气固流态化广泛存在于人们的生产、生活中,在工业化工、能源等多个领域都有众多应用。MP-PIC（Multiphase Particle-In-Cell）多相质点网格法作为研究流态化的主要模拟方法,其优势在于跟踪离散颗粒时,将相同属性的颗粒“打包”成一个计算粒子进行分析计算,从而减少了计算所需要的时间。其中,用于表征颗粒间相互作用的固相应力模型是MP-PIC方法的主要模型之一。在近年来的研究中,人们尝试将EMMS（Energy-Minimization Multi-Scale）能量最小多尺度理论引入MP-PIC模拟方法当中,建立相应的非均匀EMMS固相应力模型。但现有的非均匀固相应力模型计算中,中间步骤繁琐、花费时间长,采用人工拟合的方式能获得非均匀固相应力表达式,但需要人为确定拟合变量和拟合函数,且针对于非均匀固相应力这种高度非线性函数所得到的拟合精度不高、用于MP-PIC模拟的结果相比实验存在偏差。基于上述问题,本文在非均匀固相应力的关联型模型建模中引入机器学习理论,首先将固相体积分数和表征颗粒分布的参数作为自变量,搭建人工神经网络（ANN,Artificial Neutral Network）模型,通过训练得到ANN固相应力模型。利用基于人工神经网络的机器方法来避免人为定义拟合函数所产生的误差。进而在不同的网格分辨率和粗化率情况下,采用ANN固相应力模型模拟气固流态化反应器,验证模型的准确性。在使用不同的网格分辨率和粗化率的情况下,得到的模拟结果均与实验数据大体吻合。但也发现,基于双参数拟合模型会出现与人工拟合同样的问题,即关联型模型自身的拟合精度不高,其原因是难以找到一种表征颗粒浓度非均匀分布的最优参数。所以,作为模型的改进,本文进一步提出直接将颗粒浓度分布作为非均匀固相应力函数的自变量,同时发挥机器学习无需给定拟合函数的优点,直接将非均匀固相应力与颗粒浓度分布进行关联,构建非均匀ANN固相应力模型。以二维规则网格为例,利用中心网格的固相体积分数和周围8个网格的固相体积分数来逼近中心网格的颗粒浓度分布,将9个变量作为网络结构的输入,构建人工神经网络模型,并利用人工神经网络的学习机制训练得到基于颗粒浓度分布的ANN固相应力模型。相比基于双变量的ANN模型,拟合精度显著提高。进一步应用于气固流态化反应器模拟时,也发现模拟精度相比基于双变量的ANN固相应力模型更高,更接近原始EMMS固相应力模型的结果,同时模型显示出了一定的网格和粗化率无关性。总的来说,本文通过机器学习的方法,规避对固相体积分数的局部分布情况的表征,达到提高拟合精度的要求,对网格和粗化率的依赖性也有所降低。本研究成功的将机器学习引入到气固两相流中的非均匀固相应力建模中,建立了能考虑颗粒浓度详细分布的ANN固相应力模型。本论文的最后对得到的结果进行了总结,对进一步的研究工作提出了建议。