CN116343938A - 一种机制砂泥粉含量测定方法 - Google Patents
一种机制砂泥粉含量测定方法 Download PDFInfo
- Publication number
- CN116343938A CN116343938A CN202310124252.4A CN202310124252A CN116343938A CN 116343938 A CN116343938 A CN 116343938A CN 202310124252 A CN202310124252 A CN 202310124252A CN 116343938 A CN116343938 A CN 116343938A
- Authority
- CN
- China
- Prior art keywords
- machine
- made sand
- powder
- mud powder
- duty ratio
- 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.)
- Granted
Links
- 239000000843 powder Substances 0.000 title claims abstract description 152
- 239000004576 sand Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 37
- RBTBFTRPCNLSDE-UHFFFAOYSA-N 3,7-bis(dimethylamino)phenothiazin-5-ium Chemical compound C1=CC(N(C)C)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 RBTBFTRPCNLSDE-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229960000907 methylthioninium chloride Drugs 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 5
- 241000287127 Passeridae Species 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000010845 search algorithm Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 12
- 239000011435 rock Substances 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000002431 foraging effect Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 9
- 235000019738 Limestone Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000006028 limestone Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002734 clay mineral Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
-
- 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
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机制砂泥粉含量测定方法，先配制不同粉体占比和不同泥粉占比下的训练用机制砂；然后测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由粉体占比、泥粉占比和亚甲蓝值构成的数据集。将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出。对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测待测机制砂的亚甲蓝值。将待测机制砂的亚甲蓝值和粉体占比输入到检测模型中，检测模型即输出得到泥粉占比。本发明能够检测出机制砂中泥粉占比，进而确定其含量，可为混凝土材料组成设计和工作性能调整预案提供重要依据。
Description
技术领域
本发明涉及混凝土制备原料成分检测，具体涉及一种机制砂泥粉含量测定方法，属于混凝土技术领域。
背景技术
由于机制砂生产工艺的特点，机制砂中泥粉与母岩矿石粉是混合的，并且较低泥含量就对混凝土的和易性、强度及耐久性方面产生比石粉更大的影响。故机制砂粉体含量在一定程度上决定了机制砂质量的好坏。一直以来，机制砂的含泥量是通过检测亚甲蓝MB值来进行评价和衡量的，这在建筑用砂国家标准中对亚甲蓝值、石粉含量及检测方法做了明确规定。机制砂检测中，亚甲蓝值(MB值)可反映小于0.075mm的细颗粒主要是母岩矿石粉(比如石灰石机制砂的石灰石粉)还是泥粉，以确定机制砂中是否存在膨胀性粘土矿物(泥粉)并定性判断其含量大小的指标。
机制砂中泥粉含量对于MB值的影响较大。当机制砂MB值过高时，往往意味着泥粉含量高，混凝土内部的大量自由水和减水剂被泥粉所吸附，且泥粉含量高，易导致混凝土硬化后内部形成大量的微小裂纹，降低机制砂混凝土的力学性能。控制机制砂泥粉含量对于机制砂质量控制以及混凝土质量控制有重大意义，如能定量判断机制砂中的泥粉含量，可为混凝土材料组成设计和工作性能调整预案提供重要依据。
工程建设中砂的泥粉含量对工程质量和成本控制都有显著影响，但是，对于机制砂中泥粉含量的检测，目前常用的亚甲蓝试验测MB值的方法，只能定性反映泥粉含量的相对大小，无法给出机制砂样品中泥粉含量的量化指标，这对因为机制砂泥粉含量过大而导致的混凝土性能较差需提前采取相应措施提供不了帮助。因此，有必要对机制砂中泥粉含量进行定量检测，以为混凝土材料组成设计和工作性能调整预案提供依据。
发明内容
针对现有机制砂检测方法只能定性判断泥粉含量，无法定量给出泥粉含量值的不足，本发明的目的就在于提供一种机制砂泥粉含量测定方法，本发明能够对机制砂中泥粉占比进行定量检测进而确定其含量。
本发明的技术方案是这样实现的：
一种机制砂泥粉含量测定方法，步骤如下，
1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据预先确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组粉体占比确定但泥粉占比不同的训练用机制砂；
2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机制砂；
3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由粉体占比、泥粉占比和亚甲蓝值构成的数据集；
4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差；
5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选取训练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构；
6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制砂的亚甲蓝值；
7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检测模型中，机制砂泥粉占比检测模型即输出得到泥粉占比。
所述机制砂泥粉占比检测模型基于Elman神经网络构建得到。
所述Elman神经网络包含输入层、隐含层、承接层和输出层；承接层用于记忆隐含层前一个时间步长的输出并和输入层一起作为下一个时间步长隐含层的输入；
Elman神经网络的非线性状态空间表达式为：
y(k)＝g(w3x(k))
x(k)＝f(w1xc(k)+w2(u(k-1)))
xc(k)＝x(k-1)
式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；xc为n维反馈状态向量，w3为隐含层到输出层的连接权值；w2为输入层到隐含层的连接权值；w1为承接层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组合；f(*)为中间层神经元的传递函数。
本发明采用麻雀搜寻算法对Elman神经网络进行优化，对初始的网络权值和阈值进行寻优并赋值，得到优化后的机制砂泥粉占比检测模型。
进一步地，采用麻雀搜寻算法对Elman神经网络进行优化的具体步骤为，
(1)建立麻雀种群，确定种群个数以及发现者、加入者和预警者比例；
(2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数；
(3)对麻雀位置进行初始化设置并确定适应度函数；
(4)更新发现者、加入者的位置；
(5)随机选择预警者并更新预警者位置；
(6)判断是否满足终止迭代的条件(迭代次数)，满足停止条件则结束，则进入步骤(7)；否则重复步骤(4)-(6)；
(7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检测模型。
本发明基于麻雀优化算法的Elman神经网络算法，建立对机制砂泥粉含量的推定模型。与现有技术相比，本发明具有以下有益效果：
(1)能够检测出机制砂中泥粉和母岩矿石粉(比如石灰石机制砂的石灰石粉)的含量及占比，为机制砂中粉体含量的控制边界值提供依据。
(2)得到机制砂泥粉含量和粉体占比后，方便生产单位提前做好机制砂混凝土工作性能的调整预案，使之满足基本的工作要求，并达到更好的工作状态。
(3)通过具有高收敛性和较好的局部搜索能力的麻雀搜索算法对Elman神经网络初始权值和阈值进行优化，通过寻找最佳隐含层，使得检测结果更加精准。
附图说明
图1-本发明机制砂泥粉含量测定流程图。
图2-本发明SSA优化Elman训练状态图示意图。
图3-本发明SSA进化曲线示意图。
图4-本发明SSA优化前后的Elman预测值和真实值误差对比图。
图5-本发明实施例中APP打开界面图。
图6-本发明某实施例APP预测结果图。
图7-本发明麻雀搜寻算法对Elman神经网络优化流程图。
图8-Elman神经网络结构示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明一种机制砂泥粉含量测定方法，具体步骤如下，参见图1，
1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据预先确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组粉体占比确定但泥粉占比不同的训练用机制砂；粉体占比是指泥粉和母岩矿石粉两者在机制砂中的质量占比；泥粉占比是指单独的泥粉在机制砂中的质量占比；
2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机制砂；
3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由粉体占比、泥粉占比和亚甲蓝值构成的数据集；
4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差；
5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选取训练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构；
6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制砂的亚甲蓝值；测粉体占比和亚甲蓝值时，需要将待测机制砂分为两组，一组通过筛分检测得到待测机制砂中粉体占比，另一组通过检测得到待测机制砂的亚甲蓝值。具体操作时，选取同一批机制砂，通过四分法分出待测机制砂，粉体占比检测需要称取500g机制砂，而MB值需要称取200g机制砂。
7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检测模型中，机制砂泥粉占比检测模型即输出得到泥粉占比。泥粉占比确定后，再结合机制砂质量，通过简单换算即可得到泥粉含量。
本发明机制砂泥粉占比检测模型基于Elman神经网络构建得到。
本发明选取的Elman神经网络是一种典型的动态递归神经网络，相比传统BP神经网络的三层结构，Elman神经网络在隐含层上增加一个承接层，作用是让网络存在记忆功能，更好地适应数据输入的动态变化，增强了网络的全局稳定性。相比传统的神经网络，其具有更优的学习能力，可以用来解决快速寻优、拟合、回归预测等问题。
Elman结构组成分别包含输入层、隐含层(一层或多层)、承接层、输出层。其中输入层、隐含层和输出层的链接类似于前馈网络，输入层的单元只传输信号，输出层的单元具有线性加权的功能；隐含层细胞的传递函数可以是线性函数，也可以是非线性函数；承接层又称为上下文层或状态层，用于记忆隐含层前一个时间步长的输出并和输入层一起作为下一个时间步长隐含层的输入；因此可以看作是一步时间延迟算子。图8为Elman神经网络结构示意图。
Elman神经网络的非线性状态空间表达式为：
y(k)＝g(w3x(k))
x(k)＝f(w1xc(k)+w2(u(k-1)))
xc(k)＝x(k-1)
式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；xc为n维反馈状态向量，w3为隐含层到输出层的连接权值；w2为输入层到隐含层的连接权值；w1为承接层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组合；f(*)为中间层神经元的传递函数。
与传统的BP神经网络相比，虽然Elman动态神经网络增加了承接层，可以记录动态信息，具有更好的时变特性，但同样存在的问题就是网络本身权值和阈值初始赋值的随机性，导致网络训练及预测的误差较大，精度较低。因此本发明采用基于麻雀搜寻算法优化的Elman神经网络进行模型的预测，从而提高网络的整体预测精度。
麻雀搜寻算法(Sparrow Search Algorithm，SSA)是受到麻雀觅食行为和反捕食行为启发而在2020年提出的一种新型群智能优化算法，该算法新颖，具有寻优能力强，收敛速度快的特点，较传统的优化算法有一定的优势。
麻雀搜索算法的主要来源是在麻雀觅食的过程中，将这个觅食麻雀的种群分为寻找食物的发现者和加入者，并且为了保证觅食的安全性，在此基础上设置了侦察报警机制，将一定个体的麻雀设置成侦察报警。发现者在种群中负责寻找食物并为整个麻雀种群提供觅食区域和方向，而加入者则是利用发现者来获取食物。发现者和加入者的身份并不是固定的，它们是动态变化的，只要能够寻找更好的食物来源，其他麻雀都可以成为发现者，但是加入者和发现者在整个种群中的比例是不变的。为了获得食物，保证自己的捕食率，部分加入者会不断监控发现者，进而去争夺食物资源。此外，当一定个体的侦察报警麻雀意识到危险，并且这个危险超过较高阈值，则麻雀种群会发生反捕食行为，并更新自己的种群位置。其算法的基本步骤和公式如下：
在虚拟试验中，一个由n只麻雀组成的种群可表示为如下形式；
其中，d表示待优化问题的维数，n表示麻雀的数量，则麻雀的适应度可表示为如下形式，其中F表示适应度；
在SSA中，具有较好适应度的麻雀能够在搜寻过程中更好的发现食物。并且，由于发现者负责整个种群的觅食反向，因此发现者的觅食范围要比加入者的觅食范围大。发现者的位置更新如下：
其中t为麻雀搜索的迭代数，j为问题的维数；itermax是算法中设定的常数。Xi，j表示第i只麻雀在第j维中的位置信息。α是[0,1]中的一个随机数。R2和ST是警戒阈值和安全值，取值范围分别是[0,1]和[0.5,1]。Q是服从正态分布的随机数，为[0,1]中的均匀随机，L为1×d的矩阵。
当R2＜ST时，说明此时觅食的麻雀无危险，没有捕食者，发现者可以在周边执行大量的寻找搜索；如果R2≥ST，这表示危险捕食者被发现，与此同时向种群中其它个体发出了警报，此时所有个体包括发现者和加入者都会飞到相对安全的区域继续进行觅食，该发现者将按照正态分布随机移动到当前位置附近。
在觅食过程中，一些加入者会监视发现者，一旦它们监视到发现者已经找到了更好的食物，便会放弃现在的觅食区域，去抢夺食物，如果它们赢了，它们就能立刻获得发现者的食物，因此，加入者的位置更新如下：
其中，Xp是发现者占据的最优位置，Xworst表示整个觅食区域最差的位置，A表示一个1xd的矩阵，其中每个元素随机赋值±1，并且A+＝AT(AAT)-1。当i>n/2时，表明适应度值较低的第i个加入者没有获得食物，能量很低，需要飞往其他觅食区域，以便获得更多的能量。
在麻雀种群中，还有部分的危险预警者，这些麻雀的起始位置是随机的，其位置如下表达式：
其中，Xbest是最优位置，β为步长控制参数，是服从0，1正态分布的随机数。K是-1到1之间的一个随机数，fi是当前麻雀个体的适应度值，fg和fw分别是当前全局最好和最差的适应度值。
本发明采用麻雀搜寻算法对Elman神经网络进行优化，对初始的网络权值和阈值进行寻优并赋值，得到优化后的机制砂泥粉占比检测模型。具体优化步骤为(同时参见图7)。
(1)建立麻雀种群，确定种群个数以及发现者和预警者比例；
(2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数；
(3)对麻雀位置进行初始化设置并确定适应度函数；
(4)更新发现者、加入者的位置；
(5)随机选择预警者并更新预警者位置；
(6)判断是否满足终止迭代的条件，满足停止条件则结束，进入步骤(7)；否则重复步骤(4)-(6)；本发明通过适应度值判断是否满足终止迭代的条件；
(7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检测模型。
本发明通过麻雀算法获取的最优权值和阈值不止一个，在达到最大迭代次数前，满足条件的最优权值和阈值都会被输出，然后对这些权值阈值排序，计算MSE，更新权值阈值，达到满足条件(设定的精度要求)的就会保存权值阈值，没满足的就会下一个权值阈值进去走流程。
以下结合实施例进一步对本发明进行说明。
本发明首先是数据库的准备。以石灰石机制砂为例，用设计好的若干已知泥粉及石灰石粉含量的机制砂进行亚甲蓝测试，以MB值、粉体占比(即石粉和泥粉共同构成的粉体占机制砂的内掺比例)作为输入变量，泥粉占比作为输出变量形成机制砂泥粉占比推定模型的数据库。用mapminmax函数对数据库中数据进行归一化以减小计算误差，再利用dividerand函数对数据集进行划分，分成训练集、测试集和验证集，用于机器学习训练。通过学习训练，确定隐含层的层数。
在确定输入和输出参数后，承接层数是确定的，而隐含层数的不同，对预测精度有很大的影响，为了确定其最佳隐含层数，本发明采用经验公式hiddennum＝sqrt(m+n)+a，m为输入层节点个数，n为输出层节点个数，a一般取1-10之间的整数，设计分别当隐含层为3-12层时，对比每次训练集的均方误差大小，最终选取训练均方误差最小的层数对应为最终网络结构，如表1所示。由表1可知，随着隐含层层数的增加，均方误差呈现先减小再逐渐增大的趋势，并且当隐含层数为6时，均方误差最小，因此该模型的最佳隐含层数为6，相应的均方误差为0.00026736。
表1隐含层数确定表
Elman神经网络中网络参数的设置，以训练次数设置1000次，训练目标最小误差0.0001为例。采用麻雀搜索算法，根据其在计算速度和精度等要求下经过模拟运算，确定初始种群规模为30，最大进化次数为50，设置发现者的比例0.7，预警者的麻雀比重为0.2，安全值为0.6。
采用标准的Elman神经网络和麻雀搜寻算法优化的Elman神经网络，对初始的网络权值和阈值进行寻优并赋值，SSA优化后的Elman算法预测误差显著减小(如图2-图4)。
为了方便使用，本发明基于matlab软件开发工具，开发了对应的机制砂泥粉含量推定方法的APP。图5为本发明实施例中APP打开界面图。
通过netload，加载已经训练好的神经网络模型，输入机制砂的已测MB值和筛分出的0.075mm以下的粉体占比，通过点击预测按钮，可以得到泥粉占比的推定值。图6为本发明某实施例APP预测结果图。
正如上述介绍，依据检测到的MB值与机制砂筛分试验结果中0.075mm以下粉体占比数据，采用本发明，可以推定出该机制砂中0.075mm以下粉体中泥粉占比。泥粉占比确定后，再结合机制砂质量，通过简单换算即可得到泥粉含量。机制砂中泥粉占比和含量知晓后，即可为混凝土材料组成设计和工作性能调整预案提供重要依据。
本发明基于MATLAB平台，采用Elman神经网络开发出定量推定机制砂中泥粉含量的方法。该方法具有以下特点：1、Elman神经网络是典型的动态递归神经网络，其具有较优的学习能力，可以用来解决快速寻优、拟合、回归预测等问题；2、所用麻雀搜寻算法(Sparrow SearchAlgorithm,SSA)是新型群智能优化算法，具有寻优能力强，收敛速度快的特点；3、通过具有高收敛性和较好的局部搜索能力的麻雀搜索算法对其初始权值和阈值优化，通过寻找最佳隐含层，使其预测结果更加精准，从而达到定量推定机制砂中泥粉含量目的。
最后需要说明的是，本发明的上述实施例仅是为说明本发明所作的举例，而并非是对本发明实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种机制砂泥粉含量测定方法，其特征在于：步骤如下，
1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据预先确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组粉体占比确定但泥粉占比不同的训练用机制砂；
2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机制砂；
3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由粉体占比、泥粉占比和亚甲蓝值构成的数据集；
4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差；
5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选取训练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构；
6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制砂的亚甲蓝值；
7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检测模型中，机制砂泥粉占比检测模型即输出得到泥粉占比。
2.根据权利要求1所述的一种机制砂泥粉含量测定方法，其特征在于：所述机制砂泥粉占比检测模型基于Elman神经网络构建得到。
3.根据权利要求2所述的一种机制砂泥粉含量测定方法，其特征在于：所述Elman神经网络包含输入层、隐含层、承接层和输出层；承接层用于记忆隐含层前一个时间步长的输出并和输入层一起作为下一个时间步长隐含层的输入；
Elman神经网络的非线性状态空间表达式为：
y(k)＝g(w3x(k))
x(k)＝f(w1xc(k)+w2(u(k-1)))
xc(k)＝x(k-1)
式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；xc为n维反馈状态向量，w3为隐含层到输出层的连接权值；w2为输入层到隐含层的连接权值；w1为承接层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组合；f(*)为中间层神经元的传递函数。
4.根据权利要求2所述的一种机制砂泥粉含量测定方法，其特征在于：采用麻雀搜寻算法对Elman神经网络进行优化，对初始的网络权值和阈值进行寻优并赋值，得到优化后的机制砂泥粉占比检测模型。
5.根据权利要求4所述的一种机制砂泥粉含量测定方法，其特征在于：采用麻雀搜寻算法对Elman神经网络进行优化的具体步骤为，
(1)建立麻雀种群，确定种群个数以及发现者、加入者和预警者比例；
(2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数；
(3)对麻雀位置进行初始化设置并确定适应度函数；
(4)更新发现者、加入者的位置；
(5)随机选择预警者并更新预警者位置；
(6)判断是否满足终止迭代的条件，满足停止条件则结束，则进入步骤(7)；否则重复步骤(4)-(6)；
(7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检测模型。
6.根据权利要求5所述的一种机制砂泥粉含量测定方法，其特征在于：麻雀搜寻算法对Elman神经网络优化时，达到预先设定的迭代次数即终止迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310124252.4A CN116343938B (zh) | 2023-02-16 | 2023-02-16 | 一种机制砂泥粉含量测定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310124252.4A CN116343938B (zh) | 2023-02-16 | 2023-02-16 | 一种机制砂泥粉含量测定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116343938A true CN116343938A (zh) | 2023-06-27 |
| CN116343938B CN116343938B (zh) | 2023-11-14 |
Family
ID=86878165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310124252.4A Active CN116343938B (zh) | 2023-02-16 | 2023-02-16 | 一种机制砂泥粉含量测定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116343938B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012194113A (ja) * | 2011-03-17 | 2012-10-11 | Tokyo Electric Power Co Inc:The | フライアッシュの品質評価方法 |
| WO2018230734A1 (ja) * | 2017-06-16 | 2018-12-20 | 東邦化学工業株式会社 | 水硬性組成物用分散剤 |
| CA3012385A1 (en) * | 2018-07-25 | 2020-01-25 | Jun Long | Controlling bitumen recovery from an oil sands ore body by using a predictive ore processability model in producing a blended ore feedstock |
| CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
| CN112892823A (zh) * | 2021-01-15 | 2021-06-04 | 清华大学 | 基于人工智能算法的制砂控制方法及系统 |
| CN114965167A (zh) * | 2022-06-10 | 2022-08-30 | 中铁八局集团第七工程有限公司 | 一种快速判定机制砂亚甲蓝值是否合格的方法 |
| CN115293316A (zh) * | 2022-08-03 | 2022-11-04 | 西安科技大学 | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 |
-
2023
- 2023-02-16 CN CN202310124252.4A patent/CN116343938B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012194113A (ja) * | 2011-03-17 | 2012-10-11 | Tokyo Electric Power Co Inc:The | フライアッシュの品質評価方法 |
| WO2018230734A1 (ja) * | 2017-06-16 | 2018-12-20 | 東邦化学工業株式会社 | 水硬性組成物用分散剤 |
| CA3012385A1 (en) * | 2018-07-25 | 2020-01-25 | Jun Long | Controlling bitumen recovery from an oil sands ore body by using a predictive ore processability model in producing a blended ore feedstock |
| CN112712519A (zh) * | 2021-01-15 | 2021-04-27 | 清华大学 | 非接触式机制砂石粉含量智能化实时检测方法及装置 |
| CN112892823A (zh) * | 2021-01-15 | 2021-06-04 | 清华大学 | 基于人工智能算法的制砂控制方法及系统 |
| CN114965167A (zh) * | 2022-06-10 | 2022-08-30 | 中铁八局集团第七工程有限公司 | 一种快速判定机制砂亚甲蓝值是否合格的方法 |
| CN115293316A (zh) * | 2022-08-03 | 2022-11-04 | 西安科技大学 | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李地红;高群;夏娴;张景卫;于海洋;王艳君;代函函;许国栋;: "基于BP神经网络的混凝土综合性能预测", 材料导报, no. 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116343938B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020101854A4 (en) | A method for predicting concrete durability based on data mining and artificial intelligence algorithm | |
| Khademi et al. | Evaluation of concrete compressive strength using artificial neural network and multiple linear regression models | |
| CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
| CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
| CN112069567A (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
| WO2021174971A1 (zh) | 一种水环境风险预测预警方法 | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN109002888B (zh) | 一种赤潮预警方法 | |
| Liang et al. | Prediction of compressive strength of concrete in wet-dry environment by BP artificial neural networks | |
| CN110705920A (zh) | 一种大数据环境下多隐层bp网络预测水泥强度方法 | |
| CN111507518A (zh) | 一种基于随机森林的小波神径网络混凝土抗渗预测的方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
| CN111426344B (zh) | 一种建筑物能耗智能检测系统 | |
| CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
| Muthupriya et al. | Prediction of compressive strength and durability of high performance concrete by artificial neural networks | |
| CN113219871A (zh) | 一种养护室环境参数检测系统 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN116343938B (zh) | 一种机制砂泥粉含量测定方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN109491709B (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
| CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
| CN111027117A (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |