DEM parameter calibration approach for cohesive ores based on PSO-BP neural network
叶方平，张亚男，Craig Wheeler，陈斌，周超，聂磊*
Keywords: Cohesive ores; DEM parameter calibration; PSO-BP neural network; Angle of repose; Shear test
DOI: 10.1016/j.partic.2026.06.004
针对黏湿颗粒物料微观参数标定中存在的计算效率低与耦合机制不明两大瓶颈，本文以红土镍矿为典型研究对象，提出了一种融合粒子群优化（PSO）与反向传播（BP）神经网络的离散元参数智能标定方法。首先，基于参数敏感性差异设计了正交试验方案，构建了涵盖宽域含水率的宏-微观映射数据库，深入量化了静/滚动摩擦系数及表面能等关键参数对宏观流动特性的非线性耦合规律。在此基础上，建立了PSO-BP双向映射模型，实现了微观接触参数对宏观力学响应的高精度反演，有效规避了传统试错法中耗时的循环仿真过程。
验证结果表明：相较于传统方法及单一智能算法，该模型显著提升了预测精度，休止角与稳态剪切应力的预测误差分别仅为1.14%和1.63%，溜槽流速验证偏差控制在5%以内。本研究建立的标定框架为港口散货装卸设备的精准设计与动力学仿真提供了高可信度的参数支撑。
相关研究成果发表于PARTICUOLOGY（Volume 115），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！
作者简介
叶方平，湖北工业大学副教授，硕导。主要从事港口散料输送与处理、颗粒介质力学、离散元参数标定与仿真等相关研究。主持湖北省自然科学基金、湖北省教育厅科研计划、交通部重点实验室开放基金等项目，先后发表论文40余篇，相关成果为工业散料高效清洁输送、港口机械安全运行提供了理论支撑与技术方案。
Craig Wheeler，澳大利亚纽卡斯尔大学教授，散体物料中心主任、ResTech联合研究中心主任。主要从事矿物输送与环保技术研究，带领团队打造了全球顶尖的散体物料测试实验室。主持项目经费达1700万澳元（含澳大利亚研究委员会资助510万澳元），发表论文200余篇。授权发明专利11项，其中已有10项成功商业化。曾荣获澳大利亚散体处理创新卓越奖（2006、2016）及工程师协会终身贡献奖（2024），曾兼任清华大学、山东科技大学等校荣誉教授。
聂磊，湖北工业大学教授、博导，机械工程学院副院长，现代制造质量工程湖北省重点实验室副主任。长期从事机械装备可靠性设计与智能故障诊断、MEMS封装与传感测量等领域的研究。主持国家自然科学基金面上/青年项目等国家级课题3项，以及湖北省国际科技合作项目、湖北省自然科学基金与横向课题十余项。获湖北省科技进步一等奖1项，累计发表学术论文50余篇，授权国家发明专利5项。
供稿：原文作者
排版：《颗粒学报》编辑部
文章信息
Ye, F., Zhang, Y., Wheeler, C., Chen, B., Zhou, C., & Nie, L. (2026). DEM parameter calibration approach for cohesive ores based on PSO-BP neural network. Particuology, 115, 309-320. https://doi.org/10.1016/j.partic.2026.06.004