配制致密悬浮液（例如浆料）以获得最佳粘度是满足电池和电子制造产品质量要求的关键，这些材料是常见的原料或中间产品（例如电解质和陶瓷浆料等）。

使用 EDEM 中的颗粒尺度模拟和 HyperStudy 中的机器学习进行虚拟配制可以揭示浆料中各组分之间的相互作用、检测批次内细微但重要的变化、颗粒材料配方和混合工艺之间的关系、颗粒材料如何影响流动特性等，定量了解制造和过程控制中浆料的粘度变化，从而获得最佳流变性能。

图：电极浆料制备

该方法结合了EDEM离散元仿真技术和机器学习，以快速识别目标悬浮粘度的最佳粒级特性。该方法包括参数化粒度分布、形态、体积分数和表面摩擦特性，自动生成和运行致密颗粒悬浮液，这些悬浮液经过简单剪切，以获得参数空间的分布良好的准随机样本，并使用机器学习在生成的合成数据上训练降阶模型 （ROM），然后利用多目标遗传算法从ROM快速估计全局最优参数集。这使得从颗粒尺度特性对致密悬浮流变学的虚拟优化变得切实可行。

1、使用EDEM模拟微观区域体积的颗粒材料，可以将颗粒特性与粉末、浆料和糊状物的宏观特性联系起来，赋予理想的应力或变形张量，如下图所示。

悬浮液的动态粘度可以通过在小周期单元中施加Couette flow（库爱特流）并整合流体动力学、流体阻力和表面接触应力来计算。下图显示了周期性单元模拟示例和相应的动态粘度结果。

2、使用 EDEM-HyperStudy Connector 在 HyperStudy 中对粒度分布、形状、体积分数和接触力学进行参数化。参数空间示例如下图所示。

图：具有两个竞争目标的多目标优化结果示例