Calibration of DEM input parameters for simulation of the cohesive materials: Comparison of response surface method and machine learning models (Open Access)
Behrooz Jadidi, Mohammadreza Ebrahimi, Farhad Ein-Mozaffari*, Ali Lohi
Keywords: Machine learning; Discrete element method (DEM); Granular mixing; Model calibration; Cohesive particles
DOI: 10.1016/j.partic.2025.03.018
多伦多都会大学研究团队将描述粘性粉末特定属性的表面能、塑性比等特征参数构建于模型中，结合粗粒化方法并基于机器学习提出一种针对粘性物料体系的离散元（DEM）模型参数校准方法，不仅提高了方法的校准精度，同时，采用不确定性量化的评估方法，进一步提高了方法预测的可靠性，改进了因离散元法模型参数多、计算量大且耗时难以满足快速预测和分析需求的不足。研究过程中，首先采用Plackett-Burman方法筛选DEM模型校准所需的关键输入参数，然后，对立式单桨搅拌机中的粘性粉末进行了仿真分析，通过对响应面法（RSM）、人工神经网络（ANN）和随机森林（RF）模型的对比分析发现，与RSM和ANN相比，RF模型具有更低的RMSE和MAE值以及更高的R2值，展现了随机森林模型优异的预测精度；而且，即使是针对不同粒径的颗粒，经RF模型校准的参数仍具有较强的泛化能力。由此，也验证了本文所构建方法的适用性和鲁棒性。该研究工作不仅提高了粘性物料体系DEM参数校准的准确性以及计算效率，实现了过程的快速预测和分析，同时，也展现了人工智能在DEM模型参数校准过程中的应用潜力，为DEM仿真数据驱动智能模型在工业过程中的应用奠定了基础。
研究亮点
1. 开发了一种针对粘性物料的DEM模拟参数的校准方法。
2. 采用Plackett-Burman方法识别DEM校准所需的关键参数。
3. 通过对响应面法、人工神经网络和随机森林模型的对比分析，验证了经随机森林模型校准的参数对粘性物料体系的适用性和鲁棒性。
4. 展现了人工智能在DEM模型参数校准过程中的应用潜力。
相关研究成果发表于PARTICUOLOGY（Volume 100），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
编辑、排版：《颗粒学报》编辑部
文章信息
Jadidi, B., Ebrahimi, M., Ein-Mozaffari, F., & Lohi, A. (2025). Calibration of DEM input parameters for simulation of the cohesive materials: Comparison of response surface method and machine learning models. Particuology, 100, 214-231. https://doi.org/10.1016/j.partic.2025.03.018.