摘要：针对储粮仓卸料时仓壁动态侧压力难以准确预测的问题,利用机器学习方法中的树模型建立了仓壁动态侧压力预测模型。首先,分析了仓壁动态侧压力的主要影响因素为筒仓的结构尺寸、贮料的物理参数及测点位置。利用收集的496组仓壁动态侧压力数据,构建机器学习预测模型的数据集。然后,基于树模型,建立了仓壁动态侧压力的决策树(decision tree,DT)预测模型,在此基础上,利用Bagging算法和Boosting算法,建立了仓壁动态侧压力的随机森林(random forest,RF)预测模型和梯度提升树(gradient boosting decision tree,GBDT)预测模型。通过对比3种预测模型在测试集的均方误差(mean-square error,MSE)、决定系数和相对误差,表明GBDT预测模型的泛化性能最优。最后,通过开展模型试验和数值模拟,对GBDT预测模型进行验证,结果表明拟合良好。同时,根据树模型的分枝原理,判断出仓壁动态侧压力影响因素的重要性,得到对于贮料的物理参数,密度的重要性排第一;对于筒仓的结构尺寸,卸料口尺寸排第一。因此,在进行储粮仓设计时,建议优先考虑仓内散体物料的密度和仓的卸料口尺寸。