基于RSM和GA-BP-GA優化的油茶籽仿真參數標定

丁辛亭 李 凱 郝 偉 楊其長 閆鋒欣 崔永杰

(1.西北農林科技大學機械與電子工程學院，陜西楊凌 712100；2.農業農村部農業物聯網重點實驗室，陜西楊凌 712100；3.中國農業科學院都市農業研究所，成都 610213)

0 引言

油茶(CamelliaoleiferaAbel.)作為中國特有的一種純天然高級油料，廣泛種植于浙江、江西、河南、湖南、廣西等地區，種植面積超過4.47×106hm2，油茶籽、茶油產量分別達到3.14×106、7.2×105t[1]。通過推廣優良品種、擴大種植面積、改造中低產林，油茶生產潛力持續提升，但是油茶籽剝殼、播種、栽植等生產加工環節的機械化水平仍然較低，成為制約油茶進一步發展的重要因素。

隨著計算機技術的發展，離散元仿真為顆粒動態行為的虛擬仿真提供了一種全新的思路[2-3]，具有省時省力、成本低、結果可視化等優點，為機具設計及優化提供理論依據[4]。國內外學者對土壤[5]、谷物[6-11]、三七[12]、花生[13]、葵花籽[14]等物料進行了離散元建模與參數標定，結果表明不同物料間的接觸參數差異較大，而對油茶籽離散元仿真參數的標定鮮有報道。

以上各物料均采用響應面法(Response surface methodology，RSM)對顯著性參數進行優化，而機器學習作為一種新興的非線性回歸建模方法，在數據擬合、預測和優化方面表現出優異的靈活性和預測能力。尤其是基于遺傳算法(Genetic algorithm，GA)的BP(Back propagation)神經網絡(GA-BP)，能夠避免RSM容易產生局部最優解的影響，更適合于達到全局最優組合設計的目標，具有更高的擬合度與精準的預測值[15]，但該方法未見應用于離散元仿真參數優化與標定中。

本文以油茶籽為研究對象，采用逆向工程技術提取4種常見形狀油茶籽的輪廓，在EDEM軟件中建立填充球形顆粒的油茶籽離散元模型；結合油茶籽堆積角(Angle of repose, AOR)物理試驗與仿真試驗，通過Plackett-Burman Design和最陡爬坡試驗篩選出對油茶籽堆積角有顯著影響的參數及其取值范圍；比較隨機森林、支持向量機(Support vector regression，SVR)、BP人工神經網絡(BP)和GA-BP 4種機器學習回歸模型的預測能力和擬合穩定性，選擇最優模型作為油茶籽堆積角預測模型；并與RSM方法對比，尋求最優的顯著性參數組合，以進一步減小仿真誤差、提高參數標定精度。

1 仿真參數標定方法

1.1 試驗材料

本文油茶籽為2021年野生油茶籽，產自浙江省衢州市開化縣。用數顯游標卡尺(精度0.01 mm)隨機測量100個油茶籽顆粒，其形狀主要有球體、半球體、1/4球體和1/6球體，其各形狀占比約為10%、30%、50%和10%。油茶籽半徑分布如圖1所示。

圖1 粒徑分布

使用排水法測量油茶籽密度。將質量為w的油茶籽緩緩放入100 mL量筒內，為了防止加水后油茶籽漂浮，將100 g砝碼緩緩放入量筒內置于油茶籽上方。向量筒內添加50 mL水，測得總體積為v。使用同樣方法測得100 g砝碼體積為vF，油茶籽密度計算式為

(1)

通過5次試驗測得油茶籽密度為0.864～0.996 g/cm3。

1.2 物理試驗

1.2.1堆積角

將152.2 g油茶籽放入直徑63 mm、高150 mm的無底316鋼制圓筒中，圓筒以速度30 mm/s勻速上提，形成油茶籽堆。使用量角器測量堆積角誤差較大，因此采用圖像處理方法進行測量。使用基于Python語言的OpenCV 3.4開源軟件包對顆粒堆進行圖像處理，首先去除圖像的冗余背景，得到原始圖像(圖2a)，然后對原始圖像進行灰度處理(圖2b)和二值化處理(圖2c)，接著采用Canny邊緣檢測算法提取邊界輪廓(圖2d)并保存。最后采用Origin 2019b軟件的Digitizer工具導入處理后的顆粒堆邊界輪廓圖像，設置圖像像素與坐標軸后選取圖像輪廓，即可得到輪廓像素點坐標(圖2e)，采用非線性擬合得到其高斯分布函數。參照文獻[16-17]的高斯函數推導過程，得到油茶籽顆粒堆積角，該試驗重復10次取平均值，最終得到油茶籽實際堆積角為(27.93±1.46)°。油茶籽仿真試驗堆積角測量與該方法相同，且以堆積角物理試驗平均值27.93°為參數標定的尋優目標。

圖2 油茶籽堆積角圖像處理

1.2.2碰撞恢復系數

(1)油茶籽-油茶籽間碰撞恢復系數

采用雙擺裝置(圖3)測量油茶籽-油茶籽間碰撞恢復系數。油茶籽1與油茶籽2的外殼鉆1 mm孔，并用相同長度的輕質尼龍繩連接油茶籽與鋼桿。測試時，使用i-SPEED型高速攝影機(最高幀速率10 000 f/s)記錄兩油茶籽的運動軌跡。油茶籽1自然懸掛于最低點，油茶籽2與油茶籽1的相對高度(h0)為80 mm，油茶籽1以初速度為0釋放，下落至最低點時與油茶籽2相撞，油茶籽1與油茶籽2繼續擺動，其擺動最高點與最低點的垂直距離分別為h1和h2。根據碰撞恢復系數定義，油茶籽-油茶籽間碰撞恢復系數計算式為

圖3 油茶籽-油茶籽間碰撞恢復系數測量

(2)

式中e1——油茶籽-油茶籽間碰撞恢復系數

v′1、v″1——碰撞前、后油茶籽1瞬時速度，m/s

v2——碰撞后油茶籽2瞬時速度，m/s

g——重力加速度，m/s2

由20次重復試驗測試得到油茶籽-油茶籽間碰撞恢復系數為0.27～0.51。

(2)油茶籽-鋼板間碰撞恢復系數

采用油茶籽自由落體碰撞鋼板的方法(圖4)測量油茶籽-鋼板間碰撞恢復系數。測試時，使用高速攝影機記錄油茶籽的運動軌跡。油茶籽在距鋼板H0=170 mm以初速度為0釋放，以自由落體狀態與鋼板相撞后反彈高度H1。根據碰撞恢復系數的定義，油茶籽-鋼板碰撞恢復系數計算式為

圖4 油茶籽-鋼板間碰撞恢復系數測量

(3)

式中e2——油茶籽-鋼板間碰撞恢復系數

v0、v1——碰撞前、后油茶籽速度，m/s

由20次重復試驗測試得到油茶籽-鋼板間碰撞恢復系數為0.33～0.53。

1.2.3油茶籽-鋼板間靜摩擦因數

使用斜面法測量油茶籽-鋼板間靜摩擦因數，試驗裝置如圖5所示。選用非球形油茶籽置于可調坡度的斜面上，緩慢轉動旋轉輪使斜面一側抬升，當油茶籽在斜面上具有下滑趨勢時，記錄油茶籽抬升高度a和此時油茶籽距離轉軸距離b。油茶籽-鋼板間靜摩擦因數計算式為

圖5 油茶籽-鋼板間靜摩擦因數測量裝置

(4)

式中f——油茶籽-鋼板間靜摩擦因數

θ——斜面與水平面的夾角，(°)

通過20次試驗測得油茶籽-鋼板間靜摩擦因數為0.273～0.390。

1.3 仿真模型設置

離散元模型需要與實際物體外觀大致相符合。在離散元仿真參數設置中，輸入值不同時，得到的結果也不同。因此，以物理試驗值的堆積角為目標，采用EDEM 2021軟件對各個本征參數和接觸參數進行尋優標定。

1.3.1油茶籽離散元模型建立

油茶籽為不規則形狀顆粒，為了精確建立輪廓模型，選取半徑與平均值相近的油茶籽建立輪廓模型，油茶籽實物如圖6所示。應用逆向工程技術，通過OKIO 5M工業級三維掃描儀(5×106像素，測量精度5 μm，藍光光柵掃描)掃描油茶籽外輪廓，將點云數據導至Geomagic Warp軟件中進行合并拼接得到油茶籽模型，最后將油茶籽模型導入GOM Inspect軟件，對尖銳、噪點進行銳化去噪得到油茶籽三維模型[12,14,18]。然后將油茶籽三維模型導入EDEM軟件中進行顆粒自動填充，設置平滑值為5，最小顆粒半徑為1.3 mm，得到由不等徑顆粒組成的油茶籽離散元模型，球體、半球體、1/4球體、1/6球體顆粒數分別為5、40、40、37。

圖6 油茶籽離散元模型構建過程

1.3.2鋼板和無底鋼制圓筒模型

用SolidWorks軟件建立與試驗裝置相同的鋼板和無底鋼制圓筒的三維模型，將其保存為STP文件導入EDEM軟件；參照文獻[19]得到鋼材泊松比為0.3，密度為7.865 g/cm3，剪切模量為79 700 MPa。

1.3.3接觸模型

試驗過程中，除顆粒與顆粒間接觸，還會有顆粒與鋼材之間的作用力。由于實際試驗中油茶籽與鋼材表面光滑且幾乎無粘附力，因此仿真時選用Hertz-Mindlin(no slip)接觸模型。

1.3.4仿真參數設置

在仿真試驗時，以速率40粒/s、油茶籽形狀按照1.1節所述比例生成100個油茶籽，仿真試驗的Rayleigh時間步長約為20%，仿真總時長為7 s，數據保存時間間隔為0.1 s，網格尺寸為2.5倍的最小顆粒半徑。

1.4 試驗設計與方法

1.4.1RSM試驗

(1)PBD試驗

并不是所有參數都對堆積角有顯著影響，沒有顯著影響的參數并不能基于堆積角來標定，否則標定的參數不準確[20]。利用Design-Expert軟件進行PBD試驗設計與分析，對油茶籽顆粒的本征參數(泊松比、剪切模量、密度)和接觸參數(油茶籽-油茶籽間碰撞恢復系數、油茶籽-鋼板間碰撞恢復系數、油茶籽-油茶籽間靜摩擦因數、油茶籽-鋼板間靜摩擦因數、油茶籽-油茶籽間滾動摩擦因數和油茶籽-鋼板間滾動摩擦因數)進行篩選，篩選出對油茶籽堆積角有顯著影響的參數。通過試驗與參考相關文獻，得到所需標定的9個參數取值如表1所示。

表1 PBD因素編碼

(2)最陡爬坡試驗

應用RSM分析方法建立回歸模型求解最優值，其前提是因素的最優值在所選高低水平范圍內，最陡爬坡試驗可以較快地確定因素最優值所在區間。以PBD試驗篩選顯著性影響因素F、G和H，將其對應的水平區間等分為6份，非顯著性參數選擇中間水平，進行堆積角仿真試驗。以最小相對誤差為目標，確定中心組合RSM試驗的上下限。相對誤差計算式為

(5)

式中e——相對誤差，%

y——實測油茶籽堆積角，(°)

z——仿真油茶籽堆積角，(°)

(3)中心組合響應面試驗

綜合最陡爬坡試驗結果，采用中心組合響應面(Central composite design，CCD)試驗進行RSM分析試驗，以確定最優參數。將最陡爬坡試驗結果范圍作為上下限進行RSM試驗，非顯著性參數選擇中間水平，顯著性參數及仿真因素編碼如表2所示。

表2 CCD因素編碼

1.4.2機器學習回歸擬合建模

對RSM所用的相同數據，采用Matlab進行隨機森林、SVR、BP、GA-BP回歸擬合建模，尋找最優回歸擬合算法。為了避免過度訓練和過度參數化，將總數據(23組)隨機分成17組(70%)進行訓練，3組(15%)進行測試和3組(15%)用于驗證[24-25]。選擇mapminmax函數對輸入和輸出數據進行歸一化處理，以消除量綱的影響。

(1)隨機森林

隨機森林回歸通過隨機抽取樣本和特征，建立多棵相互不關聯的決策樹，通過并行的方式獲得預測結果。設置決策樹數目為100，最小子葉數為5。

(2)SVR

SVR是一種有監督的機器學習算法，使用對稱損失函數進行訓練。設置SVR類型為epsilon-SVR回歸，損失函數為0.01，核函數為徑向基函數，gamma函數值為0.8。

(3)BP

使用基于Levenberg-Marquardt算法和性能函數均方誤差(MSE)的反向傳播網絡來訓練網絡[26]。隱含層和輸出層的傳遞函數分別為Sigmoid函數和線性函數。規定訓練的目標誤差為0.001，設定學習速率為0.001，其中最大訓練步數為50。

選擇最優的拓撲結構是神經網絡成功應用的關鍵。輸入層設定3個神經元：油茶籽-油茶籽間靜摩擦因數(F)、油茶籽-鋼板間靜摩擦因數(G)、油茶籽-油茶籽間滾動摩擦因數(H)，油茶籽堆積角設定為輸出層；隱含層的隱藏層節點個數s需要采用試錯法來確定，隱藏層節點個數s計算式為

(6)

式中n、l——輸入層和輸出層神經元數

c——常數，取1～11[27]

根據式(6)計算s取值范圍為3～13。

(4)GA-BP

由于BP存在對初始權值和閾值敏感，全局搜索能力差，容易陷入局部極小值等問題[28]。在執行BP神經網絡之前，利用遺傳算法對隱含層和輸出層初始權值w1、w2，以及隱含層和輸出層閾值b1、b2進行優化。調用遺傳算法GAOT工具箱，通過選擇、交叉和突變迭代優化個體的種群，把遺傳算法優化后得到的初始權值和閾值賦值給BP神經網絡進行學習更新，直到獲得終止標準[29]。遺傳算法參數設置為：進化迭代次數為300，種群規模為100，選擇函數為幾何規劃排序選擇(normGeomSelect)、系數為0.09，交叉系數為0.8，突變系數為0.2[30]。

1.4.3GA尋優

對于未知的非線性函數，僅通過函數輸入輸出數據難以精確尋找函數極值，所以結合遺傳算法的非線性尋優能力，以建立的神經網絡模型為遺傳算法的適應度函數，以堆積角27.93°為尋優目標，對油茶籽-油茶籽間靜摩擦因數(F)、油茶籽-鋼板間靜摩擦因數(G)、油茶籽-油茶籽間滾動摩擦因數(H)取值進行尋優。設定遺傳算法的進化迭代次數為100，種群規模為200，選擇函數為normGeomSelect、系數為0.8，交叉系數為2，突變系數為0.2。

1.4.4數據分析與處理

采用Design-Expert軟件進行試驗設計、數據處理與統計分析，算法運行平臺為Matlab R2022a。

通過決定系數R2、均方誤差(MSE)和平均絕對偏差(AAD)評估RSM和機器學習模型的預測性能[37]，R2越大表明模型擬合度越高，MSE和AAD越低，表明模型精度和穩定性越好。

2 結果與討論

2.1 PBD試驗篩選顯著性參數

表3 PBD方案及結果

表4 PBD試驗結果方差分析

2.2 最陡爬坡試驗確定顯著性參數最優值區間

根據PBD試驗的結果，對堆積角的影響效果不顯著的因素選用中間水平，即油茶籽泊松比0.35，剪切模量160 MPa，油茶籽-油茶籽間碰撞恢復系數0.39，油茶籽-鋼板間碰撞恢復系數0.43，油茶籽-鋼板間滾動摩擦因數0.10；根據試驗測量結果，油茶籽密度為0.939 g/cm3；3個顯著性參數(油茶籽-油茶籽間靜摩擦因數、油茶籽-鋼板間靜摩擦因數和油茶籽-油茶籽間滾動摩擦因數)參考PBD試驗因素水平表取值進行最陡爬坡試驗，并計算油茶籽仿真堆積角與實際堆積角的相對誤差，試驗方案及結果如表5所示。

表5 最陡爬坡試驗方案及結果

結果表明，隨著油茶籽-油茶籽間靜摩擦因數(F)、油茶籽-鋼板間靜摩擦因數(G)和油茶籽-油茶籽間滾動摩擦因數(H)的增大，油茶籽仿真堆積角也持續增大。同時堆積角的相對誤差呈先減小后增大，其中第3組試驗的相對誤差最小，為10.89%，因此選擇第3組試驗所選的水平附近，即第2、3、4組試驗所選的水平進行RSM分析試驗，建立RSM回歸模型。

2.3 RSM分析試驗

CCD試驗方案包括23個試驗點，其中包括14個分析因子，9個零點估計誤差，試驗設計方案及響應值如表6所示。

表6 CCD方案及結果

表7 CCD二次回歸模型方差分析

剔除對二次回歸模型影響不顯著的因素，優化后的回歸模型方差分析如表8所示，失擬項為0.342 3、精確度為25.10，較優化前所得回歸方程的可靠性和精確性有改善。優化后回歸方程為

表8 CCD優化回歸模型方差分析

α=-19.32+41.92F+91.30G-56.03H+

1 029.09H2

(7)

式中α——堆積角，(°)

2.4 交互因素對堆積角的影響

油茶籽-油茶籽間靜摩擦因數(F)固定時，油茶籽-鋼板間靜摩擦因數和油茶籽-油茶籽間滾動摩擦因數的響應曲面如圖7a所示，當油茶籽-鋼板間靜摩擦因數(G)不變時，堆積角隨著油茶籽-油茶籽間滾動摩擦因數(H)增大逐漸增加，且變化趨勢明顯；當油茶籽-油茶籽間滾動摩擦因數(H)不變時，堆積角隨著油茶籽-鋼板間靜摩擦因數(G)增大逐漸增加。

油茶籽-鋼板間靜摩擦因數(G)固定時，油茶籽-油茶籽間靜摩擦因數(F)和油茶籽-油茶籽間滾動摩擦因數(H)的響應曲面如圖7b所示，當油茶籽-油茶籽間靜摩擦因數(F)不變時，堆積角隨油茶籽-油茶籽間滾動摩擦因數(H)增大逐漸增加；當油茶籽-油茶籽間滾動摩擦因數(H)不變時，堆積角隨著油茶籽-油茶籽間靜摩擦因數(F)增大逐漸增加，兩者變化趨勢顯著。

圖7 交互因素對堆積角的影響

油茶籽-油茶籽間滾動摩擦因數(H)固定時，油茶籽-油茶籽間靜摩擦因數(F)和油茶籽-鋼板間靜摩擦因數(G)的響應曲面如圖7c所示，當油茶籽-油茶籽間靜摩擦因數(F)不變時，堆積角隨油茶籽-鋼板間靜摩擦因數(G)增大逐漸增加；當油茶籽-鋼板間靜摩擦因數(G)不變時，堆積角隨油茶籽-油茶籽間靜摩擦因數(F)增大逐漸增加。

2.5 機器學習回歸模型對比

通過比較4種回歸模型算法的R2、MSE和AAD，來確定能夠適用后續試驗的回歸模型。對于BP來說，隱含層神經元數量較少容易導致模型欠擬合；數量過多可能會導致過擬合和訓練時間過長，因此采用試錯法對隱含層中的神經元數3～13進行研究。由于訓練樣本較少，回歸擬合時會出現誤差，因此重復訓練5次，結果如表9所示。

由表9可知，SVR和GA-BP兩種算法的預測能力比隨機森林和BP更準。其中SVR的變異系數最小，擬合效果最穩定；但是SVR的R2(0.956 4)、AAD(0.099 1)和MSE(1.077 4)不及隱含神經元數為11的GA-BP網絡，該網絡具有最大的R2(0.960 1)、最小的AAD(0.099 4)和最小的MSE(0.898 4)，并且其變異系數相對較小，即擬合效果較穩定。因此，選擇11個隱含神經元的GA-BP為本研究的回歸模型。由此，建立GA-BP模型的拓撲結構為3-11-1(圖8)。

圖8 GA-BP最優拓撲結構圖

表9 機器學習回歸模型對比

如圖9所示，隨著訓練周期的增加，以訓練組、驗證組和測試組的MSE進行性能評價。MSE能夠根據數據的變化程度衡量數據的平均誤差，MSE越小，模型描述試驗結果的精確度越好。在訓練至第2步時獲得了最佳驗證性能，MSE為0.009 56，表示神經網絡訓練完成。因此，該GA-BP網絡訓練收斂速度較快且非常穩定，表明該模型能夠較好地滿足試驗需求。

圖9 性能曲線

在上述優化的基礎上，得到了性能優良的神經網絡模型。如圖10所示，訓練后分析顯示，訓練、驗證、測試和所有數據相關系數R分別為:0.979 5、0.999 0、0.973 3和0.965 8，表明預測和實際數據之間具有良好的相關性。說明該神經網絡模型能夠適用后續的試驗分析。

圖10 回歸分析結果

2.6 RSM和GA-BP-GA優化方法比較

圖11為兩種模型的實測值與預測值的對比。由圖11可知兩種模型均具有較好的擬合精度。GA-BP-GA模型的評價指標(R2=0.928 3，AAD為0.200 0，MSE為1.988 2)均優于RSM模型(R2=0.909 3，AAD為4.237 3，MSE為2.629 7)，R2提高2.09%，AAD和MSE分別降低95.28%和24.39%。這表明GA-BP-GA模型預測能力優于RSM，具有較高的預測精度，這與前人研究結果相似[31-32]。

圖11 RSM和GA-BP-GA方法的預測值與實測值

2.6.1RSM參數優化

應用Design-Expert軟件以油茶籽實際堆積角平均值(27.93°)為目標，利用Numerical模塊對回歸模型進行優化求解，優化約束條件為

(8)

對得到的若干組解進行油茶籽堆積角仿真驗證，得到與物理試驗形狀相近的一組最優解：油茶籽-油茶籽間靜摩擦因數為0.383、油茶籽-鋼板間靜摩擦因數為0.335、油茶籽-油茶籽間滾動摩擦因數為0.064。測得油茶籽仿真堆積角為26.99°，與油茶籽實際堆積角的相對誤差為3.33%。

2.6.2GA-BP-GA參數優化

圖12為隨進化代數變化的適應度變化曲線。最初GA利用其群體搜索特性使得被選擇個體的適應度驟降；隨后，GA進行多次的交叉和選擇處理，被選擇個體的適應度產生小范圍的正向改變，逐步向目標值靠近；當進行到第42次選代時，適應度曲線逐漸收斂于0附近，這表明預測值與目標值之差極小；通過多次循環選代，當進化迭代次數達到目標值100時，GA停止選擇并得出適應度最接近的個體。運行得到的最優參數：油茶籽-油茶籽間靜摩擦因數為0.443、油茶籽-鋼板間靜摩擦因數為0.319、油茶籽-油茶籽間滾動摩擦因數為0.063。測得油茶籽仿真堆積角為27.63°，與油茶籽實際堆積角的相對誤差為1.09%。

圖12 適應度變化曲線

兩種模型堆積角預測誤差均小于5.00%，說明所得3個顯著性參數的最優值準確可靠，兩種方法均可用于堆積角預測。而GA-BP的預測精度高于RSM，并且GA-BP-GA尋優后的堆積角預測誤差比RSM更小，表明GA-BP-GA的預測結果與真實值更接近，這與其他工藝優化結論一致[27,30,33]。

2.7 驗證試驗

仿真試驗與物理試驗對比如圖13所示，兩者油茶籽顆粒堆輪廓接近，表明仿真堆積角與物理堆積角試驗休止角無顯著性差異，該研究所建油茶籽模型與參數標定結果可用于離散元仿真研究。

圖13 參數標定的物理試驗與仿真試驗對比

3 結論

(1)采用逆向工程技術提取了4種形狀油茶籽的輪廓，并在EDEM軟件中通過自動填充方式，建立了填充球形顆粒的油茶籽離散元模型。

(2)通過物理試驗測得油茶籽的堆積角為(27.93±1.46)°，以及密度、碰撞恢復系數和油茶籽-鋼板間靜摩擦因數的參數區間，采用PBD試驗和最陡爬坡試驗篩選出影響堆積角的顯著性因素(油茶籽-油茶籽間靜摩擦因數、油茶籽-鋼板間靜摩擦因數、油茶籽-油茶籽間滾動摩擦因數)，并進一步縮小顯著性參數取值范圍。

(3)比較了隨機森林、SVR、BP和GA-BP 4種機器學習回歸模型的R2、AAD、MSE及變異系數，當隱含層神經元數為11時，GA-BP的R2(0.960 1)最大、AAD(0.099 4)和MSE(0.898 4)最小，并且其變異系數相對較小，表明其預測能力和擬合穩定性較高，由此建立了拓撲結構為3-11-1的GA-BP回歸模型作為油茶籽堆積角預測模型。

(4)采用遺傳算法對GA-BP回歸模型進行反函數尋優，得到油茶籽-油茶籽間靜摩擦因數為0.443、油茶籽-鋼板間靜摩擦因數為0.319、油茶籽-油茶籽間滾動摩擦因數為0.063，測得仿真堆積角為27.63°，與實際堆積角的相對誤差為1.09%，優于RSM的相對誤差(3.33%)。表明在油茶籽參數標定中，GA-BP-GA的參數優化效果優于RSM，并且該研究所建油茶籽模型與參數標定結果可用于離散元仿真研究。