基于OLHS-BP神经网络-MIGA框架的新鲜枸杞离散元接触参数标定研究

《Agriculture》：Calibration of DEM Contact Parameters for Fresh Goji Berries Using an OLHS-BP Neural Network-MIGA Framework

　　

精确模拟采后枸杞加工设备的离散元法（DEM）仿真受限于难以直接测量微观接触参数。本研究提出了一种集成DEM参数标定框架，将最优拉丁超立方采样（OLHS）、反向传播（BP）神经网络和多岛遗传算法（MIGA）相结合，用于新鲜枸杞的参数标定。以新鲜"宁杞7号"枸杞为试验材料，物理实验测定了颗粒密度（840.47 kg/m³）、弹性模量（1.1352 × 10⁵ Pa）、泊松比（0.32）、剪切模量（4.3 × 10⁴ Pa）、平均休止角（AoR，32.87 ± 2.20°）和堆积高度（Height，65.57 ± 4.10 mm）。基于最优拉丁超立方采样（OLHS），设计了150组虚拟DEM实验。以枸杞-枸杞和枸杞-PVC接触的恢复系数、静摩擦系数和滚动摩擦系数共六个接触参数为输入，以AoR和Height为宏观响应量。训练BP神经网络建立微观参数与宏观响应之间的非线性映射关系，并采用多岛遗传算法（MIGA）对代理模型进行全局优化。BP模型对AoR和Height的测试集R²值分别为0.9415和0.9429，RMSE值分别为1.0633和0.8447。MIGA获得了90组可行参数集，所有验证点处预测值与DEM模拟值之间的相对误差均低于5%。物理验证证实，代表性解可再现枸杞的宏观堆积行为，为采后设备仿真与优化提供了有效的DEM参数。

## 论文解读：基于OLHS-BP神经网络-MIGA集成框架的新鲜枸杞离散元接触参数标定

### 一、研究背景与问题提出

离散元法（Discrete Element Method, DEM）作为一种能够从接触力学原理出发解析颗粒尺度动力学和宏观堆积行为的数值方法，已广泛应用于工程与农业系统中的颗粒流仿真。在农业工程领域，收获、输送和加工过程中的农产品物料经历接触、摩擦和变形，这些微观相互作用显著影响物料行为和设备性能。对于新鲜果蔬等形状不规则且可变形生物材料，精确表征其微观接触参数是实现可靠DEM仿真和农业装备优化的关键前提。然而，诸如恢复系数（Coefficient of Restitution）、静摩擦系数（Static Friction Coefficient）和滚动摩擦系数（Rolling Friction Coefficient）等微观参数通常无法直接测量，必须通过标定获得。传统的试错法标定耗时费力，且随着参数空间维度的增加其实用性急剧下降。

近年来，机器学习代理模型和进化算法被引入DEM参数标定领域。随机森林、神经网络等代理模型已用于替代重复的DEM仿真以降低计算成本；遗传算法等进化算法则可在无梯度条件下实现全局优化。然而，针对柔性农业颗粒——特别是新鲜枸杞——的DEM参数标定研究仍十分有限。新鲜枸杞具有不规则椭球形状、高含水率和低机械刚度等特点，这些特性使得参数测量更为复杂，仿真精度难以保证。现有针对豆类和谷物开发的标定方法无法直接移植至此类软质可变形颗粒。此前虽有研究结合物理实验与Design-Expert优化对新鲜枸杞进行了DEM参数标定，但该优化过程依赖响应面回归，未能充分发挥代理建模与进化优化的潜力。

针对上述问题，研究人员开展了本项研究，旨在建立一种针对新鲜枸杞的集成化DEM微观接触参数标定策略，而非开发新的优化算法。

### 二、研究概述与重要意义

研究人员提出了一种将最优拉丁超立方采样（Optimal Latin Hypercube Sampling, OLHS）、BP（反向传播，Back-Propagation）神经网络与多岛遗传算法（Multi-Island Genetic Algorithm, MIGA）相结合的集成标定框架。以新鲜"宁杞7号"枸杞为试验材料，通过物理实验测定颗粒密度、弹性模量、泊松比、剪切模量以及宏观堆积响应——休止角（Angle of Repose, AoR）和堆积高度（Height）作为标定基准。利用OLHS设计均匀分布的DEM采样点并生成训练数据，训练BP神经网络代理模型逼近微观接触参数与宏观响应之间的非线性映射关系，进而采用MIGA进行全局优化获得最优参数组合。该框架的创新之处在于将优化采样、非线性代理建模和全局进化优化统一整合到DEM标定流程中，相比传统试错法和基于响应面的标定方法，能够减少对重复DEM仿真和人工调参的依赖。研究成果为采后枸杞加工设备（如输送、分选和包装系统）的DEM仿真分析与结构优化提供了可靠的参数基础和高效的标定策略。

### 三、关键技术方法概要

本研究采用的核心技术方法包括：（1）以新鲜"宁杞7号"枸杞（产自甘肃省靖远县，采集时间为2025年8月至9月）为试验材料，通过物理实验测定三轴尺寸、颗粒密度（阿基米德排水法）、弹性模量（SMS质构分析仪压缩试验）、泊松比和剪切模量等本征参数，以及通过漏斗法堆积实验获取AoR和Height作为宏观响应基准；（2）采用OLHS（基于maximin距离准则，通过MATLAB lhsdesign函数实现，迭代20次）生成150组六维微观参数组合，在EDEM 2022平台上执行DEM虚拟堆积仿真，采用Hertz-Mindlin（无滑移）接触模型；（3）构建含6个输入神经元、12个隐含层神经元和2个输出神经元的BP神经网络（采用贝叶斯正则化trainbr算法训练），建立微观-宏观映射的代理模型；（4）以MIGA（5个岛屿，每岛40个个体，锦标赛选择，算术交叉，迁移周期10代，共870次迭代）对代理模型进行全局逆搜索，获得可行参数集，并通过DEM仿真和物理实验进行多层级验证。

### 四、主要研究结果

**4.1 神经网络精度与可行解分析**

**4.1.1 BP神经网络预测精度**：OLHS生成的150组参数经EDEM仿真后，排除未能形成稳定堆积结构的样本，共获得137组有效数据集，按70%、15%、15%随机划分为训练集、验证集和测试集。BP神经网络对独立测试集的AoR的R²为0.9415、RMSE为1.0633，对Height的R²为0.9429、RMSE为0.8447，散点紧密分布于y=x参考线附近，表明代理模型预测精度满足后续优化要求。

**4.1.2 可行解参数分析**：MIGA在约束条件下共获得90组可行解。枸杞-枸杞滚动摩擦系数（μ_{r_gg}）和枸杞-PVC滚动摩擦系数（μ_{r_gp}）的离散度较低（分别为4%和3.5%），表明这两个参数在标定过程中受到更严格的约束；而恢复系数和静摩擦系数则呈现中等离散度。尽管部分输入参数存在分散性，但AoR和Height在可行解中高度集中（分别为32.4955–32.52°和66.98–67.01 mm），说明参数间的协同交互使宏观响应稳定收敛于目标区间附近。

**4.2 优化DEM参数的数值模拟与物理实验评估**

**4.2.1 优化参数的数值模拟评估**：从可行解集中选取代表解（总偏差最小）及四个代表性可行解（解22、15、56、84）和一个差异化解（解2）进行EDEM仿真验证。结果显示，BP预测值与DEM仿真值之间的相对误差均低于5%。代表解参数为：e_gg = 0.203、μ_{s_gg} = 0.642、μ_{r_gg} = 0.037、e_gp = 0.244、μ_{s_gp} = 0.483、μ_{r_gp} = 0.185，对应AoR = 32.5°、Height = 67.00 mm。

**4.2.2 优化参数的动态实验评估**：为考察标定参数在动态条件下的适用性，研究人员进行了圆柱滚动实验。使用外径200 mm、长度340 mm、壁厚5 mm的PVC圆柱容器，内装900颗新鲜枸杞，以0.0873 rad/s恒定角速度旋转。DEM仿真成功再现了枸杞在旋转扰动下的整体运动趋势、重新排列过程和滑移后堆积形态，颗粒流动区域和滑移特征与物理实验具有良好一致性。该结果表明优化后的DEM参数不仅能描述静态堆积行为，还能捕捉旋转扰动下的动态响应特性。

**4.2.3 与已有研究的讨论与对比**：与先前基于物理实验结合Design-Expert响应面优化的研究相比，本研究的OLHS-BP-MIGA集成框架能够建立微观参数与宏观响应之间的非线性关系，减少了优化过程中对重复DEM仿真的依赖。尽管标定参数与先前文献报道的数值存在差异，但鉴于DEM参数属于受颗粒表征方式、接触模型和标定目标共同影响的有效参数，此类差异是合理的。

**4.3 研究局限性**：研究人员承认，本研究侧重于建立集成标定框架而非开发新的优化算法，因此未与传统LHS法或响应面法（Response Surface Methodology, RSM）进行直接定量比较。此外，未单独量化OLHS、BP神经网络和MIGA各组分的贡献度，未来拟开展系统基准测试和消融研究。

### 五、总结与结论

本研究针对枸杞DEM仿真中微观接触参数难以直接测量的问题，提出了集成OLHS、BP神经网络和MIGA的标定框架，并通过物理实验、虚拟仿真与优化算法的协同获得了可靠标定结果。研究结论可概括为：（1）完成了新鲜枸杞颗粒的物理表征：密度为840.47 kg/m³、剪切模量为4.3 × 10⁴ Pa、泊松比为0.32，颗粒球形度低于0.8呈椭球形状；堆积实验获得平均AoR为32.87 ± 2.20°、平均Height为65.57 ± 4.10 mm，为DEM标定提供了宏观响应基准。（2）BP神经网络代理模型能够精确描述微观接触参数与宏观堆积响应之间的非线性关系，测试集AoR和Height的R²分别达0.9415和0.9429；MIGA全局优化获得90组可行解，代表参数输入EDEM后AoR和Height的相对误差均低于5%。（3）经BP预测、EDEM仿真和物理堆积实验多层级验证，最优参数组合能够可靠再现新鲜枸杞颗粒的实际堆积行为，仿真AoR和Height与物理实验结果的误差分别为0.76%和1.33%。综上，所提出的OLHS-BP-MIGA集成标定框架为新鲜枸杞DEM微观接触参数标定提供了有效策略，标定参数可为采后枸杞加工设备的DEM仿真分析与结构优化提供可靠依据。在实际农业应用中，标定参数可直接用于输送、分选和包装等采后加工设备的虚拟测试与优化，有助于预测颗粒流动行为、评估碰撞损伤风险并提高设备设计效率。然而，当前标定参数基于"宁杞7号"枸杞在特定实验条件下获得，其对其他品种、水分条件和载荷场景的适用性仍需进一步研究。