.png){kind=icon}
返回
A machine learning-embedded discrete element method: contact force surrogates for resolution-efficiency balance
.png){kind=icon}
OA
AI
DOI：10.1016/j.powtec.2026.123212.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种新的嵌入机器学习的离散元方法（MLE-DEM），将基于机器学习的接触力模型集成到离散元方法中，以平衡分辨率与效率。
• 与传统离散元方法相比，MLE-DEM在各种模拟案例中均实现了持续加速：在旋转鼓中加速20.66%，在随机堆积中加速32.23%，在放大堆积中加速27.16%。
• 与之前的ML-DEM方法相比，MLE-DEM提高了物理保真度和结果精度：几何误差（GT误差）约减小26倍，绝对重叠率（AOR误差）约减小6.3倍，同时避免了非物理重叠。
• 该方法的主要局限性源于轻量级代理模型的表达能力，这受到模型大小与计算效率之间权衡的影响。
Keyword:
Discrete element method
Machine learning
Contact computation
Resolution-efficiency balance
