基于离散元法的物料参数标定方法与流程

技术特征：
1.一种基于离散元法的物料参数标定方法，其特征在于，包括如下步骤：根据物料的物性参数构建离散元本构模型；设定待标定参数及范围；根据所述待标定参数及范围进行lhs抽样；将所述lhs抽样的抽样结果作为输入数据导入所述离散元本构模型进行离散元模拟；根据所述lhs抽样结果和所述离散元模拟的输出数据建立训练集；根据所述训练集进行神经网络训练以得到所述待标定参数与离散元模拟的输出数据之间的近似模型；验证所述近似模型是否满足第一预设条件，若不满足，则扩大所述lhs抽样的样本量；对所述近似模型进行遗传算法寻优；根据所述遗传算法的输出结果进行物料参数的标定。2.根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，所述lhs抽样包括在每个所述待标定参数中抽取多个样本，每个所述待标定参数中抽取的多个样本划分为多个样本组。3.根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，所述离散元模拟的输出数据为宏观静态休止角s与堆积高度h。4.根据权利要求3所述的基于离散元法的物料参数标定方法，其特征在于，根据图像识别算法检测所述宏观静态休止角，所述图像识别算法包括：截取所述宏观静态休止角图片，对所述宏观静态休止角图片进行灰度或二值化处理，提取所述宏观静态休止角边缘，拟合所述宏观静态休止角边缘并得到所述宏观静态休止角数值。5.宏观静态休止角5、根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，将所述lhs抽样结果作为神经网络训练的输入层，将所述离散元模拟的输出数据作为神经网络训练的输出层。6.根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，所述第一预设条件为r2≥0.9，且r2为残差平方和。7.根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，对所述近似模型进行遗传算法寻优包括：验证所述神经网络的输出结果是否满足第二预设条件，如不满足，则调整所述遗传算法的参数。8.根据权利要求7所述的基于离散元法的物料参数标定方法，其特征在于，所述第二预设条件为st
‑1°
≤s≤st 1
°
和ht
‑
2≤h≤ht 2，且
△
=｜s
‑
st｜ ｜h
‑
ht｜，其中，st为根据堆积物理试验测量的物料宏观静态休止角，ht为根据堆积物理试验测量的物料堆积高度,
△
为偏差和的最小值。9.根据权利要求1所述的基于离散元法的物料参数标定方法，其特征在于，在根据所述遗传算法的输出结果进行物料参数的标定之前，所述方法还包括：验证所述遗传算法的输出结果，所述验证所述遗传算法的输出结果包括：在所述遗传算法的输出结果中选取多组输出结果作为验证数据，多组所述输出结果划分为多组验证数据，且多组所述输出结果与多组所述验证数据一一对应，将多组所述验证数据导入所述离散元本构模型进行离散元仿真以得到多组验证解，若多组所述验证解与多组所述输出结果之间的误差不满足第三预设条件，则扩大所述lhs抽样的样本量，所述第三预设条件为e1≤5%，其中e1为多组所述验证
解与多组所述输出结果之间的误差。10.根据权利要求9所述的基于离散元法的物料参数标定方法，其特征在于，所述验证所述遗传算法的输出结果还包括：根据所述遗传算法的输出结果进行卸料模拟试验，对待标定物料进行卸料物理试验，若卸料模拟试验的输出结果与卸料物理试验的输出结果的误差不满足第四预设条件，则扩大所述lhs抽样的样本量，所述第四预设条件为所述卸料模拟试验中物料流动形态与所述卸料物理试验中物料流动形态是否吻合，和/或，所述卸料模拟试验中物料质量流量与所述卸料物理试验中物料质量流量之间的误差是否逐渐减小。

技术总结
本发明公开了一种基于离散元法的物料参数标定方法，包括如下步骤根据物料物性参数构建离散元本构模型；设定待标定参数及范围；根据待标定参数及范围进行LHS抽样；将LHS抽样的抽样结果作为输入数据导入离散元本构模型进行离散元模拟；根据LHS抽样结果和离散元模拟的输出数据建立训练集；根据训练集进行神经网络训练以得到待标定参数与离散元模拟的输出数据之间的近似模型；验证近似模型是否满足第一预设条件，若不满足，则扩大LHS抽样的样本量；对近似模型进行遗传算法寻优；根据遗传算法的输出结果进行物料参数的标定。本发明基于离散元法的物料参数标定方法，提高参数标定的效率，通过多种方式对参数标定结果进行验证，提高参数标定的准确性。提高参数标定的准确性。提高参数标定的准确性。


技术研发人员：宋学锋 戴飞 宋亚瑾 张锋伟 史瑞杰 王锋 刘禹辰 李相周 高文杰 许渊
受保护的技术使用者：甘肃农业大学
技术研发日：2021.10.11
技术公布日：2022/1/4