基于数据驱动的非球形散体颗粒休止角智能建模方法

针对离散单元法(DEM)仿真非球形散体颗粒休止角计算量大、耗时长的问题,本文基于DEM历史仿真数据,采用数据驱动的智能建模方法—BP、RBF神经网络建立非球形散体颗粒的休止角模型,并与传统克里金回归方法进行比较。结果表明,智能模型的运算速度相比DEM计算速度有很大提升;智能模型相比传统克里金回归模型具有更佳的预测性能,其中BP神经网络模型综合性能最优。最后,采用BP神经网络模型分析颗粒形状及摩擦因数对休止角的影响,发现休止角随颗粒形状变量、摩擦因数的增加都呈现增大的趋势,与现有研究结果一致,进一步证明了智能模型进行休止角预测的可靠性。