Discrete element simulation parameter calibration for smart shellfish seeding devices

doi:10.12398/j.issn.2096-7217.2025.02.006

Abstract

Abstract:

To enhance the accuracy of the discrete element method （DEM） simulation parameters for smart shellfish seeding equipment， this study systematically calibrated the contact parameters between the clam seedling of the shifting beach quadrangular clam and the contact materials （EVA， stainless steel plate） and the clam seedling for the first time. This calibration process integrated physical property tests with DEM simulation. Reverse engineering techniques employing a 3D scanner were utilized to obtain the clam seedling contours. Subsequently， particulate model of the clam seedlings were developed based on the Hertz-Mindlin no-slip contact model with DEM framework. Free-fall collision method， inclined plane sliding method， and fixed inclined plane rolling method were used to calibrate the contact parameters between the clam seedlings and contact materials （EVA， stainless steel plate）， respectively， and the results showed that： the coefficient of recovery of collision， static friction factor， and rolling friction factor between the clam seedlings and EVA were 0.339， 0.538， and 0.205， respectively. For clam seedling-stainless steel plate interactions， these parameters were 0.128， 0.323， and 0.177， respectively. The inter-seedling contact parameters were determined by the suspension collision method with MXZ-1 type friction coefficient meter. Taking the inter-seedling contact parameters as test factors， taking the relative error between the experimentally measured and DEM-simulated angle of repose served as indexes， a three-factor three-level orthogonal test was carried out， and taking the minimum relative error as the optimization objective， the optimization analysis of the test data yielded the following results： the coefficients of recovery of the collision between the clam seedlings and the shellfish seedlings， the static friction factor， and the rolling friction factor were 0.170， 0.620， and 0.313， respectively. The validation test of the calibration results was carried out through the lifting cylinder method， and the results showed that the relative error between the simulated and experimentally measured angles of repose was 3.6%， which proved that the calibration results were true and reliable. This study filled the gap of discrete meta-parameter calibration of shifting beach quadrangular clam shellfish seedling， and provides theoretical basis for the optimization of key components， such as silo inclination angle， drop port position and impeller disc， for the intelligent seedling sowing equipment.

Key words: intelligent seeding equipment, Mactra veneriformis, clam seedling, discrete elements, parameter calibration

CLC Number:

LUAN Yuhang, QIAN Yuxing, GAO Min, WANG Mingyu, LI Xiuchen, ZHANG Hanbing. Discrete element simulation parameter calibration for smart shellfish seeding devices[J]. Journal of Intelligent Agricultural Mechanization, 2025, 6(2): 69-78.

Figures/Tables 16

References 25

1	农业农村部渔业渔政管理局. 2024年中国渔业统计年鉴［M］. 北京：中国农业出版社， 2024.
2	徐泳，李红艳，黄文彬. 耕作土壤动力学的三维离散元建模和仿真方案策划［J］. 农业工程学报， 2003（2）： 34-38.
	XU Yong， LI Hongyan， HUANG Wenbin. Modeling and methodological strategy of discrete element method simulation for tillage soil dynamics ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2003（2）： 34-38.
3	张锐，韩佃雷，吉巧丽，等. 离散元模拟中沙土参数标定方法研究［J］. 农业机械学报， 2017， 48（3）： 49-56.
	ZHANG Rui， HAN Tianlei， JI Qiaoli， et al. Calibration methods of sandy soil parameters in simulation of discrete element method ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（3）： 49-56.
4	张胜伟，李华. 绿豆种子离散元参数标定及排料设备优化［J］. 农业工程学报， 2020， 36（12）： 45-52.
	ZHANG Shengwei， LI Hua. Calibration of discrete element parameters of mung bean seeds and optimization of discharging equipment ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 45-52.
5	刘瑞，李衍军，刘忠军，等. 包衣玉米种子离散元参数分析与标定［J］. 农业机械学报， 2021， 52（3）： 112-118.
	LIU Rui， LI Yanjun， LIU Zhongjun， et al. Analysis and calibration of discrete element parameters of coated maize seed ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（3）： 112-118.
6	温翔宇，袁洪方，王刚，等. 颗粒肥料离散元仿真摩擦因数标定方法研究［J］. 农业机械学报， 2020， 51（2）： 115-122， 142.
	WEN Xiangyu， YUAN Hongfang， WANG Gang， et al. Calibration method of friction coefficient of granular fertilizer by discrete element simulation ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（2）： 115-122， 142.
7	Li H Q， Zhang G C， Li X C， et al. Calibration of the discrete element method parameters in living juvenile Manila clam （Ruditapes philippinarum） and seeding verification ［J］. AgriEngineering， 2021， 3（4）： 894-906.
8	LOU Y Z， ZHANG G， LI X， et al. Experiment and calibration of contact parameters of Mactra veneriformis based on DEM ［J］. Computational Particle Mechanics， 2025， 12（1）： 313-326.
9	董晓威. 垂直螺旋式水稻侧深施肥机理与装置参数研究［D］. 大庆：黑龙江八一农垦大学， 2019.
	DONG Xiaowei. Mechanism and parameters of vertical spiral rice deep-side fertilizing device ［D］. Daqing： Heilongjiang Bayi Agricultural University， 2019.
10	黄伟，李秀辰，母刚，等. 离心式滩涂贝类播苗装置设计与试验［J］. 大连海洋大学学报， 2022， 37（2）： 320-328.
	HUANG Wei， LI Xiuchen， MU gang， et al. Design and test of a centrifugal shellfish seeding device for tidal flat aquaculture ［J］. Journal of Dalian Ocean University， 2022， 37（2）： 320-328.
11	刘彩玲，王亚丽，宋建农，等. 基于三维激光扫描的水稻种子离散元建模及试验［J］. 农业工程学报， 2016， 32（15）： 294-300.
	LIU Cailing， WANG Yali， SONG Jiannong， et al. Experiment and discrete element model of rice seed based on 3D laser scanning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（15）： 294-300.
12	李志良. 基于点云数据的真三维建模方法研究［D］. 太原：太原理工大学， 2014.
	LI Zhiliang. The true 3D modeling method based on point cloud data ［D］. Taiyuan： Taiyuan University of Technology， 2014.
13	王庚祥，马道林，刘洋，等. 多体系统碰撞动力学中接触力模型的研究进展［J］. 力学学报， 2022， 54（12）： 3239-3266.
	WANG Gengxiang， MA Daolin， LIU Yang， et al. Research progress of contact force models in the collision mechanics of multibody system ［J］. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54（12）： 3239-3266.
14	刘羊，宗望远，马丽娜，等. 采用高速摄影技术测定油葵籽粒三维碰撞恢复系数［J］. 农业工程学报， 2020， 36（4）： 44-53.
	LIU Yang， ZONG Wangyuan， MA Lina， et al. Determination of three-dimensional collision restitution coefficient of oil sunflower grain by high-speed photography ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（4）： 44-53.
15	缪雨龙，赵毅红，袁仨，等. 玉米种子离散元模型建立及参数标定［J］. 江苏农业科学， 2024， 52（18）： 209-214.
16	魏雨涵，赵丽莹. 韭菜种子物性参数测定及离散元参数标定［J］. 南方农业， 2024， 18（13）： 236-240.
17	张宏建，陈修波，李宏立，等. 控释肥颗粒群仿真接触参数标定与试验［J］. 农业机械学报， 2024， 55（6）： 80-90.
	ZHANG Hongjian， CHEN Xiubo， LI Hongli， et al. Simulated contact parameters calibration and experiment of controlled-release fertilizer particles ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024，55（6）： 80-90.
18	张国忠，陈立明，刘浩蓬，等. 荸荠离散元仿真参数标定与试验［J］. 农业工程学报， 2022， 38（11）： 41-50.
	ZHANG Guozhong， CHEN Liming， LIU Haopeng， et al. Calibration and experiments of the discrete element simulation parameters for water chestnut ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（11）： 41-50.
19	祝天荣，田清华，何琳，等. 摩擦系数测试仪可靠性分析方法［J］. 机械设计与制造， 2014（5）： 102-105.
	ZHU Tianrong， TIAN Qinghua， HE Lin， et al. Methods on reliability analysis of friction coefficient test instrument ［J］. Machinery Design ＆ Manufacture， 2014（5）： 102-105.
20	范珺. GB 10006与ASTM D 1894塑料薄膜摩擦系数测定方法的比较［J］. 中国包装， 2014， 34（5）： 48-51.
21	ZHANG H B， LI P P， ZHANG H N， et al. Design and experiment of cone disk centrifugal shellfish seeding device ［J］. Frontiers in Marine Science， 2023， 10： 1136844.
22	朱惠斌，李镕东，白丽珍，等. 不同含水率下水稻秸秆的离散元参数标定［J/OL］. 南京农业大学学报， 1-15［2025-03-15］. .
	ZHU Huibin， LI Rongdong， BAI Lizhen， et al. Calibration of discrete meta-parameters of ricestraw at different water contents ［J］. Journal of Nanjing Agricultural University， 1-15［2025-03-15］. .
23	樊成赛，何瑞银，施印炎，等. 有机无机混合肥料离散元参数标定方法研究［J］. 南京农业大学学报， 2024， 47（2）： 402-413.
	FAN Chengsai， HE Ruiyin， SHI Yinyan， et al. Study on discrete element parameter calibration method for organic inorganic mixed fertilizers ［J］. Journal of Nanjing Agricultural University， 2024， 47（2）： 402-413.
24	李道亮，刘畅. 人工智能在水产养殖中研究应用分析与未来展望［J］. 智慧农业（中英文）， 2020， 2（3）： 1-20.
	LI Daoliang， LIU Chang. Recent advances and future outlook for artificial intelligence in aquaculture ［J］. Smart Agriculture， 2020， 2（3）： 1-20.
25	张志磊，郭飞宏，周炳洋，等. 滩涂贝类采收设备自动驾驶滑移模型研究［J］. 智能化农业装备学报（中英文）， 2025， 6（1）： 81-90.
	ZHANG Zhilei， GUO Feihong， ZHOU Bingyang， et al. Research on slip model of automatic driving of shellfish harvesting equipment in mudflat ［J］. Journal of Intelligent Agricultural Mechanization， 2025， 6（1）： 81-90.

编码	因素
编码	e	μ_n	μ_r
-1	0.17	0.581	0.307
0	0.305	0.628	0.380 5
1	0.44	0.675	0.454

编码	因素
编码	e	μ_n	μ_r
-1	0.17	0.581	0.307
0	0.305	0.628	0.380 5
1	0.44	0.675	0.454

序号	因素			Y/%
序号	e	μ_n	μ_r	Y/%
1	0.17	0.628	0.307	3.18
2	0.44	0.628	0.454	10.97
3	0.17	0.628	0.454	10.69
4	0.305	0.581	0.307	4.62
5	0.305	0.628	0.380 5	9.51
6	0.305	0.628	0.380 5	10.54
7	0.44	0.628	0.307	9.71
8	0.44	0.581	0.380 5	9.11
9	0.305	0.675	0.307	9.69
10	0.17	0.581	0.380 5	4.25
11	0.305	0.628	0.380 5	9.37
12	0.44	0.675	0.380 5	10.98
13	0.305	0.628	0.380 5	10.67
14	0.17	0.675	0.380 5	10.17
15	0.305	0.581	0.454	10.58
16	0.305	0.628	0.380 5	10.51
17	0.305	0.675	0.454	12.27

序号	因素			Y/%
序号	e	μ_n	μ_r	Y/%
1	0.17	0.628	0.307	3.18
2	0.44	0.628	0.454	10.97
3	0.17	0.628	0.454	10.69
4	0.305	0.581	0.307	4.62
5	0.305	0.628	0.380 5	9.51
6	0.305	0.628	0.380 5	10.54
7	0.44	0.628	0.307	9.71
8	0.44	0.581	0.380 5	9.11
9	0.305	0.675	0.307	9.69
10	0.17	0.581	0.380 5	4.25
11	0.305	0.628	0.380 5	9.37
12	0.44	0.675	0.380 5	10.98
13	0.305	0.628	0.380 5	10.67
14	0.17	0.675	0.380 5	10.17
15	0.305	0.581	0.454	10.58
16	0.305	0.628	0.380 5	10.51
17	0.305	0.675	0.454	12.27

方差来源	平方和	自由度	均方	F值	P值
模型	107.67	9	11.96	43.18	＜0.000 1
e	19.47	1	19.47	70.27	＜0.000 1
μ_n	25.49	1	25.49	92.00	＜0.000 1
μ_r	38.63	1	38.63	139.43	＜0.000 1
eμ_n	4.10	1	4.10	14.80	0.006 3
eμ_r	9.77	1	9.77	35.25	0.000 6
μ_nμ_r	3.33	1	3.33	12.02	0.010 4
e²	5.15	1	5.15	18.60	0.003 5
μ_n²	0.628 2	1	0.628 2	2.27	0.175 9
μ_r²	0.596 1	1	0.596 1	2.15	0.185 9
失拟项	0.373 9	3	0.124 6	0.318 4	0.812 9
误差	1.57	4	0.391 4
总和	109.61	16