基于群体智能优化算法的鹰嘴豆离散元方法参数高效标定研究

《Information Processing in Agriculture》:Efficient calibration of discrete element method parameters for garbanzo beans using swarm intelligence optimization algorithms

【字体: 大 中 小 】 时间:2026年01月27日 来源:Information Processing in Agriculture 7.4

编辑推荐:

  离散元方法(Discrete Element Method, DEM)参数的精确标定对于模拟作物种子的力学行为及其与农业装备的相互作用至关重要。然而,鹰嘴豆(Garbanzo Bean, GBB)的大多数DEM参数尚未被报道,且常规标定方法通常效率低下且耗时。

  
离散元方法(Discrete Element Method, DEM)参数的精确标定对于模拟作物种子的力学行为及其与农业装备的相互作用至关重要。然而,鹰嘴豆(Garbanzo Bean, GBB)的大多数DEM参数尚未被报道,且常规标定方法通常效率低下且耗时。本研究开发了一种高效、准确的标定方法来确定鹰嘴豆的DEM参数。首先通过实验室试验测量了鹰嘴豆的基本物理特性,包括尺寸特征、密度和摩擦参数。利用Plackett-Burman试验设计筛选了显著影响休止角(Angle of Repose, AOR)的DEM参数,并通过Box-Behnken试验设计建立了这些显著参数与休止角之间的关系。随后,采用三种群体智能优化算法(Swarm Intelligence Optimization Algorithms, SIOAs)——灰狼优化器(Grey Wolf Optimizer, GWO)、人工蜂鸟算法(Artificial Hummingbird Algorithm, AHA)和花授粉算法(Flower Pollination Algorithm, FPA)——确定了最优参数组合。其中,花授粉算法表现最佳,其模拟休止角与实测休止角的相对误差(Relative Error, RE)仅为1.13%,且两者差异不具有统计学意义(p?>?0.05)。所提出的标定方法在提高模型精度的同时有效减少了计算时间,为作物种子的DEM参数标定提供了可靠参考,并为鹰嘴豆相关机械化系统的设计提供了支持。
鹰嘴豆(Garbanzo Bean, GBB)是一种世界范围内广泛栽培的一年生豆科作物,其全球年产量已超过1500万吨。作为蛋白质、碳水化合物和脂肪的平价来源,鹰嘴豆对全球粮食安全具有重要贡献。同时,其种植能够通过增加土壤氮、碳含量来提升土壤肥力。随着种植面积的持续扩大,对机械化生产的需求日益迫切。目前,鹰嘴豆生产,特别是播种环节,严重依赖人工,导致劳动成本高昂且作业效率低下。因此,为提高生产效率和盈利能力,必须加快鹰嘴豆种植,特别是播种作业的机械化进程。机械播种的性能很大程度上取决于排种装置的设计与精度。

离散元方法(DEM)是一种数值技术,可用于模拟不连续物料的力学行为,且对位移大小或工具几何形状无限制。该方法已被广泛应用于模拟农业物料与装备之间的多种相互作用,例如深松铲-土壤、铲斗-土壤、秸秆-圆盘-土壤以及排种机构等的相互作用。然而,文献中仍然缺乏针对鹰嘴豆的、对模拟种子-播种机相互作用至关重要的DEM参数。

试验误差法(Trial-and-error Method, TEM)是最常见的农业颗粒DEM参数标定方法之一。尽管有效,但TEM方法耗时且效率低下,尤其在模型参数敏感性不确定时。为提高标定效率,研究者们提出了结合多种试验与数值模拟的方法。这些组合方法虽然提供了结构化的标定流程,但仍需进行大量模拟与迭代,效率有待提升。

群体智能优化算法(SIOA)为参数标定提供了高效的替代方案。这类随机算法模拟动物群体的集体行为(如迁徙、觅食)以寻找最优解,具有强大的全局搜索能力、适应性和并行性,非常适合用于高效、准确地标定DEM参数,且无需依赖最陡爬升试验。

因此,本研究的目标在于:(1)通过实验室试验确定鹰嘴豆DEM参数的范围;(2)使用Plackett-Burman试验筛选显著参数,并通过Box-Behnken试验设计建立休止角与显著参数之间的关系;(3)采用三种典型的群体智能算法——灰狼优化器(GWO)、人工蜂鸟算法(AHA)和花授粉算法(FPA)优化关键参数;(4)通过比较模拟与实测的休止角来验证优化后的参数;(5)提出一个适用于鹰嘴豆及其他农业颗粒的高效、准确的标定框架。

本文通过物理测量、离散元建模、试验设计与优化等方法开展研究。首先,测量了商业采购的鹰嘴豆(含水量13.02%)的几何尺寸、密度、休止角以及与亚克力板和彼此之间的碰撞恢复系数、静摩擦系数和滚动摩擦系数等物理参数。其次,基于平均尺寸构建了由七个球体组成的鹰嘴豆离散元模型。接着,采用Plackett-Burman设计筛选出对休止角有显著影响的四个参数(泊松比、与亚克力板的静摩擦系数、与亚克力板的滚动摩擦系数、颗粒间滚动摩擦系数)。然后,使用Box-Behnken设计构建了这些显著参数与休止角的二阶响应面模型。最后,以响应面模型为代理模型,以模拟与实测休止角的相对误差最小化为目标,分别应用GWO、AHA和FPA三种算法进行参数寻优。研究发现,FPA算法收敛速度最快且精度最高。最终,使用优化后的参数进行离散元模拟,所得休止角与实测值高度吻合。

3.2.1 显著DEM参数的确定
Plackett-Burman试验结果表明,参数对休止角影响的显著性排序为:颗粒间滚动摩擦系数(H)> 与亚克力板的滚动摩擦系数(G)> A×G交互作用 > 与亚克力板的静摩擦系数(E)。因此,泊松比(A)、参数E、G和H这四个显著参数被选定用于后续的Box-Behnken试验。

3.2.2 显著DEM参数的优化
基于Box-Behnken试验结果,建立了休止角与四个显著参数的二阶多项式回归模型。通过三种SIOA算法对该模型进行优化,以最小化预测休止角与实测休止角的绝对相对误差。结果表明,FPA算法仅需17次迭代、耗时9.12秒即可达到低于0.001%的相对误差,性能优于GWO和AHA。最终,使用FPA确定的最优参数组合(A=0.2427, E=0.4519, G=0.0551, H=0.0440)进行模拟,获得的模拟休止角为23.77°,与实测值23.51°的相对误差为1.13%。t检验结果显示p值远大于0.05,表明模拟与实测休止角之间无显著差异,验证了参数的有效性与准确性。

3.3 讨论与启示
本研究开发的标定框架,通过结合Plackett-Burman设计进行参数筛选、Box-Behnken设计构建响应面模型,并创新性地应用群体智能优化算法进行参数寻优,在标定效率和准确性方面均优于以往研究。与文献中采用Plackett-Burman、最陡爬升、复合设计结合响应面法或NSGA-II等方法的研究相比,本方法省去了耗时的最陡爬升试验,显著减少了所需模拟次数,同时将最终相对误差从约3%-8%降低至1.13%。此外,本研究通过t检验提供了严格的统计学验证。所提出的框架为精确标定鹰嘴豆及其他作物种子的DEM参数提供了可靠、高效的方法,有助于相关农业机械的开发与优化。

4. 结论
对鹰嘴豆DEM参数的高效标定对于精确模拟其与农业装备(如机械排种装置)的相互作用至关重要。本研究首先通过一系列实验室测试确定了鹰嘴豆的基本物理特性。随后,使用Plackett-Burman设计筛选出显著DEM参数,并基于Box-Behnken试验结果建立了这些参数与休止角的关系。接着,采用三种群体智能优化算法获得了显著参数的最优组合。主要结论如下:(1)颗粒间滚动摩擦系数(H)、与亚克力板的滚动摩擦系数(G)、泊松比(A)与参数G的交互作用、以及与亚克力板的静摩擦系数(E)对休止角有显著影响(p?
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号