CN113533133B - 一种基于机器学习的沥青动态黏弹特性预测方法 - Google Patents
一种基于机器学习的沥青动态黏弹特性预测方法 Download PDFInfo
- Publication number
- CN113533133B CN113533133B CN202110975355.2A CN202110975355A CN113533133B CN 113533133 B CN113533133 B CN 113533133B CN 202110975355 A CN202110975355 A CN 202110975355A CN 113533133 B CN113533133 B CN 113533133B
- Authority
- CN
- China
- Prior art keywords
- asphalt
- characteristic
- dynamic viscoelastic
- dynamic
- parameters
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 9
- 238000002329 infrared spectrum Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 229910052717 sulfur Inorganic materials 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000003607 modifier Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 15
- 238000013461 design Methods 0.000 abstract description 7
- 239000000203 mixture Substances 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012847 principal component analysis method Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004617 QSAR study Methods 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000003190 viscoelastic substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于机器学习的沥青动态黏弹特性预测方法,所述方法采用动态剪切流变仪测试了样本的动态黏弹特性,采用元素分析仪和红外光谱仪测试了样本的微观组成结构;运用主成分分析法对微观组成结构参数进行了特征提取;通过距离相关系数法确定了动态黏弹特性参数与微观组成结构参数间的映射关系;建立了基于支持向量机机器学习算法的沥青动态黏弹特性预测模型。该方法揭示了沥青材料动态黏弹特性与微观组成结构间的对应关系,有利于快速获取沥青的动态黏弹力学响应,为沥青材料的设计生产提供了基础理论支撑,对于指导沥青及其他材料的按需设计具有积极意义。
Description
技术领域
本发明属于沥青材料性能预测领域,涉及一种基于机器学习的沥青动态黏弹特性预测方法。
背景技术
黏弹特性是沥青材料的本质属性,其力学行为对路用性能具有直接影响,采用黏弹性理论研究分析沥青的力学响应规律,为解决沥青与沥青混合料评价及使用中存在的问题提供了积极参考。动态模量是反应动态黏弹特性的关键特性之一,该特性与路面永久变形、裂缝及车辙等病害息息相关,也是沥青路面结构设计体系由静态转为动态的关键所在。沥青的微观组成结构对其动态黏弹特性有重要影响,开展微观组成结构与宏观性能的相关关系研究,是新材料研发过程中的关键步骤。
沥青动态黏弹特性与微观组成结构关系的建立是预测沥青黏弹特性以及实现沥青按流变设计的核心和关键。目前,沥青黏弹特性与微观组成结构关系主要分为组成与流变的多变量拟合函数关系和微观-细观-宏观多尺度对应关系。然而,由于沥青微观组成结构的复杂性,现有关系模型主要存在以下问题:(1)模型预测的性能单一;(2)材料、环境等因素的改变会严重降低模型的准确性;(3)多尺度对应关系模型建立过程极其复杂,难以推广应用等。
相对于传统的统计计算方法,机器学习具有预测精度高、运算速度快等特点,逐渐成为科研领域工作人员的得力研究工具,其核心在于利用算法学习数据、解析数据、训练模型,从而预测未知数据。目前,机器学习已被广泛应用于材料宏观性能定量构效关系的构建,在生物、化学、自动化等领域蓬勃发展。近些年,机器学习方法也被逐渐应用于道路领域,基于机器学习理论建立沥青动态黏弹特性预测模型是目前建立沥青微观组成结构与黏弹性能关系的最有效途径。
发明内容
针对沥青宏微观性质复杂导致难以建立相关关系的问题,本发明提供了一种基于机器学习的沥青动态黏弹特性预测方法。该方法揭示了沥青材料动态黏弹特性与微观组成结构间的对应关系,有利于快速获取沥青的动态黏弹力学响应,为沥青材料的设计生产提供了基础理论支撑,对于指导沥青及其他材料的按需设计具有积极意义。
本发明的目的是通过以下技术方案实现的:
一种基于机器学习的沥青动态黏弹特性预测方法,包括如下步骤:
步骤一:采用动态剪切流变仪、元素分析仪、红外光谱仪对不同沥青样本进行测试,建立基于CAM模型的动态模量主曲线,获取样本的元素含量及红外光谱曲线;
步骤二:选择各个样本的动态模量主曲线移位因子参数C1、C2,形状参数k、me,玻璃态动态模量Gg,以及交叉频率fc构建宏观特征参数数据集,选择各个样本的C、H、N、S、O元素含量,C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集;
步骤三:利用均值化方法对数据集数据进行去量纲处理,计算经均值化处理后数据的方差;
步骤四:计算步骤三得到的微观特征参数的Pearson相关系数,基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维,替换为较少的新特征参数V1、V2…;
步骤五:计算步骤二选取的动态模量主曲线拟合参数与步骤四处理后的微观特征参数间的距离相关系数,确定与动态模量主曲线拟合参数有较大相关性的微观特征参数为模型输入变量,并以此组建一一对应的新的宏微观数据集;
步骤六:将步骤五组建的数据集按照9:1的比例划分成训练集与测试集,选择适当的核函数类型搭建基于支持向量机的沥青动态黏弹特性预测模型,基于训练集数据进行沥青动态黏弹特性预测模型训练,并借助网格搜索法和交叉验证法优化模型参数;
步骤七:基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型,以平均绝对百分比误差(MAPE)测试预测模型的准确性。
相比于现有技术,本发明具有如下优点:
本发明建立了沥青材料动态黏弹特性与微观组成结构间的相关关系,实现了通过沥青微观特征参数预测宏观动态模量的目的,丰富了沥青动态模量评价方法,为实现沥青材料的按需设计提供了技术支撑。
附图说明
图1为实施例中基于机器学习的沥青动态黏弹特性预测方法的流程图;
图2为实施例中动态黏弹特性预测结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于机器学习的沥青动态黏弹特性预测方法,该方法采用动态剪切流变仪测试了样本的动态黏弹特性,采用元素分析仪和红外光谱仪测试了样本的微观组成结构;运用主成分分析法对微观组成结构参数进行了特征提取;通过距离相关系数法确定了动态黏弹特性参数与微观组成结构参数间的映射关系;建立了基于支持向量机机器学习算法的沥青动态黏弹特性预测模型。具体步骤如下:
步骤一:采用动态剪切流变仪、元素分析仪、红外光谱仪对不同沥青样本进行测试,建立基于CAM模型的动态模量主曲线,获取样本的元素含量及红外光谱曲线。
本步骤中,所测试的不同沥青样本包括:不同标号的沥青、不同油源的沥青、掺加不同改性剂的沥青、是否经过老化的沥青等类型中的几种。
步骤二:选择各个样本的动态模量主曲线移位因子参数C1、C2,形状参数k、me,玻璃态动态模量Gg,以及交叉频率fc构建宏观特征参数数据集,选择各个样本的C、H、N、S、O元素含量,C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集。
步骤三:利用均值化方法对数据集数据进行去量纲处理,以解决因量纲不同而不具有可比性的问题,计算经均值化处理后数据的方差,去除方差较小的微观特征参数。
本步骤中,均值化方法的公式如下:
步骤四:计算步骤三得到的微观特征参数的Pearson相关系数,基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维,替换为较少的新特征参数V1、V2…。
本步骤中,Pearson相关系数是用来衡量微观特征参数间的相关性,即相关性较大的特征间存在冗余,利用主成分分析处理相关性较大的特征参数得到较少新参数,可达到去除数据冗余,降低维度的目的。
步骤五:计算步骤二选取的动态模量主曲线拟合参数与步骤四处理后的微观特征参数间的距离相关系数,确定与动态模量主曲线拟合参数有较大相关性的微观特征参数为模型输入变量,并以此组建一一对应的新的宏微观数据集。
步骤六:将步骤五组建的数据集按照9:1的比例划分成训练集与测试集,选择适当的核函数类型搭建基于支持向量机(SVM)的沥青动态黏弹特性预测模型,基于训练集数据进行沥青动态黏弹特性预测模型训练,并借助网格搜索法和交叉验证法优化模型参数。
本步骤中,支持向量机(SVM)可将输入空间的变量x,y映射至高维特征空间中,在高维空间找出变量之间的非线性关系,从而找到一个最优函数f(x),f(x)的公式如下:
步骤七:基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型,以平均绝对百分比误差(MAPE)测试预测模型的准确性。
本步骤中,平均绝对百分比误差(MAPE)的公式为:
其中,yi为测试值,f(xi)为预测值。
实施例:
本实施例提供了一种基于机器学习的沥青动态黏弹特性预测方法,如图1所示,具体实施步骤如下:
步骤一:采用DHR-2型动态剪切流变仪对表1中50种沥青样本进行频率扫描,测定材料的动态模量随频率的变化情况,根据时温等效原理和CAM模型理论建立参考温度为20℃的动态模量主曲线;采用Vario EL Cube元素分析仪采集沥青C、H、N、S元素数据,并利用差值法获取O元素数据;采用Nicolet iS5型红外光谱仪采集沥青红外数据。
表1沥青样本汇总表
注:上述沥青编号中L代表low grade,B代表binder,M代表modified,A代表aging。
步骤二:选择步骤一得到的所有样本的6个动态模量主曲线参数C1、C2、k、me、Gg、fc构建宏观特征参数数据集,选择所有样本的C、H、N、S、O元素含量,C/H与C/N及红外光谱特征峰峰高与峰面积共31个参数构建微观特征参数数据集。其中所选红外光谱特征峰汇总如表2所示,I代表各特征峰峰高,A代表各特征峰峰面积。
表2特征峰峰高与峰面积特征参数初选
步骤三:利用均值化方法对数据集数据进行去量纲处理,以解决因量纲不同而不具有可比性的问题,计算经均值化处理后数据的方差,发现C元素含量数据的方差为0.0002,对于样本本身区分度极弱,因此在后续模型建立中忽略这一微观特征参数的影响。
步骤四:计算步骤三得到的微观特征参数的Pearson相关系数,提取Pearson相关系数较大的微观特征参数汇总如表3所示,基于主成分分析对表3所示的微观特征参数进行降维,替换为表4中的新特征参数V1、V2,此时,微观特征参数减少为25个。
表3相关性较大的微观特征参数相关系数表
表4 V1、V2数据表
步骤五:计算步骤二选取的动态模量主曲线特征参数与步骤四处理后的微观特征参数间的距离相关系数,结果如表5所示,分析可知,微观特征参数A1600、A966、A870、A745、I1600、I745、I966和C/N与某些动态模量主曲线特征参数间相关系数较大,因此为较好的预测出动态模量主曲线,后续机器学习建模数据选择上述8种参数为模型输入变量。最终数据集中共包含C1、C2、k、me、Gg、fc 6种动态模量主曲线特征参数,A1600、A966、A870、A745、I1600、I745、I966和C/N8种微观组成结构特征参数。
表5距离相关系数表
注:距离相关系数在0.4以上表明两特征有较大相关性,距离相关系数大于0.4的数据已在表中加粗。
步骤六:将步骤五得到的数据集按照9:1的比例划分成训练集与测试集,选择高斯核函数搭建基于支持向量机的沥青动态黏弹特性预测模型,基于训练集数据进行沥青动态黏弹特性预测模型训练,借助网格搜索法和交叉验证法优化模型参数。
步骤七:基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型,平均绝对百分比误差(MAPE)评估结果如表6所示,根据模型预测结果绘制部分沥青动态模量主曲线并与实测值对比(如图2所示)。
表6动态黏弹特性预测模型评估结果
综上所述,基于本发明的沥青动态黏弹特性预测方法提出了对沥青黏弹性能影响显著的主要微观组成结构指标,建立了沥青宏微观特征的对应关系,同时预测的动态模量主曲线参数的MAPE均小于10%,以此绘制的动态模量主曲线与实测值拟合较好。本发明为评价沥青动态黏弹特性提供了一种新手段,并且为设计、生产乃至研发沥青材料提供了新的思路。
Claims (6)
1.一种基于机器学习的沥青动态黏弹特性预测方法,其特征在于所述方法包括如下步骤:
步骤一:采用动态剪切流变仪、元素分析仪、红外光谱仪对不同沥青样本进行测试,建立基于CAM模型的动态模量主曲线,获取样本的元素含量及红外光谱曲线;
步骤二:选择各个样本的动态模量主曲线移位因子参数C1、C2,形状参数k、me,玻璃态动态模量Gg,以及交叉频率fc构建宏观特征参数数据集,选择各个样本的C、H、N、S、O元素含量,C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集;
步骤三:利用均值化方法对数据集数据进行去量纲处理,计算经均值化处理后数据的方差;
步骤四:计算步骤三得到的微观特征参数的Pearson相关系数,基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维,替换为较少的新特征参数V1、V2…;
步骤五:计算步骤二选取的动态模量主曲线拟合参数与步骤四处理后的微观特征参数间的距离相关系数,确定与动态模量主曲线拟合参数有较大相关性的微观特征参数为模型输入变量,并以此组建一一对应的新的宏微观数据集;
步骤六:将步骤五组建的数据集按照9:1的比例划分成训练集与测试集,选择适当的核函数类型搭建基于支持向量机的沥青动态黏弹特性预测模型,基于训练集数据进行沥青动态黏弹特性预测模型训练,并借助网格搜索法和交叉验证法优化模型参数;
步骤七:基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型,以平均绝对百分比误差测试沥青动态黏弹特性预测模型的准确性。
2.根据权利要求1所述的基于机器学习的沥青动态黏弹特性预测方法,其特征在于所述步骤一中,所测试的不同沥青样本包括:不同标号的沥青、不同油源的沥青、掺加不同改性剂的沥青、是否经过老化的沥青中的几种。
5.根据权利要求4所述的基于机器学习的沥青动态黏弹特性预测方法,其特征在于所述核函数类型包括:线性核函数、多项式核函数、高斯核函数、sigmoid核函数中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975355.2A CN113533133B (zh) | 2021-08-24 | 2021-08-24 | 一种基于机器学习的沥青动态黏弹特性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975355.2A CN113533133B (zh) | 2021-08-24 | 2021-08-24 | 一种基于机器学习的沥青动态黏弹特性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113533133A CN113533133A (zh) | 2021-10-22 |
CN113533133B true CN113533133B (zh) | 2022-02-15 |
Family
ID=78091999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975355.2A Active CN113533133B (zh) | 2021-08-24 | 2021-08-24 | 一种基于机器学习的沥青动态黏弹特性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113533133B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763213B (zh) * | 2023-12-25 | 2024-07-09 | 哈尔滨工业大学 | 一种沥青黏弹构效关系模型的可视化界面建立方法 |
CN117831682A (zh) * | 2024-01-04 | 2024-04-05 | 哈尔滨工业大学 | 一种基于深度学习的虚拟沥青生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345716A (zh) * | 2018-01-15 | 2018-07-31 | 东南大学 | 基于三维交联网络的沥青混合料动态力学参数计算方法 |
CN109470553A (zh) * | 2018-11-20 | 2019-03-15 | 哈尔滨工业大学 | 应用Laplace变换实现沥青混合料材料参数快速转换的方法 |
CN109884288A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于最优松弛时间域的沥青混合料Prony级数模型参数的确定方法 |
CN111024528A (zh) * | 2019-12-27 | 2020-04-17 | 东南大学 | 一种沥青混合料粘弹性参数测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10768164B2 (en) * | 2018-10-30 | 2020-09-08 | Ganzu Province Transportation Planning, Survey & Design Institute Co., Ltd. | Method for fast detecting pavement asphalt and early warning based on infrared spectrum big data |
-
2021
- 2021-08-24 CN CN202110975355.2A patent/CN113533133B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345716A (zh) * | 2018-01-15 | 2018-07-31 | 东南大学 | 基于三维交联网络的沥青混合料动态力学参数计算方法 |
CN109470553A (zh) * | 2018-11-20 | 2019-03-15 | 哈尔滨工业大学 | 应用Laplace变换实现沥青混合料材料参数快速转换的方法 |
CN109884288A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于最优松弛时间域的沥青混合料Prony级数模型参数的确定方法 |
CN111024528A (zh) * | 2019-12-27 | 2020-04-17 | 东南大学 | 一种沥青混合料粘弹性参数测量方法 |
Non-Patent Citations (2)
Title |
---|
基于相关分析的沥青混合料疲劳性能内部影响因素评价;高国华等;《石油沥青》;20170225(第01期);1-6 * |
高黏度沥青黏度的评价方法与评价指标;李立寒等;《建筑材料学报》;20100615(第03期);352-356、362 * |
Also Published As
Publication number | Publication date |
---|---|
CN113533133A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113533133B (zh) | 一种基于机器学习的沥青动态黏弹特性预测方法 | |
CN108629365B (zh) | 分析数据解析装置以及分析数据解析方法 | |
CN106407648A (zh) | 一种汽油关键性质的快速批量预测方法 | |
CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN109507352B (zh) | 一种预测石化生产中任意流股分子组成的方法 | |
CN102601881A (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
CN102303377A (zh) | 一种橡胶门尼粘度的在线自动测量方法 | |
CN106529680B (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
US20100205214A1 (en) | Method for Creating Virtual Compound Libraries Within Markush Structure Patent Claims | |
CN111044482A (zh) | 原油调配方法 | |
CN109724939B (zh) | 由近红外光谱预测加氢尾油性质的方法 | |
CN101710392B (zh) | 基于可变边界支持向量机的重要信息获取方法 | |
CN116884536B (zh) | 一种工业废渣砖生产配方自动优化方法及系统 | |
CN117763213B (zh) | 一种沥青黏弹构效关系模型的可视化界面建立方法 | |
CN113379002B (zh) | 一种基于深度偏最小二乘模型的工业软测量方法 | |
CN114397187B (zh) | 基于纳微尺度压痕实验的岩石蠕变特性多尺度分析方法 | |
Peng et al. | Research on glass classification prediction model based on machine learning | |
Chenhao et al. | Simulation and optimization of binder performance in skeleton dense asphalt mixture based on deep learning | |
CN118275380A (zh) | 一种蜡油馏分的组分解析方法和装置 | |
Hoang et al. | Gradient boosting approach to predict complex modulus of GO-modified asphalt at low and medium temperature | |
Wu et al. | Research on Gene Coexpression Network Based on RNA-Seq Data |
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 |