本發(fā)明屬于植物建模分析，尤其涉及一種用于離散元仿真的小麥葉片力學參數(shù)確定方法。

背景技術：

1、為了準確模擬葉片的宏觀力學行為，需要在仿真前對所使用的力學模型中的微觀參數(shù)進行準確標定。目前主流的離散元接觸和粘接力學參數(shù)標定方法為試驗設計法(doe)，近年來隨著機器學習技術的發(fā)展，也有學者利用神經(jīng)網(wǎng)絡和優(yōu)化算法進行參數(shù)標定，并與現(xiàn)有參數(shù)標定方法進行了對比，結果表明基于神經(jīng)網(wǎng)絡的方法能夠快速準確地得到參數(shù)標定結果且誤差小于現(xiàn)有其他參數(shù)標定方法。

2、利用神經(jīng)網(wǎng)絡的非線性擬合能力以及算法的全局優(yōu)化能力，提高了參數(shù)標定的效率和結果可靠性。但是在神經(jīng)網(wǎng)絡訓練中，初始參數(shù)的選擇對訓練效果影響較大，因此待標定參數(shù)的初始范圍的確定還需要進一步研究。目前也還缺少關于小麥葉片接觸和粘接力學參數(shù)的標定方法，這對于研究小麥植株整體建模及小麥葉片與農(nóng)機部件的接觸作用的仿真十分重要。

技術實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供一種用于離散元仿真的小麥葉片力學參數(shù)確定方法，旨在解決上述背景技術中提出的問題。

2、本發(fā)明實施例是這樣實現(xiàn)的，一種用于離散元仿真的小麥葉片力學參數(shù)確定方法，包括以下步驟：

3、步驟1：通過斜面法測量葉片-葉片以及葉片-邊界間的靜摩擦系數(shù)；

4、步驟2：通過跌落法測量葉片-葉片以及葉片-邊界間的碰撞恢復系數(shù)；

5、步驟3：利用葉片堆積角試驗對滾動摩擦系數(shù)進行標定，經(jīng)過擬合后得到葉片-葉片間的滾動摩擦系數(shù)；

6、步驟4：利用質構儀進行葉片拉伸和剪切過程的物理試驗，測量葉片受到的拉力、剪切力和變形；

7、步驟5：通過理論計算確定葉片粘接參數(shù)的初始標定范圍；

8、步驟6：利用離散元軟件建立葉片拉伸和剪切試驗的仿真模型；

9、步驟7：采用拉丁超立方采樣方法對待標定粘接參數(shù)進行采樣，作為構建神經(jīng)網(wǎng)絡數(shù)據(jù)集的基礎；

10、步驟8：以待標定粘接參數(shù)作為模型的輸入，最大拉力和剪切力作為模型的輸出，建立bp神經(jīng)網(wǎng)絡模型，并通過遺傳算法對其進行優(yōu)化；

11、步驟9：基于遺傳算法對優(yōu)化后的神經(jīng)網(wǎng)絡輸入?yún)?shù)進行優(yōu)化，最終得到粘接力學參數(shù)測標定結果。

12、進一步的技術方案，在所述步驟4中，每組試驗重復進行20次并取平均值作為試驗結果。

13、進一步的技術方案，在所述步驟5中，葉片粘接力學模型選用bonding模型，該模型中的粘接參數(shù)包括強度參數(shù)和剛度參數(shù)；為了確保參數(shù)標定結果的準確性，需要對參數(shù)標定初始值的范圍進行確定，bonding模型中的粘接鍵存在于相鄰兩個產(chǎn)生相互作用力的顆粒之間，該作用力能夠抵抗顆粒間的法向運動與切向運動，使得兩顆粒在不受到其他外力的情況下運動狀態(tài)保持一致，當顆粒間的法向和切向應力超過臨界應力時，粘接鍵將會發(fā)生斷裂：

14、；

15、；

16、其中：

17、；

18、；

19、；

20、；

21、；

22、；

23、其中，為顆粒間相對運動的法向速度，為顆粒間相對運動的切向速度，為顆粒間相對運動的法向角速度，為顆粒間相對運動的切向角速度， j為極慣性矩， a為接觸面積，為時間步長， f n為法向作用力， f t為切向作用力，為法向作用力的增量，為切向作用力的增量， m n為法向扭矩， m t為切向扭矩，為法向扭矩的增量，為切向扭矩的增量， s n為單位面積法向剛度， s t為單位面積切向剛度，為單位面積法向應力，為單位面積切向應力， r b為顆粒粘接鍵半徑；

24、將每條葉脈中粘接鍵模型均簡化為梁單元模型，根據(jù)材料力學的相關理論，彈性梁的剛度系數(shù) k的計算公式為：

25、；

26、其中， e為粘接鍵的彈性模量， l s為粘接鍵長度；

27、由于bonding模型中法向和切向作用力以及扭矩是通過增量的方式進行計算，使得葉片相鄰組成球之間可以具有一定間隔排列，因此 l s為葉片模型中相鄰組成球具有一定間隔排列的實際距離；

28、模型參數(shù)中單位面積的法向剛度根據(jù)彈性梁的剛度系數(shù)進行計算：

29、；

30、粘接鍵的等效單位面積切向剛度表示為：

31、；

32、其中， g為粘接鍵的剪切模量（pa）， v為泊松比；

33、模型參數(shù)中的臨界法向應力和臨界切向應力通過葉片的拉伸和剪切試驗得到：

34、；

35、式中， f n為葉片拉伸過程中受到的法向作用力， f t為葉片剪切過程中受到的切向作用力，單位：n，為葉片橫截面積。

36、進一步的技術方案，在建立bp神經(jīng)網(wǎng)絡模型時，將數(shù)據(jù)集劃分為訓練集占比70%、測試集占比15%以及驗證集占比15%，并規(guī)定迭代次數(shù)為2000次，誤差學習率為0.01。

37、進一步的技術方案，所述bp神經(jīng)網(wǎng)絡的輸入層設定5個神經(jīng)元：單位面積法向剛度、單位面積切向剛度、臨界法向應力、臨界切向應力和貝塞爾曲線中t的倍數(shù)，輸出層為葉片拉伸和剪切試驗的結果：最大拉力和最大剪切力。

38、進一步的技術方案，所述bp神經(jīng)網(wǎng)絡的隱含層拓撲結構選取的依據(jù)是隱含層首層的神經(jīng)元數(shù)量為2×輸入維數(shù)＋1，中間各層的神經(jīng)元數(shù)量均為輸入的維數(shù)，最后一層的神經(jīng)元數(shù)量不超過2×輸入維數(shù)；

39、然后利用定義的bp神經(jīng)網(wǎng)絡進行模型訓練，通過比較訓練集、驗證集和測試集的決定系數(shù)r2以及整體的均方根誤差rmse，來選取較優(yōu)的神經(jīng)網(wǎng)絡結構。

40、進一步的技術方案，所述神經(jīng)網(wǎng)絡輸入?yún)?shù)優(yōu)化，是以待標定的粘接參數(shù)作為模型的輸入，以對應的拉伸和剪切試驗仿真中的最大拉力和最大剪切力作為輸出構建兩者之間的映射關系，將經(jīng)過ga優(yōu)化后的神經(jīng)網(wǎng)絡預測得到的輸出參數(shù)與實際葉片的最大拉力和最大剪切力的誤差平方和作為優(yōu)化目標，對模型的輸入進行尋優(yōu)，尋優(yōu)結果作為粘接力學參數(shù)標定結果。

41、本發(fā)明實施例提供的一種用于離散元仿真的小麥葉片力學參數(shù)確定方法，其有益效果如下：

42、（1）該方法具有一定的通用性，同樣適用于其他農(nóng)業(yè)物料在離散元仿真中的接觸和粘接力學參數(shù)確定；

43、（2）采用基于bp-ga的粘接力學參數(shù)標定方法，相比于現(xiàn)有參數(shù)標定方法，具有準確性高以及標定速度快等優(yōu)勢；

44、（3）該方法進行了接觸和粘接力學參數(shù)驗證試驗和仿真，對參數(shù)確定結果的準確性進行了驗證，為小麥葉片的建模提供了重要的數(shù)據(jù)支撐。