基于離散元法的振動(dòng)篩顆粒觸篩和透篩分析

趙嘉樂, 童昕, 李占福, 崔德海

摘要：為了提高振動(dòng)篩的篩分效率，采用離散元法對(duì)振動(dòng)篩的篩分過程進(jìn)行仿真模擬，分析篩分過程中顆粒觸篩與透篩概率對(duì)篩分效率的影響，利用隨機(jī)森林算法建立了篩機(jī)參數(shù)與顆粒觸篩、透篩概率的數(shù)據(jù)模型，分析各篩機(jī)參數(shù)對(duì)顆粒觸篩、透篩概率的影響權(quán)重及規(guī)律，結(jié)果表明：顆粒觸篩概率主要受振動(dòng)頻率、振動(dòng)幅度和振動(dòng)方向角的影響；顆粒透篩概率主要受篩網(wǎng)傾角及篩孔孔徑的影響。利用布谷鳥尋優(yōu)算法進(jìn)行參數(shù)優(yōu)化，尋優(yōu)得到振動(dòng)頻率為15 Hz,振動(dòng)幅度為2 mm,振動(dòng)方向角為50°,篩網(wǎng)傾角為20°,篩網(wǎng)長(zhǎng)度為160 mm,篩孔孔徑為1.0 mm,篩絲直徑為0.7 mm為篩機(jī)參數(shù)的最優(yōu)組合參數(shù)。

關(guān)鍵詞：離散元法 觸篩概率 透篩概率 隨機(jī)森林算法 參數(shù)優(yōu)化

   篩分機(jī)械廣泛應(yīng)用于煤礦開采、金屬冶金、食品加工等行業(yè)，通過對(duì)篩網(wǎng)施加振動(dòng)，使得散體物料實(shí)現(xiàn)松散、分層、觸篩和透篩，最終達(dá)到物料分級(jí)的目的[1-3]。篩分效率是衡量篩分機(jī)械性能的重要指標(biāo)，因此研究人員[4-5]普遍將提高篩分效率作為優(yōu)化篩機(jī)參數(shù)的主要目標(biāo)。篩分過程中，各顆粒間受力交叉影響，顆粒速度大小與運(yùn)動(dòng)方向復(fù)雜多變，采用離散元法(discrete element method, DEM)可以記錄顆粒的運(yùn)動(dòng)，并準(zhǔn)確模擬顆粒間的碰撞，這種方法在篩分過程的數(shù)值模擬中得到了廣泛應(yīng)用[6-7]。

   物料接觸篩網(wǎng)并順利透篩是完成篩分最直觀的現(xiàn)象，也是影響篩分性能的關(guān)鍵環(huán)節(jié)[8-9]。韋魯濱等[10]提出了單顆粒平均觸篩概率，研究發(fā)現(xiàn)未透篩顆粒粒徑分布受平均觸篩概率和摩根森透篩概率的影響。陳濤等[11]分析了振動(dòng)參數(shù)對(duì)顆粒群平均觸篩概率的影響。王翠等[12]分析了進(jìn)料速率對(duì)顆粒透篩概率的影響。Peng等[13]分析了細(xì)濕顆粒的透篩行為，得到了振動(dòng)篩結(jié)構(gòu)參數(shù)和振動(dòng)參數(shù)對(duì)篩分效率的影響規(guī)律。Asbj?rnsson等[14]、Dong等[15]分析了篩孔形狀對(duì)顆粒透篩行為的影響，結(jié)果表明在相同開孔率下，顆粒在矩形篩孔的透篩概率最高，但采用矩形篩孔將會(huì)增大棒狀顆粒和條狀顆粒的透篩概率。Feng等[16]分析了不規(guī)則顆粒的透篩行為，研究發(fā)現(xiàn)顆粒質(zhì)心位于接觸點(diǎn)左側(cè)時(shí)，顆粒更容易實(shí)現(xiàn)透篩。在篩分過程中，顆粒觸篩與透篩2個(gè)環(huán)節(jié)之間相互影響，顆粒觸篩是實(shí)現(xiàn)透篩的前提，而顆粒透篩將改變篩上顆粒數(shù)量，進(jìn)而影響顆粒觸篩。以往的相關(guān)研究大多分析了單一環(huán)節(jié)與篩分效率的關(guān)系，而忽略了兩者共同作用對(duì)篩分效率的影響。鑒于此，我們利用離散元法模擬篩分過程，并計(jì)算顆粒觸篩概率與顆粒透篩概率，采用隨機(jī)森林算法建立篩機(jī)參數(shù)與顆粒觸篩概率、顆粒透篩概率的數(shù)據(jù)模型，分析各篩機(jī)參數(shù)對(duì)顆粒觸篩概率和顆粒透篩概率的影響權(quán)重及規(guī)律，采用布谷鳥尋優(yōu)算法優(yōu)化篩機(jī)參數(shù)組合并進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 仿真模型的建立

將振動(dòng)篩結(jié)構(gòu)進(jìn)行合理簡(jiǎn)化后導(dǎo)入EDEM仿真軟件，簡(jiǎn)化模型如圖1所示。篩網(wǎng)采用工業(yè)編織網(wǎng)結(jié)構(gòu)，篩孔為正方形。入料顆粒選用球形顆粒，為了模擬自然界中顆粒粒徑的分布狀態(tài)，采用直徑均值為0.5、 1.0 mm的雙峰正態(tài)曲線生成物料， 選取0.9 mm作為目標(biāo)分離粒徑， 將小于目標(biāo)分離粒徑的顆粒定義為小顆粒， 大于目標(biāo)分離粒徑的顆粒定義為大顆粒。 實(shí)驗(yàn)過程中共生成20 000個(gè)顆粒， 顆粒生成速度為每秒13 333顆。實(shí)驗(yàn)中材料的物性參數(shù)及碰撞系數(shù)如表1、 2所示。

振動(dòng)篩可控參數(shù)較多，其中振動(dòng)參數(shù)與結(jié)構(gòu)參數(shù)是影響篩分效率的主要因素，根據(jù)實(shí)際工作條件確定各個(gè)參數(shù)的取值范圍，詳見表3。

入料顆粒經(jīng)篩分后，篩下物由小顆粒和部分大顆粒組成，因此采用綜合篩分效率作為篩分性能的評(píng)價(jià)指標(biāo)。綜合篩分效率的計(jì)算公式為

η=( Μ D1 Μ S1 - Μ D2 Μ S2 )×100% 。 (1)

式中： MD1為篩下物中小顆粒的質(zhì)量， kg; MS1為入料顆粒中小顆粒的質(zhì)量， kg; MD2為篩下物中大顆粒的質(zhì)量， kg; MS2為入料顆粒中大顆粒的質(zhì)量，kg。

2 觸篩和透篩概率的計(jì)算與分析

2.1 篩分過程分析

  篩分過程中，入料顆粒與篩網(wǎng)接觸碰撞后透過篩網(wǎng)成為篩下物，顆粒的觸篩和透篩是影響篩分性能的關(guān)鍵環(huán)節(jié)。顆粒數(shù)量隨時(shí)間的變化規(guī)律如圖2所示。由圖可以看出，根據(jù)篩上顆粒數(shù)量的變化曲線，可將整個(gè)篩分過程分為3個(gè)階段，即入料階段、穩(wěn)定篩分階段及篩分結(jié)束階段。根據(jù)篩下顆粒數(shù)量的變化曲線可知，穩(wěn)定篩分階段對(duì)篩分結(jié)果影響最大，因此選取穩(wěn)定篩分階段對(duì)顆粒觸篩概率和顆粒透篩概率進(jìn)行分析。

2.2 觸篩概率的計(jì)算與分析

  根據(jù)摩根森透篩概率公式，單顆粒在每次觸篩時(shí)的透篩概率是確定值，因此篩上顆粒的觸篩概率是影響篩分效率的主要因素。將與篩網(wǎng)距離小于或等于自身半徑的顆粒定義為觸篩顆粒。小顆粒觸篩概率與大顆粒觸篩概率的計(jì)算公式為

Ρ cx = Ν x Ν 1 ×100% , (2)

Ρ cd = Ν d Ν 2 ×100% 。 (3)

式中： Pcx為小顆粒觸篩概率， %; Pcd為大顆粒觸篩概率， %; Nx為觸篩顆粒中小顆粒數(shù)； Nd為觸篩顆粒中大顆粒數(shù)； N1為篩上顆粒中小顆粒總數(shù)； N2為篩上顆粒中大顆粒總數(shù)。顆粒觸篩概率隨時(shí)間的變化規(guī)律如圖3所示。

  顆粒觸篩概率隨時(shí)間呈周期性變化，篩網(wǎng)從平衡位置向上運(yùn)動(dòng)過程中不斷擠壓篩上顆粒，觸篩顆粒數(shù)量增多，顆粒觸篩概率增大。篩網(wǎng)從最高位置向下運(yùn)動(dòng)過程中，顆粒觸篩概率逐漸減小，直至篩網(wǎng)運(yùn)動(dòng)至最低位置時(shí)，顆粒觸篩概率接近0。篩上顆粒經(jīng)松散、分層后，小顆粒將會(huì)運(yùn)動(dòng)至料層底部，率先與篩網(wǎng)發(fā)生接觸，因此大顆粒觸篩概率峰值出現(xiàn)時(shí)間相對(duì)滯后。小顆粒觸篩概率與篩分效率的關(guān)系如圖4所示。由圖可知， 小顆粒觸篩概率與篩分效率呈現(xiàn)正相關(guān)關(guān)系， 其皮爾遜相關(guān)系數(shù)為0.65。 小顆粒觸篩概率主要分布在10%～20%之間， 當(dāng)小顆粒觸篩概率大于20%時(shí)， 篩分效率整體較高， 穩(wěn)定在72%以上。

2.3 顆粒透篩概率的計(jì)算與分析

  顆粒透篩是篩分過程的最終環(huán)節(jié)，假設(shè)單個(gè)顆粒在一個(gè)振動(dòng)周期內(nèi)僅與篩網(wǎng)發(fā)生一次接觸，以篩網(wǎng)單次振動(dòng)時(shí)間為間隔，小顆粒透篩概率與大顆粒透篩概率的計(jì)算公式為

Ρ tx = Ν tx Ν 3 ×100% , (4)

Ρ td = Ν td Ν 4 ×100% 。 (5)

式中： Ptx為小顆粒透篩概率，%; Ptd為大顆粒透篩概率，%; Ntx為觸篩顆粒中透過篩網(wǎng)的小顆粒數(shù)； Ntd為觸篩顆粒中透過篩網(wǎng)的大顆粒數(shù)； N3為觸篩顆粒中小顆粒數(shù)； N4為觸篩顆粒中大顆粒數(shù)。顆粒透篩概率的變化規(guī)律如圖5所示。

  小顆粒透篩概率隨時(shí)間呈周期性變化規(guī)律，變化趨勢(shì)與小顆粒觸篩概率相反。小顆粒觸篩概率較高時(shí)，同一時(shí)間內(nèi)與篩網(wǎng)接觸的顆粒數(shù)量較多，顆粒之間的接觸碰撞會(huì)影響小顆粒的透篩行為，因此小顆粒透篩概率降低。而大顆粒透篩概率則表現(xiàn)出較強(qiáng)的隨機(jī)性，其數(shù)值整體偏小，且多數(shù)時(shí)刻為0。顆粒透篩概率與篩分效率的關(guān)系如圖6所示。

小顆粒透篩概率、大顆粒透篩概率與篩分效率的皮爾遜相關(guān)系數(shù)分別為0.65、0.54,即顆粒透篩概率與篩分效率呈正相關(guān)關(guān)系。由圖6(a)可知，隨小顆粒透篩概率增大，篩分效率整體呈上升趨勢(shì)。由圖6(b)可知，隨大顆粒透篩概率增大，篩分效率呈先增后減的變化趨勢(shì)。大顆粒透篩概率小于3%時(shí)，隨大顆粒透篩概率的增大，小顆粒透篩概率也增大，且增長(zhǎng)速率更快，因此篩分效率呈現(xiàn)上升趨勢(shì)；但當(dāng)大顆粒透篩概率大于3%后，小顆粒透篩概率則相對(duì)穩(wěn)定，因此篩分效率呈現(xiàn)下降趨勢(shì)。

3 數(shù)據(jù)建模

  集成學(xué)習(xí)的基本原理是集成多個(gè)子模型，由每個(gè)子模型對(duì)數(shù)據(jù)進(jìn)行分類判斷，綜合每個(gè)子模型的判斷結(jié)果進(jìn)行投票選擇，最終做出判決，即使在弱模型對(duì)原始數(shù)據(jù)分類或預(yù)測(cè)精度不高的情況下，最終的分類或預(yù)測(cè)結(jié)果也可以達(dá)到較高的精度。隨機(jī)森林算法(random forest algorithm, RF)采用決策樹模型，綜合多個(gè)決策樹模型的預(yù)測(cè)結(jié)果進(jìn)行分類投票，最終回歸均值[17]。隨機(jī)森林算法有著較高的預(yù)測(cè)精度，模型的泛化能力較好，且不易出現(xiàn)過擬合現(xiàn)象。

3.1 小顆粒觸篩概率的建模分析

  采用隨機(jī)森林算法建立7個(gè)篩機(jī)參數(shù)與小顆粒觸篩概率的數(shù)據(jù)模型，進(jìn)一步分析篩機(jī)參數(shù)對(duì)顆粒觸篩概率的影響。利用集成學(xué)習(xí)的XGBoost(extreme gradient boosting)可以獲取篩機(jī)參數(shù)對(duì)小顆粒觸篩概率的影響權(quán)重[18],分析結(jié)果如表4所示。

  由表4可知，振動(dòng)頻率、振動(dòng)幅度及振動(dòng)方向角對(duì)小顆粒觸篩概率的影響權(quán)重較大。振動(dòng)頻率、振動(dòng)幅度及振動(dòng)方向角對(duì)小顆粒觸篩概率的影響規(guī)律如圖7所示。由圖可知，小顆粒觸篩概率隨振動(dòng)頻率、振動(dòng)幅度和振動(dòng)方向角的增大逐漸減小。當(dāng)振動(dòng)頻率和振動(dòng)幅度較大時(shí)，顆粒與篩網(wǎng)碰撞后將會(huì)被拋起至較高的位置，容易發(fā)生“揚(yáng)塵”現(xiàn)象，單位時(shí)間內(nèi)小顆粒的觸網(wǎng)次數(shù)將大幅度減少，小顆粒觸篩概率減小。振動(dòng)方向角較小時(shí)，顆粒主要沿篩網(wǎng)方向運(yùn)動(dòng)，此時(shí)顆粒的跳動(dòng)幅度較小，更易與篩網(wǎng)接觸，因此小顆粒觸篩概率增大；振動(dòng)方向角較大時(shí)，顆粒主要沿垂直篩網(wǎng)方向運(yùn)動(dòng)，顆粒的跳動(dòng)幅度增大，其與篩網(wǎng)的接觸次數(shù)減小，但振動(dòng)方向角無法為顆粒運(yùn)動(dòng)提供能量，故隨振動(dòng)方向角的增大，小顆粒觸篩概率呈現(xiàn)減小趨勢(shì)。

3.2 小顆粒透篩概率的建模分析

  采用隨機(jī)森林算法建立7個(gè)篩機(jī)參數(shù)與小顆粒透篩概率的數(shù)據(jù)模型，得到篩機(jī)參數(shù)對(duì)小顆粒透篩概率的影響權(quán)重如表5所示。

  由表5可知，篩網(wǎng)傾角和篩孔孔徑對(duì)小顆粒透篩概率的影響權(quán)重較大，其對(duì)小顆粒透篩概率的影響規(guī)律如圖8所示。

  隨篩網(wǎng)傾角的增大，小顆粒透篩概率逐漸減小；隨篩孔孔徑的增大，小顆粒透篩概率逐漸增大。小顆粒透篩概率與篩孔的水平投影面積有關(guān)，在篩絲直徑等參數(shù)確定的情況下，篩孔的水平投影面積隨篩網(wǎng)傾角的增大而減小，隨篩孔孔徑的增大而增大，當(dāng)篩孔的水平投影面積較小時(shí)，小顆粒在下落過程中易與篩絲發(fā)生接觸碰撞，不易實(shí)現(xiàn)透篩。

3.3 大顆粒透篩概率的建模分析

  采用隨機(jī)森林算法建立7個(gè)篩機(jī)參數(shù)與大顆粒透篩概率的數(shù)據(jù)模型，得到篩機(jī)參數(shù)對(duì)大顆粒透篩概率的影響權(quán)重如表6所示。

  由表6可知，大顆粒透篩概率主要受篩孔孔徑的影響，篩孔孔徑對(duì)大顆粒透篩概率的影響規(guī)律如圖9所示。

  隨篩孔孔徑增大，大顆粒透篩概率逐漸增大。當(dāng)篩孔孔徑小于1.1 mm時(shí)，大顆粒透篩概率均在3%以下，且增幅較為平穩(wěn)；當(dāng)篩孔孔徑大于1.1 mm時(shí)，大顆粒透篩概率有明顯提升，且穩(wěn)定在5%以上。當(dāng)大顆粒透篩概率小于3%時(shí)，篩分效率呈增大趨勢(shì)，而大顆粒透篩概率大于3%時(shí)，篩分效率呈減小趨勢(shì)，因此應(yīng)將篩孔孔徑控制在1.1 mm以內(nèi)。

4 參數(shù)優(yōu)化

  顆粒的觸篩概率主要受振動(dòng)頻率、振動(dòng)幅度和振動(dòng)方向角的影響，而顆粒的透篩概率則主要受篩網(wǎng)傾角和篩孔孔徑的影響。通過上述數(shù)據(jù)模型，可以尋求合適的篩機(jī)參數(shù)以取得較優(yōu)的顆粒觸篩概率與顆粒透篩概率，從而獲得較高的篩分效率。

  布谷鳥尋優(yōu)算法(cuckoo search algorithm, CS)是一種群智能優(yōu)化算法，其基本思想是布谷鳥的巢寄生性和萊維飛行機(jī)制。布谷鳥尋優(yōu)算法相較其他群智能優(yōu)化算法具有參數(shù)少、收斂速度對(duì)參數(shù)變化不敏感、全局搜索能力強(qiáng)、不易陷入局部最優(yōu)解等優(yōu)點(diǎn)[19]。布谷鳥尋優(yōu)算法的流程圖如圖10所示。

  采用布谷鳥尋優(yōu)算法對(duì)篩機(jī)參數(shù)進(jìn)行多目標(biāo)優(yōu)化，將鳥巢位置設(shè)置為7維變量，分別對(duì)應(yīng)不同的篩機(jī)參數(shù)。在算法迭代過程中，通過數(shù)據(jù)模型將篩機(jī)參數(shù)組合轉(zhuǎn)化為小顆粒觸篩概率、小顆粒透篩概率及大顆粒透篩概率。顆粒觸篩是實(shí)現(xiàn)透篩的前提，且顆粒觸篩概率是影響篩分效率的主要因素，因此將顆粒觸篩概率的權(quán)重設(shè)置為0.5;篩下物中小顆粒數(shù)量與大顆粒數(shù)量對(duì)篩分效率的影響權(quán)重相同，因此將小顆粒透篩概率與大顆粒透篩概率的權(quán)重均設(shè)置為0.25,并確定優(yōu)化目標(biāo)函數(shù)為

      f=10log(0.5Pcx+0.25Ptx-0.25Ptd) 。 (6)

 在篩機(jī)參數(shù)空間中隨機(jī)生成500個(gè)鳥巢位置， 計(jì)算每個(gè)鳥巢位置的目標(biāo)函數(shù)值， 設(shè)置最大的迭代次數(shù)為100次， 經(jīng)過迭代計(jì)算后，布谷鳥尋優(yōu)算法收斂圖如圖11所示。由圖可以看出，算法迭代進(jìn)行至47次后， 目標(biāo)函數(shù)達(dá)到最小值， 此時(shí)所返回的鳥巢位置即為篩機(jī)參數(shù)的最佳組合。 尋優(yōu)所得的篩機(jī)參數(shù)組合：振動(dòng)頻率為15 Hz, 振動(dòng)幅度為2 mm, 振動(dòng)方向角為50°, 篩網(wǎng)傾角為20°, 篩網(wǎng)長(zhǎng)度為160 mm, 篩孔孔徑為1.0 mm, 篩絲直徑為0.7 mm時(shí)，小顆粒觸篩概率為45%,小顆粒透篩概率為34%,大顆粒透篩概率為2.3%。

利用尋優(yōu)所得的篩機(jī)參數(shù)組合設(shè)置仿真實(shí)驗(yàn)，計(jì)算得到小顆粒觸篩概率為41%,小顆粒透篩概率32%,大顆粒透篩概率2.1%,篩分效率為82.2%。仿真模擬結(jié)果與尋優(yōu)結(jié)果接近，驗(yàn)證了數(shù)據(jù)模型及尋優(yōu)結(jié)果的準(zhǔn)確性。

5 結(jié)論

        1)顆粒觸篩和透篩概率與篩分效率均呈正相關(guān)關(guān)系。顆粒觸篩概率主要分布在10%～20%之間，當(dāng)顆粒觸篩概率大于20%時(shí)，篩分效率較高且穩(wěn)定在72%以上。隨小顆粒透篩概率增大，篩分效率整體呈上升趨勢(shì)。隨大顆粒透篩概率增大，篩分效率呈先增后減的趨勢(shì)。

        2)顆粒觸篩概率主要受振動(dòng)頻率、振動(dòng)幅度和振動(dòng)方向角的影響，顆粒透篩概率則主要受篩面傾角和篩孔孔徑的影響。隨振動(dòng)頻率、振動(dòng)幅度和振動(dòng)方向角的增大，顆粒觸篩概率逐漸減小；減小篩面傾角、增大篩孔孔徑則會(huì)增大顆粒透篩概率。

        3)利用布谷鳥尋優(yōu)算法優(yōu)化所得的篩機(jī)參數(shù)組合為：振動(dòng)頻率為15 Hz, 振動(dòng)幅度為2 mm, 振動(dòng)方向角為50°,篩網(wǎng)傾角為20°,篩網(wǎng)長(zhǎng)度為160 mm, 篩孔孔徑為1.0 mm, 篩絲直徑為0.7 mm。

        4)優(yōu)化所得顆粒觸篩概率為45%,小顆粒及大顆粒的透篩概率分別為34%、 2.3%。根據(jù)尋優(yōu)所得的參數(shù)組合設(shè)置仿真實(shí)驗(yàn)，計(jì)算得到小顆粒觸篩概率為41%,小顆粒及大顆粒透篩概率分別為32%、 2.1%,篩分效率為82.2%,仿真計(jì)算結(jié)果與尋優(yōu)結(jié)果接近，驗(yàn)證了數(shù)據(jù)模型及尋優(yōu)結(jié)果的準(zhǔn)確性。

參考文獻(xiàn)

[1]JIANG H S,ZHAO Y M,QIAO J P,et al.Process analysis and operational parameter optimization of a variable amplitude screen for coal classification[J].Fuel,2017,194:329-338.

[2]DAVOODI A,ASBJ?RNSSON G,HULTHéN E,et al.Application of the discrete element method to study the effects of stream characteristics on screening performance[J].Minerals,2019,9(12):788.

[3]SHEN G L,TONG X.Particle stratification of a vibrating screen with translation-swing composite motion[J].Journal of Vibroengineering,2020,22(3):498-508.

[4]LI Z F,JIA P Y,LI K Y,et al.Study on screening performance and parameter optimization of vibrating-dewatering screen[J].Advances in Mechanical Engineering,2021,13(9):97-100.

[5]CHEN Z Q,TONG X,LI Z F.Numerical investigation on the sieving performance of elliptical vibrating screen[J].Processes,2020,8(9):1151.

[6]CHEN B,YAN J,MO W,et al.DEM simulation and experimental study on the screening process of elliptical vibration mechanical systems[J].Journal of Vibroengineering,2019,21(8):2025-2038.

[7]李占福，童昕，周廣濤.基于離散單元法的平擺篩設(shè)計(jì)及其透篩機(jī)理分析[J].機(jī)械設(shè)計(jì)與研究，2016,32(1):145-149.

[8]DAVOODI A,BENGTSSON M,HULTHéN E,et al.Effects of screen decks’ aperture shapes and materials on screening efficiency[J].Minerals Engineering,2019,139(1):105699.

[9]溫鵬飛，喬金鵬，段晨龍，等.變振幅等厚篩分過程物料透篩行為及分布研究[J].煤礦機(jī)械，2020,41(4):165-167.

[10]韋魯濱，陳清如.煤用概率分級(jí)篩數(shù)學(xué)模型的研究[J].煤炭學(xué)報(bào)，1995(1):57-62.

[11]陳濤，童昕.基于DEM的篩分觸篩機(jī)理的探究[J].礦山機(jī)械，2014,42(9):93-97.

[12]王翠，寧水根，王桂鋒，等.基于擺動(dòng)篩面設(shè)計(jì)的進(jìn)料速率對(duì)分層和透篩的影響研究[J].機(jī)械設(shè)計(jì)，2021,38(4):117-122.

[13]PENG L P,FENG H H,WANG Z Q,et al.Screening mechanism and properties of a cantilevered vibrating sieve for particles processing[J].Applied Sciences,2019,9(22):4911.

[14]ASBJ?RNSSON G,BENGTSSON M,HULTHéN E,et al.Model of banana screen for robust performance[J].Minerals Engineering,2016,91:66-73.

[15]DONG K,ESFANDIARY A H,YU A B.Discrete particle simulation of particle flow and separation on a vibrating screen:effect of aperture shape[J].Powder Technology,2016,314:195-202.

[16]FENG X,GONG Z P,WANG L J,et al.Behavior of maize particle penetrating a sieve hole based on the particle centroid in an air-screen cleaning unit[J].Powder Technology,2021,385:501-516.

[17]王奕森，夏樹濤.集成學(xué)習(xí)之隨機(jī)森林算法綜述[J].信息通信技術(shù)，2018,12(1):49-55.

[18]李占山，劉兆賡.基于XGBoost的特征選擇算法[J].通信學(xué)報(bào)，2019,40(10):101-108.

[19]GANDOMI A H,YANG X S,ALAVI A H.Cuckoo search algorithm:a metaheuristic approach to solve structural optimization problems[J].Engineering with Computers,2013,29(1):17-35.

文章來自：《中國(guó)粉體技術(shù)》2022年04期