CN110008566B - 基于大数据的充填料浆性能指标预测方法 - Google Patents
基于大数据的充填料浆性能指标预测方法 Download PDFInfo
- Publication number
- CN110008566B CN110008566B CN201910246673.8A CN201910246673A CN110008566B CN 110008566 B CN110008566 B CN 110008566B CN 201910246673 A CN201910246673 A CN 201910246673A CN 110008566 B CN110008566 B CN 110008566B
- Authority
- CN
- China
- Prior art keywords
- filling slurry
- filling
- performance index
- slurry
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Consolidation Of Soil By Introduction Of Solidifying Substances Into Soil (AREA)
Abstract
本发明公开了一种基于大数据的充填料浆性能指标预测方法。本发明的基于大数据的充填料浆性能指标预测方法,通过构建充填料浆数据库,然后建立预测模型并进行学习训练,以得到一个满足预测精度要求的最佳预测模型,当需要对待预测矿山的充填料浆性能指标进行预测评估时,只需要输入待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量,即可得到待预测矿山的充填料浆性能指标值。本发明的基于大数据的充填料浆性能指标预测方法可以快速、准确地对矿山的充填料浆性能指标进行预测评估,有利于提高充填项目投资决策评价的准确性,控制和优化充填生产成本,而且随着评估次数的不断增加,数据量不断增加,预测模型的预测精准度也将不断提升。
Description
技术领域
本发明涉及采矿工程的矿山充填技术领域,特别地,涉及一种基于大数据的充填料浆性能指标预测方法。
背景技术
随着资源开发利用,一方面我国大多矿山将逐步进入深部开采、进行难采矿体的开发利用,已采矿床的残矿回采;另一方面国家政策主导方向发生变化,粗犷的开采方式被逐步禁止,2017年经过环保督查使得大量矿山被关停,实施环保一票否决制。而充填采矿法被证实,在保护矿区生态环境、区域地质构造,保护性开采,开采安全性方面具有最佳的适应性。为此,部分省份已经出台强制性文件,要求新建矿山必须采用充填采矿法;采矿设计规范明确要求,矿山采矿方法选择必须与充填采矿法进行比较。这些细节表明充填采矿法势必将成为采矿方法发展的主导方向。
充填采矿法能解决上述问题,但对矿山企业来讲,增加了充填工艺环节,增加了充填成本,对综合经济效益的影响是显著的。据统计,充填成本占采矿成本的1/3左右,充填成本中充填材料又占80%以上,因此充填材料消耗量是决定充填采矿法经济可行性论证准确性的关键因素,实现充填材料配比最优化是控制充填成本的重要途径,确定充填料浆配合比是经济可行性论证准确性的前提条件。目前的技术思路是首先进行充填材料试验,然后根据试验结果进行后续的评估工作。整个过程耗材消耗量大,劳动强度大,试验的周期长,试验研究的费用高,决策的效率低;部分矿山在基建期,无尾矿产出或者只有选矿试验产出的少量尾矿,不能进行试验或大规模试验,只能采取参考类似充填矿山或经验估计值进行论证,决策的准确性差。
充填料浆的组分中包含胶结剂和尾砂,不同的胶结剂和尾砂的物理和化学性质存在差异,大量试验证明,尾砂和胶结剂具有适配性。对于相同的尾矿,采用不同的胶结剂,充填料浆的性能差异巨大;对于相同的胶结剂,采用不同的尾砂制备的充填料浆的性能也存在差异。部分矿山因为尾矿含有超标或者影响充填料浆性能指标的物质,不能直接作为骨料,但通过添加物料可改善,但为了进行添加物料和添加量的优化,需要完成大量的试验。充填料浆性能指标最优化,需要开展充填材料试验来选择合适的胶结剂和骨料组成,试验量大,周期长,成本高,可以认为采用充填材料试验的方法是根本无法完成的。
胶结剂开发是充填料浆性能指标的决定性因素,目前也是采用充填材料试验的方法进行研究,但是激发剂的种类繁多,以及尾矿与胶结剂的适配性,难以实现胶结剂性能的最优化。
在一个矿山,因为矿石所处地质条件的变化,产出的尾矿物理和化学特征也存在较大的差异;而且矿山附近可能存在多种骨料资源;再者水泥厂家在不同时期内生产的胶结剂也是变化的,所以采用固定的骨料和胶结剂配比,充填料浆性能指标总是存在偏差,仅依据充填材料试验数据,不能实现精准控制。因此,如何提供一种可以快速准确地对充填料浆性能指标进行预测的方法成为充填采矿领域亟需解决的关键性问题。
发明内容
本发明提供了一种基于大数据的充填料浆性能指标预测方法,以解决现有的充填材料试验存在的周期长、成本高、耗材消耗量大,胶结剂和尾砂具有适配性而导致很难选出最优的胶结剂的技术问题。
根据本发明的一个方面,提供一种基于大数据的充填料浆性能指标预测方法,用于对充填采矿法中应用的充填料浆的性能进行快速、准确的预测,其包括以下步骤:
步骤S1:构建充填料浆数据库,充填料浆数据库中包括充填料浆组成物的各组分物理和/或化学特征参量,以及充填料浆性能指标值;
步骤S2:建立充填料浆性能指标的预测模型;
步骤S3:对充填料浆性能指标的预测模型进行学习训练;
步骤S4:输入待预测矿山的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待预测矿山的充填料浆性能指标值。
进一步地,所述步骤S1包括以下步骤:
步骤S11:在设计条件下进行试验以得到充填料浆性能指标试验测试数据,构成充填料浆数据库,其中测试数据以结构化数据H进行存储,H=[Xt1,Xt2,…XtM,Yt1, Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],包括充填料浆组成物的各组分物理和 /或化学特征参量;输出参数矩阵Y=[Yt1,Yt2,...YtP],为充填料浆性能指标值,其中,t为试验测试数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数。
进一步地,所述步骤S1包括以下步骤:
步骤S12:在线采集充填系统运行过程中和充填料浆在充填区域内的特征数据,构成充填料浆数据库,采集的数据以结构化数据H进行存储,H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],为充填料浆组成物的各组分物理和/或化学特征参量;输出参数矩阵Y=[Yt1,Yt2,...YtP],为充填料浆性能指标值,其中,t为采集的数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数。
进一步地,所述步骤S2中基于神经网络、线性回归、模糊预测、灰色理论、统计学或支持向量机建立预测模型。
进一步地,所述步骤S2具体为:
建立BP神经网络预测模型,模型包括输入层、至少一个隐含层、输出层,输入层包括M个节点,隐含层包括并列的若干个节点,输出层包括一个或多个节点,最多 P个节点,隐含层的节点数I根据如下公式进行选择:I1<M-1, I3=log2M,其中M为输入层节点数,I为隐含层节点数,P为输出层节点数,a为0~10 之间的常数。
进一步地,所述步骤S2还包括以下步骤:
根据网络收敛速度和预测误差进行比较,采用试错法确定最佳隐含层节点数。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:将充填料浆数据库矩阵H按列归一化,H矩阵中元素的值在[-1,1],然后采用随机抽样算法分成训练样本和检验样本,检验样本数量占总样本数量的比例≥5%,
训练样本Hk=[Xk1,Xk2,…XkP,Yk1,Yk2,…YkP],k=1,2,…,N;k为训练样本的个数;
Yk(n)=[yk1(n),yk2(n),...,ykP(n)],k=1,2,…,N,为第n次迭代时网络的实际输出;
dk=[dk1,dk2,...,dkP],k=1,2,…,N,为期望输出;
步骤S32:初始化,分别赋予QMI(0),QIJ(0),QJP(0)各一个在(-2.4/F,2.4/F) 之间的随机数,其中F为所连接单元的输入端个数;
步骤S33:随机输入样本Xk,n=0;
步骤S34:对输入样本Xk前向计算BP神经网络中每层神经元的输入值u和输出值v,其中
步骤S35:由期望输出dk和上一步求得的实际输出Yk(n)计算误差E(n),若E (n)≤ε,其中ε为预先设定的学习结束的绝对误差,学习停止;未达到继续步骤 S36;
步骤S36:判断n+1计算步是否大于设定的迭代次数,如大于转至步骤S38,如不大于,则输入样本Xk,反向计算每层神经元的局部梯度δ
步骤S37:计算权值修正量,并修正权值,n=n+1,并转至步骤S34
步骤S38:判断是否学完所有的训练样本,是则结束,否则转至步骤S33。
进一步地,所述步骤S4包括以下步骤:
采集胶结剂组成物料的物理和/或化学特征参数,建立胶结剂开发试验物料数据库,按照胶结剂组成物料的不同配比构建系列试验参数,通过数学加权计算获得待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值,比较充填料浆性能指标值,确定胶结剂配方。
进一步地,所述步骤S4包括以下步骤:
针对特定矿山,通过采集充填料浆各组分的物理和/或化学特征参量,构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。
进一步地,所述步骤S4包括以下步骤:
通过添加物料改善充填料浆的各组分物理和/或化学特征参量构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。本发明具有以下有益效果:
本发明的基于大数据的充填料浆性能指标预测方法,其基于大数据的研究理念,通过输入大量的充填料浆性能试验得到的试验数据或者在线采集充填系统运行过程中的数据来构建充填料浆数据库,然后基于充填料浆数据库中存储的大量数据建立预测模型并对预测模型进行学习训练,以得到一个满足预测精度要求的最佳预测模型,当需要对待预测矿山的充填料浆性能指标进行预测评估时,只需要输入待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量,即可得到待预测矿山的充填料浆性能指标值。本发明的基于大数据的充填料浆性能指标预测方法可以快速、准确地对矿山的充填料浆性能指标进行预测评估,大大降低生产成本,而且随着评估次数的不断增加,数据量不断增加,预测模型的预测精准度也将不断提升。预测模型输出数据可以直接作为充填项目投资评价的依据,提高投资决策的精准度和决策效率。
应用预测模型可以快速地优选出最佳的胶结剂;通过构建胶结剂不同组分特征参数输入预测模型,比较充填料浆性能指标优选出胶结剂的最优组分,为胶结剂的组分改良和胶结剂研发提供方向;大幅度减少试验量,缩短试验周期,降低研究成本。
通过在线收集的实时数据,可以评估充填料浆充入充填区域后的实时性能指标,如单轴抗压强度、抗剪强度等等力学参数,为充填采矿提供设计和施工依据,节省取芯测试的成本,提高矿山生产安全性,为矿山生产规划提供依据。利用数据模型,通过优化矿山充填料浆组成物的各组分物理和/或化学成分,改善充填料浆的性能指标,确定降低矿山充填成本的途径和方式。
通过实时采集的充填料浆数据,输入预测模型,可以得到管道输送的流体力学参数,预测评价管道输送的安全风险,为管道输送事故的预防提供指导和提前预警,自动处理管道输送事故,实现充填站智能化精细管控。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的基于大数据的充填料浆性能指标预测方法的流程示意图。
图2是本发明优选实施例的图1中的步骤S3的子流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种基于大数据的充填料浆性能指标预测方法,其用于对充填采矿法中应用的充填料浆的性能指标进行快速、准确的预测,所述充填料浆性能指标预测方法包括以下步骤:
步骤S1:构建充填料浆数据库,充填料浆数据库中包括充填料浆组成物的各组分物理和/或化学特征参量,以及充填料浆性能指标值;
步骤S2:建立充填料浆性能指标的预测模型;
步骤S3:对充填料浆性能指标的预测模型进行学习训练;
步骤S4:输入待预测矿山的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待预测矿山的充填料浆性能指标值。
可以理解,充填料浆的组成物包括骨料、胶结剂、水,可选的包括一种或多种外加剂,骨料为全尾砂、分级尾砂、破碎后的岩石粉末等等固体物料,胶结剂为水泥、高炉矿渣粉、粉煤灰或者其它具有胶结性能的材料,外加剂包括早强剂、减水剂、缓凝剂、泵送剂、絮凝剂等。物理特征参量包括充填料浆组成物的粒级分布表征参数、强度性能表征参数、形状表征参数、容重、比重和比表面积等等中的一个或多个参量。化学特征参量包括充填料浆组成物的元素或化合物的部分或全部。充填料浆性能指标值包括充填料浆的输送倍线、初始剪切应力、粘度系数、料浆阻力、料浆坍落度、扩散度、粘聚性、泌水率、沉缩率和充填体强度性能参数中的一种或多种,其中充填体强度性能参数包括抗压强度、抗剪强度、抗拉强度、弹性模量、波速等等中的一个或多个。
可以理解,在所述步骤S1具体包括以下步骤:
S11:在设计条件下进行试验以得到充填料浆性能指标试验测试数据,构成充填料浆数据库。设计条件(也称输入参数)指设计的温度、湿度、龄期、灰砂比、浓度、骨料的物理特征参量、骨料的化学特征参量、胶结剂的物理特征参量、胶结剂的化学特征参量等。充填料浆性能指标值(也称输出参数)包括:输送倍线、初始剪切应力、粘度系数、料浆阻力、料浆坍落度、扩散度、粘聚性、泌水率、沉缩率和充填体强度性能参数中的一种或多种,其中充填体强度性能参数包括抗压强度、抗剪强度、抗拉强度、弹性模量、波速等中的一个或多个。试验完成后测试数据以结构化数据H存储于充填料浆知识数据库中。H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1, Xt2,…XtM],输出参数矩阵Y=[Yt1,Yt2,...YtP],其中,t为试验测试的数据组数,M 为输入参数个数,P为输出参数个数,M、P、t均为正整数。可以通过计算机终端采集输入参数和输出参数,并通过网络上传数据到服务器,由输入模块从服务器中读入数据库进行存储,还可选择地传输到云服务器进行存储。
可以理解,所述步骤S1也可以包括以下步骤:
S12:在线采集充填系统运行过程中和充填料浆在充填区域内的特性数据构成充填料浆数据库。采集模块连接有温度传感器、湿度传感器、料浆流量传感器、水泥计量秤、充填料浆浓度计、水流量计、粒度分析仪、化学成分分析仪、超声波检测仪或压电传感器或探地雷达、流变计,采集模块以指定频率在线连续采集上述传感器获取的数据中的一个或多个,并将传感器信号转换为充填料浆性能指标值,然后通过互联网上传数据到服务器,输入模块从服务器中读入数据库进行存储,可选地传输到云服务器进行存储。其中:温度传感器采集充填区域温度、充填站内温度、料浆的温度、料浆固化过程温度;湿度传感器采集充填站湿度、充填区域湿度;料浆流量传感器采集尾砂浆体流量、充填料浆流量;水泥计量秤采集水泥给料量;水流量计采集水量;粒度分析仪分析采集尾砂的粒度组成、胶结剂的粒度组成;化学成分分析仪采集尾砂的化学成分、胶结剂的化学成分;超声波检测仪或压电传感器或探地雷达,采集充填料浆固化过程强度特性参数;流变计采集流变参数。然后通过数据处理或信号转换得到温度、湿度、龄期、灰砂比、浓度、骨料的物理特征参量、骨料的化学特征参量、胶结剂的物理特征参量、胶结剂化学特征参量、初始剪切应力、粘度系数、充填体强度性能参数,并以结构化数据H存储于充填料浆数据库中。H=[Xt1,Xt2,…XtM,Yt1,Yt2,… YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],输出参数矩阵Y=[Yt1,Yt2,…YtP],其中t 为采集的数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数。可以理解,所述步骤S11和步骤S12可以同时进行也可以单独进行。
可以理解,所述步骤S1也可以包括以下步骤:
S13:输入已有试验数据构成充填料浆数据库,其中,数据以结构化数据H存储于充填料浆数据库中。H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,… XtM],输出参数矩阵Y=[Yt1,Yt2,…YtP],其中t为输入的数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数。具体地,充填料浆数据库具有数据输入接口,数据由用户通过数据输入接口输入上传。
可以理解,针对一次预测,步骤S1中的M和P为相同数,且对应列数据指标类型一致,t在充填料浆数据库中是唯一的。另外,步骤S11、S12和S13存储在一个结构类型相同的数据库中。
可以理解,所述步骤S2中建立预测模型的方式可以是基于神经网络、线性回归、模糊预测、灰色理论、统计学、支持向量机等学习算法得到的。
作为优选的,所述步骤S2具体包括以下步骤:
建立BP神经网络预测模型,模型包括输入层、至少一个隐含层、输出层。输入层包括M个节点,隐含层包括并列的若干个节点,输出层包括一个或多个节点,最多P 个节点。隐含层的节点数I参考如下公式进行选择:I1<M-1, I3=log2M,其中,M为输入层节点数,I为隐含层节点数,P为输出层节点数,a为0~10 之间的常数。建立模型时,根据网络收敛速度和预测误差进行比较,采用试错法确定最佳隐含层节点数。
可以理解,如图2所示,在所述步骤S3具体包括以下步骤:
步骤S31:将充填料浆数据库矩阵H按列归一化,H矩阵中元素的值在[-1,1],然后采用随机抽样算法分成训练样本和检验样本,检验样本数量占总样本数量的比例≥5%。
具体地,训练样本Hk=[Xk1,Xk2,…XkP,Yk1,Yk2,…YkP],k=1,2,…,N;k为训练样本的个数。
Yk(n)=[yk1(n),yk2(n),...,ykP(n)],k=1,2,…,N,为第n次迭代时网络的实际输出。
dk=[dk1,dk2,...,dkP],k=1,2,…,N,为期望输出。
步骤S32:初始化,分别赋予QMI(0),QIJ(0),QJP(0)各一个在(-2.4/F,2.4/F) 之间的随机数,其中F为所连接单元的输入端个数。
步骤S33:随机输入样本Xk,n=0;
步骤S34:对输入样本Xk前向计算BP神经网络中每层神经元的输入值u和输出值v,其中
步骤S35:由期望输出dk和上一步求得的实际输出Yk(n)计算误差E(n),若E (n)≤ε,其中ε为预先设定的学习结束的绝对误差,学习停止;未达到继续步骤 S36;
步骤S36:判断n+1计算步是否大于设定的迭代次数,如大于转至步骤S38,如不大于,则输入样本Xk,反向计算每层神经元的局部梯度δ
步骤S37:计算权值修正量,并修正权值,n=n+1,并转至步骤S34;
其中η为学习速率;
步骤S38:判断是否学完所有的训练样本,是则结束,否则转至步骤S33。
所述充填料浆性能指标的预测模型经过学习训练之后,预测模型的预测精度极高,可以用于对充填采矿法中应用的充填料浆的性能进行快速、准确的预测。
可以理解,步骤S4中输入待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量,可以通过经过步骤S3学习训练后的达到预测精度要求的预测模型进行预测,并输出待预测矿山的充填料浆的性能指标值,所述充填料浆的性能指标值即代表着多个充填料浆性能参数的集中体现。例如,输入待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量,根据设计条件,首先构建输入参数向量X预=[X1,X2,… XM],并采取与样本相同的归一化方法进行处理,输入训练后的预测模型,输出待预测矿山的充填料浆的性能指标值Y预=[Y1,Y2,…YP],再反归一化,获得充填料浆的真实性能指标值;或者还可以用于充填胶结剂的优选,通过采集周边胶结剂生产厂家样品,分析矿山可能的充填料浆组成物的各组分物理和/或化学特征参量,构建不同厂家不同型号的输入参数向量X预=[X1,X2,…XM],采取与样本相同的归一化处理,输入训练后模型,输出待预测矿山的充填料浆的性能指标值Y预=[Y1,Y2,…YP],再反归一化,获得充填料浆的真实性能指标值,从而进行胶结剂的优选。
可以理解,所述步骤S4还可以包括以下步骤:
通过添加物料改善充填料浆的各组分物理和/或化学特征参量构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。通过添加粗或细的骨料改善充填料浆的粒径组成,并根据预测结果,反馈调节磨矿工艺参数。
可以理解,所述步骤S4还可以包括以下步骤:
针对特定矿山,通过采集充填料浆各组分的物理和/或化学特征参量,构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。根据预测结果,调节骨料和胶结剂的配合比例,从而获得设计要求的强度,控制胶结剂的消耗量,达到成本控制的目的。
可以理解,作为优选的,所述步骤S4包括以下步骤:
采集胶结剂组成物料的物理和/或化学特征参数,建立胶结剂开发试验物料数据库,按照胶结剂组成物料的不同配比构建系列试验参数,通过数学加权计算获得待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值,比较充填料浆性能指标值,确定胶结剂配方。
可以理解,作为优选的,在步骤S4之后还包括步骤S5:
步骤S5:将步骤S4中输入的待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量和预测模型输出的充填料浆的性能指标值经步骤S1输入至充填料浆数据库中进行存储。
本发明的充填料浆性能指标预测方法,其基于大数据的研究理念,通过输入大量的经过充填料浆性能试验得到的试验数据或者在线采集充填系统运行过程中的数据来构建充填料浆数据库,然后基于充填料浆数据库中存储的大量数据建立预测模型并对预测模型进行学习训练,以得到一个满足预测精度要求的最佳预测模型,当需要对待预测矿山的充填料浆性能指标进行预测评估时,只需要输入待预测矿山的充填料浆组成物的各组分物理和/或化学特征参量,即可得到待预测矿山的充填料浆性能指标值。本发明的充填料浆性能指标预测方法可以快速、准确地对矿山的充填料浆性能指标进行预测评估,大大降低了生产成本,而且随着评估次数的不断增加,数据量不断增加,预测模型的预测精准度也不断提升。预测模型输出数据可以直接作为充填项目投资评价的依据,提高投资决策的精准度和决策效率。
应用预测模型可以快速地优选出最佳的胶结剂;通过构建胶结剂不同组分特征参数输入预测模型,比较充填料浆性能指标优选出胶结剂的最优组分,为胶结剂的组分改良和胶结剂研发提供方向;大幅度减少试验量,缩短试验周期,降低研究成本。
通过在线收集的实时数据,可以评估充填料浆充入充填区域后的实时性能指标,如单轴抗压强度、抗剪强度等等力学参数,为充填采矿提供设计和施工依据,节省取芯测试的成本,提高矿山生产安全性,为矿山生产规划提供依据。利用数据模型,通过优化矿山充填料浆组成物的各组分物理和/或化学成分,改善充填料浆的性能指标,确定降低矿山充填成本的途径和方式。
通过实时采集的充填料浆数据,输入预测模型,可以得到管道输送的流体力学参数,预测评价管道输送的安全风险,为管道输送事故的预防提供指导和提前预警,自动处理管道输送事故,实现充填站智能化精细管控。
通过在线收集的实时数据,可以评估充填料浆充入充填区域后的实时性能指标,如单轴抗压强度、抗剪强度等等力学参数,为充填采矿提供设计和施工依据,节省取芯测试的成本,提高矿山生产安全性,为矿山生产规划提供依据。利用数据模型,通过优化矿山充填料浆组成物的各组分物理和/或化学成分,改善充填料浆的性能指标,确定降低矿山充填成本的途径和方式。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据的充填料浆性能指标预测方法,用于对充填采矿法中应用的充填料浆的性能指标进行快速、准确的预测,其特征在于:
其包括以下步骤:
步骤S1:构建充填料浆数据库,充填料浆数据库中包括充填料浆组成物的各组分物理和化学特征参量,以及充填料浆性能指标值;
步骤S2:建立充填料浆性能指标的预测模型;
步骤S3:对充填料浆性能指标的预测模型进行学习训练;
步骤S4:输入待预测矿山的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待预测矿山的充填料浆性能指标值;
所述步骤S1包括以下步骤:
步骤S11:在设计条件下进行试验以得到充填料浆性能指标试验测试数据,构成充填料浆数据库,设计的输入参数指设计的温度、湿度、龄期、灰砂比、浓度、骨料的物理特征参量、骨料的化学特征参量、胶结剂的物理特征参量、胶结剂的化学特征参量,设计的输出参数包括输送倍线、初始剪切应力、粘度系数、料浆阻力、料浆坍落度、扩散度、粘聚性、泌水率、沉缩率和充填体强度性能参数中的一种或多种,通过计算机终端采集输入参数和输出参数,并通过网络上传数据到服务器,由输入模块从服务器中读入数据库进行存储,其中测试数据以结构化数据H进行存储,H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],包括充填料浆组成物的各组分物理和化学特征参量;输出参数矩阵Y=[Yt1,Yt2,...YtP],为充填料浆性能指标值,其中,t为试验测试数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数;
步骤S12:在线采集充填系统运行过程中和充填料浆在充填区域内的特征数据以构成充填料浆数据库,采集模块连接有温度传感器、湿度传感器、料浆流量传感器、水泥计量秤、充填料浆浓度计、水流量计、粒度分析仪、化学成分分析仪、超声波检测仪或压电传感器或探地雷达、流变计,采集模块以指定频率在线连续采集上述传感器获取的数据中的一个或多个,并将传感器信号转换为充填料浆性能指标值,然后通过互联网上传数据到服务器,输入模块从服务器中读入数据库进行存储,采集的数据以结构化数据H进行存储,H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],为充填料浆组成物的各组分物理和化学特征参量;输出参数矩阵Y=[Yt1,Yt2,...YtP],为充填料浆性能指标值,其中,t为采集的数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数;
步骤S13:输入已有试验数据构成充填料浆数据库,其中,数据以结构化数据H存储于充填料浆数据库中,H=[Xt1,Xt2,…XtM,Yt1,Yt2,…YtP],输入参数矩阵X=[Xt1,Xt2,…XtM],输出参数矩阵Y=[Yt1,Yt2,…YtP],其中t为输入的数据组数,M为输入参数个数,P为输出参数个数,M、P、t均为正整数;
所述步骤S3具体包括以下步骤:
步骤S31:将充填料浆数据库矩阵H按列归一化,H矩阵中元素的值在[-1,1],然后采用随机抽样算法分成训练样本和检验样本,检验样本数量占总样本数量的比例≥5%,
训练样本Hk=[Xk1,Xk2,…XkM,Yk1,Yk2,…YkP],k=1,2,…,N;k为训练样本的个数;
Yk(n)=[yk1(n),yk2(n),...,ykP(n)],k=1,2,…,N,为第n次迭代时网络的实际输出;
dk=[dk1,dk2,...,dkP],k=1,2,…,N,为期望输出;
步骤S32:初始化,分别赋予QMI(0),QIJ(0),QJP(0)各一个在(-2.4/F,2.4/F)之间的随机数,其中F为所连接单元的输入端个数;
步骤S33:随机输入样本Xk,n=0;
步骤S34:对输入样本Xk前向计算BP神经网络中每层神经元的输入值u和输出值v,其中
步骤S35:由期望输出dk和上一步求得的实际输出Yk(n)计算误差E(n),若E(n)≤ε,其中ε为预先设定的学习结束的绝对误差,学习停止;未达到继续步骤S36;
步骤S36:判断n+1计算步是否大于设定的迭代次数,如大于转至步骤S38,如不大于,则输入样本Xk,反向计算每层神经元的局部梯度δ
步骤S37:计算权值修正量,并修正权值,n=n+1,并转至步骤S34
其中η为学习速率;
步骤S38:判断是否学完所有的训练样本,是则结束,否则转至步骤S33。
2.如权利要求1所述的充填料浆性能指标预测方法,其特征在于:
所述步骤S2中基于神经网络、线性回归、模糊预测、灰色理论、统计学或支持向量机建立预测模型。
4.如权利要求3所述的充填料浆性能指标预测方法,其特征在于:
所述步骤S2还包括以下步骤:
根据网络收敛速度和预测误差进行比较,采用试错法确定最佳隐含层节点数。
5.如权利要求1所述的充填料浆性能指标预测方法,其特征在于:
所述步骤S4包括以下步骤:
采集胶结剂组成物料的物理和/或化学特征参数,建立胶结剂开发试验物料数据库,按照胶结剂组成物料的不同配比构建系列试验参数,通过数学加权计算获得待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值,比较充填料浆性能指标值,确定胶结剂配方。
6.如权利要求1所述的充填料浆性能指标预测方法,其特征在于:
所述步骤S4包括以下步骤:
针对特定矿山,通过采集充填料浆各组分的物理和/或化学特征参量,构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。
7.如权利要求1所述的充填料浆性能指标预测方法,其特征在于:
所述步骤S4包括以下步骤:
通过添加物料改善充填料浆的各组分物理和/或化学特征参量构成一组待预测的充填料浆组成物的各组分特征参数,利用训练后的预测模型输出待测的充填料浆性能指标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246673.8A CN110008566B (zh) | 2019-03-29 | 2019-03-29 | 基于大数据的充填料浆性能指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246673.8A CN110008566B (zh) | 2019-03-29 | 2019-03-29 | 基于大数据的充填料浆性能指标预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008566A CN110008566A (zh) | 2019-07-12 |
CN110008566B true CN110008566B (zh) | 2021-08-31 |
Family
ID=67168744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910246673.8A Active CN110008566B (zh) | 2019-03-29 | 2019-03-29 | 基于大数据的充填料浆性能指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008566B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160489A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 基于大数据的多维对标分析服务器、系统、方法及电子终端 |
CN111723899B (zh) * | 2020-06-01 | 2023-09-15 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086519A (zh) * | 2018-08-01 | 2018-12-25 | 长沙理工大学 | 自适应施工环境的灌浆参数计算方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8634940B2 (en) * | 2006-10-31 | 2014-01-21 | Rockwell Automation Technologies, Inc. | Model predictive control of a fermentation feed in biofuel production |
CN104820870A (zh) * | 2015-04-30 | 2015-08-05 | 中国矿业大学 | 一种胶结充填材料力学性能预测方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
-
2019
- 2019-03-29 CN CN201910246673.8A patent/CN110008566B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086519A (zh) * | 2018-08-01 | 2018-12-25 | 长沙理工大学 | 自适应施工环境的灌浆参数计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110008566A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yaman et al. | Predicting the ingredients of self compacting concrete using artificial neural network | |
Deepa et al. | Prediction of the compressive strength of high performance concrete mix using tree based modeling | |
Jafari et al. | Lightweight concrete design using gene expression programing | |
Ji et al. | A concrete mix proportion design algorithm based on artificial neural networks | |
Haghshenas et al. | A new conventional criterion for the performance evaluation of gang saw machines | |
Kaveh et al. | M5'and Mars based prediction models for properties of self-compacting concrete containing fly ash | |
Manouchehrian et al. | Application of artificial neural networks and multivariate statistics to estimate UCS using textural characteristics | |
Orejarena et al. | Artificial neural network based modeling of the coupled effect of sulphate and temperature on the strength of cemented paste backfill | |
CN110008566B (zh) | 基于大数据的充填料浆性能指标预测方法 | |
Bachir et al. | Using artificial neural networks approach to estimate compressive strength for rubberized concrete | |
Hussan et al. | Modelling asphalt pavement analyzer rut depth using different statistical techniques | |
Sun et al. | Development of an ensemble intelligent model for assessing the strength of cemented paste backfill | |
Ma et al. | Estimating the compressive strength of cement-based materials with mining waste using support vector machine, decision tree, and random forest models | |
CN106650102A (zh) | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 | |
Akpinar et al. | Intelligent prediction of concrete carbonation depth using neural networks | |
CN113554222A (zh) | 一种胶结坝广源化胶结料动态优化和智能调控配置方法 | |
Czinder et al. | Strength and abrasive properties of andesite: Relationships between strength parameters measured on cylindrical test specimens and micro-Deval values—a tool for durability assessment | |
Eskandari et al. | Effect of 32.5 and 42.5 cement grades on ANN prediction of fibrocement compressive strength | |
Liu et al. | Optimizing asphalt mix design through predicting effective asphalt content and absorbed asphalt content using machine learning | |
Aladejare et al. | Soft computing-based models for predicting the characteristic impedance of igneous rock from their physico-mechanical properties | |
Amoosoltani et al. | Employing a hybrid GA-ANN method for simulating fracture toughness of RCC mixture containing waste materials | |
Wijekoon et al. | A mathematical model to predict the porosity and compressive strength of pervious concrete based on the aggregate size, aggregate-to-cement ratio and compaction effort | |
Mikaeil et al. | Fuzzy classification of rock engineering indices using rock texture characteristics | |
Zhong et al. | Strength prediction of similar materials to ionic rare earth ores based on orthogonal test and back propagation neural network | |
Fakhri et al. | Determining optimal combination of roller compacted concrete pavement mixture containing recycled asphalt pavement and crumb rubber using hybrid artificial neural network–genetic algorithm method considering energy absorbency approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |