气吸式排种器在多物理场耦合下种子吸附性能预测模型及影响因素分析方法

《Information Processing in Agriculture》：Prediction model and influencing factors analysis method for seed pickup performance of air-suction seeder under multi-physics coupling

　　

气吸式排种器是小粒种子精密播种的核心装备，种子吸附过程的精度与稳定性至关重要。为实现种子吸附合格率的高精度预测并阐释作业工况的影响机制，研究人员提出了一种基于多物理场耦合模型的种子吸附合格率预测模型与定量分析方法。研究从气吸式排种器田间作业气流-颗粒-振动多物理场耦合模型出发，提出面向均匀性的拉丁超立方采样（Uniformity-Oriented Latin Hypercube Sampling，UOLHS）方法生成均匀分布且具代表性的训练数据集。采用Stacking策略集成随机森林（Random Forest，RF）、K近邻回归（K-Nearest Neighbor Regressor，KNN）、人工神经网络（Artificial Neural Network，ANN）与支持向量回归（Support Vector Regression，SVR）四个基学习器并以SVR为元学习器构建预测模型，引入莱维飞行改进的黑翅鸢算法（Lévy-flight-improved Black-winged Kite Algorithm，BKA-Lévy）进行超参数优化，在圆盘转速、真空度、振动频率与振幅变化范围内实现准确预测。模型测试集R2达0.9215，RMSE与MAE分别为0.0884与0.0715；台架试验R2为0.9699，验证所提模型在台架工况下的可行性。进一步构建基于高斯过程回归（Gaussian Process Regression，GPR）的代理模型实现显式参数-性能映射，通过核型沙普利加性解释（Kernel SHapley Additive exPlanations，Kernel SHAP）与偏依赖图（Partial Dependence Plot，PDP）分析识别圆盘转速30 rpm与真空度1700 Pa为参数区间内的模型派生转折点，振动参数表现出强耦合效应。

研究背景方面，精密播种是机械化作物高效栽培的核心技术，气吸式排种器凭借负压吸附实现对小粒包衣种子的轻柔处理，其种子吸附合格率直接决定穴播质量。现有研究依赖台架或田间试验获取性能数据，参数空间覆盖有限；计算流体力学-离散元方法（Computational Fluid Dynamics-Discrete Element Method，CFD-DEM）虽能高保真模拟气固两相流，但计算成本高且少有考虑连续机械振动诱导的动态多物理场耦合，难以满足实时预测需求。早期统计回归模型受限于低阶非线性假设，而单一机器学习（Machine Learning，ML）模型易陷入局部最优且黑箱特性阻碍机理解析。因此，融合高保真仿真数据与先进集成学习并兼顾可解释性成为必要。

该研究发表于《Information Processing in Agriculture》，研究人员以已建立的气吸式排种器气流-颗粒-振动多物理场耦合模型为数据源，圆盘设20个半球形吸孔、种子为直径3 mm球形包衣小粒种子，参数范围涵盖圆盘转速4–50 rpm、真空度800–3000 Pa、振动频率4–10 Hz、振幅3–20 mm。提出UOLHS在输出响应空间等宽分层配额为300样本筛选训练集，以Stacking集成RF、KNN、ANN、SVR（元学习器）构建预测模型，采用BKA-Lévy（以莱维飞行突变替代原自缩放扰动并引入全局最优引导）寻优超参数，最终以GPR代理模型配合Kernel SHAP与PDP实现显式映射与因素贡献解析。

主要关键技术方法包括：基于CFD-DEM的多物理场耦合仿真生成原始数据集；UOLHS策略在输入均匀同时控制输出合格率分布均衡；Stacking集成四异构基学习器经5折出袋外（Out-Of-Fold，OOF）预测拼成元特征，由SVR元学习器输出；BKA-Lévy算法优化各基学习器超参数；构建GPR代理模型（平方指数核，最大似然估计优化尺度l=9.0683与噪声σ=0.0196）并施以Kernel SHAP与PDP解释。样本来源于多物理场耦合仿真输出及后续16组四因素四水平正交台架验证试验（EDM-2000电动振动台，垂直Z向控振，每组三次重复）。

研究结果部分，2.1多物理场耦合模型阐明了CFD算流场、DEM追踪颗粒在拖曳力、压力梯度力与升力下运动并通过动量交换源项耦合，边界振动取自田间三轴加速度傅里叶分析以Z向最强为控振方向。2.2基于UOLHS的数据集生成将合格率分24等宽区间按最小欧氏距离选点并补均化，相较传统LHS在输出分布标准差更小、代表性更强，按8:2拆训练测试集。2.3种子吸附合格率预测模型中，2.3.1经BKA-Lévy优化的基学习器超参数为RF(267树,深14,叶2)、KNN(3邻)、ANN(9神经元,丢弃0.488)、SVR(C=60.43,γ=0.0067,ε=0.1127)，收敛曲线显示BKA-Lévy较原BKA与粒子群（Particle Swarm Optimization，PSO）单调低MAE；2.3.2元学习器用SVR接收240×4 OOF矩阵训练、60×4测试矩阵评估，置换重要性显示SVR贡献45.9%、KNN26.9%、RF15.1%、ANN12.1%。3.1预测模型性能评估中UOLHS下Stacking测试集R²=0.9215、RMSE=0.0884、MAE=0.0715，优于随机采样与传统LHS及各单学习器，二阶多项式基线仅R²=0.7277。3.2台架验证以正交16组独立样本检验，Stacking模型R²=0.9699、RMSE=0.0646、MAE=0.0469，Trial3与12真空不足叠加高振幅致合格率零值被精确预测，过渡态工况（Trial4、7、8）绝对误差偏高源于近失效边界而非物理表征缺失。3.3基于GPR的等价函数映射模型以平方指数核拟合Stacking响应面，R²=0.9985、RMSE=0.0111，Kernel SHAP与PDP指出圆盘转速30 rpm、真空度1700 Pa为模型派生转折，振动频率与振幅呈强耦合。

讨论与结论翻译总结：研究人员通过将CFD-DEM仿真数据、UOLHS均衡采样、Stacking集成与BKA-Lévy优化结合，构建了气吸式排种器种子吸附合格率的高精度可解释预测框架，测试集R²0.9215、台架R²0.9699；GPR代理与Kernel SHAP/PDP揭示转速30 rpm与真空1700 Pa为性能转折、振动参数强耦合。该框架弥补了高保真仿真慢与单一ML黑箱不可解释的缺口，为气吸式排种器作业参数优化与在线控制提供理论依据，并可迁移至同构圆盘几何与包衣小粒种子体系。