CN115510754A - 一种水泥混凝土性能预测和控制的方法及系统 - Google Patents

一种水泥混凝土性能预测和控制的方法及系统 Download PDF

Info

Publication number
CN115510754A
CN115510754A CN202211224856.8A CN202211224856A CN115510754A CN 115510754 A CN115510754 A CN 115510754A CN 202211224856 A CN202211224856 A CN 202211224856A CN 115510754 A CN115510754 A CN 115510754A
Authority
CN
China
Prior art keywords
mixing
data
cement concrete
target value
performance
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
CN202211224856.8A
Other languages
English (en)
Inventor
袁奥
常瑞君
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.)
Dingbang Zhilian Beijing Technology Co ltd
Original Assignee
Dingbang Zhilian Beijing Technology 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 Dingbang Zhilian Beijing Technology Co ltd filed Critical Dingbang Zhilian Beijing Technology Co ltd
Priority to CN202211224856.8A priority Critical patent/CN115510754A/zh
Publication of CN115510754A publication Critical patent/CN115510754A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/30—Construction
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Accounting & Taxation (AREA)
  • Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)

Abstract

本发明提供了一种水泥混凝土性能预测和控制的方法及系统，该方法包括：初始化预测目标值的初始静态数据；从数据中台获取初始预测性能指标；拌和站通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；采集入炉料量和消耗量，修正配合比；采集拌和数据，记录拌和站型号和即时拌和电流；检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；根据检测水泥混凝土和易性和标准试块的性能指标与目标值的对比，分析误差生产原因，用大数据训练预测模型，进一步优化配合比，确定下一次的目标值。本申请实现了水泥混凝土性能的精确、高效预测和控制，提高了水泥混凝土预测和控制的效率、精度。

Description

一种水泥混凝土性能预测和控制的方法及系统
技术领域
本发明属于建筑施工领域，具体而言，涉及一种水泥混凝土性能预测和控制的方法及系统。
背景技术
水泥混凝土是以水泥为胶凝材料，以砂、石料、水、外加剂充分搅拌，经过物理和水化反应变化所获得的人造石材。水泥混凝土作为工程结构的主要用料之一，其质量的好坏对工程质量起决定作用。
水泥混凝土的主要性能包括和易性、强度和耐久性，通常是通过经验估计结合试验的方法来设计和验证的，这种由统计方法确定混凝土性能和影响因素的关系无法满足现代大生产和工程结构重要性的需要：
(1)影响混凝土性能的因素众多，各因素之间往往相互影响；
(2)各影响因素，难以建立与混凝土性能的函数关系；
(3)现今混凝土生产中，为了节约时间，建立的往往是线性函数关系，拟合精度较低；
(4)在生产现场通过人工计算、作图、查表、调整各影响因素的方法，处理数据量小，处理方式简单，效率低而且误差大。
水泥混凝土性能的强度和耐久性，这两项性能又需要应用到工程结构中后，经过一段时间才能得到验证。而万一性能不符合要求，需要返工数量巨大，导致的经济损失和社会影响都很大。
所以水泥混凝土的精确预测和可靠性控制意义重大，而且长久得不到有效解决。
发明内容
本申请实施例提供了一种水泥混凝土性能预测和控制的方法及系统，提高了水泥混凝土预测和控制的效率、精度。
第一方面，本申请实施例提供了一种水泥混凝土性能预测和控制的方法，包括：
初始化预测目标值的初始静态数据；
从数据中台获取初始预测性能指标；
拌和站通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；
采集入炉料量和消耗量，修正配合比；
采集拌和数据，所述拌和数据包括拌合时间、拌合温度、拌合能量消耗、塌落度；
检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；
根据检测水泥混凝土和易性和标准试块的性能指标与目标值的对比，分析误差生产原因，用大数据训练预测模型，进一步优化配合比，确定下一次的目标值。
其中，初始化预测目标值的初始静态数据，包括：
以静态数据为前置数据，建立大数据中心的初始数据。
其中，从数据中台获取初始预测性能指标，包括：
水泥、砂石料、外加剂、外掺料、水为标准化规范化的产品，直接采用数据中台推荐的原料、比例以及拌和时间做为水泥砼控制数据，中台推荐指标为水泥砼性能目标值。
其中，采集入炉料量和消耗量，修正配合比，包括：
拌和站即时自动分析各原料的重量以及定期统计消耗总量，实时传入云大数据中心；在数据中心，将即时计量累加之和与材料的实际总消耗量比较，验算需要的砼中原料的计量及调整量，记录调整量并修正各原料配合比。
其中，检测拌和站出料水泥混凝土的和易性和标准试块的性能指标，包括：
按抽检频率抽检拌和站出料的和易性，并做标准试件试验，实时采集和易性和标准试件性能参数；以抽检的和易性和标准试件性能参数定义该水泥混凝土的性能标准。
其中，根据检测水泥混凝土和易性和标准试块的性能指标实测值，确定下一次的目标值，包括：
计算误差，所述误差为目标值和实测值之差；误差产生的原因基于砼的参数，所述参数包括水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度；
根据误差产生的可能性，对所述参数赋以不同的初始化权重，总的权重为1；根据参数和权重，以及实测值、历史数据，构建神经网络监督学习模型，不断调整权重，最终实现误差最小，模型最优化；
以所述神经网络监督学习模型构建下一次拌合的配合比和目标值。
第二方面，本申请提供了一种水泥混凝土性能预测和控制的系统，包括：
初始化单元，用于初始化预测目标值的初始静态数据；
获取单元，用于从数据中台获取初始预测性能指标；
第一采集单元，用于通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；
第二采集单元，用于采集入炉料量和消耗量，修正配合比；
第三采集单元，用于采集拌和数据，所述拌和数据包括拌合时间、拌合温度、拌合能量消耗、塌落度；
检测单元，用于检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；
确定单元，用于根据检测水泥混凝土和易性和标准试块的性能指标与目标值的对比，分析误差生产原因，用大数据训练预测模型，进一步优化配合比，确定下一次的目标值。
其中，确定单元用于：
计算误差，所述误差为目标值和实测值之差；误差产生的原因基于砼的参数，所述参数包括水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度；
根据误差产生的可能性，对所述参数赋以不同的初始化权重，总的权重为1；根据参数和权重，以及实测值、历史数据，构建神经网络监督学习模型，不断调整权重，最终实现误差最小，模型最优化；
以所述神经网络监督学习模型构建下一次拌合的配合比和目标值。
其中，获取单元用于：水泥、砂石料、外加剂、外掺料、水为标准化规范化的产品，直接采用数据中台推荐的原料、比例以及拌和时间做为水泥砼控制数据，中台推荐指标为水泥砼性能目标值。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
本申请实施例水泥混凝土性能预测和控制的方法及系统具有如下有益效果：
本申请水泥混凝土性能预测和控制的方法包括：初始化预测目标值的初始静态数据；从数据中台获取初始预测性能指标；拌和站通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；采集入炉料量和消耗量，修正配合比；采集拌和数据，所述拌和数据包括拌合时间、拌合温度、拌合能量消耗、塌落度；检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；根据检测水泥混凝土和易性和标准试块的性能指标与目标值的对比，分析误差生产原因，用大数据训练预测模型，进一步优化配合比，确定下一次的目标值。本申请提高了水泥混凝土预测和控制的效率、精度。
附图说明
图1为本申请实施例水泥混凝土性能预测和控制的方法流程示意图；
图2为本申请实施例水泥混凝土性能预测和控制的方法另一种流程示意图；
图3为本申请实施例水泥混凝土性能预测和控制的系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的介绍。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。
本申请提供了一种水泥混凝土性能预测和控制的方法及系统，根据《混凝土质量检验评定标准》及相关研究和要求调研，水泥混凝土性能输入因子有：
(1)各种材料用量：包括砂、石、水、水泥、外加剂、外掺料；
(2)拌和时间；
(3)水泥、外加剂、砂石性能及相互影响(碱集料)。
输出指标有：
(1)和易性；
(2)强度；
(3)耐久性。
现实生产中，砂石变异性大(包括母材性能、级配、含水量、含泥量)，导致这种多因素，相互影响的复杂系统，精确、高效预测和控制几乎不可能。
本方法所有输入原料均定义为：混凝土标准用水、合格水泥、合格外加剂和合格砂石料，并且质量稳定。对质量不稳定、达不到标准要求的原料定义为不合格品，不予以进入生产环节。
根据水泥的不同规格型号、不同的外加剂、不同级配规格的砂石料，及其不同的量，进行组合和拌合，根据不同的拌合时间，会得到不同的混凝土规格级别。我们称这种不同组合的输入为标准的规范性输入因子。
输入原料的标准化规范化是输出产品标准化规范化的前提。借助5G/NBIoT等物联网技术，构建物联网采集网络，实现数据的实时采集。建立云大数据中心，为标准规范的输入输出提供数据存储和实时对比提供保证。通过AI(Artificial Intelligence，人工智能)为输出混凝土的指标提供可靠的分析和判断。
窄带物联网(Narrow Band Internet of Things,NB-IoT)是物联网(IoT)领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接，也被叫作低功耗广域网(LPWAN)。
本发明的主体因素：
1、数据
(1)静态数据
①输入因子标准化规范化分类和定义的标准数据；
②试配原料性质、比例、拌和时间所验证的标准件数据；
③历史拌合的数据。
(2)动态数据
①原材料输入因子指标数据，包括出厂时的检测数据、入拌合站的检测数据；
②各种材料用量数据，包括骨料称量系统和水与外加剂的体积或重量计量数据；
③模型预测的推荐数据，根据静态数据和上述两类数据，推荐的砼输出数据；
④拌合数据，包括混凝土拌合站的拌合数据；
⑤水泥混凝土性能即时输出指标数据，即和易性；
⑥水泥混凝土性能试验块输出指标数据，包括强度和耐久性。
2、网络
(1)物联网
包括NBIoT/5G等物联网和采集数据的APP、传感器、PLC以及现场安装的数据采集软件。
拌合站上安装有各种传感器，如温度、拌合时间消耗能量、称重，还有PLC控制拌合过程。通过NBIoT/5G网络，从这些传感器及PLC中实时采集数据，传送到服务器采集软件系统。手机APP操作，通过服务器采集软件与传感器通信。
(2)互联网
基于TCP/IP(Transmission Control Protocol/Internet Protocol，传输控制协议/网际协议)的互联网。
3、平台
(1)云计算平台；
(2)大数据中心及动态数据关联的数据中台。
4、模型
(1)计量模型，预测模型及AI训练模型。
如图1-2所示，本申请的控制方法包括：
S101，初始化预测目标值的初始静态数据。
以静态数据为前置数据，建立大数据中心的初始数据。
S103，初始预测性能指标。
由于原料、水泥、砂石料、外加剂、外掺料、水都已经标准化规范化，并是质量稳定的产品，直接采用数据中台推荐的原料、比例和拌和时间作为水泥砼控制数据，中台推荐指标为水泥砼性能目标值。
S105，采集原料电子标签记录指标和拌合入炉检测的指标。
拌合站通过电子标签自动采集各投入原料的技术标准。在拌和过程中，批量抽检各投入原料，确保质量稳定。采集的数据，实时传入云大数据中心。
S107，采集入炉料量和消耗量，修正配合比。
入炉料量：每拌合一炉时，按数据中台推荐的原料和比例，称重每一个成份原料的重量，投入炉中。这就是入炉量。入炉量，也就是这一炉的消耗量。
拌和站通过在线砼等级配合比模型即时自动分析各原料的重量以及定期统计消耗总量，实时传入云大数据中心。在数据中心，将即时计量累加之和与材料的实际总消耗量比较，根据砼配合比模型，验算需要的砼中砂、水、水泥等的计量及调整量，记录调整量并修正各原料配合比。
S109，采集拌和数据。
记录拌和站型号，并自动记录即时拌和电流，实时传入云大数据中心。
S111，检测。
检测出料的和易性。按抽检频率抽检和易性，并做标准试件试验。实时采集和易性和标准试件性能参数。以抽检的和易性和标准试件性能参数定义该水泥混凝土的性能标准。
S113，为下一次目标值作准备。
比较目标值和实测值，分析误差生产原因。用大数据训练预测模型，为进一步优化配合比，提高预测准确性。
目标值和实测值之差为误差。误差产生的原因基于砼的参数所用的量，如：水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度。根据误差产生的可能性，对这些参数赋以不同的初始化权重，总的权重为1。根据参数和权重以及实测值，以历史的大数据，构建神经网络监督学习模型，不断调整权重，以期误差最小，模型最优化。以此模型构建下一次拌合的配合比和目标值。
可靠性保证：
(1)投入原料均为质量管理的标准化规范化产品，锁定了原料品质、配合比和拌和时间这些影响因素，而且有大数据支持，实际应用例证多，所以预测结果准确度高，快速高效指导生产；
(2)大数据、长期跟踪分析，形成混凝土性质规律的知识库，同时修正模型和参数，进一步提高效能和预测精度；
(3)数据的自动采集，便于监督控制。
本申请的方法以水泥混凝土拌和站为中心，通过高速视频技术、自动控制技术，进行控制性生产，具体步骤包括：
第一步，控制投入及生产过程：
(1)控制入站材料品质(电子标签)，标准化砂石料；
(2)抽检材料品质(高速视频检测技术，联网试验仪器)；
(3)自动计量控制，计算机结合PLC技术；
(4)自动拌和控制。
第二步，自动采集数据，自动联网，采用物联网及云大数据中心汇集数据。
第三步，检验产出
(1)按抽检频率，做塌落度试验；
(2)按抽检频率，做标准试块，预埋电子标签，标准养护，试压。
自动记录并上传试验数据：和易性和强度，进一步定期跟踪检测水泥混凝土耐久性，并上传数据。
第四步，用大数据训练数据模型，进一步研究各影响因素及影响度，为下一步精准预测服务。
本申请实现了水泥混凝土性能的精确、高效预测和控制。
如图3所示，本申请提供了一种水泥混凝土性能预测和控制的系统，包括：初始化单元201，用于初始化预测目标值的初始静态数据；获取单元202，用于从数据中台获取初始预测性能指标；第一采集单元203，用于通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；第二采集单元204，用于采集入炉料量和消耗量，修正配合比；第三采集单元205，用于采集拌和数据，拌和数据包括拌合时间、拌合温度、拌合能量消耗、塌落度；检测单元206，用于检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；确定单元207，用于根据检测水泥混凝土和易性和标准试块的性能指标与目标值的对比，分析误差生产原因，用大数据训练预测模型，进一步优化配合比，确定下一次的目标值。
其中，确定单元用于：计算误差，误差为目标值和实测值之差；误差产生的原因基于砼的参数，参数包括水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度；根据误差产生的可能性，对参数赋以不同的初始化权重，总的权重为1；根据参数和权重，以及实测值、历史数据，构建神经网络监督学习模型，不断调整权重，最终实现误差最小，模型最优化；以神经网络监督学习模型构建下一次拌合的配合比和目标值。
本申请中，水泥混凝土性能预测和控制的系统实施例与水泥混凝土性能预测和控制的方法实施例基本相似，相关之处请参考水泥混凝土性能预测和控制的方法实施例的介绍。
本申请还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一项方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述水泥混凝土性能预测和控制的方法步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水泥混凝土性能预测和控制的方法，其特征在于，包括：
初始化预测目标值的初始静态数据；
从数据中台获取初始预测性能指标；
拌和站通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；
采集入炉料量和消耗量，修正配合比；
采集拌和数据，包括拌合时间、拌合温度、拌合能量消耗、塌落度,同时记录拌和站型号、拌和电流；
检测出料的和易性，按抽检频率抽检和易性，并做标准试件试验，实时采集和易性和标准试件性能参数，以抽检的和易性和标准试件性能参数定义该水泥混凝土的性能标准；
比较目标值和实测值，分析误差生产原因，用大数据训练预测模型，为进一步优化配合比，提高预测准确性，确定下一次的目标值。
2.根据权利要求1所述水泥混凝土性能预测和控制的方法，其特征在于，初始化预测目标值的初始静态数据，包括：
以静态数据为前置数据，建立大数据中心的初始数据。
3.根据权利要求2所述水泥混凝土性能预测和控制的方法，其特征在于，从数据中台获取初始预测性能指标，包括：
水泥、砂石料、外加剂、外掺料、水为标准化规范化的产品，直接采用数据中台推荐的原料、比例以及拌和时间做为水泥砼控制数据，中台推荐指标为水泥砼性能目标值。
4.根据权利要求1-3任一项所述水泥混凝土性能预测和控制的方法，其特征在于，采集入炉料量和消耗量，修正配合比，包括：
拌和站即时自动分析各原料的重量以及定期统计消耗总量，实时传入云大数据中心；在数据中心，将即时计量累加之和与材料的实际总消耗量比较，验算需要的砼中原料的计量及调整量，记录调整量并修正各原料配合比。
5.根据权利要求1-4任一项所述水泥混凝土性能预测和控制的方法，其特征在于，根据检测水泥混凝土和易性和标准试块的性能指标的结果，确定下一次的目标值，包括：
计算误差，所述误差为目标值和实测值之差；误差产生的原因基于砼的参数，所述参数包括水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度；
根据误差产生的可能性，对所述参数赋以不同的初始化权重，总的权重为1；根据参数和权重，以及实测值、历史数据，构建神经网络监督学习模型，不断调整权重，最终实现误差最小，模型最优化；
以所述神经网络监督学习模型构建下一次拌合的配合比和目标值。
6.一种水泥混凝土性能预测和控制的系统，其特征在于，包括：
初始化单元，用于初始化预测目标值的初始静态数据；
获取单元，用于从数据中台获取初始预测性能指标；
第一采集单元，用于通过电子标签采集各投入原料的技术标准，在拌和过程中，批量抽检各投入原料；
第二采集单元，用于采集入炉料量和消耗量，修正配合比；
第三采集单元，用于采集拌和数据，所述拌和数据包括拌合时间、拌合温度、拌合能量消耗、塌落度；
检测单元，用于检测拌和站出料水泥混凝土的和易性和标准试块的性能指标；
确定单元，比较目标值和实测值，分析误差生产原因，用大数据训练预测模型，为进一步优化配合比，提高预测准确性，确定下一次的目标值。
7.根据权利要求6所述水泥混凝土性能预测和控制的系统，其特征在于，确定单元用于：
计算误差，所述误差为目标值和实测值之差；误差产生的原因基于砼的参数，所述参数包括水泥用量、砂石骨料各等级的用量、砂石骨料含水量和含泥量、水用量、水的杂质量、添加剂用量、拌合时间、拌合温度、拌合能量消耗、塌落度；
根据误差产生的可能性，对所述参数赋以不同的初始化权重，总的权重为1；根据参数和权重，以及实测值、历史数据，构建神经网络监督学习模型，不断调整权重，最终实现误差最小，模型最优化；
以所述神经网络监督学习模型构建下一次拌合的配合比和目标值。
8.根据权利要求6所述水泥混凝土性能预测和控制的系统，其特征在于，获取单元用于：
水泥、砂石料、外加剂、外掺料、水为标准化规范化的产品，直接采用数据中台推荐的原料、比例以及拌和时间做为水泥砼控制数据，中台推荐指标为水泥砼性能目标值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述权利要求1-5中任一项所述方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1-5中任一项所述方法的步骤。
CN202211224856.8A 2022-10-09 2022-10-09 一种水泥混凝土性能预测和控制的方法及系统 Pending CN115510754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211224856.8A CN115510754A (zh) 2022-10-09 2022-10-09 一种水泥混凝土性能预测和控制的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211224856.8A CN115510754A (zh) 2022-10-09 2022-10-09 一种水泥混凝土性能预测和控制的方法及系统

Publications (1)

Publication Number Publication Date
CN115510754A true CN115510754A (zh) 2022-12-23

Family

ID=84509079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211224856.8A Pending CN115510754A (zh) 2022-10-09 2022-10-09 一种水泥混凝土性能预测和控制的方法及系统

Country Status (1)

Country Link
CN (1) CN115510754A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195083A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于电流曲线的坍落度预测方法、装置及可读介质
CN117649154A (zh) * 2024-01-29 2024-03-05 新疆三联工程建设有限责任公司 基于数字化的砼试块制作全过程管理系统及方法
CN117875787A (zh) * 2024-01-17 2024-04-12 辽宁中医药大学 一种基于数据分析的塘瓷煎中药锅生产监管系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195083A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于电流曲线的坍落度预测方法、装置及可读介质
CN117195083B (zh) * 2023-11-08 2024-03-12 福建南方路面机械股份有限公司 基于电流曲线的坍落度预测方法、装置及可读介质
CN117875787A (zh) * 2024-01-17 2024-04-12 辽宁中医药大学 一种基于数据分析的塘瓷煎中药锅生产监管系统
CN117649154A (zh) * 2024-01-29 2024-03-05 新疆三联工程建设有限责任公司 基于数字化的砼试块制作全过程管理系统及方法
CN117649154B (zh) * 2024-01-29 2024-04-19 新疆三联工程建设有限责任公司 基于数字化的砼试块制作全过程管理系统及方法

Similar Documents

Publication Publication Date Title
CN115510754A (zh) 一种水泥混凝土性能预测和控制的方法及系统
CN109685289B (zh) 高炉炉况顺行预测方法、装置及系统
CN104175401A (zh) 一种混凝土搅拌站配合比动态调整系统
CN111505252B (zh) 一种预测施工现场混凝土强度的系统
CN109741927A (zh) 微型变压器生产线的设备故障和潜在不良品智能预测系统
CN103750552A (zh) 一种智能取样方法及其在香烟质量控制的应用
CN115528810A (zh) 一种基于电力设备的测温数据运检分析管理系统
CN114994261A (zh) 环境空气监测的传感器远程校准方法
CN113219932A (zh) 一种火力发电行业碳排放数字化分析系统
CN117195163B (zh) 基于混凝土配方的坍落度预测方法、装置及可读介质
CN107942873A (zh) 一种家具制造生产线的运营成本智能化核算及监控方法
CN117114206B (zh) 一种煤矿水害指标数据趋势的计算方法
CN110428347A (zh) 一种高层建筑施工用智能跟踪配送料系统及其方法
Yan et al. Estimation of copper concentrate grade for copper flotation
CN109543964A (zh) 电网物资质量检测能力的评价方法及系统
CN113269419A (zh) 一种基于智能化的建筑工程项目材料进场验收管理方法及云管理平台
CN116651306A (zh) 一种智能焦煤配比系统
CN212160058U (zh) 一种标准互感器检定稳定性监控系统
CN108009580B (zh) 一种煤调湿出口煤湿度的测量方法
CN111735938A (zh) 预拌混凝土质量监控预警方法和系统
CN109977159A (zh) 一种基于云计算技术的土木工程实验检测系统
CN111443324A (zh) 一种标准互感器检定稳定性监控系统
CN110888100A (zh) 一种单相智能电能表在线带载检测系统及方法
CN117558660B (zh) 一种半导体晶圆检测设备控制工作站的管理方法及系统
CN218067297U (zh) 一种电网设备大气污染物实时在线监测系统

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