基于DEM分段后处理与机器学习的滚筒筛筛分性能预测方法研究

王赫; 张政; 林星; 李星; 胡柯羽; 杨金硕; 乔金鹏; 刘建荣

doi:10.13436/j.mkjx.202610012

煤矿机械 ›› 2026, Vol. 47 ›› Issue (10) : 60 -64. DOI: 10.13436/j.mkjx.202610012

基于DEM分段后处理与机器学习的滚筒筛筛分性能预测方法研究

王赫, 张政, 林星, 李星, 胡柯羽, 杨金硕, 乔金鹏, 刘建荣

作者信息 +

Author information +

文章历史 +

摘要

针对滚筒筛筛分过程受多因素耦合影响、难以建立精确预测模型的问题，构建了滚筒筛离散元（DEM）模拟模型，并在宽参数范围内获得90组算例。基于分段后处理策略将数据扩展至270组，并建立包含14项特征的高质量数据集。选取高斯过程回归（GPR）、梯度增强回归（GBR）、多层感知机回归（MLPR）、支持向量回归（SVR）、随机森林回归（RFR）和K-近邻回归（KNNR）6种模型，对不同粒级颗粒及整体筛分效率进行预测。结果表明，GBR与GPR在细粒级预测中表现优异，SVR在整体筛分效率预测中最具优势。所构建的滚筒筛DEM分段后处理与机器学习预测框架可有效实现滚筒筛筛分效率的快速预测，为其结构优化与智能化控制提供技术支撑。