颗粒物料在自然界和工程中极为普遍,被广泛应用于工业、农业、建筑业和制药业。休止角是表征颗粒物料流动性的重要宏观参数,其大小与颗粒物料的直径、摩擦、密度等有关,是当前的研究热点之一。随着高性能计算技术的不断进步和发展,离散单元法(DEM)已成为研究休止角的一种强有力的仿真方法。但DEM仿真在每个很短的时间间隔内都需对系统中所有颗粒的运动轨迹和速度进行跟踪计算,导致计算成本高,仿真过程慢,限制了其在工程上的应用。针对DEM仿真耗时的问题,本文提出基于已有的DEM仿真数据,采用数据驱动的方法建立休止角的智能预测模型。建立好的智能模型能取代DEM仿真模型,在输入参数改变的情况下快速地预测出对应的休止角大小,避免再次进行长时间的DEM仿真计算,以提高获取休止角的效率。本文主要完成的工作及取得的结论如下:(1)确定影响休止角的主要仿真输入参数(颗粒直径、密度、摩擦、剪切模量、泊松比)及各参数的取值范围;采用拉丁超立方采样方法,获得200组在高维参数空间中随机、均匀分布的输入参数。(2)基于采样获得的200组输入参数,使用空心圆柱法对休止角进行DEM仿真,得到对应休止角结果图像。使用图像处理方法对休止角进行测量,获取用于智能建模的200组数据样本,将前100组(训练集)用于对智能模型进行训练,后100组(测试集)对智能模型进行测试。(3)基于训练集,采用支持向量机(SVM)对休止角进行智能建模。在SVM模型训练过程中,选用粒子群优化算法对SVM模型中的重要参数进行寻优。结果显示,SVM模型对训练集的决定系数高达0.96。使用测试集对训练好的SVM模型的预测性能进行分析,发现SVM预测模型的误差小、且预测速度快。SVM模型预测出的休止角与DEM仿真结果之间的决定系数R~2高达0.94;使用所建立的SVM智能模型对单个休止角进行预测的时间约为0.17s,对比于DEM平均40多个小时的仿真时间,SVM智能模型能大幅提高休止角的预测速度。(4)将本文所建立的休止角SVM智能预测模型与休止角BP神经网络模型及休止角克里金插值模型进行了性能相比分析,结果表明,SVM智能模型在决定系数、均方根误差、平均绝对百分比误差三种评价指标上都具有明显优势。利用物理实验获取的物料休止角数据,对本文所提出的休止角SVM智能模型进行物理验证,结果表明,模型预测值与实验测量值之间的误差不超过±1°,从而进一步验证了本文所建立的休止角SVM智能预测模型的有效性和可靠性。本文所建立的物料休止角SVM智能模型可以快速预测出物料休止角,避免了DEM仿真模型的计算量庞大问题,也可以推广应用于颗粒物料其它宏观特征的建模研究之中。