基于UVE-PLS-GD算法的秸秆饲料颗粒混合物离散元模型快速标定方法研究

针对秸秆饲料颗粒混合物（含表皮、髓质、苞叶及粉尘）离散元模型参数标定效率低、精度不足的问题，研究人员创新性地提出UVE-PLS-GD算法驱动的快速标定方法。通过对比传统实验方法，该算法将堆积角模拟误差降至0.37%，并识别出JKR表面能系数等关键参数的最优组合（0.1337-0.1186），为秸秆颗粒运动分离机制研究提供高精度数据支撑，显著提升DEM在混合物料仿真中的应用效能。

　　

玉米秸秆作为全球高产作物的重要副产品，其饲料化利用是农业资源循环的关键环节。然而，秸秆饲料在收获机内部经历破碎、除尘等工序时，表皮（rind）、髓质（pith）、苞叶（bracts）和粉尘（dust）等异质颗粒的复杂运动与分离行为，直接影响最终饲料品质。传统研究方法难以精准解析这些颗粒在机械内部的动力学过程，而离散元法（DEM）虽能模拟颗粒接触力学，但现有参数标定多局限于单一材料，混合物料的高效标定仍是未解难题。

内蒙古农业大学的研究团队在《Biosystems Engineering》发表论文，提出基于UVE-PLS-GD算法的秸秆饲料混合物DEM快速标定方法。该研究通过结合无信息变量消除-偏最小二乘（UVE-PLS）与梯度下降（GD）算法，实现了混合颗粒关键接触参数的智能筛选与优化，相比传统实验方法将标定效率提升50%以上，堆积角模拟误差降低至0.37%，为农业工程领域的多相物料仿真树立了新范式。

关键技术方法包括：1）采用注射法测定秸秆混合物物理堆积角（49.3°）；2）基于UVE-PLS算法从12项接触参数中筛选6个显著影响因子（如苞叶-表皮JKR表面能系数）；3）通过GD算法优化参数组合；4）DEM数值模拟验证参数准确性。实验样本来自内蒙古呼和浩特市土默特左旗大格贝村的晋润911玉米秸秆。

研究结果
Straw fodder particle mixtures
研究明确了混合物各组分的物理特性：表皮占比最高（42.1%），粉尘密度最大（1.52 g/cm³
），苞叶含水率最低（8.3%），为DEM建模提供基础参数。

Repose angle in physical experiments
通过图像处理技术测定右倾堆积角，10次重复实验的平均值α₁
=49.3°，标准差仅0.12°，证明实验数据可靠性。

Numerical simulation parameter settings
UVE-PLS算法识别出影响堆积角的6个关键参数排序：苞叶-表皮JKR系数（贡献度23.7%）>苞叶-髓质>髓质-表皮>髓质-髓质>表皮-表皮>苞叶-粉尘。GD算法优化后参数组合使模拟堆积角误差较传统方法降低18%。

Conclusion
研究证实UVE-PLS-GD算法可同步实现参数敏感性分析与最优解搜索，将传统需3阶段的标定流程（Plackett-Burman试验、最陡爬坡、Box-Behnken设计）整合为单步计算，耗时减少67%。标定所得参数能精确复现混合物动态堆积行为（R²
=0.986），为饲料收获机工作部件优化设计提供理论依据。

该研究的突破性在于首次将机器学习算法嵌入DEM参数标定全流程，不仅解决了混合物料参数交互效应难以量化的问题，更开创了农业颗粒物料"算法驱动仿真"的新模式。标定获得的JKR系数数据集（0.1337-0.1186）填补了秸秆多组分接触力学参数的空白，对发展智能农机具具有重要工程价值。未来可扩展至其他作物秸秆或生物质混合物的离散元建模，推动农业机械化向数字化、精准化方向发展。