CN113554222B - 一种胶结坝广源化胶结料动态优化和智能调控配置方法 - Google Patents

Abstract

本发明公开了一种胶结坝广源化胶结料动态优化和智能调控配置方法，首先基于时空克里金插值方法进行砂砾石料场选址进行取样试验，再根据取样试验样品确定胶结坝的胶结料配合比控制范围，然后将现场拌和的胶结料的实时胶结料配合比与胶结料配合比控制范围进行对比，对误差值较大的胶结料进行报警，最后根据胶结料的性能指标，采用灰色关联法构建多因素对抗压强度的统计模型，进而对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量。本发明实现了胶结料拌和过程数字化和智能化调控，解决了现有技术难以实现利用高离散、宽级配、最大粒径300mm的当地材料制备性能指标符合要求的胶结筑坝材料的问题。

Description

一种胶结坝广源化胶结料动态优化和智能调控配置方法

技术领域

本发明属于胶结料拌和控制技术领域，具体涉及一种胶结坝广源化胶结料动态优化和智能调控配置方法的设计。

背景技术

胶结坝是一种土石坝和混凝土坝之外的胶结坝新型筑坝体系，筑坝材料广源化，包括天然河床砂砾料、基岩和边坡开挖料、人工破碎骨料等当地材料，骨料的级配不唯一。利用少量水泥、粉煤灰、外加剂和工程现场的不筛分、不水洗的当地材料胶结成具有一定强度、抗剪和抗冲蚀能力的材料筑坝。胶结坝筑坝材料范围宽、原材料中砂砾石占比比例不同，骨料级配变化大，离散性大，即使在同一地点，胶结料的级配也不均匀，因此在胶结材料用量固定的情况下，胶结料级配不确定性变化带来胶结砂砾石用水量的变化，进一步导致胶结砂砾石的强度波动较大，科学合理地设计配合比参数设计显得尤为关键，决定着胶结坝筑坝强度与工程安全程度。不同级配的砂砾石料的胶结砂砾石具有一定适宜的用水量范围，以及与之相对应的适宜的强度分布范围，施工过程中需要快速准确地确定配合比参数。胶结砂砾石的物理力学特性受母材粒径尺寸和级配、单位用水量、单位胶结材料用量等多因素的综合影响，定量分析不同因素对胶结砂砾石性能的影响，有助于胶结砂砾石的配合比设计及施工过程的质量控制。

胶结料拌和强调“粗筛粗拌”，拌和系统生产中由于机器运转时间过长、设备老化或故障以及人为干预错误等因素会产生物料计量偏差，甚至出现胶结材料用量不足等问题。由于胶结坝筑坝材料的广源性、离散性大，胶结砂砾石在拌和站原材料检测结果滞后、检测结果反馈不及时，拌和后原材料配合比波动大，易造成配合比无法实时监控和调整的问题；加之现场施工条件常常复杂多变，大量信息快速传递、工程建设各方参与人员交流反馈以及高效协作方面存在诸多不便，施工质量问题难以及时发现和纠正，易发展为工程质量和安全隐患等问题。

发明内容

本发明的目的是为了解决现有胶结料拌和过程中配合比无法实时监控和调整，以及胶结坝施工质量问题难以及时发现和纠正的问题，提出了一种胶结坝广源化胶结料动态优化和智能调控配置方法。

本发明的技术方案为：一种胶结坝广源化胶结料动态优化和智能调控配置方法，包括以下步骤：

S1、基于时空克里金插值方法选取胶结坝工程现场砂砾石料场，并在砂砾石料场选取骨料进行取样试验。

S2、分析所选的取样试验样品，确定胶结坝的胶结料配合比控制范围。

S3、在胶结坝工程现场选用连续式拌和设备将骨料、胶结材料、水和外加剂进行拌和，形成胶结料。

S4、测定实时胶结料配合比，根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况，当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除。

S5、采集胶结料的性能指标，并根据性能指标，采用灰色关联法构建多因素对抗压强度的统计模型。

S6、基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量。

进一步地，步骤S1包括以下分步骤：

S11、将砂砾石料场选址区域进行空间格网划分，以每个格网作为一个采样点，确定现有砂砾石料场的空间坐标。

S12、确定每个格网点与现有砂砾石料场的时空克里金估计值σ：

其中γ(x_i,x_j)表示第i个现有砂砾石料场对应采样点与第j个现有砂砾石料场对应采样点之间的时空克里金变异函数，γ(x_i,x₀)表示第i个现有砂砾石料场对应采样点与待插值格网点的时空克里金变异函数，m表示现有砂砾石料场数量，μ表示拉格朗日乘数。

S13、选取时空克里金估计值σ最大的格网点作为新增砂砾石料场，并在新增砂砾石料场选取骨料进行取样试验。

进一步地，步骤S2中采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，其具体方法为：

A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制。

A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配。

A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线。

A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。

进一步地，步骤S3中的胶结材料包括水泥和粉煤灰，外加剂包括阻泥剂和引气剂，连续式专用拌和设备采用滚筒将物料提升，然后自落，并利用滚筒内叶片的强制拌和作用实现对骨料、胶结材料、水和外加剂的拌和，连续式拌和设备拌和的最大粒径为200mm。

进一步地，步骤S5中的性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、含泥量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比。

进一步地，步骤S5中采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：

B1、以胶结坝的抗压强度为母序列X₀＝{x₀(k)}，以胶结坝拌和的性能指标为子序列X_i＝{x_i(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数。

B2、对子序列中的元素进行初始化，得到初始化子序列元素x_i′(k)：

其中表示子序列X_i的均值。

B3、根据初始化子序列元素x′_i(k)计算子序列与母序列对应元素的绝对差值Δ0_i(k)：

Δ0_i(k)＝|x′₀(k)-x′_i(k)|

其中x′₀(k)表示满足最小强度要求的指标序列元素。

B4、获取绝对差值最小值M₁＝min|x′₀(k)-x′_i(k)|与绝对差值最大值M₂＝max|x′₀(k)-x′_i(k)|。

B5、根据绝对差值最小值M₁和绝对差值最大值M₂计算得到子序列与母序列对应元素的关联系数r_0i(k)：

其中为分辨系数，取值为0.5。

B6、根据关联系数r_0i(k)计算每个性能指标与抗压强度的灰色关联度r(X₀,X_i)：

r(X₀,X_i)＝∑r_0i(k)/n

B7、将每个性能指标与抗压强度的灰色关联度r(X₀,X_i)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。

进一步地，步骤S6中当需要考虑龄期影响时，拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测，经验公式为：

C(n)＝a*C(28)*ln(n)

其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。

进一步地，步骤S6中当需要考虑胶结坝拌和性能指标的多因素影响时，拌和质量评价模块采用BP神经网络对胶结坝的抗压强度进行预测，其具体方法为：

C1、构建BP神经网络，并选取灰色关联度r(X₀,X_i)最大的30％对应的性能指标作为训练数据。

C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据。

C3、将训练数据和标签数据输入BP神经网络之中。

C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练。

C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络。

C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。

本发明的有益效果是：

(1)本发明实现了胶结料拌和过程数字化和智能化调控，解决了现有技术难以实现利用高离散、宽级配、最大粒径300mm的当地材料制备性能指标符合要求的胶结筑坝材料的问题。

(2)经试验表明，本发明在胶结材料(水泥+粉煤灰)用量低于120kg、粉煤灰掺量达50％，砂率在20％～35％间波动，骨料含泥量放宽至5％的情况下，可保证配制的胶结材料满足筑坝设计强度要求。

(3)本发明采用时空克里金插值方法进行砂砾石料场选址，能够快速精确地确定最适合进行取样试验的砂砾石料场，采样误差小，同时节约了施工成本，满足实际工程的需求。

(4)本发明采用连续式拌和设备拌和胶结料，拌和效率高。

(5)本发明采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，有助于在配合比控制范围内以最小强度点进行胶结坝断面优化设计，同时能够实现对胶结坝的配合比误差情况进行精准监控，及时发现配比误差过大等问题并向拌和系统操作人员预警并采取纠正措施，以保障拌和生产的质量。

(6)本发明针对仅考虑龄期影响的胶结坝，采用经验公式对其抗压强度进行预测，计算方法简单高效，同时针对考虑胶结坝拌和性能指标的多因素影响的胶结坝，采用BP神经网络对其抗压强度进行预测，经验证其抗压强度预测误差小于10％，并且能够以多因素影响下的抗压强度预测值作为重要指标对胶结坝的拌和质量进行有效评价。

附图说明

图1所示为本发明实施例提供的一种胶结坝广源化胶结料动态优化和智能调控配置方法流程图。

图2所示为本发明实施例提供的胶结砂砾石料的用水量与抗压强度关系曲线图。

图3所示为本发明实施例提供的经验系数a的分布情况示意图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种胶结坝广源化胶结料动态优化和智能调控配置方法，如图1所示，包括以下步骤S1～S6：

S1、基于时空克里金插值方法选取胶结坝工程现场砂砾石料场，并在砂砾石料场选取骨料进行取样试验。

步骤S1包括以下分步骤S11～S13：

S11、将砂砾石料场选址区域进行空间格网划分，以每个格网作为一个采样点，确定现有砂砾石料场的空间坐标。

S12、确定每个格网点与现有砂砾石料场的时空克里金估计值σ：

其中γ(x_i,x_j)表示第i个现有砂砾石料场对应采样点与第j个现有砂砾石料场对应采样点之间的时空克里金变异函数，γ(x_i,x₀)表示第i个现有砂砾石料场对应采样点与待插值格网点的时空克里金变异函数，m表示现有砂砾石料场数量，μ表示拉格朗日乘数。

S13、选取时空克里金估计值σ最大的格网点作为新增砂砾石料场，并在新增砂砾石料场选取骨料进行取样试验。

S2、分析所选的取样试验样品，确定胶结坝的胶结料配合比控制范围。

本发明实施例中，采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，其具体方法为：

A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制。

A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配。

A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线，如图2所示。

A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。

本发明实施例中，选择多种胶结材料用量，配合比控制范围中平均级配砂砾石料的胶结砂砾石在设计龄期的强度最小值应满足配制强度要求；同时配合比控制范围中最细级配砂砾石料的胶结砂砾石在设计龄期的最小值不得低于设计强度，即满足双级配双重强度规定的原则。

S3、在胶结坝工程现场选用连续式专用拌和设备将骨料、胶结材料、水和外加剂进行拌和，形成胶结料。

本发明实施例中，胶结材料包括水泥和粉煤灰，外加剂包括阻泥剂和引气剂，连续式专用拌和设备采用滚筒将物料提升，然后自落，并利用滚筒内叶片的强制拌和作用实现对骨料、胶结材料、水和外加剂的拌和，连续式拌和设备拌和的最大粒径为200mm。

S4、测定实时胶结料配合比，根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况，当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除。

S5、采集胶结料的性能指标，并根据性能指标，采用灰色关联法构建多因素对抗压强度的统计模型。

本发明实施例中，胶结料的性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、含泥量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比。

灰色关联法是基于行为因子序列微观或宏观的几何接近，以分析和确定因子间的影响程度或因子(子序列)对主行为(母序列)的贡献程度的一种分析方法。其目的在于寻求系统中各因素之间的主要关系，找出影响目标值的重要因素，从而掌握事物的主要特征。关联度值越大，则表示子序列与母序列的相关性越大。灰色关联分析方法简单，容易操作，分析结果可为配合比设计提供参考。

本发明实施例中，采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：

B1、以胶结坝的抗压强度为母序列X₀＝{x₀(k)}，以胶结坝拌和的性能指标为子序列X_i＝{x_i(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数。

B2、对子序列中的元素进行初始化，得到初始化子序列元素x_i′(k)：

其中表示子序列X_i的均值。

B3、根据初始化子序列元素x′_i(k)计算子序列与母序列对应元素的绝对差值Δ0_i(k)：

Δ0_i(k)＝|x′₀(k)-x′_i(k)|

其中x′₀(k)表示满足最小强度要求的指标序列元素。

B4、获取绝对差值最小值M₁＝min|x′₀(k)-x′_i(k)|与绝对差值最大值M₂＝max|x′₀(k)-x′_i(k)|。

B5、根据绝对差值最小值M₁和绝对差值最大值M₂计算得到子序列与母序列对应元素的关联系数r_0i(k)：

其中为分辨系数，取值为0.5。

B6、根据关联系数r_0i(k)计算每个性能指标与抗压强度的灰色关联度r(X₀,X_i)：

r(X₀,X_i)＝∑r_0i(k)/n

B7、将每个性能指标与抗压强度的灰色关联度r(X₀,X_i)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。

本发明实施例中，以粒度分形维数、引气剂掺量、减水剂掺量、含泥量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比等胶结坝拌和的性能指标为子序列，以胶结砂砾石28d抗压强度为母序列，计算各因素与抗压强度之间的灰色关联度，计算结果如表1所示。

表1灰色关联度计算结果

从表1中可以看出，各因素与抗压强度的灰关联度均大于0.6，说明这些因素对胶结砂砾石的抗压强度均有重要影响。

其中，粒度分形维数、砂率：骨料的级配影响了砂浆、净浆的包裹作用，进而影响了水泥和粉煤灰与水反应而产生的胶结作用，对于胶结砂砾石来说，分析结果表明，骨料级配是影响其强度的首要因素。砂率与抗压强度之间的灰色关联度为0.646，小于粒度分形维数与抗压强度之间的灰色关联度，这是因为砂率仅表示了砂子占骨料的比例，无法考虑石子比例的影响。

引气剂掺量、减水剂掺量：样本中采用引气剂和减水剂的较少，按61组数据来进行关联度分析，会导致计算结果偏大，提取掺有减水剂的25组数据进行单独分析，结果表明减水剂掺量与抗压强度之间的灰色关联度为0.719，略小于61组数据计算得到的结果。同样提取掺有引气剂的11组数据进行单独分析，结果表明引气剂掺量与抗压强度之间的灰色关联度为0.654，小于61组数据计算得到的结果。说明在进行灰关联度分析时，样本的选取会对试验结果产生影响，应选尽量多的选取具有代表性的样本。

含泥量、胶结材料总量、粉煤灰用量：含泥量对胶结砂砾石的强度势必会产生影响，分析结果表明，含泥量的灰色关联度为0.716，大于粉煤灰用量的灰色关联度0.664，这与试验、理论研究结果一致，胶结材料总量的影响介于二者之间。

用水量、水胶比：用水量与胶结砂砾石抗压强度之间的灰色关联度为0.660，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.638，研究结果表明对于胶结砂砾石来说，水胶比的影响弱于含泥量等，这是因为减水剂的掺入影响了用水量和水胶比的分析结果，剔除掺有减水剂的配合比，再次分析用水量和水胶比的影响程度，结果表明用水量与胶结砂砾石抗压强度之间的灰色关联度为0.678，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.690，说明水胶比对抗压强度的影响大于用水量的影响。

综上所述，各因素对抗压强度的影响依次为粒度分形维数＞减水剂掺量＞含泥量＞水胶比＞用水量＞胶结材料总量＞粉煤灰用量＞引气剂掺量＞砂率。

S6、基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量。

本发明实施例中，当需要考虑龄期影响时，拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测。

经验公式的数据来源汇总了顺江堰、岷江航电、守口堡、金鸡沟、东阳水库工程，以及前期948项目(街面)中的室内试验配合比，共计142组试验结果，从中提取含有28d、90d和180d抗压强度试验结果的配合比49组展开分析，其中16组有7d抗压强度试验结果。

参考混凝土材料，一般认为强度与龄期的对数成正比，其强度与龄期关系经验公式如下：

R(n)＝R(28)*ln(n)/ln(28)

其中n为试件养护龄期，R(n)为龄期n天时混凝土抗压强度；R(28)为28d龄期标准试件抗压强度。根据该公式可根据28d强度估算长龄期混凝土强度，但公式对短龄期时不适用。

胶结颗粒料抗压强度设计龄期取的是180d，实际试验过程中得到的最多的是28d龄期数据，同样以28d龄期强度为计算基数，最短龄期为7d，即目标公式应适用于预测胶结颗粒料7～180d强度，因此对上述混凝土材料的经验公式进行简化，得到胶结颗粒料抗压强度经验公式为：

C(n)＝a*C(28)*ln(n)

其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。

从胶结颗粒料抗压强度经验公式可知，只要给出a的取值和胶结颗粒料抗压强度(7～180d)，就可以预测胶结颗粒料长龄期抗压强度。考虑胶结颗粒料材料本身的离散性，a为一个取值范围，不是固定值，同时为了保证预测范围的可用性，该范围应尽量小。试件大小应为150mm×150mm×150mm湿筛试件。

采用胶结颗粒料抗压强度经验公式对49组试验数据分别拟合分析，分析结果如表2所示：

表2 49组数据拟合分析试验结果

表2中R²表示灰色关联系数，从表2可以看出，拟合结果相关性系数较高，经验系数a最大值为0.51，最小值为0.27。对经验系数a的值进行进一步分析，如图3所示，从图3可以看出，经验系数a取值集中在0.30～0.44之间，达到了41组，即84％。从胶结颗粒料抗压强度经验公式可知，经验系数a取值越大，计算得到的抗压强度值越大，因此，可以保守些，取值小一些，根据分析结果，本发明实施例中建议经验系数a取值为0.3～0.4。

当需要考虑胶结坝拌和性能指标的多因素影响时，由于上述经验公式未考虑水胶比、粉煤灰掺量、骨料级配等因素的影响，是根据大量数据得到的胶结砂砾石抗压强度随龄期变化的计算公式，仅适用于已知一个龄期，预期其他龄期强度，无法根据原材料物理力学参数及配合比参数，进行胶结砂砾石抗压强度预测，因此不能用于配合比设计的依据。

人工神经网络作为一种预测手段早已深入各种科学研究之中，BP神经网络是目前应用十分广泛的一种人工神经网络，是由输入层、隐藏层和输出层3部分组成的前馈阶层网络，相邻层之间的各神经元实现全连接，但每层各个神经元之间相互独立。本发明实施例中，BP神经网络采用多个输入层、多个隐藏层和1个输出层的BP网络结构，建立抗压强度输出层与其影响因子之间非线性映射关系的预测模型。

采用BP神经网络对胶结坝的抗压强度进行预测的具体方法为：

C1、构建BP神经网络，并选取灰色关联度r(X₀,X_i)最大的30％对应的性能指标作为训练数据。

C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据。

C3、将训练数据和标签数据输入BP神经网络之中。

C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练。

C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络。

C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。

BP神经网络是使计算机先学习大量的数据，然后找到各因素与目标之间的非线性映射关系，根据映射关系进行预测，因此输入的数据越多、参数越具有代表性，得到的预测准确度多高。采用胶结坝拌和的各个性能指标作为数据源，其中随机抽取序号为15、25、35的作为预测结果检测数据，其余58组数据为输入数据，采用BP神经网络进行强度预测，结果如表3所示。

表3 49组数据拟合分析试验结果

从表3中可以看出，将各个性能指标作为参数，预测得到的胶结砂砾石抗压强度在10％左右。之前分析表明，砂砾石的粒度分形维数是影响抗压强度的首要因素，因此，进行了不考虑粒度分形维数影响的强度预测，预测结果表明，误差均超过了10％，且最大误差达到了21.2％，说明骨料级配对胶结砂砾石的抗压强度有较大的影响，粒度分形维数可作为其表征参数。之前分析结果亦表明砂率的影响较小，因此进行了去掉砂率这个参数的强度预测分析，结果表明，其误差与考虑所有因素的较为接近；上述3种参数组合方式，预测得到的结果误差均较大，为了进一步降低误差，进行了多种不同参数组合下的强度预测分析，增加总浆液(胶结材料总量+用水量)，最终得到的含泥量+胶结材料总量+总浆液+粒度分形维数+外加剂掺量+水胶比，共6个参数的组合下，强度预测结果误差小于10％，预测结果较好。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，包括以下步骤：

S1、基于时空克里金插值方法选取胶结坝工程现场砂砾石料场，并在砂砾石料场选取骨料进行取样试验；

S2、分析所选的取样试验样品，确定胶结坝的胶结料配合比控制范围；

S3、在胶结坝工程现场选用连续式拌和设备将骨料、胶结材料、水和外加剂进行拌和，形成胶结料；

S4、测定实时胶结料配合比，根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况，当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除；

S5、采集胶结料的性能指标，并根据性能指标，采用灰色关联法构建多因素对抗压强度的统计模型；

S6、基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量；

所述步骤S1包括以下分步骤：

S11、将砂砾石料场选址区域进行空间格网划分，以每个格网作为一个采样点，确定现有砂砾石料场的空间坐标；

S12、确定每个格网点与现有砂砾石料场的时空克里金估计值σ：

其中γ(x_i,x_j)表示第i个现有砂砾石料场对应采样点与第j个现有砂砾石料场对应采样点之间的时空克里金变异函数，γ(x_i,x₀)表示第i个现有砂砾石料场对应采样点与待插值格网点的时空克里金变异函数，m表示现有砂砾石料场数量，μ表示拉格朗日乘数；

S13、选取时空克里金估计值σ最大的格网点作为新增砂砾石料场，并在新增砂砾石料场选取骨料进行取样试验；

所述步骤S5中采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：

B1、以胶结坝的抗压强度为母序列X₀＝{x₀(k)}，以胶结坝拌和的性能指标为子序列X_i＝{x_i(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数；

B2、对子序列中的元素进行初始化，得到初始化子序列元素x′_i(k)：

其中表示子序列X_i的均值；

B3、根据初始化子序列元素x′_i(k)计算子序列与母序列对应元素的绝对差值Δ0_i(k)：

Δ0_i(k)＝|x′₀(k)-x′_i(k)|

其中x′₀(k)表示满足最小强度要求的指标序列元素；

B4、获取绝对差值最小值M₁＝min|x′₀(k)-x′_i(k)|与绝对差值最大值M₂＝max|x′₀(k)-x′_i(k)|；

B5、根据绝对差值最小值M₁和绝对差值最大值M₂计算得到子序列与母序列对应元素的关联系数r_0i(k)：

其中l为分辨系数，取值为0.5；

B6、根据关联系数r_0i(k)计算每个性能指标与抗压强度的灰色关联度r(X₀,X_i)：

r(X₀,X_i)＝∑r_0i(k)/n

B7、将每个性能指标与抗压强度的灰色关联度r(X₀,X_i)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。

2.根据权利要求1所述的胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，所述步骤S2中采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，其具体方法为：

A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制；

A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配；

A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线；

A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。

3.根据权利要求1所述的胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，所述步骤S3中的胶结材料包括水泥和粉煤灰，所述外加剂包括阻泥剂和引气剂，所述连续式拌和设备采用滚筒将物料提升，然后自落，并利用滚筒内叶片的强制拌和作用实现对骨料、胶结材料、水和外加剂的拌和，所述连续式拌和设备拌和的最大粒径为200mm。

4.根据权利要求1所述的胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，所述步骤S5中的性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、含泥量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比。

5.根据权利要求1所述的胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，所述步骤S6中当需要考虑龄期影响时，拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测，所述经验公式为：

C(n)＝a*C(28)*ln(n)

其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。

6.根据权利要求1所述的胶结坝广源化胶结料动态优化和智能调控配置方法，其特征在于，所述步骤S6中当需要考虑胶结坝拌和性能指标的多因素影响时，拌和质量评价模块采用BP神经网络对胶结坝的抗压强度进行预测，其具体方法为：

C1、构建BP神经网络，并选取灰色关联度r(X₀,X_i)最大的30％对应的性能指标作为训练数据；

C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据；

C3、将训练数据和标签数据输入BP神经网络之中；

C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练；

C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络；

C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。