CN114912712A - 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法 - Google Patents

一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法 Download PDF

Info

Publication number
CN114912712A
CN114912712A CN202210680987.0A CN202210680987A CN114912712A CN 114912712 A CN114912712 A CN 114912712A CN 202210680987 A CN202210680987 A CN 202210680987A CN 114912712 A CN114912712 A CN 114912712A
Authority
CN
China
Prior art keywords
cement
consistency
artificial neural
neural network
algorithm
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
CN202210680987.0A
Other languages
English (en)
Inventor
宋晓玲
胡敬平
罗维
杨忠
徐盼盼
黄东
梁智霖
汤建建
侯慧杰
刘光强
梁莎
杨家宽
李自兵
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.)
Huazhong University of Science and Technology
Xinjiang Tianye Group Co Ltd
Original Assignee
Huazhong University of Science and Technology
Xinjiang Tianye Group Co Ltd
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 Huazhong University of Science and Technology, Xinjiang Tianye Group Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202210680987.0A priority Critical patent/CN114912712A/zh
Publication of CN114912712A publication Critical patent/CN114912712A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P40/00—Technologies relating to the processing of minerals
    • Y02P40/10—Production of cement, e.g. improving or optimising the production methods; Cement grinding

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明是一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，属于水泥配料与固废处理资源化的领域。为解决水泥性能总体最佳以及最大限度的消纳工业固废，提供以下方法：建立训练组数据；建立训练前馈人工神经网络模型；把训练好的前馈人工神经网络模型以及SE‑DEA算法和Sigmoid稠度评分函数嵌入到NSGA‑II模型之中，进行各项水泥性能均衡最佳对应的生料配料寻优计算；导出水泥性能最佳的原料配比解数据。主要过程中避免了因生产数据稀疏性过大而带来的误差，使配料计算的过程更加科学可靠。本发明以得到水泥性能的3天与28天抗压、抗折强度和水泥稠度值，各参数均衡最佳为主要目的，能更准确的计算固废协同处置或硅酸盐水泥生产的配料计算，用于智能化生产应用。

Description

一种耦合前馈人工神经网络和进化算法的固体废物协同处置 水泥配料控制方法
技术领域
本发明属于固体废物资源化利用领域，尤其是一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法。
背景技术
随着工业的不断发展和城镇化建设的持续推进，各类固废与日俱增。利用水泥窑协同处置各类固废，在进行水泥熟料生产的同时实现对固废的无害化处置。经预处理后的各类固废可作为水泥窑的替代燃料或替代原料使用，有效降低化石燃料的用量和水泥原料资源的开发。以工业固废的水泥窑协同处置为例，近年来水泥厂通过分析各种工业固废的理化特性，经过不断调整设计方案，合理搭配原料和进行产前试验、类比筛选、工艺选定，并进行初步均化，分类存储、有效计量、生产制备、例行监控和两磨一烧的工艺流程逐步开发出全废渣代替天然水泥原料烧制生态水泥的工艺技术。如电石渣代替钙质原料（石灰石），粉煤灰、炉渣代替硅质原料（硅石），煤矸石代替铝制原料（页岩），铜渣、铁质尾矿代替铁质原料（铁矿粉），脱硫石膏代替天然石膏（缓凝原料），制得的水泥熟料和成品的理化性质和性能强度符合相关标准要求。相关数据表明在各种固废包括生活垃圾、工业固废、市政污泥和危险废弃物等的处理处置方式上，水泥窑协同处置的方式占比逐年在上升。可见水泥窑协同处置固废的方式对固废的无害化、减量化和资源化利用正发挥着越来越重要的作用。
在水泥生产的整体工艺中，原料的配伍计算至关重要，它决定着后续水泥烧制的整个流程，也决定着生产出来的水泥性能等各个指标，科学的水泥生料配比可以指导烧制出优质水泥，并节省能耗，降低成本。传统水泥的生料配伍计算原理是根据水泥品种、原燃料品质、工厂的具体生产条件等选择合适的熟料矿物组成或三率值，即石灰饱和系数（KH）、硅率（SM）、铝率（IM），并由此计算所用原料及燃料的配合比。根据经验，熟料三率值均有各自特定的范围，其对熟料矿物相中各组分如C3S、C2S、C3A、C4AF和f-CaO的占比和煅烧过程中液相量的生成以及水泥的强度性能有着很大的影响。
不同于传统硅酸盐生产工艺，全废渣水泥工艺的本质目标是消纳大宗工业固废，其废渣原料的来源广泛、种类繁多、组分变化大，不仅给水泥的生料配伍计算带来了极大的困难，也导致生产出的水泥质量波动大、强度性能不够稳定。
伴随着水泥生产历史的悠久，水泥生料配伍领域的研究成果已然是相当丰富。早期的水泥生料配料方式主要分为两大类，即人工法和电算法。人工法如试错法，通过列出三率值约束方程来求解，对工程师的经验知识要求比较高，由于其计算过程之繁琐和人力资源消耗之大，已逐渐为电算法所代替。电算法指的是以Excel计算表格方法为代表的一类方法，利用目标三率值的约束条件来求得各原料配比，具体来说有线性规划法和最小二乘法。如线性规划法使用Excel的线性/非线性规划求解器版块设置约束方程和限制条件来优化求解，相比较人工法来说，具有很强的实用性，缺陷是存在多解或无解的情况。针对本发明中提到的工业废渣代替天然原料生产水泥的工艺技术，即使在技术人员积累了一定废渣水泥配料经验的前提下，受到固废进料波动大、组分多变的影响，此类Excel电算法找到最优解的过程仍然较为繁琐，效率低下，对固废进料的波动不具备一定的抗扰性和普适性。
伴随着遗传算法——一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型的出现，遗传算法开始广泛运用于生料配料领域。通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。将智能算法应用于水泥生料领域已经成为了研究热点之一。有相关学者将遗传算法应用于水泥生料的配比，结果表明此算法计算收敛速度快、不会出现发散的结果，且能收敛到全局最优点；相关研究者利用NSGA-Ⅱ算法建立了基于遵循“质量守恒”和“能量守恒”原理的多目标配料优化模型，取得了较好的优化结果。随着前馈人工神经网络（BPNN）的出现，有学者以原材料配比为输入，以生料CaO、Fe2O3和烧失量为输出，利用BP前馈人工神经网络建立配料调整模型，经与水泥生产质量的历史数据相比较，证明此方案有一定的实用性。虽然原料的配比求解引入了BP前馈人工神经网络模型，能够求解出符合质量要求的配比，但是在约束和多目标优化等问题上涉及颇少，导致配比求解结果不能满足多个需求，存在一定的局限性。国外有相关学者利用水泥企业生产数据，通过输入水泥熟料氧化物组分、细度和早期抗压强度等数据，以28天抗压强度为输出变量训练BP模型，联合遗传算法对水泥熟料的28天抗压强度进行优化，取得了不错的效果。就目前的利用工业固废代替天然原料生产水泥技术而言，亟需开发出一种根据水泥生料数据预测水泥性能，继而优化水泥生料配比的算法，来解决由原料波动带来的水泥质量参差不齐的问题。但目前存在的算法模型功能主要体现在对水泥强度性能的预测上，针对水泥原料预测熟料性能的研究较少，与生态水泥有关的更少。但先行的研究表明使用机器学习算法预测熟料性能具有一定的可行性。
发明内容
本发明是提供一种耦合前馈人工神经网络与进化算法的固体废物协同处置水泥配料优化方法，以达到水泥性能总体最佳以及最大消纳工业固废量为目的，继而解决采用若干种工业固废制水泥时由于废渣成分复杂导致进料波动大、生产水泥质量性能不稳定的问题。具体来说本发明方法包括以下步骤：
首先，将历次水泥生产线的原料化学组分、进料配比、入窑烟煤性质、熟料理化性质和水泥性能指标数据进行归类、清洗和分组，分类成训练组数据和验证组数据，依次进行原料生产生料、生料和煤成分生产熟料、熟料理化性质映射水泥性能三个过程的前馈人工神经网络模型非线性拟合，串联上述三个过程的前馈人工神经网络模型后，将超效率数据包络分析和创建的Sigmoid稠度评分函数嵌入到NSGA-Ⅱ算法之中，进行以3天与28天抗压、抗折强度、稠度和水泥性能的数据包络分析综合效率最佳为六个目标函数的配料寻优计算，求得最佳配比。六个目标函数是水泥3天抗压强度值、水泥28天抗压强度值、水泥3天抗折强度值、水泥28天抗折强度值、水泥稠度评分函数值、水泥性能（稠度评分函数值、3天抗压强度、28天抗压强度、3天抗折强度、28天抗折强度）的数据包络分析综合效率函数。也即：
步骤1，整合企业近三年的历史生产数据，结合生产工艺对数据进行原料——生料、生料+煤成分——熟料理化性质、熟料理化性质——水泥强度三个过程的划分，并随机分配为训练组数据和测试组数据。利用训练组数据对这三个生产过程进行前馈人工神经网络模型的非线性拟合，前馈人工神经网络模型拓扑结构图如说明书附图图9，利用测试组数据进行模型的准确度验证。优选地，各前馈人工神经网络模型选用的历史进料数据举例如下。原料配比数据：包括硅砂、铜渣、炉渣、碎石灰、净化灰、粉煤灰、干粉库、窑灰、硅石、湿净化灰、焚烧净化灰、拌合废料质量比；入窑生料组分数据：包括二氧化硅、三氧化铝、三氧化二铁、氧化钙、氧化镁质量比；煤成分数据：煤的内在水份、挥发份、灰份、固定碳比例数据，煤的热值；熟料化学组分数据：熟料中二氧化硅、氧化铝、三氧化二铁、氧化钙、氧化镁、三氧化硅、氧化钙质量比；水泥性能数值：28天抗压强度、28天抗折强度、3天抗压强度、3天抗折强度、稠度。利用上述原料配比数据、入窑生料组分数据、煤成分数据、熟料化学组分数据、水泥性能数值进行三个前馈人工神经网络网络模型的训练，并将其串联起来从而构建出完整的原料配比/性能参数路径作为本发明优化方法的核心前馈人工神经网络函数模型备用。也即，三个串联的前馈人工神经网络模型是通过水泥熟料生产过程物质流理化性质及煤理化性质数据构建的，用于避免因生产数据稀疏性过大而带来的误差，从而提高整个模型的精确度。
步骤2，对求解最佳水泥性能对应的生料配比算法参数进行合理设置。优选地，以非支配排序算法NSGA-Ⅱ算法为代表。优选地，最优个体比例设置为0.3（即30%）、种群大小设置为100、进化的代数设置为200，设置一个停止计算的迭代误差，当前后两次计算结果的差值小于1e-7时停止计算。
步骤3，算法随机生成初代进料数据种群P（12种废渣组分的配比，0%~100%之间）。导入步骤1中事先训练好的原料配比——水泥性能前馈人工神经网络模型将种群P的生料配比数据映射为水泥性能参数。优选地，设随机生成的生料配比为x1、x2，…x11，x12（0%≤xn≤100%），经过如下所示的前馈人工神经网络模型映射为熟料性能参数y1、y2、y3、y4、y5（依次代表3天抗压、3天抗折、28天抗压、28 天抗折强度、稠度）。
步骤4，设置算法目标函数。用水泥的 3天与28天 抗压、抗折强度的均衡最大化和水泥稠度最佳范围为优化目标进行水泥配比求解。同时，引入的将Sigmoid 函数进行对称拉伸变换后得到的稠度评分函数，包括任何“几”字型的函数，如正态分布函数。引入将Sigmoid 函数进行对称拉伸变换后得到的稠度评分函数，根据稠度值得实际情况，构建一个以水泥稠度为输入量，以“稠度评分”为输出量，在合适稠度范围内“稠度评分”可取到最小值的“稠度评分函数”，以稠度评分函数为目标函数进行稠度优化，使得稠度在一个范围内最优。
也即：为了求解最佳水泥性能下的原料配比，算法的目标函数即适应度函数的设置是算法的核心，本算法用水泥的3天抗压、3天抗折、28天抗压、28 天抗折强度和稠度值同时最佳为目标函数。把训练好的三个串联前馈人工神经网络嵌入到NSGA-Ⅱ求解水泥配比算法之中，利用水泥生产物质流理化性质（抗压、抗压强度、稠度等）以及煤理化性质数据精确描述水泥烧制各个阶段各因素对水泥性能的影响，得出使水泥性能最优的原料配比。通常来说，水泥的3天抗压、3天抗折、28天抗压、28 天抗折强度越大越好，但水泥的稠度性能一值有其最佳范围，而NSGA-Ⅱ算法进行多目标寻优计算求解通常是求极值的过程，因此稠度性能的优化需要作一定处理。
优选地，根据水泥厂近三年的历史生产水泥质量数据，将稠度的最佳范围设定为22~24。优选地，引入稠度评分函数，其函数表达式如下（c为稠度），函数图像如说明书附图图10，评分函数值的范围为[0,1]。稠度评分函数数值越低代表稠度优化值越接近最优值区间，反之函数数值越高。优选地，当稠度优化值在设置的最优区间内，稠度函数的评分较低，且评分函数在最优区间内数值间隔较小；但当稠度优化值在最优区间之外时，稠度评分函数数值会迅速增加。函数中e为自然对数，c为稠度原始值。
Figure 585110DEST_PATH_IMAGE001
步骤5，进行NSGA-II算法的迭代多目标计算。即：在完成前馈人工神经网络模型的训练和目标函数的设定后，进行算法的迭代寻优计算。优选地，算法会随机产生规模为N的初始配比种群P，之后嵌入前馈人工神经网络模型将生料配料数据转化为5个性能参数；并嵌入稠度评分函数将稠度一值转化为稠度评分；将转化后的种群数据经过NSGA-II算法的非支配排序、拥挤度计算和选择、交叉、变异三个基本操作得到第一代子种群Qn，将子代种群和父代种群合并为Rn，再次重复非支配排序、拥挤度计算等选出个体为N的产生新父种群，继续遗传进化生成新的子代种群，采用最优个体保留机制，直至进化代数达到最大设定值或适应度函数小于阈值，通过设置最优前端个体系数，优选地设置为0.3，得到一批最优解。
步骤6，将优化后得到的四个性能参数使用数据包络分析模型来计算多个目标的综合优化效率，并将其作为目标函数之一。NSGA-II算法在进行多目标寻优计算时，可能会出现牺牲某项或某几项指标的优化效率现象。引入超效率数据包络分析（SE-DEA）模型进行NSGA-Ⅱ多目标算法的优化结果均衡化，即引入数据包络分析，将生成的稠度评分函数与其他四个性能参数 3天与28天 抗压、抗折强度使用SE-DEA 算法计算综合效率，最终得出六个优化目标（稠度评分、28天和3天抗压抗折、SE-DEA 效率值）的最佳值。优选地，为了保证5项指标的优化结果均衡化，引入SE-DEA算法来评价各项指标的综合优化效率最终得出六个优化目标（稠度评分、3天与28天抗压抗折、DEA效率值），再对这个六个目标函数进行最小值优化。
步骤7，迭代计算终止，输出最优性能对应的生料配比。再经过上述迭代计算后，输出最佳优化性能下，水泥的生料配比。
本发明引举的案例采用的是一种耦合前馈人工神经网络与进化算法的固体废物协同处置水泥配料优化方法，以追求水泥性能总体最佳以及消纳工业固废为导向，应用于水泥配料与固废处理资源化的领域。算法优化的核心模型在于利用生产工艺过程中原料——生料、生料+煤成分——熟料理化性质、熟料理化性质——水泥强度三个过程的历史生产数据进行前馈人工神经网络非线性拟合得到三个BP模型，并将其串联得到水泥原料——水泥性能的对应函数关系路径。在利用NSGA-Ⅱ算法求解最佳水泥性能对应的生料配比时，将此函数关系嵌入到算法之中，可以精确模拟水泥工艺各生产单元过程，将配料数据转化为3天与28天抗压、抗折强度性能参数；对于稠度这一水泥性能的要求，采用稠度评分函数将其优化结果固定在一合适范围内；最后利用SE-DEA算法计算生成的稠度评分与其他四个性能参数的DEA综合效率，NSGA-II算法对六个优化目标（稠度评分、3天抗压、3天抗折、28天抗压、28天抗折和DEA效率值）的最小值进行优化，继而输出六个最佳性能下对应的固废进料生料配比。
上述配料控制方法不仅适用于固体废物协同处置制造水泥领域，还适用于传统硅酸盐水泥领域和类似的多组分原料配料领域。
本发明创造的一种耦合前馈人工神经网络与进化算法的固体废物协同处置水泥配料优化方法，通过在算法中嵌入训练好的三个串联的BP模型，精准拟合生料与熟料性能之间隐藏的函数关系，继而将NSGA-Ⅱ算法生成的配料数据转化为对应的性能参数。针对水泥稠度这一性能，并非简单求解极值，而是引入稠度评分函数，将其最优值固定在一合适区间范围之内。面对传统NSGA-Ⅱ算法优化多目标时存在着为达到总体优化目的而牺牲某个目标函数的现象，引入SE-DEA算法来进行各目标优化效率的综合评分，并将此综合评分作为一个优化目标函数代入NSGA-II进行优化计算，最终实现各目标函数的均衡优化。在此前还未出现将此类方法应用于成分复杂多变的工业固废水泥原料配伍计算之中的案例，本发明首次将前馈人工神经网络与优化算法耦合并根据实际工况改进后应用于优化水泥性能和生料配比，经过企业实际生产数据的验证表明本优化方法对水泥性能优化的效果，对指导水泥厂的实际生产配料具有很大的实用性。
附图说明
图1为一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法的流程图；
图2为种群特征编码；
图3为前馈人工神经网络对原料配比-性能参数映射示意图；
图4为非支配排序和拥挤度计算示意图；
图5为NSGA-II算法基因交叉变异示意图；
图6为NSGA-II算法产生新子代个体示意图；
图7为单层前馈人工神经网络网络与三重前馈人工神经网络网络水泥强度预测准确率对比图(MAE, MAPE, RMSE, APEV)；
图8为引入稠度评分函数和绝对值函数对算法推荐的原料配比进行稠度预测的对比图(最优稠度设置为23.5)；
图9为本发明中前馈人工神经网络拓扑结构图；
图10为本发明稠度评分函数的图像。
具体实施方式
实施例1：参照说明书附图图1，一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，优选地，以表1~5中的废渣进料和水泥性能等历史数据为例，具体实施案例如下：
①前馈人工神经网络模型的训练
利用表1~5中水泥生产的个流程历史数据依次进行从原料——生料、生料+煤成分——熟料理化性质、熟料理化性质——水泥强度三个过程的前馈人工神经网络模型训练，并随机分配为训练组数据和测试组数据。利用训练组数据对这三个生产过程进行前馈人工神经网络模型的非线性拟合，利用测试组数据进行模型的准确度验证。将最终得到的三个前馈人工神经网络模型合并为原料——水泥性能的前馈人工神经网络模型。
表1历史废渣原料配比数据节选
Figure 884635DEST_PATH_IMAGE002
表2入窑生料组分数据节选
Figure 379202DEST_PATH_IMAGE003
表3入窑生料组分和煤成分数据节选
Figure 115077DEST_PATH_IMAGE004
表4熟料化学组分数据节选
Figure 500927DEST_PATH_IMAGE005
表5水泥强度等性能数据节选
Figure 107489DEST_PATH_IMAGE006
②算法参数的初始化设置
设置合适的遗传算法的参数：包括最优个体比例 0.3（即30%）、种群大小100、进化的代数200、计算终止条件为前后两次计算结果的差值小于1e-7。
表6 遗传算法参数设置
Figure 586006DEST_PATH_IMAGE007
③ 算法产生初始种群
算法产生随机数据组成初始配比种群P，种群规模为100，列举初始配比种群P部分的字符串数据，即种群特征编码如说明书附图2。
④ 嵌入前馈人工神经网络模型进行配比数据转化
导入①中训练好的原料配比——水泥性能前馈人工神经网络模型，将初代种群P的配比数据（二进制字符串）转化为水泥的5个性能参数（二进制字符串），随机举例如说明书附图图3：前馈人工神经网络对原料配比-性能参数映射示意图。
⑤ 对初始种群进行非支配排序、拥挤度计算
对规模为100的种群P进行非支配排序分层和拥挤度计算，优选地，如图3种群P被分为4个层次，第一级非支配层个数为N1个，第二级非支配层个数为N2个，第三级非支配层为N3个，第四级非支配层个数为N4个。由此，整个种群被分层，同时算法会对每个个体进行与目标函数之间的距离和计算，即拥挤度计算，选取距离和较大的点以保证该点的不可替代性。这样每个个体被赋予非支配层和拥挤度这两个属性。非支配排序和拥挤度计算示意图如说明书附图图4。
⑥ 进行选择、变异和交叉等遗传操作
NSGA-Ⅱ算法选择出较优的非劣等级个体，通过设置的最优前沿系数0.3，即选择出30个个体，下面举例列举前2个个体进行变异和交叉的说明。
经过变异（某些位点由1→0或由0→1）后的产生的新个体（说明书附图图5左），经过交叉（某些片段重组）后的产生的新个体（说明书附图图5右）：
经过交叉变异组合后产生的新个体如说明书附图图6NSGA-II算法产生新子代个体示意图：
这些新产生的子个体组成子代种群Qn，与父代种群合并后，再次经过非支配排序和拥挤度计算选取前100个个体组成第二代种群，直至计算迭代次数完成设定值或终止条件。
⑦将产生的满足期望值的一批最优解（按照优先消纳某固废要求对消纳量高低进行排序，算法选择最佳解，输出为废渣配比与推荐煤参数，列举部分Pareto最优解如表10、11所示，表12为表10所示配比生产出的对应的产品性能参数。
、采用单层网络与三层网络预测水泥性能的准确度对比（准确度评价指标分别采用MAE, MAPE, RMSE, APEV），对比图如说明书附图图7。
表7 单层前馈人工神经网络网络与三重前馈人工神经网络网络水泥强度预测值与真实值差距举例
Figure 12440DEST_PATH_IMAGE008
2、引入稠度评分函数和绝对值函数（abs）对比，对比图如说明书附图图8
表8 引入稠度评分函数和绝对值函数对算法推荐的原料配比举例(最优稠度设置为23.5)
Figure 483872DEST_PATH_IMAGE010
表9 引入稠度评分函数和绝对值函数对算法推荐的煤参数举例(最优稠度设置为23.5)
Figure 928629DEST_PATH_IMAGE012
3、有DEA、无DEA、SE-DEA算法对比
表10 不同DEA算法嵌入情况的算法推荐生料配比数据举例（百分比）
Figure 92894DEST_PATH_IMAGE014
表11 不同DEA算法嵌入情况的算法推荐煤参数数据举例（百分比）
对比情况 内在水份 灰份 挥发份 固定碳 热值(kJ/kg)
有DEA 5.5779 10.5150 28.1183 34.9296 20449
无DEA 3.1701 32.1628 38.6243 54.9091 20575
SE-DEA 1.8332 35.2239 17.4041 42.7038 23361
表12 不同DEA算法嵌入情况的算法推荐生料配比对应的预测性能数据对比
Figure 757356DEST_PATH_IMAGE015

Claims (8)

1.一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于包括以下步骤：将历次水泥生产线的原料化学组分、进料配比、入窑烟煤性质、熟料理化性质和水泥性能指标数据进行归类、清洗和分组，分类成训练组数据和验证组数据，依次进行原料生产生料、生料和煤成分生产熟料、熟料理化性质映射水泥性能三个过程的前馈人工神经网络模型非线性拟合，串联上述三个过程的前馈人工神经网络模型后，将超效率数据包络分析和创建的Sigmoid稠度评分函数嵌入到NSGA-Ⅱ算法之中，进行以3天与28天抗压、抗折强度、稠度和水泥性能的数据包络分析综合效率最佳为六个目标函数的配料寻优计算，求得最佳配比。
2.根据权利要求1中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于三个串联的前馈人工神经网络模型是通过水泥熟料生产过程物质流理化性质及煤理化性质数据构建的，用于避免因生产数据稀疏性过大而带来的误差，从而提高整个模型的精确度。
3.根据权利要求1中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于把训练好的三个串联前馈人工神经网络嵌入到NSGA-Ⅱ求解水泥配比算法之中，利用水泥生产物质流理化性质及煤理化性质数据精确描述水泥烧制各个阶段各因素对水泥性能的影响，得出使水泥性能最优的原料配比。
4.根据权利要求 1 中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于以水泥的 3天与28天 抗压、抗折强度的均衡最大化和水泥稠度最佳范围为优化目标进行水泥配比求解，是以目标三率值为驱动因素。
5.根据权利要求 5 中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于引入的将Sigmoid 函数进行对称拉伸变换后得到的稠度评分函数，包括任何“几”字型的函数，如正态分布函数。
6.根据权利要求 1 中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于引入将Sigmoid 函数进行对称拉伸变换后得到的稠度评分函数，根据稠度值得实际情况，构建一个以水泥稠度为输入量，以“稠度评分”为输出量，在合适稠度范围内“稠度评分”可取到最小值的“稠度评分函数”，以稠度评分函数为目标函数进行稠度优化，使得稠度在一个范围内最优。
7.根据权利要求 1 中所叙述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于引入SE-DEA 模型进行NSGA-Ⅱ多目标算法的优化结果均衡化，即引入数据包络分析，将生成的稠度评分函数与其他四个性能参数 3天与28天抗压、抗折强度使用SE-DEA 算法计算综合效率，最终得出六个优化目标（稠度评分+28、3天抗压抗折、SE-DEA 效率值）的最佳值。
8.根据权利要求 1 -7中任一所述的一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法，其特征在于上述配料控制方法不仅适用于固体废物协同处置制造水泥领域，还适用于传统硅酸盐水泥领域和类似的多组分原料配料领域。
CN202210680987.0A 2022-06-16 2022-06-16 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法 Pending CN114912712A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210680987.0A CN114912712A (zh) 2022-06-16 2022-06-16 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210680987.0A CN114912712A (zh) 2022-06-16 2022-06-16 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法

Publications (1)

Publication Number Publication Date
CN114912712A true CN114912712A (zh) 2022-08-16

Family

ID=82771623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210680987.0A Pending CN114912712A (zh) 2022-06-16 2022-06-16 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法

Country Status (1)

Country Link
CN (1) CN114912712A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148810A (zh) * 2023-11-01 2023-12-01 一夫科技股份有限公司 结合应用需求的β型建筑石膏工艺调控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117148810A (zh) * 2023-11-01 2023-12-01 一夫科技股份有限公司 结合应用需求的β型建筑石膏工艺调控方法及系统
CN117148810B (zh) * 2023-11-01 2024-01-23 一夫科技股份有限公司 结合应用需求的β型建筑石膏工艺调控方法及系统

Similar Documents

Publication Publication Date Title
Ayat et al. Compressive strength prediction of limestone filler concrete using artificial neural networks
Moradi et al. Predicting the compressive strength of concrete containing metakaolin with different properties using ANN
Akkurt et al. The use of GA–ANNs in the modelling of compressive strength of cement mortar
Li et al. Prospective on energy related carbon emissions peak integrating optimized intelligent algorithm with dry process technique application for China's cement industry
Sarıdemir Genetic programming approach for prediction of compressive strength of concretes containing rice husk ash
Sarıdemir Effect of specimen size and shape on compressive strength of concrete containing fly ash: Application of genetic programming for design
Li et al. Prediction of compressive strength of rice husk ash concrete based on stacking ensemble learning model
Shahmansouri et al. The prediction analysis of compressive strength and electrical resistivity of environmentally friendly concrete incorporating natural zeolite using artificial neural network
Nazar et al. Machine learning interpretable-prediction models to evaluate the slump and strength of fly ash-based geopolymer
CN108416691B (zh) 一种能源替代环保潜力计算方法
Nazari Compressive strength of geopolymers produced by ordinary Portland cement: Application of genetic programming for design
Jin et al. Non-linear and mixed regression models in predicting sustainable concrete strength
CN114912712A (zh) 一种耦合前馈人工神经网络和进化算法的固体废物协同处置水泥配料控制方法
Serraye et al. Prediction of compressive strength of self-compacting concrete (SCC) with silica fume using neural networks models
CN111639820A (zh) 一种水泥炉窑生产的能耗参数优化方法及系统
CN105868867A (zh) 一种供热锅炉集群优化运行方法及系统
CN104680012A (zh) 一种烧结配料计算模型
Zhang et al. Prediction of compressive strength of ultra-high performance concrete (UHPC) containing supplementary cementitious materials
Zheng et al. A data-driven approach to predict the compressive strength of alkali-activated materials and correlation of influencing parameters using SHapley Additive exPlanations (SHAP) analysis
CN113033923A (zh) 水泥熟料性能的预测、评价及优化方法及其装置和系统
CN114427684A (zh) 一种天然气净化过程中燃烧炉的控制方法及控制装置
Hafez et al. Data-driven optimization tool for the functional, economic, and environmental properties of blended cement concrete using supplementary cementitious materials
CN112951349A (zh) 基于dnn神经网络的硅酸盐水泥熟料的强度预测方法
Nagaraju et al. Development of sustainable high performance geopolymer concrete and mortar using agricultural biomass—a strength performance and sustainability analysis
Khan et al. Strength prediction and optimization for ultrahigh-performance concrete with low-carbon cementitious materials–XG boost model and experimental validation

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