深度学习预测倾斜密集颗粒流剪切应力的数据驱动本构模型研究

研究人员针对传统现象学模型难以捕捉颗粒流复杂动力学行为的问题，采用深度学习技术探索倾斜密集颗粒流本构关系。通过离散元法(DEM)构建不同坡度与厚度的稳态颗粒流应力-剪切速率数据库，开发了数据驱动的流变本构模型。结合蒙特卡洛Dropout和委员会方法量化预测不确定性，并利用Sharpley值分析揭示颗粒层厚度、深度和坡度角为关键控制因素。该研究为颗粒流内在行为表征提供了新范式，发表于《Powder Technology》。

　　

自然界中的山体滑坡和泥石流背后隐藏着复杂的颗粒流动之谜。这些由无数微小颗粒组成的物质，在斜坡上流动时展现出既不同于固体又区别于液体的奇特行为。传统理论模型如GDR团队2004年提出的局部流变学模型，虽能描述快速均匀的颗粒流，却对慢速非均匀流动中出现的"非局部效应(non-local effects)"束手无策。当颗粒流速度变化时，其内部应力分布会呈现跨越多个颗粒尺度的关联性，这种特性使得基于局部假设的传统模型预测频频失准。更棘手的是，颗粒流的动力学行为还会受到颗粒尺寸、形状等微观特性的显著影响，导致理论描述雪上加霜。

兰州大学（根据基金编号lzujbky-2024-0y09推断）的研究团队另辟蹊径，将人工智能前沿技术引入这一经典力学难题。他们通过离散元法(DEM)进行了大量斜坡颗粒流数值实验，构建了涵盖不同坡度角θ和颗粒层厚度H的应力-剪切速率数据库。基于这些数据，研究人员训练深度神经网络建立数据驱动的本构模型，并与传统Herschel-Bulkley模型进行对比。为评估模型可靠性，创新性地采用蒙特卡洛Dropout和委员会方法进行不确定性量化，同时通过Sharpley值分析揭示关键控制参数。相关成果发表在《Powder Technology》期刊。

关键技术包括：1) 采用线性弹簧-阻尼器模型的DEM模拟构建数据库；2) 构建深度神经网络学习应力-剪切速率关系；3) 蒙特卡洛Dropout量化预测不确定性；4) Sharpley值分析识别关键特征参数。

【离散元建模倾斜密集颗粒流】
通过DEM模拟获得不同坡度(θ)和厚度(H)组合下的稳态流动数据，验证了速度剖面变化与理论预测的一致性，为模型训练提供高质量数据集。

【数据驱动本构建模】
深度学习模型成功捕捉到传统Herschel-Bulkley方程难以描述的复杂非线性关系，特别是在非局部效应显著的区域表现出更优的预测精度。

【不确定性量化与可解释性分析】
蒙特卡洛Dropout方法显示模型在惯性数I≈0.1-1区间预测置信度最高；Sharpley分析表明颗粒层厚度、深度和坡度角共同控制应力-剪切速率关系，其中厚度贡献度达38%。

这项研究开创性地将数据驱动方法应用于颗粒流本构建模，突破了传统理论框架的局限。深度神经网络不仅能够捕捉局部流变特性，还能隐含地学习非局部效应等复杂物理机制。通过不确定性量化建立的预测可靠性评估体系，为工程应用提供了重要参考。研究揭示的颗粒层厚度主导规律，为滑坡预警系统参数选择提供了理论依据。该成果标志着颗粒物质力学研究进入"智能建模"新阶段，对地质灾害防治和工业颗粒处理具有双重指导价值。