Hybrid surrogate–physics framework for rapid initialisation of granular packings in discrete element simulations (Open Access)
Fatih Uzun*
Keywords: Discrete element method (DEM); Surrogate modelling; Hybrid simulation; Granular packing; Physics-aware machine learning; Multilayer perceptron (MLP)
DOI: 10.1016/j.partic.2026.03.020
离散元法（DEM）在模拟颗粒系统动态堆积特性时，需持续求解非稳态颗粒接触力和能量耗散，迭代过程繁琐，致使稳定颗粒堆积结构的求解计算成本较高，极大限制了大规模颗粒系统的计算效率。为了在物理保真的前提下，快速获取颗粒系统静态平衡堆积结构，本文构建了一种融合代理模型与物理机制的混合计算框架，用神经网络代理模型直接预测平衡坐标，绕过繁琐的瞬态轨迹计算；再通过物理后处理有效修正预测偏差，大大提升计算效率和准确率。
该方法首先基于离散元法求解高精度基准解，构建训练数据集，完成神经网络代理模型的训练；模型训练收敛后，仅需输入颗粒系统初始条件与材料本征参数，即可直接快速预测趋近平衡状态的颗粒坐标分布。针对传统数据驱动预测方法缺乏局部接触拓扑显式约束、易出现颗粒重叠的问题，本文增设颗粒重叠校正与短时物理弛豫的后处理步骤，有效修正预测偏差，获得稳定可靠的静态堆积结构。同时，引入融合边界约束与重叠正则项的多物理损失函数，进一步提升预测结果的物理合理性和准确性。
本文选取小型的典型颗粒堆积场景开展仿真验证，完成了所构建方法在如模具填充等工程应用的概念验证。试验结果表明：提出的混合计算框架可再现符合物理机制的颗粒最终堆积状态；相较于传统动态堆积DEM仿真方法，该方法能够大幅减少数值迭代步数，显著降低整体计算成本。此外，由堆积形态与配位数统计分析结果进一步验证，该方法能够准确捕捉稳定颗粒体系的宏观堆积特性与局部接触特征，有望为大规模颗粒体系的高效仿真提供可扩展的初始化加速方案。
相关研究成果发表于PARTICUOLOGY（Volume 113），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
Uzun, F. (2026). Hybrid surrogate–physics framework for rapid initialisation of granular packings in discrete element simulations. Particuology, 113, 102-112. https://doi.org/10.1016/j.partic.2026.03.020