• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    采用BP神經(jīng)網(wǎng)絡(luò)和Burgers模型的細(xì)觀參數(shù)標(biāo)定

    2022-03-10 02:25:20王洪波烏蘭圖雅樊志鵬王春光
    關(guān)鍵詞:細(xì)觀黏性宏觀

    王洪波,馬 哲,烏蘭圖雅,樊志鵬,王春光

    采用BP神經(jīng)網(wǎng)絡(luò)和Burgers模型的細(xì)觀參數(shù)標(biāo)定

    王洪波,馬 哲,烏蘭圖雅,樊志鵬,王春光

    (內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,呼和浩特 010018)

    PFC軟件作為一款成熟的離散元分析軟件,由于在處理連續(xù)與非連續(xù)介質(zhì)方面的出色表現(xiàn),得到了廣泛的應(yīng)用。但PFC軟件所需要的細(xì)觀參數(shù)均需要采用室內(nèi)試驗(yàn)數(shù)據(jù)通過(guò)試錯(cuò)法反復(fù)調(diào)試才能獲得,效率低、盲目性高,嚴(yán)重影響后續(xù)試驗(yàn)數(shù)據(jù),因此需要細(xì)觀參數(shù)校準(zhǔn)方法標(biāo)定PFC。該研究以玉米秸稈顆粒的單軸蠕變?cè)囼?yàn)為基礎(chǔ),結(jié)合離散元軟件PFC 2D,通過(guò)正交試驗(yàn)多因素方差分析方法分析了Burgers模型宏細(xì)觀參數(shù)之間的影響關(guān)系,從而證明宏細(xì)觀參數(shù)之間存在著復(fù)雜關(guān)系,不宜采用通過(guò)回歸分析獲得宏細(xì)觀參數(shù)之間的關(guān)系式的方式標(biāo)定細(xì)觀參數(shù),適合利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)標(biāo)定,利用創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)對(duì)細(xì)觀參數(shù)進(jìn)行標(biāo)定,根據(jù)測(cè)試組的標(biāo)定結(jié)果分析得出Burgers模型各細(xì)觀參數(shù)的標(biāo)定精度均在92%以上,且誤差較為穩(wěn)定,而且訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)相關(guān)系數(shù)>0.96,從而證明BP神經(jīng)網(wǎng)絡(luò)的細(xì)觀參數(shù)標(biāo)定性能較為可靠。將玉米秸稈單軸蠕變?cè)囼?yàn)的宏觀參數(shù)帶入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行細(xì)觀參數(shù)標(biāo)定,比對(duì)模擬蠕變?cè)囼?yàn)與物理蠕變?cè)囼?yàn)發(fā)現(xiàn),兩者的蠕變曲線基本一致,應(yīng)變量的最大誤差為2%,證明了BP神經(jīng)網(wǎng)絡(luò)具有良好的參數(shù)標(biāo)定能力,方法可為PFC參數(shù)標(biāo)定提供一定的參考價(jià)值。

    離散元法;神經(jīng)網(wǎng)絡(luò);PFC軟件;參數(shù)標(biāo)定

    0 引 言

    離散元法是1979年由Cundall等基于傳統(tǒng)牛頓力學(xué)提出的一種分析顆粒之間力學(xué)問(wèn)題的方法,通過(guò)賦予剛性球體之間不同的模型及參數(shù),來(lái)實(shí)現(xiàn)顆粒之間力和扭矩的傳遞,彌補(bǔ)了傳統(tǒng)連續(xù)固體力學(xué)在處理顆粒材料方面的不足,從細(xì)觀角度最大限度地還原了顆粒類材料的力學(xué)特性。正是由于離散元法在分析非連續(xù)體和非連續(xù)體介質(zhì)的力學(xué)特性方面的出色表現(xiàn),現(xiàn)在已經(jīng)廣泛應(yīng)用于巖土工程、機(jī)械、農(nóng)業(yè)等領(lǐng)域[1]。

    PFC 2D軟件是一款功能強(qiáng)大的離散元軟件,在使用PFC 2D軟件建模過(guò)程中最重要的就是進(jìn)行細(xì)觀參數(shù)校準(zhǔn),細(xì)觀參數(shù)是否準(zhǔn)確直接決定所建模型的準(zhǔn)確性和合理性,因此細(xì)觀參數(shù)的校準(zhǔn)是建模過(guò)程中極其重要的任務(wù)。然而目前在Burgers模型細(xì)觀參數(shù)的校準(zhǔn)方面多采用試錯(cuò)法進(jìn)行校準(zhǔn),由于Burgers模型參數(shù)較多,且宏觀參數(shù)和細(xì)觀參數(shù)之間沒(méi)有明確的關(guān)系,所以這種校準(zhǔn)方法具有明顯的盲目性,因此往往需要數(shù)十次校準(zhǔn)才能獲得較為理想的參數(shù),而且對(duì)建模者的參數(shù)校準(zhǔn)經(jīng)驗(yàn)要求較高,給后期的仿真試驗(yàn)造成很大影響[2]。

    近年來(lái)有許多學(xué)者在PFC軟件內(nèi)置模型細(xì)觀參數(shù)校準(zhǔn)做出了很多創(chuàng)新,如Ji等采用差分進(jìn)化(DE)算法對(duì)Flat-Joint模型的細(xì)觀參數(shù)進(jìn)行標(biāo)定,實(shí)現(xiàn)了高精度標(biāo)定[3];Ren等通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)Parallel Bond模型進(jìn)行了宏細(xì)觀參數(shù)標(biāo)定,驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在宏細(xì)觀參數(shù)標(biāo)定方面的有效性和可靠性[4];李新平等采用BP神經(jīng)網(wǎng)絡(luò)對(duì)平直節(jié)理模型進(jìn)行了細(xì)觀參數(shù)標(biāo)定并且校核標(biāo)定結(jié)果[5]。此外,也有很多學(xué)者對(duì)Burgers模型細(xì)觀參數(shù)的校準(zhǔn)進(jìn)行了探索,如楊振偉等學(xué)者通過(guò)控制變量法分析了細(xì)觀參數(shù)對(duì)蠕變曲線的影響規(guī)律[6],宮元娟等學(xué)者通過(guò)控制變量法分析了細(xì)觀參數(shù)對(duì)應(yīng)力松弛曲線的影響規(guī)律[7]。上述研究都是對(duì)試錯(cuò)法進(jìn)行改進(jìn),以降低盲目性的方式加快校準(zhǔn)速度,但是這些影響規(guī)律不夠明確,因此急需一種新的校準(zhǔn)方法。

    本文基于玉米秸稈顆粒的單軸蠕變?cè)囼?yàn),利用PFC 2D軟件的Burgers模型創(chuàng)建玉米秸稈的單軸壓縮蠕變模型,通過(guò)正交試驗(yàn)研究細(xì)觀參數(shù)對(duì)宏觀參數(shù)的影響關(guān)系,然后選用BP神經(jīng)網(wǎng)絡(luò)來(lái)處理宏細(xì)觀參數(shù)之間的非線性關(guān)系,利用室內(nèi)物理試驗(yàn)所得的宏觀參數(shù)反推細(xì)觀參數(shù),并與實(shí)際物理試驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比,驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)反演的細(xì)觀參數(shù)的準(zhǔn)確性,為Burgers模型以及其他模型的細(xì)觀參數(shù)的參數(shù)校準(zhǔn)提供一定的參考。

    1 基本原理及建模

    1.1 宏觀Burgers模型

    在描述材料的蠕變特性時(shí),通常采用彈簧和阻尼以并聯(lián)或串聯(lián)的方式構(gòu)建不同的模型,來(lái)描述蠕變特性。根據(jù)現(xiàn)有的研究成果,一般采用如圖1所示的宏觀Burgers模型描述材料的蠕變特性,宏觀Burgers模型是由一個(gè)Maxwell體和一個(gè)Kelvin體串聯(lián)組成[8-9]。

    注:E1、E2分別為Maxwell體和Kelvin體的彈性系數(shù),Pa;η1、η2分別為Maxwell體和Kelvin體的黏性系數(shù)。

    由圖1可知宏觀Burgers模型由4個(gè)參數(shù)組成:彈性系數(shù)1(也叫瞬間彈性系數(shù))、黏性系數(shù)1、彈性系數(shù)2(也叫延遲彈性系數(shù))、黏性系數(shù)2。其中瞬間彈性系數(shù)1反映的是材料在在施加和卸載加載力時(shí)瞬間彈性變形能力,黏性系數(shù)1反映的是材料在加載力的作用下產(chǎn)生的不可恢復(fù)變形的能力;2、2反映材料在施加或卸載載荷的條件下緩慢變形和恢復(fù)的能力,這兩個(gè)參數(shù)與蠕變和變形回彈密切相關(guān)。因此,宏觀Burgers模型能夠兼顧黏、彈、塑3種力學(xué)特性,能很好的表述材料的蠕變特性。

    而為了表達(dá)Burgers模型,通過(guò)采用應(yīng)力和應(yīng)變之間關(guān)系來(lái)表達(dá),這種關(guān)系稱之為本構(gòu)方程,根據(jù)圖1可得宏觀Burgers模型的本構(gòu)方程為

    其蠕變方程為

    式中()為應(yīng)變;0為恒應(yīng)力,Pa;為作用時(shí)間,s。

    1.2 細(xì)觀Burgers模型

    在PFC 2D中模型的各種力學(xué)特性是通過(guò)給顆粒與顆粒之間或顆粒與墻體之間賦予不同接觸模型來(lái)體現(xiàn)的,常見的模型有滑動(dòng)模型、接觸模型、接觸粘結(jié)模型這三種,但是這三種模型都不能描述材料的蠕變特性。因此,本文選擇PFC 2D軟件內(nèi)置的Burgers模型來(lái)描述玉米秸稈顆粒的蠕變特性。PFC軟件內(nèi)置的細(xì)觀Burgers模型如圖2所示[10-11]。

    注:m1、m2分別代表顆粒1和2,Cmn和Cms為Maxwell體黏性系數(shù)的法相分量和切向分量,Kmn和Kms為Maxwell體彈性系數(shù)的法相分量和切向分量,Ckn和Cks為Kelvin體黏性系數(shù)的法相分量和切向分量,Kkn和Kks為Kelvin體彈性系數(shù)的法相分量和切向分量,fs為摩擦系數(shù)。

    如圖2所示細(xì)觀Burgers模型是作用于球體與球體或球體與墻體之間的接觸點(diǎn)處,每一個(gè)接觸點(diǎn)處Burgers模型均由法相和切向兩部分組成,分別控制接觸點(diǎn)處切向和法相的接觸力和位移,并且在切向增加了一個(gè)摩擦單元s,其作用是根據(jù)庫(kù)倫定理限制接觸點(diǎn)截切力的值,在法相方向還包含一個(gè)無(wú)張力組件,起作用是描述接觸點(diǎn)出的摩擦行為。

    與宏觀Burgers模型的本構(gòu)關(guān)系不同,在細(xì)觀Burgers模型每一個(gè)計(jì)算單元都是一個(gè)物理實(shí)體,它們的相互作用多表現(xiàn)為接觸力與位移的關(guān)系,這也是宏觀本構(gòu)關(guān)系的細(xì)觀表現(xiàn),其本構(gòu)關(guān)系如下所示。

    1)對(duì)于細(xì)觀Burgers模型的Kelvin體部分,有

    通過(guò)有限差分法,取K和的平均值,可得

    對(duì)上式整理可得

    式中、為系數(shù),且

    2)對(duì)于細(xì)觀Burgers模型中的Maxwell體,有

    通過(guò)有限差分法,取和m的平均值,可得

    對(duì)上式整理可得

    3)對(duì)于整個(gè)細(xì)觀Burgers模型的相對(duì)位移

    式中為細(xì)觀Burgers模型相對(duì)位移,m。

    式中u表示Burgers模型相對(duì)位移在當(dāng)前時(shí)步的計(jì)算結(jié)果,m;u+1表示Burgers模型相對(duì)位移在下一時(shí)步的計(jì)算結(jié)果,m。

    故2個(gè)實(shí)體之間的接觸力F+1為

    式中、為系數(shù),且

    通過(guò)以上計(jì)算過(guò)程,單元之間接觸點(diǎn)處一個(gè)時(shí)步內(nèi)的計(jì)算完成,通過(guò)多次循環(huán)計(jì)算,就能得到仿真結(jié)果。

    細(xì)觀Burgers模型由mn、mn、kn、kn、ms、ms、ks、ks、s這9個(gè)參數(shù),由PFC軟件的help文件和田莉[12]研究可知,模型中法向參數(shù)是切向參數(shù)的2(1+)倍,其中為泊松比。根據(jù)相關(guān)研究可知,玉米秸稈顆粒的泊松比為0.3,從而將所需調(diào)試的參數(shù)個(gè)數(shù)簡(jiǎn)化為5個(gè),分別為m、m、k、k、s,其中m、m、k、k為法向參數(shù)的值[13]。

    1.3 玉米秸稈單軸蠕變?cè)囼?yàn)PFC 2D建模

    本次試驗(yàn)選取內(nèi)蒙古呼和浩特市郊區(qū)所產(chǎn)的玉米秸稈,經(jīng)粉碎機(jī)粉碎后選取0.25~3 mm的顆粒,烘干機(jī)將水分控制在10%,密封備用。玉米秸稈顆粒因其物質(zhì)組成粉碎后很難呈現(xiàn)規(guī)則的圓球狀,1~3 mm粒徑內(nèi)多呈現(xiàn)長(zhǎng)條狀、短棒狀、塊狀等,考慮其不規(guī)則形狀對(duì)蠕變特性的影響,因此引入3種clump顆粒,而0.25~1 mm的顆粒接近圓球狀,故用圓球代替,模型顆粒的級(jí)配如表1所示,其中粒徑指的是整個(gè)顆粒的寬度[14-15]。長(zhǎng)條狀、短棒狀、塊狀、球狀顆粒形狀如圖3所示,其中長(zhǎng)條狀顆粒采用5個(gè)圓球串聯(lián)組成,短棒狀用3個(gè)圓球串聯(lián)組成,塊狀顆粒用4個(gè)顆粒疊加組成,球狀顆粒由單個(gè)圓球組成[16]。

    表1 顆粒級(jí)配

    圖3 模型顆粒形狀

    虛擬試驗(yàn)?zāi)P统叽鐬?5 mm×100 mm,按照密度398 kg/m3、孔隙率0.406生成如圖4所示的模型,其上墻體為加載面,其他墻體固定不動(dòng),以此模擬單軸蠕變?cè)囼?yàn)。

    圖4 虛擬蠕變?cè)囼?yàn)?zāi)P?/p>

    2 Burgers模型細(xì)觀參數(shù)敏感性

    2.1 正交試驗(yàn)

    由于Burgers模型宏細(xì)觀參數(shù)眾多,而且宏細(xì)觀參數(shù)之間沒(méi)有明確的關(guān)系,如果盲目地進(jìn)行參數(shù)調(diào)試,往往會(huì)產(chǎn)生大量的試驗(yàn)數(shù)據(jù)和復(fù)雜的計(jì)算過(guò)程,需要耗費(fèi)大量的時(shí)間和精力才能得到最終的模型,因此可以先研究Burgers模型細(xì)觀參數(shù)對(duì)宏觀參數(shù)的影響規(guī)律及顯著性,從而為后續(xù)研究提供一定的依據(jù)。

    考慮到需要研究的細(xì)觀參數(shù)眾多,若采用全面試驗(yàn)來(lái)研究細(xì)觀參數(shù)對(duì)宏觀參數(shù)的顯著性影響規(guī)律,將會(huì)導(dǎo)致試驗(yàn)次數(shù)大幅度增加,不利于后續(xù)研究。而正交試驗(yàn)是研究多因素多水平的一種設(shè)計(jì)方法,它是從全面試驗(yàn)中挑選出一部分具有代表性的點(diǎn)進(jìn)行試驗(yàn),這些代表試驗(yàn)點(diǎn)具有“均勻分散,整齊可比”的特點(diǎn),從而在不影響試驗(yàn)結(jié)果的基礎(chǔ)上大幅度減少試驗(yàn)次數(shù)。

    2.2 正交試驗(yàn)設(shè)計(jì)

    經(jīng)查閱相關(guān)文獻(xiàn)發(fā)現(xiàn),對(duì)于玉米秸稈顆粒離散元仿真的研究較少,不能為正交試驗(yàn)提供完善的作為參考的細(xì)觀參數(shù),而且Burgers模型的細(xì)觀參數(shù)難以通過(guò)物理試驗(yàn)獲得,因此,一般通過(guò)適當(dāng)?shù)念A(yù)試驗(yàn)選取細(xì)觀參數(shù)。

    在選取細(xì)觀參數(shù)時(shí),細(xì)觀參數(shù)上下限所對(duì)應(yīng)的宏觀參數(shù)需將實(shí)際室內(nèi)試驗(yàn)的宏觀參數(shù)包含在內(nèi)。因此需提前確認(rèn)室內(nèi)試驗(yàn)的宏觀參數(shù)。將室內(nèi)蠕變?cè)囼?yàn)的應(yīng)變-時(shí)間數(shù)據(jù)導(dǎo)入Matlab軟件生成試樣的蠕變曲線,如圖5所示,使用宏觀Burgers的本構(gòu)方程對(duì)室內(nèi)蠕變?cè)囼?yàn)的數(shù)據(jù)進(jìn)行擬合得到對(duì)應(yīng)的4個(gè)宏觀參數(shù),1=118.60 MPa、1=431 198.10 MPa·s、2=10 340.78 MPa、2=8 731.76 MPa·s。

    由前分析可知,經(jīng)過(guò)適當(dāng)簡(jiǎn)化后Burgers模型的細(xì)觀參數(shù)有5個(gè),分別為m、m、k、k、s,宏觀參數(shù)有4個(gè),分別為1、1、2、2。經(jīng)多次預(yù)試驗(yàn),初步將細(xì)觀參數(shù)取值范圍設(shè)為m=10~40 MPa、m=3 000~7 000 MPa·s、k=20~50 MPa、k=10~50 MPa·s、s=0.35~0.65。根據(jù)上述細(xì)觀參數(shù)的取值范圍,每個(gè)因數(shù)選取3個(gè)水平,建立如表2所示的正交試驗(yàn)設(shè)計(jì)表。

    圖5 蠕變曲線擬合圖

    表2 正交試驗(yàn)因素及水平

    注:m、m、k、k、s為細(xì)觀Burgers模型參數(shù),m為Maxwell體彈性系數(shù),m為Maxwell體黏性系數(shù),k為Kelvin體彈性系數(shù),k為Kelvin體黏性系數(shù),s為摩擦系數(shù)。

    Note:m,m,k,kandsare the parameters of the mesoscopic Burgers model.mis the elastic coefficient of Maxwell section;mis the viscosity coefficient of Maxwell section;kis the elastic coefficient of Kelvin section;kis the viscosity coefficient of Kelvin section;sis the friction coefficient.

    將表2中的數(shù)據(jù)導(dǎo)入SPSS軟件中生成正交設(shè)計(jì)矩陣序列,依照生成的正交序列進(jìn)行虛擬蠕變?cè)囼?yàn)并將所的蠕變曲線數(shù)據(jù)導(dǎo)入Matlab軟件進(jìn)行擬合得到對(duì)應(yīng)的宏觀參數(shù),正交設(shè)計(jì)矩陣序列及試驗(yàn)結(jié)果如表3所示,其中m、m、k、k、s為細(xì)觀參數(shù),1、1、2、2為宏觀參數(shù)。

    表3 正交設(shè)計(jì)矩陣序列及宏觀參數(shù)結(jié)果表

    注:1、1、2、2為宏觀Burgers模型參數(shù),1、1分別為Maxwell體的彈性系數(shù)和黏性系數(shù),2、2分別為Kelvin體的彈性系數(shù)和黏性系數(shù)。

    Note:1,1,2and2are the parameters of the parameters of the macroscopic Burgers model;1and1are the elastic coefficient and viscosity coefficient of Maxwell model;2and2are the elastic coefficient and viscosity coefficient of Kelvin model.

    2.3 細(xì)觀參數(shù)敏感性

    根據(jù)田佳杰等學(xué)者的研究成果分析可知Burgers模型宏細(xì)觀參數(shù)之間關(guān)系復(fù)雜,存在著多個(gè)細(xì)觀參數(shù)共同影響一個(gè)宏觀參數(shù)的現(xiàn)象[17]。而多因素方差分析主要用來(lái)研究?jī)蓚€(gè)及以上因數(shù)以及它們之間的交互作用是否對(duì)觀測(cè)目標(biāo)產(chǎn)生顯著性影響。因此可以用此方法來(lái)分析多個(gè)細(xì)觀Burgers模型參數(shù)對(duì)同一個(gè)宏觀參數(shù)的顯著性影響規(guī)律。

    將表3中的數(shù)據(jù)導(dǎo)入SPSS軟件進(jìn)行多因素方差分析,通過(guò)分析各因素的主效應(yīng),得出統(tǒng)計(jì)量和伴隨概率值,其中值代表的是細(xì)觀參數(shù)對(duì)宏觀參數(shù)的影響程度,值越小則表明細(xì)觀參數(shù)對(duì)宏觀參數(shù)的影響越顯著。選取假設(shè)檢驗(yàn)的顯著性水平=0.05,若≤0.05,則細(xì)觀參數(shù)對(duì)宏觀參數(shù)影響顯著;若>0.05,則細(xì)觀參數(shù)對(duì)宏觀參數(shù)影響不顯著,分析結(jié)果如圖6所示[18-19]。

    圖6 多因素方差分析的F統(tǒng)計(jì)量圖

    1)各細(xì)觀參數(shù)對(duì)瞬時(shí)彈性系數(shù)1影響顯著性

    由圖6a可知,5個(gè)細(xì)觀參數(shù)均對(duì)瞬間彈性系數(shù)1有影響,但是對(duì)其影響程度互不相同,各細(xì)觀參數(shù)對(duì)瞬時(shí)彈性系數(shù)1影響的顯著性由大到小排序?yàn)閙、k、k、s、m。其中,Maxwell體彈性系數(shù)m對(duì)應(yīng)的<0.05,對(duì)瞬時(shí)彈性系數(shù)1產(chǎn)生了顯著的影響,而Maxwell體黏性系數(shù)m、Kelvin體黏性系數(shù)k、Kelvin體彈性系數(shù)k以及摩擦系數(shù)s對(duì)應(yīng)的>0.05,對(duì)瞬時(shí)彈性系數(shù)1也有一定影響,但是不顯著。

    2)各細(xì)觀參數(shù)對(duì)黏性系數(shù)1影響顯著性

    由圖6b可知,5個(gè)細(xì)觀參數(shù)均對(duì)瞬間彈性系數(shù)1有影響,各細(xì)觀參數(shù)對(duì)瞬時(shí)彈性系數(shù)1影響的顯著性由大到小排序?yàn)閙、k、s、m、k。其中,Maxwell體彈性系數(shù)m、Kelvin體黏性系數(shù)k、摩擦系數(shù)s、Maxwell體黏性系數(shù)m、Kelvin體彈性系數(shù)k以及對(duì)應(yīng)的<0.05,它們均對(duì)瞬時(shí)彈性系數(shù)1產(chǎn)生了顯著的影響。

    3)各細(xì)觀參數(shù)對(duì)延遲彈性系數(shù)2影響顯著性

    由圖6c可知,5個(gè)細(xì)觀參數(shù)均對(duì)延遲彈性系數(shù)2有影響,但是對(duì)其影響程度互不相同,各細(xì)觀參數(shù)對(duì)延遲彈性系數(shù)2影響的顯著性由大到小排序?yàn)閗、m、k、s、m。其中,Kelvin體彈性系數(shù)k、Maxwell體彈性系數(shù)m、Kelvin體黏性系數(shù)k以及摩擦系數(shù)s對(duì)應(yīng)的<0.05,它們均對(duì)瞬時(shí)彈性系數(shù)2產(chǎn)生了顯著的影響,而Maxwell體黏性系數(shù)m對(duì)應(yīng)的>0.05,對(duì)瞬時(shí)彈性系數(shù)2的影響不顯著。

    4)各細(xì)觀參數(shù)對(duì)黏性系數(shù)2影響顯著性

    由圖6d可知,5個(gè)細(xì)觀參數(shù)均對(duì)延遲彈性系數(shù)2有影響,但是對(duì)其影響程度互不相同,各細(xì)觀參數(shù)對(duì)延遲彈性系數(shù)2影響的顯著性由大到小排序?yàn)閙、k、s、k、m。其中,Maxwell體彈性系數(shù)m、Kelvin體黏性系數(shù)k對(duì)應(yīng)的<0.05,它們均對(duì)瞬時(shí)彈性系數(shù)2產(chǎn)生了顯著的影響,而摩擦系數(shù)s、Maxwell體黏性系數(shù)m以及Kelvin體彈性系數(shù)k對(duì)應(yīng)的>0.05,對(duì)瞬時(shí)彈性系數(shù)2的影響不顯著。

    通過(guò)上述分析可知,Burgers模型的細(xì)觀參數(shù)對(duì)宏觀參數(shù)存在著不同的影響,宏細(xì)觀參數(shù)之間存在著高度的非線性行為。然而目前對(duì)于Burgers模型細(xì)觀參數(shù)多采用試錯(cuò)法進(jìn)行參數(shù)標(biāo)定,根據(jù)上述結(jié)論可知,隨意調(diào)整一個(gè)細(xì)觀參數(shù)就會(huì)導(dǎo)致多個(gè)宏觀參數(shù)發(fā)生變化,如果采用試錯(cuò)法進(jìn)行參數(shù)標(biāo)定往往需要多次調(diào)整細(xì)觀參數(shù)才能獲得與實(shí)際物理試驗(yàn)基本一致的力學(xué)特性,費(fèi)時(shí)費(fèi)力,盲目性極強(qiáng),因此急需一種新的標(biāo)定方法。

    在平行粘結(jié)模型上,周瑜采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行細(xì)觀參數(shù)標(biāo)定[20];譚攀等采用PB(Plackett-Burman)和中心組合設(shè)計(jì)(CCD)進(jìn)行參數(shù)標(biāo)定[21]。通過(guò)分析上述學(xué)者的研究認(rèn)為這兩種新的參數(shù)標(biāo)定方法均能在Burgers模型使用,但是考慮到Burgers模型宏細(xì)細(xì)觀參數(shù)較多,且5個(gè)細(xì)觀系數(shù)對(duì)每一個(gè)宏觀參數(shù)的顯著性均不同,若采用PB和中心組合法進(jìn)行參數(shù)標(biāo)定工作量又較大[22]。而BP神經(jīng)網(wǎng)絡(luò)在處理非線性問(wèn)題上有明顯的優(yōu)勢(shì),無(wú)需提前確定宏細(xì)觀參數(shù)之間的函數(shù)關(guān)系,通過(guò)自我學(xué)習(xí)即可建立輸入樣本與輸出樣本之間的非線性關(guān)系,不需要對(duì)宏細(xì)觀參數(shù)進(jìn)行過(guò)多的分析。因此,選擇BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行細(xì)觀參數(shù)校準(zhǔn)試驗(yàn)[23]。

    3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

    3.1 BP神經(jīng)網(wǎng)絡(luò)原理

    BP神經(jīng)網(wǎng)絡(luò)是Rumelhart和McCelland在1986年提出的一種采用誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò),其基本結(jié)構(gòu)如圖7所示,通過(guò)采用類似于大腦神經(jīng)元突觸的結(jié)構(gòu)來(lái)處理信息,它的基本工作思路是采用梯度下降法,通過(guò)誤差的反向傳播來(lái)不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差最小[24-25]。

    其工作原理如下:

    1)前向傳播:計(jì)算網(wǎng)絡(luò)輸出

    式中為隱含層的輸入值,為輸入層的輸入值,為隱含層和輸入層的連接權(quán)值,為輸入層節(jié)點(diǎn)數(shù),為隱含層節(jié)點(diǎn)數(shù)。

    注:1,2,...,x為輸入層的輸入值,為輸入層節(jié)點(diǎn)數(shù),x為隱含層的輸入值,為隱含層節(jié)點(diǎn)數(shù),w為輸入層和隱含層的連接權(quán)值,x′為隱含層的輸出,w為隱含層和輸出層的連接權(quán)值,為輸出層節(jié)點(diǎn)數(shù),1,2,…,y為輸出層的輸出值。

    Note:1,2, ...,xis the input value of input layer, andis the node number of input layer;jis the input value of hidden layer, andis the node number of hidden layer;ijis the connection weight of input layer and hidden layer;j′ is the output of hidden layer;jkis the connection weight of hidden layer and output layer;is the node number of output layer;1,2, ...,kis the output value of output layer.

    圖7 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    Fig.7 BP neural network structure

    隱含層神經(jīng)元的輸出采用S函數(shù)激發(fā)。

    式中′為隱含層的輸出值,則

    輸出層神經(jīng)元的輸出值

    式中()表示輸出層的輸出值,0為輸出層與隱含層之間的權(quán)值。

    神經(jīng)網(wǎng)絡(luò)輸出值與期望值的誤差為

    式中()為神經(jīng)網(wǎng)絡(luò)輸出值與期望值的誤差,()表示期望值,n()為輸出值。

    誤差性能評(píng)價(jià)函數(shù)

    式中表示輸出誤差。

    2)誤差反向傳播:調(diào)整各層之間的權(quán)值

    輸出層和隱含層的連接權(quán)值的學(xué)習(xí)算法為

    式中Δ0表示輸出層和隱含層連接權(quán)值的調(diào)整值;常數(shù)為比例系數(shù),∈(0,1)。

    +1時(shí)刻網(wǎng)絡(luò)的權(quán)值為

    式中0()和0(+1)分別表示和+1時(shí)刻網(wǎng)絡(luò)的權(quán)值。

    隱層及輸入層練劍權(quán)值學(xué)習(xí)算法為

    式中Δ隱層和輸入層連接權(quán)值的調(diào)整值,常數(shù)為比例系數(shù),∈(0,1)。

    其中

    +1時(shí)刻網(wǎng)絡(luò)的權(quán)值為

    式中()和(+1)分別表示和+1時(shí)刻網(wǎng)絡(luò)的權(quán)值。

    正是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)不需要明確的函數(shù)關(guān)系,僅僅通過(guò)大量的訓(xùn)練就能建立輸出和輸入樣本之間的函數(shù)關(guān)系,由于其簡(jiǎn)單的結(jié)構(gòu)原理和強(qiáng)大的功能,所以目前已經(jīng)成為應(yīng)用范圍最廣泛的神經(jīng)網(wǎng)絡(luò)之一[26-29]。

    3.2 樣本構(gòu)建

    在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中,樣本的數(shù)量對(duì)神經(jīng)網(wǎng)絡(luò)的精度有著明顯的影響,參照正交試驗(yàn)中細(xì)觀參數(shù)的取值范圍,隨機(jī)生成150組不同細(xì)觀參數(shù)樣本,將其導(dǎo)入PFC軟件中進(jìn)行仿真并擬合得到對(duì)應(yīng)的宏觀參數(shù),利用這150組宏細(xì)觀參數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試樣本,表4、表5為正交試驗(yàn)中宏細(xì)觀參數(shù)的取值范圍。

    表4 宏觀參數(shù)的取值范圍

    表5 細(xì)觀參數(shù)的取值范圍

    3.3 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

    在BP神經(jīng)網(wǎng)絡(luò)中處理信息的單元一般分為三層:輸入層、隱含層、輸出層。本文主要研究Burgers模型宏觀參數(shù)1、1、2、2對(duì)細(xì)觀參數(shù)m、m、k、k、s的影響,因此宏觀參數(shù)為輸入層,細(xì)觀參數(shù)為輸出層,輸入層的節(jié)點(diǎn)數(shù)設(shè)為4個(gè),輸出層的節(jié)點(diǎn)數(shù)設(shè)為5個(gè)。而隱含層為不固定的多層結(jié)構(gòu),增加隱含層數(shù)可以提高精度,但是也會(huì)讓系統(tǒng)復(fù)雜化,從而增加神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)過(guò)擬合的傾向[29]。因此,在處理一些關(guān)系不復(fù)雜的問(wèn)題時(shí)多采用一層隱含層,通過(guò)增加隱含層節(jié)點(diǎn)數(shù)的方式提高精度,減少網(wǎng)絡(luò)的訓(xùn)練時(shí)間和防止出現(xiàn)過(guò)擬合化現(xiàn)象。所以在本文的研究中也采用單隱含層結(jié)構(gòu)。根據(jù)已有的研究成果,隱含層的節(jié)點(diǎn)數(shù)可以根據(jù)公式(23)確定。

    式中為隱含層的節(jié)點(diǎn)數(shù);為輸入層的節(jié)點(diǎn)數(shù);為輸出層的節(jié)點(diǎn)數(shù);為常數(shù),∈[1,10]。

    根據(jù)輸入和輸出層的節(jié)點(diǎn)數(shù)可以解算出隱含層神經(jīng)元的節(jié)點(diǎn)數(shù)的取值范圍為4~13。通過(guò)反復(fù)測(cè)試得出最佳節(jié)點(diǎn)數(shù)為9個(gè)。

    3.4 BP神經(jīng)網(wǎng)絡(luò)可靠性驗(yàn)證

    為了檢驗(yàn)建立的BP神經(jīng)網(wǎng)絡(luò)的可靠性,將150組數(shù)據(jù)隨機(jī)打亂,從中隨機(jī)選取5組作為測(cè)試組如表6所示,剩下145組作為訓(xùn)練組,通過(guò)測(cè)試組來(lái)驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)的反演能力。

    表6 測(cè)試組的細(xì)觀參數(shù)

    將測(cè)試組的宏觀參數(shù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中,通過(guò)BP神經(jīng)網(wǎng)絡(luò)反演出對(duì)應(yīng)的細(xì)觀參數(shù)如表7而所示。

    表7 BP神經(jīng)網(wǎng)絡(luò)反演出的細(xì)觀參數(shù)模擬值

    為評(píng)估BP神經(jīng)網(wǎng)絡(luò)的反演準(zhǔn)確性,將反演后的細(xì)觀參數(shù)與測(cè)試樣本中的實(shí)際值進(jìn)行分析比較,從而得到反演后細(xì)觀參數(shù)的精度,通過(guò)精度來(lái)評(píng)估BP神經(jīng)網(wǎng)絡(luò)的反演能力,精度的定義式為

    式中為反演后細(xì)觀參數(shù)的模擬值;為測(cè)試組中細(xì)觀參數(shù)的實(shí)際值。

    測(cè)試組數(shù)據(jù)中細(xì)觀參數(shù)的精度如圖8所示,根據(jù)圖8可知,5個(gè)細(xì)觀參數(shù)的反演精度均在在92%以上,誤差在理想范圍內(nèi),說(shuō)明模型的預(yù)測(cè)性能較為穩(wěn)定。同時(shí)也可以看出m、s的誤差明顯大于其他三個(gè)參數(shù),分析誤差原因可能與訓(xùn)練樣本較少、參數(shù)范圍選取略大有關(guān),從而導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)模型缺少訓(xùn)練有關(guān),而細(xì)觀參數(shù)s通常不參與標(biāo)定,可以通過(guò)其他方式獲取,且多數(shù)材料都取0.5,因此在實(shí)際使用的時(shí)候可以將細(xì)觀參數(shù)s設(shè)為定值,不參與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,將5個(gè)輸出減少為4個(gè),然后通過(guò)增加訓(xùn)練樣本、縮小訓(xùn)練樣本參數(shù)取值范圍,讓模型接受更多的訓(xùn)練以此提高模型的反演精。

    為更加詳細(xì)地評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)標(biāo)定能力,需要對(duì)反演的細(xì)觀參數(shù)進(jìn)行殘差分,可以設(shè)測(cè)試組的序列號(hào)為(),反演后的數(shù)據(jù)序列號(hào)為(),故其殘差為

    式中()為殘差,()為實(shí)際值,()為期望值。

    其殘差均方差2為

    采用上述的5組細(xì)觀參數(shù)測(cè)試組的數(shù)據(jù),進(jìn)行殘差和均方差分析,分析結(jié)果如表8所示。

    表8 殘差均方差

    根據(jù)表8可知,在測(cè)試組Maxwell體彈性系數(shù)m、Kelvin體彈性系數(shù)k、Kelvin體黏性系數(shù)k、摩擦系數(shù)s的平均殘差和殘差均方差較小,只有Maxwell體黏性系數(shù)m較大,分析原因可能是m的本身參數(shù)加大和參數(shù)范圍選取較大造成誤差大波動(dòng)明顯,而m、k、k、s的范圍較小導(dǎo)致。因此通過(guò)縮小參數(shù)范圍和增加試驗(yàn)樣本的方式縮小m的殘差和均方差。為進(jìn)一步衡量BP神經(jīng)網(wǎng)絡(luò)的反演能力,在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的基礎(chǔ)上,將訓(xùn)練組的數(shù)據(jù)進(jìn)行回歸分析,Matlab軟件將145個(gè)訓(xùn)練組默認(rèn)劃分為70%訓(xùn)練、15%驗(yàn)證、15%測(cè)試并將回歸分析結(jié)果輸出如圖9所示,根據(jù)圖9分析可知數(shù)據(jù)的回歸分析的相關(guān)系數(shù)均在0.96以上,數(shù)據(jù)分布較為均勻,且具有良好的線性關(guān)系,證明該BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試效果較為良好[30]。

    3.5 玉米秸稈試樣細(xì)觀參數(shù)標(biāo)定

    將玉米秸稈試樣蠕變?cè)囼?yàn)的宏觀參數(shù)代入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行細(xì)觀參數(shù)標(biāo)定。標(biāo)定結(jié)果為m=19.91 MPa、m=5 301.56 MPa·s、k=46.12 MPa、k=35.11 MPa·s、s=0.530。根據(jù)1.2節(jié)的內(nèi)容可知,m、m、k、k代表的是Burgers 模型法相細(xì)觀參數(shù),法向細(xì)觀參數(shù)為切向細(xì)觀參數(shù)的2.6倍。標(biāo)定后的9個(gè)Burgers模型細(xì)觀參數(shù)如表9所示。

    圖9 BP神經(jīng)網(wǎng)絡(luò)回歸分析

    表9 標(biāo)定后的細(xì)觀參數(shù)

    將標(biāo)定后的細(xì)觀參數(shù)代入PFC軟件中進(jìn)行仿真試驗(yàn),仿真的蠕變曲線與實(shí)際室內(nèi)試驗(yàn)所得的蠕變?cè)囼?yàn)進(jìn)行對(duì)比,如圖10所示。根據(jù)圖10可知,室內(nèi)蠕變?cè)囼?yàn)與仿真蠕變?cè)囼?yàn)的蠕變曲線相似度高,瞬時(shí)應(yīng)變量幾乎一樣,起始蠕變量和起始蠕變率小于試驗(yàn)值,穩(wěn)定蠕變量和穩(wěn)定蠕變率幾乎一樣,誤差主要來(lái)源于起始蠕變階段,兩者最大誤差小于2%,雖然與實(shí)際試驗(yàn)有所差距,但是基本上可以用來(lái)描述玉米秸稈顆粒的蠕變特性。

    圖10 仿真試驗(yàn)與室內(nèi)試驗(yàn)對(duì)比圖

    4 結(jié) 論

    本文以玉米秸稈顆粒的單軸蠕變?cè)囼?yàn)為基礎(chǔ),結(jié)合離散元軟件PFC 2D,分析了Burgers模型宏細(xì)觀參數(shù)之間的影響關(guān)系,并通過(guò)正交試驗(yàn)分析細(xì)觀參數(shù)對(duì)宏觀參數(shù)的敏感性,最后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)細(xì)觀參數(shù)進(jìn)行標(biāo)定,得到如下研究結(jié)論。

    1)通過(guò)正交試驗(yàn)分析Burgers模型宏細(xì)觀參數(shù)的影響規(guī)律發(fā)現(xiàn),宏細(xì)觀參數(shù)之間關(guān)系復(fù)雜,適合采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)標(biāo)定。

    2)通過(guò)創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)對(duì)細(xì)觀參數(shù)進(jìn)行反演標(biāo)定,根據(jù)測(cè)試組的標(biāo)定結(jié)果分析可知,Burgers模型各細(xì)觀參數(shù)的標(biāo)定精度均在92%以上,且誤差較為穩(wěn)定,證明BP神經(jīng)網(wǎng)絡(luò)的反演性能較為可靠,可以作為Burgers模型細(xì)觀參數(shù)標(biāo)定的一種新方法。

    3)將玉米秸稈單軸蠕變?cè)囼?yàn)的宏觀參數(shù)帶入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行細(xì)觀參數(shù)標(biāo)定,通過(guò)PFC 2D軟件對(duì)標(biāo)定的細(xì)觀參數(shù)進(jìn)行蠕變模擬試驗(yàn),將模擬蠕變?cè)囼?yàn)與室內(nèi)蠕變?cè)囼?yàn)進(jìn)行對(duì)比發(fā)現(xiàn),兩者的蠕變曲線基本一致,最大誤差小于2%,從而進(jìn)一步證明了BP神經(jīng)網(wǎng)絡(luò)具有良好的參數(shù)標(biāo)定能力。

    [1] 李永奎,孫月銖,白雪衛(wèi). 玉米秸稈粉料單??字旅艹尚瓦^(guò)程離散元模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(20):212-217.

    Li Yongkui, Sun Yuezhu, Bai Xuewei. Extrusion process of corn stalk powder in single orifice die processing based on discrete element method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(20): 212-217. (in Chinese with English abstract)

    [2] 劉東海,趙夢(mèng)麒. 心墻瀝青混凝土壓實(shí) PFC模擬細(xì)觀參數(shù)反演[J]. 河海大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,48(1):53-59.

    Liu Donghai, Zhao Mengqi. Meso-structural parameters inversion of PFC model for compaction of asphaltic concrete in core wall[J]. Journal of Hohai University (Natural Sciences), 2020, 48(1): 53-59. (in Chinese with English abstract)

    [3] Ji S, Karlov?ek J. Calibration and uniqueness analysis of microparameters for DEM cohesive granular material[J]. International Journal of Mining Science and Technology, 2022, 32(1): 121-136.

    [4] Ren J, Xiao M, Liu G. Rock macro-meso parameter calibration and optimization based on improved bp algorithm and response surface method in PFC 3D[J]. Energies, 2022, 15(17): 6290-6290.

    [5] 李新平,黃明智,王剛,等. 基于神經(jīng)網(wǎng)絡(luò)和平直節(jié)理接觸模型的細(xì)觀參數(shù)標(biāo)定方法[J]. 力學(xué)與實(shí)踐,2021,43(3):393-405.

    Li Xinping, Huang Mingzhi, Wang Gang, et al. A calibration method for micro parameters based on neural network andfiat-joint contact model[J]. Mechanics in Engineering, 2021, 43(3): 393-405. (in Chinese with English abstract)

    [6] 楊振偉,金愛兵,周喻,等. 伯格斯模型參數(shù)調(diào)試與巖石蠕變特性顆粒流分析[J]. 巖土力學(xué),2015,36(1):240-248.

    Yang Zhenwei, Jin Aibing, Zhou Yu, et al. Parametric analysis of Burgers model and creep properties of rock with particle flow code[J]. Rock and Soil Mechanics, 2015, 36(1): 240-248.

    [7] 宮元娟,王大龍,白雪衛(wèi),等. 玉米秸稈散粒體顆粒Burgers接觸模型參數(shù)的確定方法[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào),2019,50(3):306-313.

    Gong Yuanjuan, Wang Dalong, Bai Xuewei, et al. Parametric analysis of corn stalk pellets based on Burgers model[J]. Journal of Shenyang Agricultural University, 2019, 50(3): 306-313.

    [8] 霍麗麗,趙立欣,田宜水,等. 生物質(zhì)顆粒燃料成型的黏彈性本構(gòu)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013,29(9):200-206.

    Huo Lili, Zhao Lixin, Tian Yishui, et al. Viscoelastic constitutive model of biomass pellet[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(9): 200-206. (in Chinese with English abstract)

    [9] Mirko M, Luisa M, Giovanni M, et al. Time-dependent mechanical properties of straw bales for use in construction[J]. Biosystems Engineering, 2018, 172: 75-83.

    [10] Li W, Han Y, Wang T, et al. DEM micromechanical modeling and laboratory experiment on creep behavior of salt rock[J]. Journal of Natural Gas Science and Engineering, 2017, 46: 38-46.

    [11] 張學(xué)朋,蔣宇靜,王剛,等. 基于顆粒離散元模型的巖石蠕變模擬試驗(yàn)[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,46(10):3914-3921.

    Zhang Xuepeng, Jiang Yujing, Wang Gang,et al. Creep simulation test of rock based on particle discrete element method[J]. Journal of Central South University (Science and Technology), 2015, 46(10): 3914-3921. (in Chinese with English abstract)

    [12] 田莉. 基于離散元方法的瀝青混合料勁度模量虛擬試驗(yàn)研究[D]. 西安:長(zhǎng)安大學(xué),2008.

    Tian Li. The Virtual Test of Asphalt Mixture Stiffness Moduli Based on DEM[D]. Xi’an: Changan University,2008.

    [13] 張鋒偉,宋學(xué)鋒,張雪坤,等. 玉米秸稈揉絲破碎過(guò)程力學(xué)特性仿真與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2019,35(9):58-65.

    Zhang Fengwei, Song Xuefeng, Zhang Xuekun, et al. Simulation and experiment on mechanical characteristics of kneading and crushing process of corn straw[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(9): 58-65. (in Chinese with English abstract)

    [14] Djordje D, Milan M, Martin K. Influencing parameters on mechanical-physical properties of pellet fuel made from corn harvest residues[J]. Biomass and Bioenergy, 2018, 119: 418-428.

    [15] Potyondy D O, Cundall P A. A bonded-particle model for rock[J]. International Journal of Rock Mechanics and Mining Sciences, 2004, 41(8): 1329-1364.

    [16] 田文嶺,楊圣奇,方剛. 煤樣三軸循環(huán)加載力學(xué)特征顆粒流模擬[J]. 煤炭學(xué)報(bào),2016,41(3):603-610.

    Tian Wenling, Yang Shengqi, Fang Gang. Particle flow simulation on mechanical behavior of coal specimen under triaxial cyclic loading and unloading[J]. Journal of China Coal Society, 2016, 41(3): 603-610 (in Chinese with English abstract)

    [17] 田佳杰,孫金山. 巖石蠕變效應(yīng)顆粒流模擬中彈簧與黏壺參數(shù)對(duì)變形特征的影響[J]. 安全與環(huán)境工程,2019,26(2):202-206.

    Tian Jiajie, Sun Jinshan. Influence of spring and sticky kettle parameters on deformation features in particle flow numerical simulation of rock creep[J]. Safety and Environmental Engineering, 2019, 26(2): 202-206. (in Chinese with English abstract)

    [18] Wang Y, Liu G, Yu G, et al. Evaluation of the spatial heterogeneity in marine organic pollution and land-based influencing factors: A case study of the marine area of Laizhou Bay, China[J]. Regional Studies in Marine Science, 2021, 45: 101867

    [19] 李偉康,張婷,鐘文翰,等. 沙發(fā)框架T型和L型節(jié)點(diǎn)抗彎性能有限元分析[J]. 家具與室內(nèi)裝飾,2021(12):86-91.

    Li Weikang, Zhang Ting, Zhong Wenhan, et al. Finite element analysis of bending resistance performance of T-shaped and L-shaped joints of sofa frame[J]. Furniture & Interior Design, 2021, (12): 86-91. (in Chinese with English abstract)

    [20] 周喻,吳順川,焦建津,等. 基于BP神經(jīng)網(wǎng)絡(luò)的巖土體細(xì)觀力學(xué)參數(shù)研究[J]. 巖土力學(xué),2011,32(12):3821-3826.

    Zhou Yu, Wu Shunchuan, Jiao Jianjin, et al. Research on mesomechanical parameters of rockand soil mass based on BP neural network[J]. Rock and Soil Mechanics, 2011, 32(12):3821-3826. (in Chinese with English abstract)

    [21] 譚攀,饒秋華,李卓,等. 考慮斷裂韌度的PFC3D細(xì)觀參數(shù)標(biāo)定新方法[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,52(8):2849-2866.

    Ta Pan, Rao Qiuhua, Li Zhuo, et al. A new method for quantitative determination of PFC3D microscopic parameters considering fracture toughness[J]. Journal of Central South University(Science and Technology), 2021, 52(8): 2849-2866. (in Chinese with English abstract)

    [22] Sun W, Wu S, Cheng Z, et al. Interaction effects and an optimization study of the microparameters of the flat-joint model using the Plackett-Burman design and response surface methodology[J]. Arabian Journal of Geosciences, 2020, 13(6): 666-675.

    [23] Benvenuti L, Kloss C, Pirker S. Identification of DEM simulation parameters by artificial neural networks and bulk experiments[J]. Powder Technology, 2016, 291: 456-465.

    [24] 毛健,趙紅東,姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程,2011,19(24):62-65.

    [25] Benvenuti L, Kloss C, Pirker S. Identification of DEM simulation parameters by Artificial Neural Networks and bulk experiments[J]. Powder Technology, 2016, 291: 456-465.

    [26] 孫少杰,吳門新,莊立偉,等. 基于CNN卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的冬小麥縣級(jí)產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(11):151-160.

    Sun Shaojie, Wu Menxin, Zhuang Liwei, et al. Forecasting winter wheat yield at county level using CNN and BP neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 151-160. (in Chinese with English abstract)

    [27] 王福林,董志貴,吳志輝,等. 基于BP神經(jīng)網(wǎng)絡(luò)的玉米種植密度和施肥量?jī)?yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(6):92-99.

    Wang Fulin, Dong Zhigui, Wu Zhihui, et al. Optimization of maize planting density and fertilizer application rate based on BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 92-99. (in Chinese with English abstract)

    [28] Wang M, Cao P. Calibrating the Micromechanical Parameters of the PFC2D(3D) Models Using the Improved Simulated Annealing Algorithm[J]. Mathematical Problems in Engineering, 2017, 2017: 6401835.

    [29] Sun M, Wang J, He F, et al. Optimization prediction and experimental verification of cyclone performance based on BP neural network[J]. Journal of Physics: Conference Series, 2022, 2365(1): 012044.

    [30] 邱仟,王克魯,李鑫,等. 基于BP神經(jīng)網(wǎng)絡(luò)的SP700鈦合金本構(gòu)關(guān)系[J]. 塑性工程學(xué)報(bào),2021,28(11):167-172.

    Qiu Qian, Wang Kelu, Li Xin, et al. Constitutive relationship of SP700 titanium alloy based on BP neural network[J]. Journal of Plasticity Engineering, 2021, 28(11): 167-172. (in Chinese with English abstract)

    Calibration method of mesoscopic parameters using BP neural network and Burgers model

    Wang Hongbo, Ma Zhe, Wulantuya, Fan Zhipeng, Wang Chunguang

    (,,010018,)

    Particle flow code (PFC) software has been widely used as the general discrete-element modeling (DEM), due to the excellent performance to deal with continuous and discontinuous media. Among them, the mesoscopic parameters can only be acquired to repeatedly debug the experimental data using trial-and-error method, leading to the low efficiency with the high blindness. A set of usable parameters can be inevitable in the dozens of trial and error during calibration, even though the sound experience of experts. Therefore, it is highly urgent to accurately and rapidly calibrate the mesoscopic parameters for the promotion of PFC software and the follow-up test, particularly beyond the manual operation. In this study, the uniaxial creep test model of corn stalk particles was established to combine with the built-in Burgers model of the PFC 2D. An orthogonal experiment was also carried out to verify the improved model. The multivariate analysis of variance was then made to analyze the complex relationship between the macroscopic and mesoscopic parameters of the Burgers model. There was a quite difference in the significance of the influence of each mesoscopic parameter on the macroscopic one. A highly nonlinear relationship was also found between the macroscopic and mesoscopic parameters. Therefore, the regression analysis was inappropriate to obtain the relationship between the macroscopic and mesoscopic parameters for the calibration of the mesoscopic parameters. Fortunately, BP neural network can be expected to serve as these complex relationships, just suitable for the parameter calibration. As such, the BP neural network was established with the 4, 9 and 5 nodes in the input, hidden, and output layer, respectively, according to the number and characteristics of macroscopic and mesoscopic parameters. Then, the resulting BP neural network was trained and calibrated using 150 sets of macroscopic and mesoscopic parameters. It was found that above 92% was achieved in the calibration accuracy of all mesoscopic parameters in the Burgers model, especially with the relatively stable errors. Moreover, the correlation coefficient () was greater than 0.96 in the trained BP neural network, indicating the more reliable performance of inversion. The improved calibration of parameters can also be popularized for the mesoscopic parameters. Furthermore, the macroscopic parameters after the uniaxial creep test of corn stalk were introduced into the trained BP neural network for the calibration of the mesoscopic parameters. A better consistence was found in the simulated and measured creep curves with the maximum error of the dependent variable of 2%, indicating the excellent calibration ability of parameters. The finding can also provide a strong reference for the PFC parameter calibration.

    DEM; neural network; PFC software; parameter calibration

    10.11975/j.issn.1002-6819.2022.23.016

    TD849.2

    A

    1002-6819(2022)-23-0152-10

    王洪波,馬哲,烏蘭圖雅,等. 采用BP神經(jīng)網(wǎng)絡(luò)和Burgers模型的細(xì)觀參數(shù)標(biāo)定[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(23):152-161.doi:10.11975/j.issn.1002-6819.2022.23.016 http://www.tcsae.org

    Wang Hongbo, Ma Zhe, Wulantuya, et al. Calibration method of mesoscopic parameters using BP neural network and Burgers model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(23): 152-161. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2022.23.016 http://www.tcsae.org

    2022-09-02

    2022-11-04

    國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFD0701704-3);內(nèi)蒙古自治區(qū)自然科學(xué)基金項(xiàng)目(2020BS05022)

    王洪波,副教授,研究方向?yàn)檗r(nóng)業(yè)機(jī)械智能化。Email:wanghb@imau.edu.cn

    猜你喜歡
    細(xì)觀黏性宏觀
    基于細(xì)觀結(jié)構(gòu)的原狀黃土動(dòng)彈性模量和阻尼比試驗(yàn)研究
    地震研究(2021年1期)2021-04-13 01:05:24
    富硒產(chǎn)業(yè)需要強(qiáng)化“黏性”——安康能否玩轉(zhuǎn)“硒+”
    如何運(yùn)用播音主持技巧增強(qiáng)受眾黏性
    玩油灰黏性物成網(wǎng)紅
    基層農(nóng)行提高客戶黏性淺析
    宏觀與政策
    宏觀
    河南電力(2016年5期)2016-02-06 02:11:23
    宏觀
    基于四叉樹網(wǎng)格加密技術(shù)的混凝土細(xì)觀模型
    PBX炸藥的抗壓強(qiáng)度及抗拉強(qiáng)度細(xì)觀尺度的數(shù)值計(jì)算
    两性午夜刺激爽爽歪歪视频在线观看 | 欧美激情久久久久久爽电影| 在线观看免费视频日本深夜| 女人高潮潮喷娇喘18禁视频| 久久精品影院6| 国产精品 国内视频| 母亲3免费完整高清在线观看| 久久久久性生活片| 在线观看舔阴道视频| 欧美日韩黄片免| 亚洲片人在线观看| 亚洲av熟女| xxxwww97欧美| 在线观看舔阴道视频| 欧美+亚洲+日韩+国产| 国产私拍福利视频在线观看| а√天堂www在线а√下载| 精品熟女少妇八av免费久了| 精品第一国产精品| 精品国产亚洲在线| 波多野结衣高清作品| 啪啪无遮挡十八禁网站| 免费看日本二区| 正在播放国产对白刺激| 欧美成人午夜精品| 亚洲18禁久久av| 18禁裸乳无遮挡免费网站照片| 老司机午夜福利在线观看视频| 啦啦啦观看免费观看视频高清| 亚洲一区中文字幕在线| 久久精品夜夜夜夜夜久久蜜豆 | 国产久久久一区二区三区| 不卡av一区二区三区| 天天躁夜夜躁狠狠躁躁| 亚洲av电影在线进入| 亚洲一卡2卡3卡4卡5卡精品中文| 日日摸夜夜添夜夜添小说| 欧美日韩黄片免| 国产精品免费一区二区三区在线| 毛片女人毛片| 日日夜夜操网爽| 色哟哟哟哟哟哟| 久久精品国产清高在天天线| 青草久久国产| 成人18禁在线播放| 国产精品免费视频内射| 免费电影在线观看免费观看| 国产欧美日韩一区二区精品| 99国产精品99久久久久| 最好的美女福利视频网| а√天堂www在线а√下载| 成年女人毛片免费观看观看9| 国产亚洲精品一区二区www| 日韩精品青青久久久久久| 麻豆国产97在线/欧美 | 久久久久久免费高清国产稀缺| 国产欧美日韩一区二区三| 亚洲国产欧美一区二区综合| 熟女少妇亚洲综合色aaa.| 欧美精品啪啪一区二区三区| 少妇被粗大的猛进出69影院| 亚洲五月婷婷丁香| 日日夜夜操网爽| 久久久久久九九精品二区国产 | 女人爽到高潮嗷嗷叫在线视频| 18禁观看日本| 免费在线观看完整版高清| 又大又爽又粗| 国产精品一区二区免费欧美| ponron亚洲| 99在线人妻在线中文字幕| 国产av又大| 久久久久久久久免费视频了| 午夜福利高清视频| 久久人妻福利社区极品人妻图片| 亚洲avbb在线观看| 亚洲精品在线美女| 久久精品综合一区二区三区| 又爽又黄无遮挡网站| 两性午夜刺激爽爽歪歪视频在线观看 | 成人手机av| 日本一本二区三区精品| 精品人妻1区二区| 舔av片在线| 久久久久性生活片| 亚洲专区字幕在线| 五月伊人婷婷丁香| 黄片大片在线免费观看| 亚洲av成人精品一区久久| 精品国产超薄肉色丝袜足j| 男女下面进入的视频免费午夜| 两个人视频免费观看高清| 国产视频内射| 一区二区三区国产精品乱码| 999久久久精品免费观看国产| 久久精品国产清高在天天线| 美女 人体艺术 gogo| 波多野结衣巨乳人妻| 色哟哟哟哟哟哟| 国产三级黄色录像| 欧美丝袜亚洲另类 | 精品一区二区三区视频在线观看免费| 亚洲av日韩精品久久久久久密| a在线观看视频网站| 91麻豆精品激情在线观看国产| 久久天躁狠狠躁夜夜2o2o| 国产片内射在线| 一级黄色大片毛片| 国产av在哪里看| 俄罗斯特黄特色一大片| 成年女人毛片免费观看观看9| 午夜激情av网站| 99re在线观看精品视频| 禁无遮挡网站| 韩国av一区二区三区四区| 亚洲真实伦在线观看| 少妇裸体淫交视频免费看高清 | 久久久久久免费高清国产稀缺| 五月玫瑰六月丁香| x7x7x7水蜜桃| 亚洲午夜精品一区,二区,三区| 亚洲国产看品久久| tocl精华| 午夜久久久久精精品| 国产99白浆流出| 亚洲精品粉嫩美女一区| 99久久综合精品五月天人人| 午夜激情av网站| 国产私拍福利视频在线观看| 国产视频内射| 成人特级黄色片久久久久久久| 国产精品一区二区三区四区久久| 中文字幕精品亚洲无线码一区| 久久久久免费精品人妻一区二区| 黄色女人牲交| 可以在线观看的亚洲视频| 国内精品久久久久精免费| 久久婷婷成人综合色麻豆| 国产一区二区在线av高清观看| 亚洲人成伊人成综合网2020| 女同久久另类99精品国产91| 亚洲精品国产精品久久久不卡| 热99re8久久精品国产| 亚洲国产欧美网| 精品人妻1区二区| 岛国在线免费视频观看| 亚洲人成网站高清观看| 日本免费一区二区三区高清不卡| 亚洲国产精品成人综合色| 国产av一区在线观看免费| 色哟哟哟哟哟哟| 成在线人永久免费视频| 一卡2卡三卡四卡精品乱码亚洲| 久热爱精品视频在线9| 中文字幕人妻丝袜一区二区| 欧美色欧美亚洲另类二区| 欧美性长视频在线观看| 少妇被粗大的猛进出69影院| 久久久久性生活片| 日本黄色视频三级网站网址| 天堂√8在线中文| 日韩有码中文字幕| 亚洲一区中文字幕在线| 久久久久久大精品| 欧美中文综合在线视频| 成人国产一区最新在线观看| 欧美日韩一级在线毛片| 欧美一级a爱片免费观看看 | 久久久久精品国产欧美久久久| 亚洲欧美日韩东京热| 日韩欧美国产一区二区入口| 亚洲国产精品成人综合色| 欧美一级a爱片免费观看看 | 一本精品99久久精品77| 国产亚洲精品第一综合不卡| 亚洲色图 男人天堂 中文字幕| 中文资源天堂在线| 午夜免费观看网址| 国产亚洲欧美98| 国产成人av激情在线播放| 女人高潮潮喷娇喘18禁视频| 又大又爽又粗| 天天一区二区日本电影三级| www.999成人在线观看| x7x7x7水蜜桃| 久久久久久免费高清国产稀缺| 国产精品自产拍在线观看55亚洲| 亚洲欧洲精品一区二区精品久久久| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产精品成人综合色| 免费观看精品视频网站| 久久久久久九九精品二区国产 | 午夜久久久久精精品| 91字幕亚洲| 欧美成人性av电影在线观看| 成人一区二区视频在线观看| 国产又色又爽无遮挡免费看| 在线观看免费日韩欧美大片| 国产成+人综合+亚洲专区| 久久精品夜夜夜夜夜久久蜜豆 | 在线a可以看的网站| 日本精品一区二区三区蜜桃| 特大巨黑吊av在线直播| 亚洲专区中文字幕在线| 午夜亚洲福利在线播放| 天堂av国产一区二区熟女人妻 | 给我免费播放毛片高清在线观看| 国产亚洲精品av在线| 久久亚洲精品不卡| xxxwww97欧美| 久久久久久人人人人人| 国产精品 国内视频| 精品久久久久久久人妻蜜臀av| 波多野结衣高清无吗| 色精品久久人妻99蜜桃| 国产熟女xx| 亚洲美女黄片视频| 麻豆国产av国片精品| 亚洲一区二区三区不卡视频| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 少妇粗大呻吟视频| 国模一区二区三区四区视频 | 国产精品综合久久久久久久免费| 最近最新免费中文字幕在线| 国产成+人综合+亚洲专区| 久久久久久久久久黄片| 精品日产1卡2卡| 国产一级毛片七仙女欲春2| 叶爱在线成人免费视频播放| 国产激情欧美一区二区| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲国产高清在线一区二区三| 少妇被粗大的猛进出69影院| 婷婷丁香在线五月| 免费看a级黄色片| 日韩大码丰满熟妇| 国内精品一区二区在线观看| 淫秽高清视频在线观看| 91老司机精品| 黄色女人牲交| 午夜福利成人在线免费观看| 久久久国产欧美日韩av| 操出白浆在线播放| 日韩中文字幕欧美一区二区| 亚洲aⅴ乱码一区二区在线播放 | 一级片免费观看大全| 亚洲av成人精品一区久久| 欧美在线黄色| 麻豆成人午夜福利视频| 婷婷精品国产亚洲av| 欧美性猛交黑人性爽| 日本在线视频免费播放| 亚洲国产看品久久| www国产在线视频色| 久久久久久人人人人人| 欧美成狂野欧美在线观看| 日日摸夜夜添夜夜添小说| 两个人免费观看高清视频| 国产成人一区二区三区免费视频网站| 999久久久精品免费观看国产| 18禁美女被吸乳视频| 中文字幕最新亚洲高清| 在线观看一区二区三区| av片东京热男人的天堂| 男人舔女人的私密视频| 男人的好看免费观看在线视频 | 在线观看午夜福利视频| 老司机在亚洲福利影院| 19禁男女啪啪无遮挡网站| 国产成人啪精品午夜网站| 婷婷精品国产亚洲av在线| 99riav亚洲国产免费| 亚洲专区字幕在线| 露出奶头的视频| 在线播放国产精品三级| 日韩精品免费视频一区二区三区| 两人在一起打扑克的视频| 精品国产超薄肉色丝袜足j| cao死你这个sao货| 亚洲国产精品合色在线| 精品国产乱码久久久久久男人| 怎么达到女性高潮| 美女高潮喷水抽搐中文字幕| 色av中文字幕| 无遮挡黄片免费观看| 亚洲欧美日韩高清专用| 日韩中文字幕欧美一区二区| 麻豆av在线久日| 亚洲专区字幕在线| 免费看美女性在线毛片视频| 欧美日本视频| videosex国产| 成人欧美大片| 国产午夜精品久久久久久| 国产片内射在线| 国产真人三级小视频在线观看| 午夜老司机福利片| 日韩免费av在线播放| 男人的好看免费观看在线视频 | 嫁个100分男人电影在线观看| 人人妻人人看人人澡| 欧美黑人欧美精品刺激| 99热这里只有是精品50| 18禁国产床啪视频网站| www.熟女人妻精品国产| 日本 av在线| aaaaa片日本免费| 欧美一区二区精品小视频在线| 午夜免费激情av| 久久久久国产精品人妻aⅴ院| 99国产综合亚洲精品| 国产探花在线观看一区二区| 亚洲av美国av| 一本精品99久久精品77| 国产私拍福利视频在线观看| 91大片在线观看| 国产一区二区在线观看日韩 | 9191精品国产免费久久| 亚洲va日本ⅴa欧美va伊人久久| 久久久精品国产亚洲av高清涩受| 免费无遮挡裸体视频| 欧美性猛交黑人性爽| 成人18禁高潮啪啪吃奶动态图| 日韩欧美国产一区二区入口| 高清毛片免费观看视频网站| 在线国产一区二区在线| 在线永久观看黄色视频| 欧美乱妇无乱码| 不卡av一区二区三区| 九色成人免费人妻av| 老司机午夜福利在线观看视频| 午夜视频精品福利| 久久精品成人免费网站| 亚洲av成人一区二区三| 亚洲激情在线av| 国产视频内射| 动漫黄色视频在线观看| 亚洲av第一区精品v没综合| 高潮久久久久久久久久久不卡| 久久人人精品亚洲av| tocl精华| 日日摸夜夜添夜夜添小说| 精品久久久久久,| 免费观看人在逋| 国产精品一区二区免费欧美| av国产免费在线观看| 欧美人与性动交α欧美精品济南到| 亚洲国产日韩欧美精品在线观看 | 日韩有码中文字幕| 久久久久免费精品人妻一区二区| 午夜a级毛片| 久9热在线精品视频| 欧美 亚洲 国产 日韩一| 一进一出好大好爽视频| 99久久精品国产亚洲精品| 不卡av一区二区三区| 88av欧美| 日本撒尿小便嘘嘘汇集6| 成年版毛片免费区| 国产黄a三级三级三级人| 久久久久国产一级毛片高清牌| 午夜两性在线视频| 舔av片在线| 久久国产精品人妻蜜桃| 又粗又爽又猛毛片免费看| 国内毛片毛片毛片毛片毛片| 国产人伦9x9x在线观看| 最好的美女福利视频网| 日日干狠狠操夜夜爽| 国产99久久九九免费精品| 国产又色又爽无遮挡免费看| 美女 人体艺术 gogo| 国语自产精品视频在线第100页| 天天添夜夜摸| 韩国av一区二区三区四区| 欧美性猛交╳xxx乱大交人| 日韩欧美在线乱码| 黄频高清免费视频| 成年版毛片免费区| 十八禁人妻一区二区| 一二三四在线观看免费中文在| 狠狠狠狠99中文字幕| 欧美日韩国产亚洲二区| 搡老妇女老女人老熟妇| 国产精品一区二区精品视频观看| 亚洲国产精品成人综合色| 欧美日韩精品网址| 免费看十八禁软件| 不卡一级毛片| 三级毛片av免费| 此物有八面人人有两片| 欧美中文日本在线观看视频| 成人三级黄色视频| 亚洲avbb在线观看| 免费av毛片视频| 久久国产精品人妻蜜桃| 亚洲精品粉嫩美女一区| 91九色精品人成在线观看| 舔av片在线| 亚洲专区字幕在线| 大型av网站在线播放| 日韩精品中文字幕看吧| 亚洲aⅴ乱码一区二区在线播放 | 欧美日韩一级在线毛片| 日本免费一区二区三区高清不卡| 国产亚洲欧美98| 搡老岳熟女国产| 99久久国产精品久久久| 欧美日本亚洲视频在线播放| 校园春色视频在线观看| 国产精品,欧美在线| 欧美一级a爱片免费观看看 | 又黄又爽又免费观看的视频| 在线观看午夜福利视频| 亚洲成人久久性| 欧美绝顶高潮抽搐喷水| 我要搜黄色片| 婷婷精品国产亚洲av| 亚洲精华国产精华精| 又紧又爽又黄一区二区| 欧美人与性动交α欧美精品济南到| 999久久久国产精品视频| 很黄的视频免费| 欧美日本亚洲视频在线播放| 精品日产1卡2卡| 少妇被粗大的猛进出69影院| 精品久久久久久久久久免费视频| 19禁男女啪啪无遮挡网站| 午夜日韩欧美国产| 最近最新中文字幕大全免费视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲五月婷婷丁香| 大型黄色视频在线免费观看| 国产69精品久久久久777片 | 欧美zozozo另类| 国产黄片美女视频| 制服诱惑二区| 又粗又爽又猛毛片免费看| 夜夜夜夜夜久久久久| 国产又色又爽无遮挡免费看| 九色国产91popny在线| 亚洲18禁久久av| 一级毛片高清免费大全| 久久久久国产精品人妻aⅴ院| 极品教师在线免费播放| 手机成人av网站| 又大又爽又粗| 日韩免费av在线播放| 国产69精品久久久久777片 | 日韩高清综合在线| 少妇粗大呻吟视频| 久久久国产成人精品二区| 亚洲美女视频黄频| 国产探花在线观看一区二区| 久久人妻福利社区极品人妻图片| 亚洲欧美精品综合一区二区三区| 亚洲成av人片免费观看| 又粗又爽又猛毛片免费看| 可以免费在线观看a视频的电影网站| 一a级毛片在线观看| 国内久久婷婷六月综合欲色啪| 美女黄网站色视频| 亚洲av成人一区二区三| 久久亚洲真实| 国产亚洲精品久久久久久毛片| 国产真实乱freesex| 午夜影院日韩av| 日本三级黄在线观看| 亚洲精品色激情综合| 国产激情偷乱视频一区二区| 精品国产乱码久久久久久男人| 国产黄片美女视频| 久久久国产成人免费| 亚洲精品在线观看二区| √禁漫天堂资源中文www| 日韩欧美三级三区| 亚洲国产日韩欧美精品在线观看 | 国产精品精品国产色婷婷| 欧美精品啪啪一区二区三区| 国产亚洲av嫩草精品影院| 亚洲av成人不卡在线观看播放网| 精品午夜福利视频在线观看一区| 岛国视频午夜一区免费看| 亚洲av片天天在线观看| 大型av网站在线播放| 久久久久久免费高清国产稀缺| 精品一区二区三区四区五区乱码| 99re在线观看精品视频| 日韩大尺度精品在线看网址| 国产亚洲精品久久久久5区| 女同久久另类99精品国产91| 非洲黑人性xxxx精品又粗又长| 97人妻精品一区二区三区麻豆| 成人18禁在线播放| 久久精品综合一区二区三区| 白带黄色成豆腐渣| 好男人在线观看高清免费视频| 午夜影院日韩av| 精品久久久久久久久久久久久| 长腿黑丝高跟| 亚洲国产精品合色在线| 亚洲五月天丁香| 欧美一区二区精品小视频在线| 久久草成人影院| 91麻豆精品激情在线观看国产| 精品高清国产在线一区| 色播亚洲综合网| 12—13女人毛片做爰片一| 精品久久蜜臀av无| 18禁国产床啪视频网站| 亚洲国产日韩欧美精品在线观看 | 极品教师在线免费播放| av福利片在线观看| 国产成人aa在线观看| 国产不卡一卡二| 看免费av毛片| 国产成人精品久久二区二区91| 成年版毛片免费区| 在线观看免费午夜福利视频| 国产精品香港三级国产av潘金莲| 亚洲人成网站高清观看| 国产伦人伦偷精品视频| 精品不卡国产一区二区三区| 好男人在线观看高清免费视频| 欧美av亚洲av综合av国产av| 中文字幕最新亚洲高清| 99国产综合亚洲精品| 亚洲人成网站在线播放欧美日韩| 很黄的视频免费| 在线永久观看黄色视频| 9191精品国产免费久久| 丝袜人妻中文字幕| 97碰自拍视频| 18禁黄网站禁片午夜丰满| 久久精品人妻少妇| 国产激情久久老熟女| 丰满人妻一区二区三区视频av | 在线观看午夜福利视频| 女人高潮潮喷娇喘18禁视频| 成人亚洲精品av一区二区| 国产黄a三级三级三级人| 国产精品野战在线观看| 51午夜福利影视在线观看| 久久精品91蜜桃| 国产亚洲欧美98| 99热只有精品国产| 日韩国内少妇激情av| 国产精华一区二区三区| 午夜影院日韩av| 91大片在线观看| 香蕉丝袜av| 女同久久另类99精品国产91| 男人的好看免费观看在线视频 | 亚洲avbb在线观看| 欧美日韩中文字幕国产精品一区二区三区| 亚洲国产精品合色在线| 国产成人aa在线观看| 久久婷婷人人爽人人干人人爱| 国产精品野战在线观看| 国产精品久久视频播放| 人人妻人人澡欧美一区二区| 丰满人妻熟妇乱又伦精品不卡| 欧美一区二区国产精品久久精品 | 久久中文字幕人妻熟女| 麻豆成人av在线观看| 夜夜夜夜夜久久久久| 男女床上黄色一级片免费看| 免费在线观看视频国产中文字幕亚洲| 两性夫妻黄色片| 美女大奶头视频| 50天的宝宝边吃奶边哭怎么回事| 亚洲男人天堂网一区| www日本在线高清视频| av福利片在线| 国产精品久久久久久精品电影| 欧美日本视频| 国产av又大| 巨乳人妻的诱惑在线观看| 国产激情偷乱视频一区二区| 这个男人来自地球电影免费观看| 色在线成人网| 成人一区二区视频在线观看| 欧美黑人巨大hd| 最好的美女福利视频网| 精品国产乱子伦一区二区三区| 18禁美女被吸乳视频| 日本免费一区二区三区高清不卡| 精品久久久久久久久久久久久| 我要搜黄色片| 久久久久久九九精品二区国产 | 日韩三级视频一区二区三区| 手机成人av网站| 欧美色欧美亚洲另类二区| 亚洲精品色激情综合| 激情在线观看视频在线高清| 亚洲人与动物交配视频| 国产精品久久久久久精品电影| 欧美乱色亚洲激情| 亚洲人成电影免费在线| 欧美午夜高清在线| 国产成+人综合+亚洲专区| 在线观看日韩欧美| 亚洲激情在线av| 成人高潮视频无遮挡免费网站| 三级毛片av免费| 99精品欧美一区二区三区四区| 欧美性猛交黑人性爽| 观看免费一级毛片| 91av网站免费观看| 一进一出抽搐gif免费好疼| 精品欧美一区二区三区在线| 国产av不卡久久| 777久久人妻少妇嫩草av网站| 欧美黄色淫秽网站|