颗粒流流动现象广泛存在于自然界和工程实践等领域中,其中大量离散颗粒的相互作用而使得颗粒流运动特性极其复杂,对这种作用机理的研究具有非常重要的意义.离散元法(DEM)是研究颗粒流运动情况的一类重要方法,目前已引起颗粒流学术界的广泛关注.采用离散元法进行数值模拟时,其模拟体系强烈地依赖于数值格式和计算机的硬件环境.近年来, GPU作为一种新的加速技术而被大量地应用到科学计算领域,并取得了显著的性能提升和功耗-效率的改善.然而,基于GPU加速技术的离散元法的应用还处于发展阶段,它已吸引了众多学者和工业应用界的广泛关注.本文首先基于Trubal软件包,采用GPU加速技术构建了基于DEM的高效并行解法器,主要通过以下两步实现:1.采用动态存储结构重构了Trubal软件包中的静态存储结构,研发了相应的串行解法器;2.基于CPU-GPU异构体系,利用纹理内存和无存储体冲突的共享内存来提高GPU内存带宽的使用率和优化整体性能,并研制了相应的并行解法器.接着针对一类模腔填充问题,设计了相应的数值模拟方案,并给出了Trubal和我们研制的串/并行解法器关于计算效率的比对结果.数值实验表明,这三种解法器的数值模拟结果基本一致,颗粒分布均符合实际物理过程;在一定的硬件环境下,串行解法器的计算效率略高于Trubal,并行解法器大大地改善了Trubal的计算效率,针对6,000和60,000个颗粒在一些典型的物理时间段上分别取得了4.69和12.78倍的平均加速比.