标 pointCoord = [0, 5.0]; % 示例坐标，需根据实际模型确定 [u_roof, ~] = mphinterp(model, {'u'}, 'coord', pointCoord'); % u是Y方向位移 u_roof = abs(u_roof); % 取绝对值 % 5. 计算成本 (简化公式) density_steel = 7850; % kg/m^3 unit_price = 5000; % 元/吨 num_bolts = ceil(100 / s); % 假设巷道长100m volume = pi * (d/2)^2 * L * num_bolts; cost_material = density_steel * volume * unit_price / 1000; cost_install = 200 * num_bolts; % 假设安装费 cost = cost_material + cost_install; % 6. 清理 ModelUtil.remove('model'); clear model; end

4.2 模块二：实验设计与代理模型训练

% 1. 定义参数范围和采样数 param_ranges = [0.6, 1.2; % s_min, s_max (m) 50e3, 150e3; % F_min, F_max (N) 1.5, 2.5; % L_min, L_max (m) 0.018, 0.022]; % d_min, d_max (m) n_samples = 200; % 2. 拉丁超立方采样 X = lhsdesign(n_samples, 4); % 生成[0,1]区间内的样本 for i = 1:4 X(:, i) = param_ranges(i,1) + (param_ranges(i,2)-param_ranges(i,1)) * X(:, i); end % 3. 并行仿真获取响应Y (耗时，建议用parfor) Y = zeros(n_samples, 2); % 第一列位移，第二列成本 parfor i = 1:n_samples [Y(i, 1), Y(i, 2)] = fem_simulation(X(i,1), X(i,2), X(i,3), X(i,4)); fprintf('已完成采样点 %d/%d\n', i, n_samples); end % 4. 训练克里金代理模型 (使用DACE工具箱或MATLAB自带的fitrgp) % 这里以fitrgp为例（需要Statistics and Machine Learning Toolbox） krig_model_disp = fitrgp(X, Y(:,1), 'Basis', 'linear', 'FitMethod', 'exact', ... 'PredictMethod', 'exact', 'KernelFunction', 'ardsquaredexponential'); krig_model_cost = fitrgp(X, Y(:,2), 'Basis', 'linear', 'FitMethod', 'exact', ... 'PredictMethod', 'exact', 'KernelFunction', 'ardsquaredexponential'); % 5. 定义代理模型预测函数 predict_disp = @(x) predict(krig_model_disp, x); predict_cost = @(x) predict(krig_model_cost, x);

4.3 模块三：基于遗传算法的优化求解

% 定义优化问题 nvars = 4; % 决策变量个数 lb = param_ranges(:,1)'; % 下界 ub = param_ranges(:,2)'; % 上界 % 非线性约束：位移必须小于阈值 displacement_threshold = 0.05; % 50mm nonlcon = @(x) deal(predict_disp(x) - displacement_threshold, []); % deal函数返回不等式约束c<=0，这里c=预测位移-阈值 % 目标函数：最小化成本 objfun = @(x) predict_cost(x); % 设置遗传算法选项 options = optimoptions('ga', ... 'PopulationSize', 50, ... 'MaxGenerations', 100, ... 'FunctionTolerance', 1e-6, ... 'PlotFcn', @gaplotbestf, ... % 绘制收敛曲线 'Display', 'iter'); % 运行优化 [x_opt, fval_opt, exitflag] = ga(objfun, nvars, [], [], [], [], lb, ub, nonlcon, options); fprintf('最优解找到！\n'); fprintf('锚杆间距: %.3f m\n', x_opt(1)); fprintf('锚杆预紧力: %.0f kN\n', x_opt(2)/1000); fprintf('锚杆长度: %.2f m\n', x_opt(3)); fprintf('锚杆直径: %.0f mm\n', x_opt(4)*1000); fprintf('预估最小成本: %.2f 元\n', fval_opt); fprintf('对应顶板位移: %.3f m (约束阈值: %.3f m)\n', predict_disp(x_opt), displacement_threshold);

4.4 模块四：结果验证与敏感性分析

优化结果不能直接信，必须回头用高保真的FEM模型验证。

% 1. 验证最优解 [u_verify, cost_verify] = fem_simulation(x_opt(1), x_opt(2), x_opt(3), x_opt(4)); fprintf('=== 高精度FEM验证结果 ===\n'); fprintf('实际顶板位移: %.3f m\n', u_verify); fprintf('实际成本: %.2f 元\n', cost_verify); fprintf('代理模型预测误差 - 位移: %.2f%%， 成本: %.2f%%\n', ... abs(predict_disp(x_opt)-u_verify)/u_verify*100, ... abs(fval_opt-cost_verify)/cost_verify*100); % 2. 敏感性分析：看看哪个参数对位移和成本影响最大 % 使用代理模型，在最优解附近进行扰动分析 perturb = 0.05; % 5%的扰动 sensitivity = zeros(4,2); for i = 1:4 x_perturb = x_opt; x_perturb(i) = x_opt(i) * (1 + perturb); sensitivity(i,1) = (predict_disp(x_perturb) - predict_disp(x_opt)) / predict_disp(x_opt) / perturb; sensitivity(i,2) = (predict_cost(x_perturb) - fval_opt) / fval_opt / perturb; end % 绘制敏感性条形图 figure; subplot(1,2,1); bar(sensitivity(:,1)); title('各参数对顶板位移的敏感性'); set(gca, 'XTickLabel', {'间距s','预紧力F','长度L','直径d'}); ylabel('敏感度系数'); subplot(1,2,2); bar(sensitivity(:,2)); title('各参数对成本的敏感性'); set(gca, 'XTickLabel', {'间距s','预紧力F','长度L','直径d'}); ylabel('敏感度系数');

踩坑实录：这里最容易出问题的是单位制。有限元软件内部通常使用国际单位制（m, Pa, N），但题目给出的数据可能是工程单位（mm, MPa, kN）。在代码中必须进行严格统一的换算，否则结果会差1000倍。我的习惯是，在读取所有输入数据后，立即统一转换为国际单位制，在最终输出时再转换回工程单位。另外，代理模型的精度严重依赖于采样点的数量和质量。采样点太少，模型不准；太多，仿真耗时太长。一个技巧是先做一次少量采样（如50个点），用简单模型看看响应趋势，在关键区域（如约束边界附近）增加采样密度。

5. 论文撰写：将你的思考过程“卖”给评委

数学建模竞赛，七分靠做，三分靠写。论文是你唯一的产品。评委如何在短时间内判断你的工作？靠的就是论文的逻辑清晰度、专业性和规范性。

5.1 摘要：浓缩的精华，决定生死

摘要必须在300字以内，用最精炼的语言讲清楚整个故事。一个经典的“问题-方法-结果-结论”四段式结构非常有效。

• 第一句（问题）：针对煤矿巷道支护设计中的经济性与安全性平衡问题，本文研究了在给定围岩条件和安全位移约束下，如何优化锚杆间距、预紧力等参数以最小化支护成本。
• 第二句（方法）：首先，基于弹塑性力学和Drucker-Prager准则，建立了巷道围岩-锚杆支护系统的有限元分析模型；其次，采用拉丁超立方采样和有限元仿真，构建了支护参数与巷道顶板位移、支护成本之间的克里金代理模型；最后，以成本最小化为目标，以顶板位移为约束，建立了优化模型，并利用遗传算法进行求解。
• 第三句（结果）：求解得到最优支护方案为：锚杆间距0.85m，预紧力118kN，长度2.1m，直径20mm。该方案下，顶板位移预测值为47.3mm，满足小于50mm的安全要求，预估成本较经验方案降低约15%。敏感性分析表明，锚杆间距对成本和位移均最为敏感。
• 第四句（结论与特色）：本文的创新在于将高保真有限元仿真与代理模型、智能优化算法相结合，有效解决了仿真优化中的计算效率瓶颈，为巷道支护设计提供了一种定量化、自动化的决策方法。

5.2 模型建立部分：展现你的建模思维

这是论文的核心。不要直接堆公式，要像讲故事一样，阐述你为什么选择这个模型。

1. 问题重述与分析：用自己的话把题目分解成几个子问题，并画出逻辑关系图。明确指出问题的难点在于“仿真与优化的耦合计算成本高”。
2. 模型假设：列出清晰、合理的假设。例如：“假设围岩为均质、各向同性的连续介质”、“忽略锚杆与注浆体之间的滑移”、“地应力场为均匀静水压力场”。每一条假设都要说明其合理性及对结果可能产生的影响（简化了问题，但仍在工程允许误差内）。
3. 符号说明：用三线表列出所有主要变量、符号、含义及单位。这是专业性的体现。
4. 子模型详述：
   • 力学模型：推导平衡方程、几何方程、本构方程（弹塑性）。给出Drucker-Prager屈服面的数学表达式F = α*I1 + sqrt(J2) - k = 0，并解释其中I1、J2、α、k的物理意义及其与c, φ的关系。配上巷道计算域和边界条件的示意图。
   • 代理模型：解释为什么用克里金模型，它相比多项式响应面的优势（能处理非线性、提供不确定性度量）。给出克里金预测的基本公式y(x) = μ + z(x)，其中z(x)是高斯过程。
   • 优化模型：用数学公式清晰定义目标函数min C(s, F, L, d)和约束条件g(u(s, F, L, d)) <= 0。说明决策变量的上下界。

5.3 模型求解与结果分析：用图表说话

1. 求解流程：画一个清晰的算法流程图，展示“参数采样->FEM仿真->代理模型训练->优化求解->结果验证”的完整闭环。
2. 数据与图表：
   • 表1：围岩力学参数和地应力参数（来自题目）。
   • 图1：有限元模型网格划分图（可从软件中导出）。
   • 图2：最优方案下的围岩位移云图和塑性区分布图。这是最直观的成果展示。
   • 图3：遗传算法收敛曲线图，证明算法有效找到了最优解。
   • 表2：最优支护方案参数表，并与传统经验方案（如等间距1.0m，预紧力100kN）进行对比，突出优化效果（成本降低%，位移满足要求）。
   • 图4：敏感性分析条形图（如4.4节所示）。
3. 结果分析：不要只说“从图3可以看出...”。要分析背后的机理：“敏感性分析显示，锚杆间距s的敏感度最高，这是因为s直接决定了支护密度，对围岩的挤压加固范围和程度影响最为显著。预紧力F次之，它主要影响主动支护力的强弱。因此，在实际工程调整中，应优先优化锚杆间距。”

5.4 模型评价与推广：体现思考的深度

1. 优点：客观陈述，如“本文模型将高精度仿真与高效优化结合，实现了复杂工程问题的快速寻优”、“采用了克里金代理模型，不仅提供了预测值，还能给出预测方差，为可靠性分析奠定了基础”。
2. 缺点与改进：这是加分项！展示你的批判性思维。例如：“本文假设围岩为均质材料，未考虑节理、裂隙等不连续面，未来可引入离散元模型进行更精细的模拟”、“优化时未考虑施工便捷性，未来可将安装难度作为软约束加入目标函数”。
3. 推广：说明模型框架的通用性。“本‘仿真-代理模型-优化’框架可广泛应用于隧道支护、边坡加固、地基处理等岩土工程优化设计问题中。”

6. 备赛实战：从拿到赛题到提交论文的72小时

最后，分享一套我们队伍磨合出来的72小时时间管理方案，这才是“完整思路”的终极体现。

• 第0天（赛前）：分工明确。三人分别侧重：建模与算法（主攻模型构建、算法实现）、编程与仿真（主攻FEM软件、MATLAB/Python代码）、论文与可视化（主攻LaTeX写作、图表绘制）。准备好所有软件环境、工具箱、论文模板。
• 第一天（上午）：彻底读题，达成共识。花2-3小时，所有人一起逐字逐句分析题目，列出所有已知条件、未知量、目标、约束。讨论可能用到的模型方向，查阅少量关键文献。下午：确定最终技术路线，开始建模。建模手画流程图、推导公式；编程手开始搭建FEM参数化模型框架；论文手开始撰写问题重述、模型假设、符号说明。
• 第二天（全天）：核心攻坚期。建模手和编程手紧密配合，调试仿真模型，进行实验设计采样。开始并行计算采样点（这个最耗时，要尽早启动）。论文手撰写模型建立部分，并绘制示意图。晚上，采样数据出来后，建模手开始训练代理模型和优化。
• 第三天（上午）：求解与验证。跑出优化结果，用FEM进行验证。进行敏感性分析等。论文手同步撰写模型求解和结果分析部分，并生成结果图表。下午：论文合成与精修。所有人集中整合论文，建模手和编程手为论文手提供技术细节描述。重点打磨摘要、模型优缺点、结论。晚上：最终检查。检查全文逻辑、公式编号、图表引用、错别字、格式。在截止时间前至少留出1小时提交。

血泪教训：最大的坑往往是软件环境和数据交换。比赛中途发现COMSOL和MATLAB的接口没调通，或者Python版本不兼容某个库，是毁灭性的。赛前一定要做一次全流程的模拟，用一个简单问题跑通“建模-仿真-优化-出图-论文”整个链条。另外，论文一定要尽早开始写，不要等结果出来再写。模型假设、符号说明、方法原理这些不依赖结果的部分，第一天就可以动笔。写作过程本身也能帮你理清思路，发现模型中的逻辑漏洞。

数学建模竞赛没有标准答案，但有最好的思考过程和最规范的呈现方式。希望这篇超长的拆解，能帮你把“煤矿巷道支护”这个点，变成理解整个数学建模竞赛的“锚杆”，牢牢固定住你的知识体系。当你再看到“完整思路+代码”这样的标题时，希望你想到的不再是去寻找一个现成的答案，而是自信地知道，该如何去构建一套属于自己的、逻辑通透的解决方案。这才是竞赛，也是学习，带给你的真正价值。