CN113012773A - 一种内部影响因素下基于宽度学习的水泥强度估测方法 - Google Patents

一种内部影响因素下基于宽度学习的水泥强度估测方法 Download PDF

Info

Publication number
CN113012773A
CN113012773A CN202110263364.9A CN202110263364A CN113012773A CN 113012773 A CN113012773 A CN 113012773A CN 202110263364 A CN202110263364 A CN 202110263364A CN 113012773 A CN113012773 A CN 113012773A
Authority
CN
China
Prior art keywords
cement
model
strength
day
estimation
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.)
Pending
Application number
CN202110263364.9A
Other languages
English (en)
Inventor
刘竹琳
郭继凤
陈俊龙
张通
王琳
范开鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110263364.9A priority Critical patent/CN113012773A/zh
Publication of CN113012773A publication Critical patent/CN113012773A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种内部影响因素下基于宽度学习的水泥强度估测方法，包括以下步骤：建立水泥强度估测指标系统，系统包括影响水泥强度的内部影响因素、第3天水泥抗压强度以及第28天水泥抗压强度；收集水泥企业历年来每批水泥强度的检测记录，获取了不同内部影响因素下的水泥样本第3天和第28天抗压强度；建立估测水泥强度的宽度学习模型，模型采用单层神经网络结构，将内部影响因素作为模型输入，输出为第3天或第28天水泥抗压强度；模型训练；将水泥强度估测模型用于实际水泥抗压强度预测。本发明通过对采集的水泥数据进行强度无损估测，减少了传统方法中的资源浪费，缩短了水泥抗压强度的检测时间，有助于加快新型水泥和特种水泥的开发。

Description

一种内部影响因素下基于宽度学习的水泥强度估测方法
技术领域
本发明属于水泥性能评估技术领域，具体涉及一种内部影响因素下基于宽度学习的水泥强度估测方法。
背景技术
水泥作为一种重要的材料，在建筑业中占有举足轻重的地位。其质量情况直接关系到生产和生活的安全，因此质量检测对水泥生产具有重要意义。水泥抗压强度(CCS)是检测水泥质量的重要指标。从水泥制造商的角度来看，产品的抗压强度需要提高和稳定。因此，在质量检验中，准确估算抗压强度至关重要。
在生产企业中，水泥抗压强度的检测仍停留在传统的破坏性检测方法阶段，这是一项艰巨而耗时的工作。另外，测量工作的技术要求也很高。尽管熟练掌握操作程序的人员获得了一些准确的数据，但由于某些技术人员经验不足，相当一部分数据存在较大误差。这给水泥质量的提高和高性能水泥的研究带来了障碍。寻求更有效的检验方法来帮助水泥生产成为一个亟待解决的问题。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种内部影响因素下基于宽度学习的水泥强度估测方法，通过对采集的水泥数据进行强度无损估测，减少了传统方法中的资源浪费，同时缩短了水泥抗压强度的检测时间，有助于加快新型水泥和特种水泥的开发。
为了达到上述目的，本发明采用以下技术方案：
一种内部影响因素下基于宽度学习的水泥强度估测方法，包括以下步骤：
建立水泥强度估测指标系统，所述水泥强度估测指标系统用于描述水泥强度及水泥内部影响因素信息，包括影响水泥强度的内部影响因素、第3天水泥抗压强度以及第28天水泥抗压强度；
获取水泥强度估测指标系统的数据，收集水泥企业历年来每批水泥强度的检测记录，获取不同内部影响因素下的水泥样本信息及其第3天和第28天的抗压强度；
构建估测水泥强度的宽度学习模型，模型用于对水泥强度估测指标系统中的信息进行分析并估测对应的水泥强度，宽度学习模型采用单层神经网络结构，包括模型输入层、中间特征层以及模型输出层；宽度学习模型输入为所述水泥强度估测指标系统中的内部影响因素；所述中间特征层由模型输入计算所得，表示从信息中分析获得的组合特征，包含线性映射得到的映射特征和由映射特征通过非线性函数获得的增强特征；宽度学习模型输出是水泥强度估测指标系统对应水泥的第3天或第28天水泥抗压强度；
根据实际所需水泥强度估测模型，训练构建的宽度学习模型，并将得到的最优模型应用于实际的水泥抗压强度估测，最优模型即所需水泥强度估测模型。
进一步的，所述水泥强度估测指标系统中的内部影响因素有19种，具体为：
烧矢量LOI、二氧化硅SiO2、氧化铁Fe2O3、氧化铝Al2O3、氧化钙CaO、氧化镁MgO、三氧化硫SO3、游离氧化钙f-CaO、液相量LPA、石灰饱和系数KH、去游离氧化钙的饱和系数KH-、硅率SM、铝率IM、硅酸三钙C3S、硅酸二钙C2S、铝酸三钙C3A、铁铝酸四钙C2AF、粉煤灰FA以及比表面积SSA。
进一步的，所述构建估测水泥强度的宽度学习模型具体包括以下步骤：
初始化模型参数，模型参数包括映射特征组个数、组内特征个数以及增强节点个数；
利用模型输入X即所述多个内部影响因素，计算特征映射节点Zn≡[Z1,Z2,…,Zn]，该过程是一个线性映射，其中第i组映射特征Zi的计算如公式(1)，连接权重Wei和βei是随机产生的，
Figure BDA0002971015640000031
为线性映射，每一组特征包含k个映射特征；
Figure BDA0002971015640000032
为了增加模型中特征的非线性，由映射节点Zn计算增强节点Hm≡[H1,H2,…,Hm]，该过程是一个非线性映射，其中增强特征Hj的计算如公式(2)，连接权重Whj和βhj是随机产生的，
Figure BDA0002971015640000033
为一个非线性激活函数；
Figure BDA0002971015640000034
所述映射节点表示水泥数据的线性特征，所述增强节点表示水泥数据的非线性特征；
将线性特征和非线性特征合并成特征层A＝[Z|H]，连接到模型输出层Y；
由于模型输出层Y的信息已知，即对应水泥抗压强度，只需计算特征层和输出层的连接权重W，计算公式如下：
W＝A-1Y (3)
计算时，使用岭回归来求解权值矩阵，即通过公式(3)的优化问题求解W：
Figure BDA0002971015640000035
其中，σ1＝σ2＝v＝u＝2，解得：
W＝(λI+AAT)-1ATY (5)。
进一步的，所述构建估测水泥强度的宽度学习模型还包括以下步骤：
当特征矩阵A为非奇异矩阵时，不存在违逆，则采用A的违逆值A+来代替A-1，A+通过公式(6)计算：
A+＝limλ→0(λI+AAT)-1AT (6)
那么，对于输入模型的数据X，模型的输出水泥抗压强度CCS为：
Figure BDA0002971015640000041
进一步的，所述水泥强度估测模型有3种，具体为：
3天强度估测模型、不考虑3天强度的28天强度估测模型以及考虑3天强度的28天强度估测模型；
所述3天强度估测模型输出3天水泥抗压强度，所述不考虑3天强度的28天强度估测模型和考虑3天强度的28天强度估测模型输出28天水泥抗压强度。
进一步的，所述3天强度估测模型和不考虑3天强度的28天强度估测模型，在建立用于水泥强度估测的宽度学习模型时，采用所述19种内部影响因素作为宽度学习系统模型的输入；
所述考虑3天强度的28天强度估测模型，在建立用于水泥强度估测的宽度学习模型时，采用所述19种内部影响因素以及所述3天水泥抗压强度作为宽度学习模型的输入。
进一步的，所述训练构建的宽度学习模型具体包括以下步骤：
获取数据，筛选样本集数据，分成训练集和测试集；
根据要预测的强度从3种水泥强度估测模型中选择相应的一种模型；
根据选择的水泥强度估测模型，确定影响因素的个数和模型的输入；
设置模型初始参数，包括映射特征组个数、组内特征个数和增强节点个数；
利用训练集数据训练宽度学习模型；
利用测试集数据样本检测模型输出的强度估测结果，若估测误差达到所需要求，则结束训练；若达不到所需要求，则调整映射特征个数或调整增强节点个数，返回利用训练集数据训练宽度学习模型步骤，继续训练；
保存训练完成的模型。
进一步的，所述水泥强度估测指标为根据每个水泥的配方按照国际水泥强度测试法在3天和28天的水泥强度检测数据。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明通过对采集的水泥数据进行强度无损估测，避免了传统抗压强度检测方法的资源浪费，无需破坏待测的水泥块，节省了人力资源，而且采用本发明方法，检测时间短，有助于加快新型水泥和特种水泥的开发；另外，采用传统的测量方法，对技术要求较高，如果不能及时记录数值就会造成巨大误差，而本发明方法有效地解决了该问题。
2、本发明使用的宽度学习系统能够在短时间内建立高精度模型，这有助于工业中水泥的配方优化和高性能水泥以及特种水泥的研发。
附图说明
图1是本发明方法的流程图；
图2是本发明方法中水泥强度估测模型的训练流程图；
图3是本发明实施例中3天和28天水泥强度估测模型的估测结果示意图；
图4a是不考虑3天水泥强度模的28天水泥强度估测模型在实例水泥厂中的估测结果示意图；
图4b是考虑3天水泥强度的28天水泥强度估测模型在实例水泥厂中的估测结果示意图。
具体实施方式
水泥抗压强度传统的检测方式是将水泥与水混合，发生水化反应后，在指定的时间节点进行抗压强度检测。检测时，使用测压器向水泥块施压直至水泥块被破坏，记录水泥块破坏时的压力，进而计算抗压强度。这个过程需要漫长的等待，人力资源浪费严重，并且样本测试后就破坏了，不能继续使用，因此要想检测一种配方下水泥多个时间点的抗压强度需要准备多个相同配置的样本，资源消耗比较高。而本发明方法可以实现水泥抗压强度的无损且精准估测，能节约时间和资源成本。另一方面，传统的测量方法对技术要求较高，如果不能及时记录数值就会造成巨大误差，而本发明方法能够有效的解决该问题。
如图1所示，本发明，一种内部影响因素下基于宽度学习的水泥强度估测方法，包括以下步骤：
S1、建立水泥强度估测指标系统，所述水泥强度估测指标系统用于描述水泥强度及水泥内部影响因素信息，包括影响水泥强度的内部影响因素、第3天水泥抗压强度以及第28天水泥抗压强度；
所述19个内部影响因素具体为：
烧矢量LOI、二氧化硅SiO2、氧化铁Fe2O3、氧化铝Al2O3、氧化钙CaO、氧化镁MgO、三氧化硫SO3、游离氧化钙f-CaO、液相量LPA、石灰饱和系数KH、去游离氧化钙的饱和系数KH-、硅率SM、铝率IM、硅酸三钙C3S、硅酸二钙C2S、铝酸三钙C3A、铁铝酸四钙C2AF、粉煤灰FA以及比表面积SSA。
所述的水泥强度估测指标为根据每个水泥的配方按照国际水泥强度测试法养护和检测样本在3天和28天的水泥强度数据。
S2、获取水泥强度估测指标系统的数据，收集水泥企业历年来每批水泥强度的检测记录，获取不同内部影响因素下的水泥样本信息及其第3天和第28天的抗压强度。
S3、构建估测水泥强度的宽度学习模型，模型用于对水泥强度估测指标系统中的信息进行分析并估测对应的水泥强度，模型采用单层神经网络结构，包括模型输入层、中间特征层以及模型输出层；宽度学习模型输入为所述水泥强度估测指标系统中的内部影响因素；所述中间特征层由模型输入计算所得，表示从信息中分析获得的组合特征，包含线性映射得到的映射特征和由映射特征通过非线性函数获得的增强特征；宽度学习模型输出是水泥强度估测指标系统对应水泥的第3天或第28天水泥抗压强度，具体为包括以下步骤：
初始化模型参数，模型参数包括映射特征组个数、组内特征个数以及增强节点个数；
利用模型输入X即所述多个内部影响因素，计算特征映射节点Zn≡[Z1,Z2,…,Zn]，该过程是一个线性映射，其中第i组映射特征Zi的计算如公式(1)，连接权重Wei和βei是随机产生的，
Figure BDA0002971015640000071
为线性映射，每一组特征包含k个映射特征；
Figure BDA0002971015640000072
为了增加模型中特征的非线性，由映射节点Zn计算增强节点Hm≡[H1,H2,…,Hm]，该过程是一个非线性映射，其中增强特征Hj的计算如公式(2)，连接权重Whj和βhj是随机产生的，
Figure BDA0002971015640000073
为一个非线性激活函数；
Figure BDA0002971015640000074
所述映射节点表示水泥数据的线性特征，所述增强节点表示水泥数据的非线性特征；
将线性特征和非线性特征合并成特征层A＝[Z|H]，连接到模型输出层Y；
由于模型输出层Y的信息已知，即对应水泥抗压强度，只需计算特征层和输出层的连接权重W即可，计算公式如下：
W＝A-1Y (3)
计算时，使用岭回归来求解权值矩阵，即通过公式(3)的优化问题求解W：
Figure BDA0002971015640000075
其中，σ1＝σ2＝v＝u＝2，解得：
W＝(λI+AAT)-1ATY (5)
当特征矩阵A为非奇异矩阵时，不存在违逆，则采用A的违逆值A+来代替A-1，A+通过公式(6)计算：
A+＝limλ→0(λI+AAT)-1AT (6)
那么，对于输入模型的数据X，模型的输出水泥抗压强度CCS为：
Figure BDA0002971015640000081
在本实施例中，最终构建的水泥强度估测模型有3种，分别为3天强度估测模型，不考虑3天强度的28天强度估测模型以及考虑3天强度的28天强度估测模型；所述考虑3天强度的28天强度估测模型，在步骤S3建立用于水泥强度无损估测的宽度学习系统模型时，需将步骤S1中的3天水泥抗压强度CCS也作为内部影响因素输入宽度学习系统，即输入20个内部影响因素。
S4、训练构建的宽度学习模型，如图2所示，具体为：
S41、获取数据，筛选样本集数据，分成训练集和测试集；
S42、根据要预测的强度从3种模型中选择相应的一种模型；
S43、根据选择的水泥强度估测模型，确定影响因素的个数，确定模型的输入；
S44、设置模型初始参数，包括映射特征组n、组内特征个数k和增强节点个数m；
S45、利用训练集数据训练宽度学习模型；
S46、利用测试集数据样本检测模型输出的强度估测结果，若估测误差达到所需要求，则结束训练；若达不到所需要求，则调整映射特征个数或调整增强节点个数，返回步骤S45继续训练；
S5、将训练完成的最优模型用于实际的水泥抗压强度估测，最优模型即水泥强度估测模型。
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
在本实施例中，分别使用3种水泥强度估测模型对某省水泥生产厂对某配方下水泥进行无损估测。
(1)、3天水泥强度估测模型
该模型影响因素的个数为19个，输出为估测的3天水泥强度；
进行数据采集，共获得137条数据，部分数据如下表1所示：
LOI SiO3 Fe2O3 Al2O3 CaO MgO SO3 f-CaO LPA SSA
0.24 21.96 3.12 4.63 65.4 3.08 0.49 1.39 26.62 348
0.33 21.89 3.13 4.58 65.21 3.01 0.53 1.37 26.43 342
0.36 22.04 3.12 4.53 65.01 2.87 0.53 1.14 26.05 355
0.38 22.17 3.21 4.55 65 2.86 0.52 1 26.28 342
0.33 22.15 3.26 4.59 65.1 2.8 0.53 0.93 26.44 358
KH KH- SM IM C3S C2S C3A C4AF FA CCS
0.916 0.893 2.83 1.48 56.65 20.54 6.98 9.48 14.2 28.1
0.917 0.894 2.84 1.46 56.7 20.3 6.83 9.52 14.41 28.9
0.909 0.89 2.88 1.45 56.03 21.23 6.71 9.48 14.47 28.7
0.902 0.886 2.86 1.42 55.34 22.12 6.61 9.76 14.28 30
0.903 0.888 2.82 1.41 55.81 21.71 6.63 9.91 15.11 28.7
表1
利用获得的数据进行模型优化和测试，其中100条数据用于训练模型，剩下的数据用于测试；网路设置参数为n＝1，k＝5，m＝30，该参数下模型得到最终估测的3天强度如下；
训练输出：28.8，28.3，28.5，28.9，28.4，29.3，29.7，30.3，27.1，28.9，30，27.8，29.4，28.2，30.4，31.8，31.4，30.1，33.4，28.8，28.6，27.1，28.8，29.8，29.9，27.8，28.9，30.5，31.8，30.7，30.2，32.4，29.7，26.2，27.8，30.2，32.3，29.7，29，30.7，32.3，31，30.5，32.3，29.6，27，27.4，29.4，31.8，29.7，33.1，28.5，28.1，28.4，32.7，31.2，32.5，29.1，32.5，30.7，28.2，30.5，30.9，31.2，31.3，31.4，29.2，32.4，30.3，31.8，28.7，29.7，29.5，32.1，31.6，31，31.6，32，31.2，30.8，34.8，30.6，33，28.8，29.2，30.4，30.3，28.7，28.9，30.8，32，30.7，30，30.4，31.2，29，29.5，32.6，31.4，30.4
测试输出：30.6，30.2，29.5，29.7，30.7，29.5，30.7，31.4，27.3，28.9，31.2，32.4，28.3，31.3，30.1，30.2，30.4，31.3，29.1，29.6，31.8，28.6，30.2，30.2，30.1，29.1，29.4，32.0，30.5，29.2，28，29.3，31.5，29.4，29.1，30.5，29.8
估测结果的MAE为0.786Mpa。
(2)、不考虑3天强度的28天强度估测模型
该模型影响因素的个数为19个，输出为估测的28天水泥强度；
进行数据采集，共获得123条数据，部分数据如下表2所示：
LOI SiO3 Fe2O3 Al2O3 CaO MgO SO3 f-CaO LPA SSA
1.02 21.7 3.23 4.96 64.45 2.6 0.58 1.39 27.23 341
1.21 21.5 3.24 4.98 64.89 2.58 0.61 1.46 27.31 350
1.43 21.62 3.22 4.9 65.04 2.44 0.59 1.49 26.8 346
0.91 21.51 3.22 4.98 65.21 2.46 0.58 1.44 27.06 350
0.87 21.68 3.17 4.94 65.5 2.35 0.65 1.38 26.73 353
KH KH- SM IM C3S C2S C3A C4AF FA CCS
0.901 0.878 2.65 1.54 53.78 21.94 7.67 9.82 17.18 55.6
0.915 0.891 2.62 1.54 56.66 19.21 7.7 9.85 16.17 55.6
0.915 0.891 2.66 1.52 56.8 19.45 7.52 9.79 15.87 53.3
0.921 0.897 2.62 1.55 58 18.24 7.74 9.79 15.57 58.1
0.919 0.896 2.67 1.56 58.47 18.37 7.71 9.64 14.15 55.2
表2
利用获得的数据进行模型优化和测试，其中100条数据用于训练，剩下的数据用于测试；网路设置参数为n＝54，k＝3，m＝15，该参数下模型得到最终估测的28天强度如下；
训练输出：53.9，53.8，49.9，50.8，54.8，49.2，49.9，56，56，55.7，53.4，54.6，52.5，54.9，51.5，53.6，48.4，50.3，48.7，51.4，56.1，55，50.9，57.9，54.4，54.4，50.4，49.8，52.8，48，51，52.2，54.1，55.4，55.6，50.8，49.7，53.9，53.4，52.5，53.3，55.3，58.1，49.8，52.1，53.3，54.5，55.2，53.9，52.6，50.2，52，54.6，52.7，53，51.3，53.5，58.2，55.9，54.1，52.2，52.4，53.4，52.9，54.1，53.9，56.3，54.2，55.9，53.2，54.7，49.8，52.9，53.6，55.6，47.9，53.4，56.8，49.9，55.9，54.2，55.6，55.2，56.3，55.3，54，52.8，54，52.8，53.3，57.6，55.7，54.6，54.3，53.2，52.8，53.1，53.2，52.9，53.1
测试输出：52.5，53.3，52.4，55.9，52.8，54.6，51.6，54.2，54.3，52.7，54.0，53.2，52.2，54.0，53.8，53.3，51.0，53.0，53.6，54.1，53.0，53.8，53.1，
估测结果的MAE为0.9099Mpa。
(3)、考虑3天强度的28天强度估测模型
该模型影响因素的个数为20个，输出为估测的28天水泥强度；
进行数据采集，共获得114条数据，部分数据如下表3所示：
LOI SiO3 Fe2O3 Al2O3 CaO MgO SO3 f-CaO LPA SSA
0.24 21.96 3.12 4.63 65.4 3.08 0.49 1.39 26.62 348
0.33 21.89 3.13 4.58 65.21 3.01 0.53 1.37 26.43 342
0.36 22.04 3.12 4.53 65.01 2.87 0.53 1.14 26.05 355
0.38 22.17 3.21 4.55 65 2.86 0.52 1 26.28 342
0.33 22.15 3.26 4.59 65.1 2.8 0.53 0.93 26.44 358
KH KH- SM IM C3S C2S C3A C4AF FA CCS
0.916 0.893 2.83 1.48 56.65 20.54 6.98 9.48 14.2 28.1
0.917 0.894 2.84 1.46 56.7 20.3 6.83 9.52 14.41 28.9
0.909 0.89 2.88 1.45 56.03 21.23 6.71 9.48 14.47 28.7
0.902 0.886 2.86 1.42 55.34 22.12 6.61 9.76 14.28 30
0.903 0.888 2.82 1.41 55.81 21.71 6.63 9.91 15.11 28.7
表3
利用获得的数据进行模型优化和测试，其中100条数据用于训练，剩下的数据用于测试；网路设置参数为n＝97，k＝80，m＝20，该参数下模型得到最终估测的28天强度如下；
训练输出：54.3，54.6，55.2，54.5，54.8，53.2，52.8，52.8，55.5，53，56.3，55.7，56.1，53，50.8，55.2，51.3，56，52.8，53.1，52.9，53.2，52.9，53.6，55.9，47.9，56.3，53.2，51.5，54.2，51.5，55.6，50.4，53.4，55，53.9，49.8，54.7，55.7，53.4，52.9，54.4，53.8，55.9，49.7，52，53，53.6，49.9，52.5，53.9，54.1，52.1，51.4，53.5，54.2，55.3，54.1，58.1，49.8，50.8，52.2，53.3，48.7，55.6，49.9，48，50.3，53.3，54.3，54，56，55.6，58.2，52.2，53.4，54.1，53.9，54.8，49.2，52.7，55.9，48.4，51，52.5，49.9，56.1，53.3，50.2，54.9，50.9，53.2，54，53.4，56.8，55.4，55.3，52.6，55.6，54.4
测试输出：55.6，53.5，48.0，52.8，53.1，52.5，54.0，54.7，53.6，53.6，53.2，55.5，53，54.4
估测结果的MAE为0.8216Mpa。
在本实施例中，如图3所示，为三种模型的预测结果示意图；如图4a和图4b所示，为不考虑3天强度的28天强度估测模型和考虑3天强度的28天强度估测模型的预测结果对比图。
本发明通过对采集的水泥数据进行强度无损估测，减少了传统方法中的资源浪费，同时缩短了水泥抗压强度的检测时间，有助于加快新型水泥和特种水泥的开发。
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，包括以下步骤：
建立水泥强度估测指标系统，所述水泥强度估测指标系统用于描述水泥强度及水泥内部影响因素信息，包括影响水泥强度的内部影响因素、第3天水泥抗压强度以及第28天水泥抗压强度；
获取水泥强度估测指标系统的数据，收集水泥企业历年来每批水泥强度的检测记录，获取不同内部影响因素下的水泥样本信息及其第3天和第28天的抗压强度；
构建估测水泥强度的宽度学习模型，模型用于对水泥强度估测指标系统中的信息进行分析并估测对应的水泥强度，宽度学习模型采用单层神经网络结构，包括模型输入层、中间特征层以及模型输出层；宽度学习模型输入为所述水泥强度估测指标系统中的内部影响因素；所述中间特征层由模型输入计算所得，表示从信息中分析获得的组合特征，包含线性映射得到的映射特征和由映射特征通过非线性函数获得的增强特征；宽度学习模型输出是水泥强度估测指标系统对应水泥的第3天或第28天水泥抗压强度；
根据实际所需水泥强度估测模型，训练构建的宽度学习模型，并将得到的最优模型应用于实际的水泥抗压强度估测，最优模型即所需水泥强度估测模型。
2.根据权利要求1所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述水泥强度估测指标系统中的内部影响因素有19种，具体为：
烧矢量LOI、二氧化硅SiO2、氧化铁Fe2O3、氧化铝Al2O3、氧化钙CaO、氧化镁MgO、三氧化硫SO3、游离氧化钙f-CaO、液相量LPA、石灰饱和系数KH、去游离氧化钙的饱和系数KH-、硅率SM、铝率IM、硅酸三钙C3S、硅酸二钙C2S、铝酸三钙C3A、铁铝酸四钙C2AF、粉煤灰FA以及比表面积SSA。
3.根据权利要求1所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述构建估测水泥强度的宽度学习模型具体包括以下步骤：
初始化模型参数，模型参数包括映射特征组个数、组内特征个数以及增强节点个数；
利用模型输入X即所述多个内部影响因素，计算特征映射节点
Figure FDA0002971015630000021
Figure FDA0002971015630000022
该过程是一个线性映射，其中第i组映射特征Zi的计算如公式(1)，连接权重Wei和βei是随机产生的，
Figure FDA0002971015630000023
为线性映射，每一组特征包含k个映射特征；
Figure FDA0002971015630000024
为了增加模型中特征的非线性，由映射节点Zn计算增强节点
Figure FDA0002971015630000025
Figure FDA0002971015630000026
该过程是一个非线性映射，其中增强特征Hj的计算如公式(2)，连接权重Whj和βhj是随机产生的，ζ(Z,Whj,βhj)为一个非线性激活函数；
Hj≡ζ(ZnWhj+βhj),j＝1,2,…,m(2)
所述映射节点表示水泥数据的线性特征，所述增强节点表示水泥数据的非线性特征；
将线性特征和非线性特征合并成特征层A＝[Z|H]，连接到模型输出层Y；
由于模型输出层Y的信息已知，即对应水泥抗压强度，只需计算特征层和输出层的连接权重W，计算公式如下：
W＝A-1Y (3)
计算时，使用岭回归来求解权值矩阵，即通过公式(3)的优化问题求解W：
Figure FDA0002971015630000027
其中，σ1＝σ2＝v＝u＝2，解得：
W＝（λI+AAT)-1ATY (5)。
4.根据权利要求3所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述构建估测水泥强度的宽度学习模型还包括以下步骤：
当特征矩阵A为非奇异矩阵时，不存在违逆，则采用A的违逆值A+来代替A-1，A+通过公式(6)计算：
A+＝limλ→0(λI+AAT)-1AT (6)
那么，对于输入模型的数据X，模型的输出水泥抗压强度CCS为：
Figure FDA0002971015630000031
5.根据权利要求1所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述水泥强度估测模型有3种，具体为：
3天强度估测模型、不考虑3天强度的28天强度估测模型以及考虑3天强度的28天强度估测模型；
所述3天强度估测模型输出3天水泥抗压强度，所述不考虑3天强度的28天强度估测模型和考虑3天强度的28天强度估测模型输出28天水泥抗压强度。
6.根据权利要求2或5所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述3天强度估测模型和不考虑3天强度的28天强度估测模型，在建立用于水泥强度估测的宽度学习模型时，采用所述19种内部影响因素作为宽度学习系统模型的输入；
所述考虑3天强度的28天强度估测模型，在建立用于水泥强度估测的宽度学习模型时，采用所述19种内部影响因素以及所述3天水泥抗压强度作为宽度学习模型的输入。
7.根据权利要求5所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述训练构建的宽度学习模型具体包括以下步骤：
获取数据，筛选样本集数据，分成训练集和测试集；
根据要预测的强度从3种水泥强度估测模型中选择相应的一种模型；
根据选择的水泥强度估测模型，确定影响因素的个数和模型的输入；
设置模型初始参数，包括映射特征组个数、组内特征个数和增强节点个数；
利用训练集数据训练宽度学习模型；
利用测试集数据样本检测模型输出的强度估测结果，若估测误差达到所需要求，则结束训练；若达不到所需要求，则调整映射特征个数或调整增强节点个数，返回利用训练集数据训练宽度学习模型步骤，继续训练；
保存训练完成的模型。
8.根据权利要求1所述的一种内部影响因素下基于宽度学习的水泥强度估测方法，其特征在于，所述水泥强度估测指标为根据每个水泥的配方按照国际水泥强度测试法在3天和28天的水泥强度检测数据。
CN202110263364.9A 2021-03-11 2021-03-11 一种内部影响因素下基于宽度学习的水泥强度估测方法 Pending CN113012773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110263364.9A CN113012773A (zh) 2021-03-11 2021-03-11 一种内部影响因素下基于宽度学习的水泥强度估测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110263364.9A CN113012773A (zh) 2021-03-11 2021-03-11 一种内部影响因素下基于宽度学习的水泥强度估测方法

Publications (1)

Publication Number Publication Date
CN113012773A true CN113012773A (zh) 2021-06-22

Family

ID=76404800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110263364.9A Pending CN113012773A (zh) 2021-03-11 2021-03-11 一种内部影响因素下基于宽度学习的水泥强度估测方法

Country Status (1)

Country Link
CN (1) CN113012773A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104350021A (zh) * 2012-05-30 2015-02-11 太平洋水泥株式会社 水泥的品质或制造条件的预测方法
CN107133446A (zh) * 2017-03-24 2017-09-05 广东工业大学 一种预测超早强混凝土抗压强度的方法
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN110222453A (zh) * 2019-06-14 2019-09-10 中国矿业大学 一种基于宽度学习系统的压缩机出口参数预测建模方法
CN110263431A (zh) * 2019-06-10 2019-09-20 中国科学院重庆绿色智能技术研究院 一种混凝土28d抗压强度预测方法
CN110705920A (zh) * 2019-11-04 2020-01-17 江苏海事职业技术学院 一种大数据环境下多隐层bp网络预测水泥强度方法
WO2020204952A1 (en) * 2019-04-05 2020-10-08 Halliburton Energy Services, Inc. Cement composition and its relation with compressive strength
CN111832101A (zh) * 2020-06-18 2020-10-27 湖北博华自动化系统工程有限公司 一种水泥强度预测模型的构建方法及水泥强度预测方法
CN112069567A (zh) * 2020-08-07 2020-12-11 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104350021A (zh) * 2012-05-30 2015-02-11 太平洋水泥株式会社 水泥的品质或制造条件的预测方法
CN107133446A (zh) * 2017-03-24 2017-09-05 广东工业大学 一种预测超早强混凝土抗压强度的方法
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
WO2020204952A1 (en) * 2019-04-05 2020-10-08 Halliburton Energy Services, Inc. Cement composition and its relation with compressive strength
CN110263431A (zh) * 2019-06-10 2019-09-20 中国科学院重庆绿色智能技术研究院 一种混凝土28d抗压强度预测方法
CN110222453A (zh) * 2019-06-14 2019-09-10 中国矿业大学 一种基于宽度学习系统的压缩机出口参数预测建模方法
CN110705920A (zh) * 2019-11-04 2020-01-17 江苏海事职业技术学院 一种大数据环境下多隐层bp网络预测水泥强度方法
CN111832101A (zh) * 2020-06-18 2020-10-27 湖北博华自动化系统工程有限公司 一种水泥强度预测模型的构建方法及水泥强度预测方法
CN112069567A (zh) * 2020-08-07 2020-12-11 湖北交投十巫高速公路有限公司 基于随机森林和智能算法预测混凝土抗压强度的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
Wendner et al. The B4 model for multi-decade creep and shrinkage prediction
Lee Prediction of concrete strength using artificial neural networks
CN110232445B (zh) 一种基于知识蒸馏的文物真伪鉴定方法
CN113012773A (zh) 一种内部影响因素下基于宽度学习的水泥强度估测方法
CN109918614B (zh) 一种基于模态学习的全局动应变测量方法
Zimmermann et al. Stochastic fracture-mechanical characteristics of concrete based on experiments and inverse analysis
Hasan et al. Prediction of compressive strength of concrete from early age test result
Khademi et al. Estimating the compressive strength of concrete using multiple linear regression and adaptive neuro-fuzzy inference system
Kabir et al. Predicting 28 days compressive strength of concrete from 7 days test result
CN110414150B (zh) 一种桥梁时变系统的张量子空间连续系统识别方法
CN103778306B (zh) 一种基于ei和逐步消减法的传感器优化布设方法
CN110908361B (zh) 一种基于在线孪生支持向量回归机的发酵过程软测量方法
Allahyari et al. A robust time-dependent model of alkali-silica reaction at different temperatures
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
JP2008008753A (ja) コンクリート乾燥収縮率の早期推定方法
JP5755550B2 (ja) コンクリート表層品質の評価指標の算出方法、算出装置及び算出プログラム、並びに、コンクリート表層品質の評価方法、評価装置及び評価プログラム
Theiner et al. Evaluation of the effects of drying shrinkage on the behavior of concrete structures strengthened by overlays
Zong et al. Embedded software fault prediction based on back propagation neural network
Fathalla et al. Fatigue lifetime prediction of newly constructed RC road bridge decks
CH348562A (de) Verfahren zur Bestimmung der empfängnisfreien Tage bei der Frau sowie ein Mittel zur Durchführung dieses Verfahrens
CN110570022A (zh) 一种基于mGBDT的建筑能耗预测方法和系统
CN108334667A (zh) 一种基于环境折合的加速可靠性试验方案设计方法
Naderpour et al. A computational model for estimating the compressive strength of mortars admixed with mineral materials
CN115130365A (zh) 基于循环神经网络的燃料电池极化曲线预测方法及装置
CN113324848B (zh) 一种沥青混合料小梁试件低温弯曲应变试验方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210622

WD01 Invention patent application deemed withdrawn after publication