颗粒在日常生活中随处可见,而料罐在处理日常生活和工业生产中的粒状物料方面有着广泛而重要的应用,因此充分了解料罐内的颗粒流动形态及偏析机理对控制和优化出料过程具有重要意义。因此,本论文从基础研究与工业探索两方面对颗粒流动形态解析及偏析现象预测开展了研究工作。首先,采用实验和数值模拟的方法,从颗粒尺度动力学和结构两方面研究了颗粒在楔形料罐中不同初始堆积方式对瞬态颗粒流动的影响。结果表明,对于单粒径颗粒的堆积方式,尽管颗粒尺度结构相似,但较小的颗粒获得较大的动能转换效率,有助于缩短颗粒下落时间。对于二元粒径颗粒以均匀混合方式堆积,颗粒间的相互作用增加了大颗粒的平均独立颗粒瞬态动能和瞬态平均配位数,同时减小了小颗粒的配位数。在此基础上,得到了分散的结构和不断趋中的动能。对于分层混合堆积方式,上层小颗粒引起的强渗透效应阻碍了颗粒下落过程开始时平均独立颗粒瞬态动能的增加,大小颗粒接触界面的瞬态平均配位数值能达到8。相比之下,当小颗粒被放置在下层时,更多的颗粒在更大的空间中活跃,从而能在更短的时间内实现更松散的结构。与此同时,目前对于颗粒的研究大多使用DEM的方法,但是在使用DEM对颗粒进行模拟时,将会消耗大量的计算资源,并且计算时间较长,因此本文提出了DEM与神经网络相结合的方法,以缩短DEM计算的时间并且节省计算资源。采用图片预测数据的卷积神经网络（CNN）对颗粒在楔形料罐中的下落时间进行预测,Alexnet-FC是适用于本论文的卷积神经网络结构,能够对楔形料罐中颗粒下落时间进行精准的预测,R2值最高可达0.998,并且通过DEM模拟时间与训练数据在GPU与CPU上的运行效率比较,GPU上训练神经网络能够大幅节约DEM模拟时间,节省计算资源,但是在CPU上DEM模拟速度比神经网络训练速度快。其次,针对于高炉无料钟式炉顶布料,在炉喉部位会发生显著的质量与粒径偏析现象,本论文将基础研究与工业应用进一步结合,提出了采用DEM模拟与人工神经网络（ANN）相结合的方法,对颗粒偏析现象进行预测。首先,采用DEM来探究布料过程中的颗粒偏析现象,并定量描述其偏析特征。然后,基于DEM模拟数据,训练ANN网络模型来预测在炉喉径向上的颗粒偏析行为。结果表明,各圆环内平均标准差为0.249,因此当初始颗粒质量确定后,颗粒按照不同初始质量比均匀混合,在炉喉径向上质量分布也是一定的,当初始质量比为0.3时,炉喉中心到边缘的质量由18.888kg增加到27.560kg,最后下降到21.968kg,对于同一圆环内的小颗粒质量比,随着小颗粒初始质量比的增加,小颗粒在同一圆环中的小颗粒质量比也不断增加。因此,颗粒质量在径向上先增大后减小,对于颗粒质量比的分布而言,小颗粒更容易聚集在中心区域,而大颗粒则集中在边缘区域。并且,通过与模拟结果进行比较,证明所建立的人工神经网络模型能够有效的预测颗粒的偏析行为。