颗粒物质广泛存在于工业加工过程，也是地球岩石圈地质过程包括地震、滑坡、泥石流等的实际载体。颗粒物质由于具有多物理机制和多尺度结构层次特点，因此常被认为是有别于传统气、固、液的第四种形态，其物理力学机制的研究已经成为国际科学前沿热点之一。然而，基于Navier-Stokes方程组或变分原理的物理模型存在模型简化、求解复杂度高、模型参数和初边值数据可能缺失或测量不准等问题。随着人工智能的长足发展，机器学习模型广泛应用于建立输入数据到输出数据之间的函数映射，但其预测好坏与训练数据息息相关，缺乏可解释性和可拓展性。本项目旨在结合数据驱动的机器学习和物理模型的优势，基于神经网络、Navier-Stokes方程和颗粒流变学建立颗粒流的PINN模型(Physics-informed Neural Networks)，实现在少量数据条件下训练出自动满足物理约束条件的模型，在保证精度的同时具有更好的泛化性能，并可预测模型的重要物理参数。项目将结合颗粒流特点，分析模型收敛性和计算效率与神经层结构、边界处理方法、损失函数等因素的关系，建立适用于大规模、复杂边界条件的PINN模型并在碎屑流、料仓、回转窑三个典型颗粒流过程进行验证。

颗粒材料，计算力学，人工智能