基于深度学习的自吸式三产品旋流器分类性能研究与斜槽密相颗粒流本构模型构建

针对密相颗粒流在斜槽中复杂应力-剪切率关系难以用传统本构模型准确描述的问题，研究人员通过离散元法(DEM)构建数据库，结合深度学习构建数据驱动的流变本构模型。该模型在预测精度上超越Herschel-Bulkley方程，并通过蒙特卡洛Dropout和Shapley值分析实现不确定性量化与关键参数识别，为颗粒流动力学研究提供了新范式。

　　

颗粒物质在自然界和工业过程中普遍存在，从山体滑坡到制药工程，其流动行为始终是力学研究的难点。尤其当颗粒在斜面上形成密相流动时，既表现出类固体的塑性特征，又具有流体的剪切特性，传统弹性-塑性本构模型与流体力学理论均难以准确描述这种"既像沙子又像水"的奇特行为。更棘手的是，颗粒流中普遍存在的非局部效应(non-local effect)——即某处的流动状态受周围颗粒运动的长程影响——使得基于局部剪切率的经典流变模型频频失效。

为破解这一难题，兰州大学（Lanzhou University）的研究团队在《Powder Technology》发表创新研究。他们巧妙结合离散元法(Discrete Element Method, DEM)与深度学习技术，建立了首个数据驱动的斜槽密相颗粒流本构模型。通过系统改变斜槽倾角θ和颗粒层厚度H等参数，获得涵盖不同流动状态的应力-剪切率数据库。基于此训练的神经网络模型不仅显著优于传统Herschel-Bulkley流体模型，还通过蒙特卡洛Dropout方法量化预测不确定性，并借助Shapley值分析揭示颗粒层厚度、深度和斜槽角度是控制应力-剪切率关系的三大关键因素。

研究主要采用三项关键技术：1) DEM模拟构建包含不同斜槽角度(θ)和颗粒层厚度(H)的稳态流动数据库；2) 深度神经网络建立应力-剪切率映射关系；3) 蒙特卡洛Dropout和委员会方法进行不确定性量化。

【Discrete element modeling of inclined dense granular flow】
通过线性弹簧-阻尼器模型构建DEM框架，模拟获得不同θ和H组合下的稳态流动场。验证表明速度剖面与理论预测吻合，为后续建模提供可靠数据基础。

【Data-driven constitutive modeling for granular flows on inclined surfaces】
相比预设本构方程的传统方法，数据驱动模型能自主捕捉复杂非线性关系。测试表明该模型对剪切应力的预测误差比Herschel-Bulkley模型降低40%，尤其在非均匀流动区域优势显著。

【Uncertainty quantification and interpretative analysis】
蒙特卡洛Dropout预测显示，模型在训练数据覆盖区间的预测置信度达95%以上。Shapley值分析定量揭示：当斜角θ>30°时，其对应力分布的影响权重超过60%，而颗粒层厚度H在近底区起主导作用。

这项研究开创性地将深度学习引入颗粒流本构建模，其意义远超斜槽流动这一特定场景。首先，数据驱动框架为破解非局部效应等难题提供了新思路；其次，不确定性量化方法使模型预测具有可解释的置信区间；更重要的是，该方法可推广至其他复杂颗粒系统，如泥石流预警或工业颗粒处理优化。正如作者Xiaoyan Ye和Tongming Qu在结论中指出，这项工作标志着颗粒物质研究从现象学模型向数据智能驱动的范式转变，为建立统一的颗粒流动力学理论迈出关键一步。