CN110705920A - 一种大数据环境下多隐层bp网络预测水泥强度方法 - Google Patents
一种大数据环境下多隐层bp网络预测水泥强度方法 Download PDFInfo
- Publication number
- CN110705920A CN110705920A CN201911067578.8A CN201911067578A CN110705920A CN 110705920 A CN110705920 A CN 110705920A CN 201911067578 A CN201911067578 A CN 201911067578A CN 110705920 A CN110705920 A CN 110705920A
- Authority
- CN
- China
- Prior art keywords
- layer
- cement
- neural network
- strength
- initial
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明具体涉及一种大数据环境下多隐层BP网络预测水泥强度方法,一:建立水泥强度评估指标系统。二:获取水泥强度评估指标系统的数据;数据为收集整理水泥企业历年来每批水泥的强度试验检测报告数据,和收集获取国内外其他同类水泥企业的水泥强度试验检测数据来获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值,获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值。三建立初始的多隐含层的BP神经网络模型;结构采用包含3个隐含层的BP网络:将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出。本方法是一种简单易用、快速高效的预测水泥熟料各龄期的抗压强度的方法。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种大数据环境下多隐层BP网络预测水泥强度方法。
背景技术
硅酸盐水泥的质量在国民经济基础建设和人民住房条件的改善等方面起着重要的作用,而硅酸盐水泥的质量直接影响硅酸盐水泥各龄期的抗压、抗折强度。硅酸盐水泥的质量主要由熟料中的矿物质成分决定。熟料中各种矿物质在水泥水化硬化过程中进行了一系列复杂的化学反应,所以熟料中各种矿物质及相对含量对水泥强度的影响关系非常复杂,无法用简单的函数关系来表示。工业生产和科研实验中水泥熟料强度的测定:国际水泥强度测试法,采用o.s固定水灰比1:3,按一定流程在叶片式搅拌机内搅拌成塑性胶砂。在三联式试模内分两层装人,在悬臂式振动台振实,削平后在相对湿度大于50%,温度20℃的养护箱内养护24h后脱模,将试体放人20℃水中养护,在相对湿度大于90%条件下养护到规定龄期3天、7天或28天。将样品取出后快速送到试验台进行强度测试,先做抗折强度试验,再将折断的两截试体抗压强度试验。经试验结果计算出试验报告。通过对水泥制品3天、7天、28天的抗折、抗压强度的测定来确定水泥的强度。这种方法虽然可以较精确地测定熟料的强度,但要花费很长的时间才能获得测定结果。水泥熟料强度试验非常耗时,样品的养护条件要求很高,试验过程用到的仪器设备众多。
水泥企业质量控制部门一般依据熟料化学成分及计算矿物组成等,凭经验估计熟料强度,确定混合材掺量.但这种经验数据较为模糊,只能做定性分析,不能作定量分析,偏差较大,而且有些熟料早期强度高,后期强度低,或早期强度低,后期强度高,易引起判断上的失误,为了确保水泥强度达到要求,往往采取加大保险系数的做法,减少混合材掺量,致使水泥超标号现象严重.怎样才能快速而又准确预测熟料强度,水泥企业为缓解水泥熟料占库时间,缩短销售周期,在预测水泥熟料强度方面,投入了大量人力物力,进行了系统研究。
发明内容
1.所要解决的技术问题:
针对上述技术问题,本发明提供一种利用大数据深度学习的多隐层BP网络预测水泥强度方法。本方法熟料矿物组成及各矿物对熟料抗折强度及抗压强度的影响,利用实验数据,应用熟料抗压强度与矿物组成的相关性利用人工神经网络能很好地拟合复杂非线性关系的特点,对水泥熟料各龄期的抗压、抗折强度进行预测。
2.技术方案:
一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:包括以下步骤:
步骤一:建立水泥强度评估指标系统;水泥强度评估指标系统包括水泥熟料的矿物组成、水泥试体的养护条件及天数、不同龄期的抗折强度、抗压强度;所述水泥强度评估指标为根据每批水泥的矿物成分按照国际水泥强度测试法及固定水灰比制成的试体在20℃的恒温箱中养护到3天、7天和28天的抗压强度与抗折强度。
步骤二:获取水泥强度评估指标系统的数据;数据为收集整理水泥企业历年来每批水泥的强度试验检测报告数据,和收集获取国内外其他同类水泥企业的水泥强度试验检测数据来获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值,从而获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值。
步骤三:建立初始的多隐含层的BP神经网络模型;本神经网络结构采用包含3个隐含层的BP网络:将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出。
将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出,对初始BP神经网络模型进行优化,得到优化好的BP神经网络模型,将步骤二获取的数据输入优化好的BP神经网络模型,BP神经网络模型,输出评估等级。
所述述6维的特征矩阵为步骤二采集的数据中水泥样品的成分含量,具体为硅酸三钙C3S的含量、硅酸二钙C2S的含量、铝酸三钙C3A的含量、铁铝酸四钙C4AF的含量、游离氧化钙FCao的含量以及熟料中的碱的含量。
所述6个神经元具体为3天的抗折强度、3天的抗压强度、7天的抗折强度、7天的抗压强度、28天的抗折强度、28天的抗压强度。
所述输出的评估等级分别为好、较好、一般、较差和差。
进一步地,所述步骤三的具体过程为:
建立初始BP神经网络模型:初始BP神经网络设置为五层拓扑结构,将输入层与输出层都设置为一层,将中间的隐含层设置为三层,将5000作为初始神经网络的初始迭代次数,将0.1作为初始神经网络的初始学习率,初始隐含层节点数量设置为12个。
6维的特征矩阵作为初始神经网络的输入,6个神经元作为初始神经网络的输出,初始BP神经网络的拓扑结构为6×12×12×12×6。
所述6维的特征矩阵为硅酸三钙C3S的含量、硅酸二钙C2S的含量、铝酸三钙C3A的含量、铁铝酸四钙C4AF的含量、游离氧化钙FCao的含量以及熟料中的碱的含量。
所述6个神经元为步骤二采集6个神经元具体为3天的抗折强度、3天的抗压强度、7天的抗折强度、7天的抗压强度、28天的抗折强度、28天的抗压强度的评估等级。
对初始BP神经网络模型进行优化,得到BP神经网络模型的过程为:
从隐含层节点数,激活函数和学习率三个方面对模型进行优化,隐含层激活函数采S型双曲正切函数,输出层激活函数选用线性函数,训练次数设置为5000次,学习率设置为0.1,目标函数类型为均方误差,训练算法选用Adam算法,最终得到BP神经网络的结构为:网络包括输入和输出层各1层,中间为3隐含层,输入节点数设置6个神经元,双隐含层节点数都设置为12个,输出节点数设置为4个神经元。
进一步地,建立初始的多隐含层的BP神经网络模型包括对初始的多隐含层的BP神经网络模型进行每层的激活函数;具体过程为:BP网络的误差反向传播采用的算法是梯度下降法,其连接权的调整公式:
(1)式中,wij(t)和wij(t+1)分别为第t次和第t+1次训练的节点i和节点j之间的连接权;在梯度下降法公式用到各节点激活函数的偏导数,BP网络要求激活函数处处可微;
输入层:输入层的输出信号等于输入信号,即oj=ij;(2)
隐含层激活函数:采用S型双曲正切函数tansig,即
f(x)=(ex-e-x)/(ex+e-x) (3)
输出层函数:输出层采用线性函数,能够使网络输出任何值;
进一步地,还包括对样本数据集的预处理;具体为:首先对样本数据进行的筛选和分类;然后对样本数据进行预处理:将收集到的样本随机地分成两部分,一部分为训练集,另一部分为测试集带入进行训练测试;测试之前将样本数据进行标准化处理;采用归一化方法进行标准化处理;过程如下:
Xi q=((Xi q-Xi,min)/(Xi,max-Xi,min)
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
样本归一化处理后的数值在0.2-0.8之间。
进一步地,所述对训练样本进行归一化处理的公式为:
Xi q=(0.8-0.2)*(Xi q-Xi,min)/(Xi,max-Xi,min)+0.2
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
并对预测输出的结果数据进行反预处理算法:
Xi=(Yi-0.2)*(Xi,max-Xi,min)/(0.8-0.2)+Xi,min。
进一步地,优化过程还包括使用尝试法对初始网络进行训练和检验;具体为:对初始BP神经网络模型使用尝试法不断调整隐含层的神经元数目,然后用训练样本集数据进行训练、用测试样本集数据测试,训练和测试交替进行;BP网络训练的具体步骤为:
S31用较小的随机数对网络每一层的权值w和偏差B进行初始化,以保证网络不被大的加权输入饱和,并设定期望误差最小值ε、最大循环次数及学习速率;
S32计算网络输出矢量Y及网络误差E;
S33计算各层反传的误差变化值,并计算各层权值的修正值及新权值;
S34再次计算权值修正后的误差平方和SSE;
S35若SSE<ε,训练结束;否则,继续训练。
3.有益效果:
本发明利用大数据深度学习的多层BP神经网络快速预测水泥各龄期强度的系统,这对水泥生产企业来说是一种简单易用、快速高效的预测水泥熟料各龄期的抗压强度以及抗折强度的好方法。通过对已知样本的检验,表明本文所述系统可以取得较好的预测效果。
附图说明
图1为本方法的流程图。
具体实施方式
下面结合附图对本发明进行具体的说明。
如附图1所示,一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:包括以下步骤:
步骤一:建立水泥强度评估指标系统;水泥强度评估指标系统包括水泥熟料的矿物组成、水泥试体的养护条件及天数、不同龄期的抗折强度、抗压强度;所述水泥强度评估指标为根据每批水泥的矿物成分按照国际水泥强度测试法及固定水灰比制成的试体在20℃的恒温箱中养护到3天、7天和28天的抗压强度与抗折强度。
步骤二:获取水泥强度评估指标系统的数据;网络的性能与训练用的样本密切相关,设计一个好的训练样本集既要注意样本规模,又要注意样本质量。一般来说样本数n越多,训练结果越能正确反映其内在规律。包括一是收集整理某水泥企业历年来每批水泥的强度试验检测报告数据,二是在大数据环境下通过多种途径收集获取国内外其他同类水泥企业的水泥强度试验检测数据来获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值,从而构成足够大的训练样本数据集和测试样本数据集,对BP神经网络进行更加有效的训练和测试,进而利用经过大数据样本集训练以及测试的BP网络更好地来预测水泥的各龄期抗折强度和抗压强度。
步骤三:建立初始的多隐含层的BP神经网络模型;单个隐含层神经网络的非线性映射能力较弱,可以适当增加隐含层增强网络的非线性映射能力,提高BP网络的预测准确性;实验证明,通常有5层或6层并增加特征学习对网络的训练非常重要,可以使网络更好地揭示样本数据集中隐含的变化趋势和规律特征,训练后的网络对需要预测的数据进行更好的判断。综合考虑网络的复杂性、训练的难易程度以及预测结果的准确性等因素,经过测试比较本专利所用的神经网络结构采用包含3个隐含层的BP网络:输入层—隐层1—隐层2—隐层3—输出层。将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出。
每层的激活函数;BP网络的误差反向传播采用的算法是梯度下降法,其连接权的调整公式:
其中,wij(t)和wij(t+1)分别为第t次和第t+1次训练的节点i和节点j之间的连接权。在梯度下降法公式用到各节点激活函数的偏导数,所以BP网络要求激活函数处处可微。
输入层:输入层的输出信号等于输入信号,即oj=ij;
隐含层激活函数:采用S型双曲正切函数tansig,即
f(x)=(ex-e-x)/(ex+e-x)
输出层函数:输出层一般采用线性函数,可使网络输出任何值。
样本数据集的预处理;首先进行样本数据的筛选和分类;样本数据筛选时要注意样本数据具有代表性,还要注意样本类别的均衡;样本的组织要注意将不同类别的样本交叉输入;然后对样本数据进行预处理;网络的训练测试,测试标准是看网络是否有好的泛化能力。测试做法:不用样本训练集中的数据测试。一般是将收集到的可用样本随机地分成两部分,一部分为训练集,另一部分为测试集。若训练样本误差很小,而对测试集的样本误差很大,泛化能力差。一般在实际应用中,由于所采用的数据跨度较大,为了便于进行为了训练,防止出现“过拟合”的现象,需要将数据进行标准化处理。在实践中发现,采用归一化方法进行标准化处理的效果较好。
Xi q=((Xi q-Xi,min)/(Xi,max-Xi,min)
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
经过训练的神经网络具有泛化能力,使网络能对给定范围内的其他待测样本输出符合精度要求的结果,即神经网络具有内插求解能力,但神经网络不具有外推求解能力。为了使设计的神经网络具有一定的外推能力,最好使样本归一化处理后的数值在0.2-0.8之间,而不是在0-1.0之间,把0-0.2和0.8-1.0作为预留的外推空间。
(1)对训练样本进行适当筛选并进行归一化预处理,归一化处理一般用以下公式:
Xi q=(0.8-0.2)*(Xi q-Xi,min)/(Xi,max-Xi,min)+0.2
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
(2)对预测输出的结果数据进行反预处理算法:
Xi=(Yi-0.2)*(Xi,max-Xi,min)/(0.8-0.2)+Xi,min
使用尝试法对初始网络进行训练和检验;对初始BP神经网络模型使用尝试法不断调整隐含层的神经元数目,然后用训练样本集数据进行训练、用测试样本集数据测试,训练和测试交替进行。BP网络训练步骤:
S31用较小的随机数(或选定值)对网络每一层的权值w和偏差B进行初始化,以保证网络不被大的加权输入饱和,因为一旦进入S型曲线的饱和区,网络训练(误差调整)就变得很慢。并设定期望误差最小值ε、最大循环次数及学习速率。
S32计算网络输出矢量Y及网络误差E.
S33计算各层反传的误差变化值,并计算各层权值的修正值及新权值。
S34再次计算权值修正后的误差平方和SSE。
S35若SSE<ε,训练结束;否则,继续训练。
训练时,如果网络结构太复杂、隐层节点数过多或学习速率太小,会导致网络收敛太慢,训练时间过长,这样神经网络可能会把训练数据集的所有细节信息都“记”下来,而不是建立一个忽略细节只具有规律性的模型,这种现象称为“训练过度”。一个训练过度的神经网络,对训练集中的样本会有很高的精度,但一旦离开训练集应用到其他数据,准确率可能急剧下降,即泛化能力较差。为了防止训练过度,在网络设计好后,可以准备一个训练样本集和一个测试样本集,在训练过程中每隔一段时间,用测试样本检测输出误差(均方差),一旦测试样本的正确率不再上升甚至反而下降时就停止训练。
利用训练好的BP网络预测水泥制品各龄期的抗折强度和抗压强度。
BP网络虽然训练速度较慢,但训练好后用来预测样品的速度却很快,精度也较高。
推广应用:不同企业生产的水泥品种不同,矿物成分不同,从而使得不同品种水泥在相同龄期的抗压及抗折强度差别较大,所以需要对不同类型的水泥使用相应水泥样品的数据训练出不同的神经网络。
本发明中所用的人工神经网络是利用MATLAB神经网络工具箱中的BP网络,这样可以节省大量的编程时间,而将主要精力集中在如何更好地解决问题以及系统的设计上。利用MATLAB神经网络工具箱进行具体的神经网络设计时,首先根据具体问题确定输入矢量X和输出的目标矢量Y;然后确定要设计的神经网络结构,包括确定:网络层数、每层的神经元数、每层的激活函数。
1、网络的层数,单个隐含层神经网络的非线性映射能力较弱,增加隐含层的数目,可以降低误差,提高精度,但会使网络结构复杂化,从而增加网络权值的训练时间。本发明的神经网络结构采用包含3个隐含层的BP网络:输入层—隐层1—隐层2—隐层3—输出层。
2.每层的神经元数,输入层的神经元数由输入变量数决定,输出层的神经元数由输出变量数决定;而隐含层的神经元数的确定相对比较复杂,理论上没有明确的规定,可以在一个较宽的范围内选择。一般在具体设计时用尝试法来确定,即用隐含层不同的神经元数分别进行训练,比较误差精度和收敛速度,选定合适的神经元数。在满足问题要求的前提下,应选择较简单的网络。包括:
(1)输入层的神经元数:由水泥熟料强度的影响因素确定。
C3S、C2S、C3A、C4AF:这是水泥熟料中最重要的四种矿物成分,
FCao:游离氧化钙水化过程很慢,且体积膨胀率很大,导致水泥制品内部产生膨胀应力而影响制品的质量。所以FCao作为一个输入参数。
R2O:熟料中的碱,会使C3A、C4AF的水化加快,含碱水泥的早期强度较高,但28d后的强度有所下降,所以R2O作为一个输入参数。
熟料的强度还受到一些其他因素的影响,但由于含量很少,影响不大,为了不使网络过于复杂,便于网络训练,本发明只选取以上6个最主要的影响因素作为网络的输入参数,忽略其他次要因素,所以网络的输入层神经元数定为6。
输出层的神经元数:需要预测3d和28d的抗压、抗折强度,所以输出层神经元数定为6。
各隐含层的神经元数:通过隐含层不同节点数进行训练对比,要求既有较小的输出误差,又有较快的收敛速度。本发明采用3个隐含层节点数均定为12。
3.每层的激活函数
输入层的激活函数:输入层的输出信号等于输入信号,即oj=ij;
隐含层激活函数:采用S型双曲正切函数tansig,即
f(x)=(ex-e-x)/(ex+e-x)
输出层函数:输出层一般采用线性函数,可使网络输出任何值。
3.其他参数的确定:本发明设定较小的初始学习速率为0.1,以免引起网络震荡。为了防止网络训练过度,当误差小于指定的允许误差或达到最大训练次数就停止训炼。因此需要设定最大训练次数,本文设为5000。目标误差根据具体问题设定为0.01。
具体实施例:
利用收集得到的待测水泥的硅酸三钙C3S的含量、硅酸二钙C2S的含量、铝酸三钙C3A的含量、铁铝酸四钙C4AF的含量、游离氧化钙FCao的含量以及熟料中的碱的含量,输入多隐含层的BP神经网络模型,利用训练好的BP神经网络,输出该待测水泥的熟料的3天的抗折强度、3天的抗压强度、7天的抗折强度、7天的抗压强度、28天的抗折强度、28天的抗压强度。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明的,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (6)
1.一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:包括以下步骤:
步骤一:建立水泥强度评估指标系统;水泥强度评估指标系统包括水泥熟料的矿物组成、水泥试体的养护条件及天数、不同龄期的抗折强度、抗压强度;所述水泥强度评估指标为根据每批水泥的矿物成分按照国际水泥强度测试法及固定水灰比制成的试体在20℃的恒温箱中养护到3天、7天和28天的抗压强度与抗折强度;
步骤二:获取水泥强度评估指标系统的数据;数据为收集整理水泥企业历年来每批水泥的强度试验检测报告数据,和收集获取国内外其他同类水泥企业的水泥强度试验检测数据来获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值,从而获取不同成分的样品在不同的天数时的抗压强度值与抗折强度值;
步骤三:建立初始的多隐含层的BP神经网络模型;本神经网络结构采用包含3个隐含层的BP网络:将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出;
将6维的特征矩阵作为初始BP神经网络模型的输入,6个神经元作为初始BP神经网络的输出,对初始BP神经网络模型进行优化,得到优化好的BP神经网络模型,将步骤二获取的数据输入优化好的BP神经网络模型,BP神经网络模型,输出评估等级;
所述述6维的特征矩阵为步骤二采集的数据中水泥样品的成分含量,具体为硅酸三钙C3S的含量、硅酸二钙C2S的含量、铝酸三钙C3A的含量、铁铝酸四钙C4AF的含量、游离氧化钙FCao的含量以及熟料中的碱的含量;
所述6个神经元具体为3天的抗折强度、3天的抗压强度、7天的抗折强度、7天的抗压强度、28天的抗折强度、28天的抗压强度;
所述输出的评估等级分别为好、较好、一般、较差和差。
2.根据权利要求1所述的一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:所述步骤三的具体过程为:
建立初始BP神经网络模型:初始BP神经网络设置为五层拓扑结构,将输入层与输出层都设置为一层,将中间的隐含层设置为三层,将5000作为初始神经网络的初始迭代次数,将0.1作为初始神经网络的初始学习率,初始隐含层节点数量设置为12个;
6维的特征矩阵作为初始神经网络的输入,6个神经元作为初始神经网络的输出,初始BP神经网络的拓扑结构为6×12×12×12×6;
所述6维的特征矩阵为硅酸三钙C3S的含量、硅酸二钙C2S的含量、铝酸三钙C3A的含量、铁铝酸四钙C4AF的含量、游离氧化钙FCao的含量以及熟料中的碱的含量;
所述6个神经元为步骤二采集6个神经元具体为3天的抗折强度、3天的抗压强度、7天的抗折强度、7天的抗压强度、28天的抗折强度、28天的抗压强度的评估等级;
对初始BP神经网络模型进行优化,得到BP神经网络模型的过程为:
从隐含层节点数,激活函数和学习率三个方面对模型进行优化,隐含层激活函数采S型双曲正切函数,输出层激活函数选用线性函数,训练次数设置为5000次,学习率设置为0.1,目标函数类型为均方误差,训练算法选用Adam算法,最终得到BP神经网络的结构为:网络包括输入和输出层各1层,中间为3隐含层,输入节点数设置6个神经元,双隐含层节点数都设置为12个,输出节点数设置为4个神经元。
3.根据权利要求2所述的一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:建立初始的多隐含层的BP神经网络模型包括对初始的多隐含层的BP神经网络模型进行每层的激活函数;具体过程为:BP网络的误差反向传播采用的算法是梯度下降法,其连接权的调整公式:
(1)式中,wij(t)和wij(t+1)分别为第t次和第t+1次训练的节点i和节点j之间的连接权;在梯度下降法公式用到各节点激活函数的偏导数,BP网络要求激活函数处处可微;输入层:输入层的输出信号等于输入信号,即oj=ij;(2)
隐含层激活函数:采用S型双曲正切函数tansig,即
f(x)=(ex-e-x)/(ex+e-x) (3)
输出层函数:输出层采用线性函数,能够使网络输出任何值。
4.根据权利要求2所述的一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:还包括对样本数据集的预处理;具体为:首先对样本数据进行的筛选和分类;然后对样本数据进行预处理:将收集到的样本随机地分成两部分,一部分为训练集,另一部分为测试集带入进行训练测试;
测试之前将样本数据进行标准化处理;采用归一化方法进行标准化处理;过程如下:
Xi q=((Xi q-Xi,min)/(Xi,max-Xi,min)
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
样本归一化处理后的数值在0.2-0.8之间。
5.根据权利要求4所述的一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:所述对训练样本进行归一化处理的公式为:
Xi q=(0.8-0.2)*(Xi q-Xi,min)/(Xi,max-Xi,min)+0.2
其中,Xi,max=max(Xi 1,Xi 2,…,Xi p)
Xi,min=min(Xi 1,Xi 2,…,Xi p)
并对预测输出的结果数据进行反预处理算法:
Xi=(Yi-0.2)*(Xi,max-Xi,min)/(0.8-0.2)+Xi,min。
6.根据权利要求2所述的一种大数据环境下多隐层BP网络预测水泥强度方法,其特征在于:优化过程还包括使用尝试法对初始网络进行训练和检验;具体为:对初始BP神经网络模型使用尝试法不断调整隐含层的神经元数目,然后用训练样本集数据进行训练、用测试样本集数据测试,训练和测试交替进行;BP网络训练的具体步骤为:
S31用较小的随机数对网络每一层的权值w和偏差B进行初始化,以保证网络不被大的加权输入饱和,并设定期望误差最小值ε、最大循环次数及学习速率;
S32计算网络输出矢量Y及网络误差E;
S33计算各层反传的误差变化值,并计算各层权值的修正值及新权值;
S34再次计算权值修正后的误差平方和SSE;
S35若SSE<ε,训练结束;否则,继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067578.8A CN110705920A (zh) | 2019-11-04 | 2019-11-04 | 一种大数据环境下多隐层bp网络预测水泥强度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067578.8A CN110705920A (zh) | 2019-11-04 | 2019-11-04 | 一种大数据环境下多隐层bp网络预测水泥强度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705920A true CN110705920A (zh) | 2020-01-17 |
Family
ID=69204940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911067578.8A Withdrawn CN110705920A (zh) | 2019-11-04 | 2019-11-04 | 一种大数据环境下多隐层bp网络预测水泥强度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705920A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
CN114169567A (zh) * | 2021-10-28 | 2022-03-11 | 北京金隅水泥节能科技有限公司 | 一种水泥熟料性能预测方法 |
CN116822753A (zh) * | 2023-08-30 | 2023-09-29 | 北京建筑大学 | 基于神经网络的电动淋洗修复底泥预测优化方法及系统 |
CN117030635A (zh) * | 2023-10-09 | 2023-11-10 | 自贡市凤祥化工有限公司 | 一种基于多指标测定的硫酸铝的质量分析方法 |
CN117174219A (zh) * | 2023-11-02 | 2023-12-05 | 济南大学 | 基于隐变量模型的水泥强度条件概率分布估计方法及系统 |
CN117174218A (zh) * | 2023-11-02 | 2023-12-05 | 济南大学 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
-
2019
- 2019-11-04 CN CN201911067578.8A patent/CN110705920A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
CN114169567A (zh) * | 2021-10-28 | 2022-03-11 | 北京金隅水泥节能科技有限公司 | 一种水泥熟料性能预测方法 |
CN116822753A (zh) * | 2023-08-30 | 2023-09-29 | 北京建筑大学 | 基于神经网络的电动淋洗修复底泥预测优化方法及系统 |
CN116822753B (zh) * | 2023-08-30 | 2023-11-03 | 北京建筑大学 | 基于神经网络的电动淋洗修复底泥预测优化方法及系统 |
CN117030635A (zh) * | 2023-10-09 | 2023-11-10 | 自贡市凤祥化工有限公司 | 一种基于多指标测定的硫酸铝的质量分析方法 |
CN117030635B (zh) * | 2023-10-09 | 2023-12-15 | 自贡市凤祥化工有限公司 | 一种基于多指标测定的硫酸铝的质量分析方法 |
CN117174219A (zh) * | 2023-11-02 | 2023-12-05 | 济南大学 | 基于隐变量模型的水泥强度条件概率分布估计方法及系统 |
CN117174218A (zh) * | 2023-11-02 | 2023-12-05 | 济南大学 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
CN117174218B (zh) * | 2023-11-02 | 2024-01-26 | 济南大学 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
CN117174219B (zh) * | 2023-11-02 | 2024-02-02 | 济南大学 | 基于隐变量模型的水泥强度条件概率分布估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705920A (zh) | 一种大数据环境下多隐层bp网络预测水泥强度方法 | |
Kim et al. | Application of neural networks for estimation of concrete strength | |
Liang et al. | Prediction of compressive strength of concrete in wet‐dry environment by BP artificial neural networks | |
US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
KR100774301B1 (ko) | 콘크리트 압축강도의 예측방법 | |
Agrawal et al. | Prediction of slump in concrete using artificial neural networks | |
CN110364232A (zh) | 一种基于忆阻器-梯度下降法神经网络的高性能混凝土强度预测方法 | |
Moaf et al. | Machine learning-based prediction of preplaced aggregate concrete characteristics | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
Noorzaei et al. | Development of artificial neural networks for predicting concrete compressive strength | |
Ouyang et al. | Predicting concrete’s strength by machine learning: Balance between accuracy and complexity of algorithms | |
CN115497574A (zh) | 一种基于模型融合的hpc抗压强度预测方法和系统 | |
CN112906976A (zh) | 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法 | |
CN116992759A (zh) | 基于可解释性神经网络的冻融混凝土强度评价方法及装置 | |
CN112599194B (zh) | 甲基化测序数据的处理方法和装置 | |
CN109358185A (zh) | 基于极限学习机的橡胶配方性能预测模型及预测方法 | |
Yeh | Prediction of strength of fly ash and slag concrete by the use of artificial neural networks | |
Wu et al. | Predictive modeling of high-performance concrete with regression analysis | |
CN112446168A (zh) | 一种基于mic及rbfnn的出水bod浓度软测量方法 | |
CN115565669B (zh) | 一种基于gan和多任务学习的癌症生存分析方法 | |
Chine et al. | Modeling slump of concrete using the artificial neural networks | |
Henigal et al. | Artificial neural network model for forecasting concrete compressive strength and slump in Egypt | |
CN115719034A (zh) | 基于随机森林和XGBoost的水泥基材料抗压强度预测方法及系统 | |
CN115034140A (zh) | 一种基于关键控制因子的地表水水质变化趋势预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200117 |
|
WW01 | Invention patent application withdrawn after publication |