CN116884536B - 一种工业废渣砖生产配方自动优化方法及系统 - Google Patents

一种工业废渣砖生产配方自动优化方法及系统 Download PDF

Info

Publication number
CN116884536B
CN116884536B CN202311097886.1A CN202311097886A CN116884536B CN 116884536 B CN116884536 B CN 116884536B CN 202311097886 A CN202311097886 A CN 202311097886A CN 116884536 B CN116884536 B CN 116884536B
Authority
CN
China
Prior art keywords
industrial waste
property
waste residue
industrial
residue
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
Application number
CN202311097886.1A
Other languages
English (en)
Other versions
CN116884536A (zh
Inventor
周涌
刘文举
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.)
Jinan Mingquan Digital Commerce Co ltd
Original Assignee
Jinan Mingquan Digital Commerce 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 Jinan Mingquan Digital Commerce Co ltd filed Critical Jinan Mingquan Digital Commerce Co ltd
Priority to CN202311097886.1A priority Critical patent/CN116884536B/zh
Publication of CN116884536A publication Critical patent/CN116884536A/zh
Application granted granted Critical
Publication of CN116884536B publication Critical patent/CN116884536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70Machine learning, data mining or chemometrics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/27Regression, e.g. linear or logistic regression
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明涉及工业废渣的处理和利用领域,尤其是涉及一种工业废渣砖生产配方自动优化方法及系统。所述方法,包括获取工业废渣的性质和成分数据;对获取的工业废渣的性质和成分数据进行预处理;基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。本发明通过上述技术方案,可以实现废渣砖的配方自动化和优化,提高废渣砖的质量和生产效率,减少废渣对环境的影响,节约自然资源,提供更多的市场选择。

Description

一种工业废渣砖生产配方自动优化方法及系统
技术领域
本发明涉及工业废渣的处理和利用领域,尤其是涉及一种工业废渣砖生产配方自动优化方法及系统。
背景技术
随着工业化的发展,工业废渣的产量日益增大,如何有效地处理和利用这些废渣,减少其对环境的影响,已成为当前的重要问题。其中,将工业废渣用于生产砖块,是一种有效的处理和利用方式。
现有的工业废渣处理方法包括以下几种:
填埋: 将工业废渣埋在地下填埋场。这是一种传统的方法,但可能导致土地污染和资源浪费;
焚烧: 通过高温焚烧废渣,减少其体积。然而,焚烧会产生有害的气体和灰渣,可能对环境造成负面影响。
堆肥: 将有机废渣进行堆肥处理,产生有机肥料。但这种方法可能需要较长的处理时间,且有机废渣的处理量有限。
回收: 将废渣中的有用物质进行回收,例如金属回收。但这需要先对废渣进行分类和处理,增加了处理的复杂性。
废渣砖生产: 将工业废渣与适当的材料混合,制成砖块。虽然这种方法利用了废渣,但传统的生产工艺可能导致砖块质量不稳定,难以满足市场需求。
堆存: 直接将废渣堆存,等待自然分解。这可能会占用大量空间,并可能导致废渣渗漏对环境造成污染。
化学处理: 通过化学方法对废渣进行处理,改变其物理性质。然而,这可能需要使用化学品,可能导致新的环境问题。
由此可见,上述的工业废渣处理方法存在诸多弊端,存在较多问题,如:
环境影响: 一些现有方法可能会导致土壤、水源和空气的污染,对生态系统造成危害。
资源浪费: 填埋和焚烧等方法可能导致废渣中有用物质的浪费。
处理效率不高: 一些方法可能需要较长的处理时间,且效率不高。
质量问题: 传统废渣砖生产工艺可能导致砖块质量不稳定,无法满足市场需求。
限制多样性: 现有方法可能难以适应不同类型的废渣和多样化的市场需求。
因此,亟需一种工业废渣砖生产配方自动优化方法及系统。
发明内容
为了解决上述提到的问题,本发明提供一种工业废渣砖生产配方自动优化方法及系统。
第一方面,本发明提供的一种工业废渣砖生产配方自动优化方法,采用如下的技术方案:
一种工业废渣砖生产配方自动优化方法,包括:
获取工业废渣的性质和成分数据;
对获取的工业废渣的性质和成分数据进行预处理;
基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
进一步地,所述获取工业废渣的性质和成分数据,包括利用传感器和分析设备,得到工业废渣的成分、物理性质和化学性质。
进一步地,所述对获取的工业废渣的性质和成分数据进行预处理,包括对工业废渣的性质和成分数据进行数据整合和标准化。
进一步地,所述基于工业废渣的性质和成分数据构建数据库,包括在数据库中建立工业废渣的特征向量空间,将工业废渣的性质和成分数据映射为数值化的特征表示,通过将性质和成分相近的工业废渣聚类,形成工业废渣性质的分类模型。
进一步地,所述根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,包括基于配方优化模型,利用遗传算法评估每个生产配方的适应度,得到最优的生产配方。
进一步地,所述根据工业废渣砖的市场应用数据,为工业废渣优化生产配方,包括基于数据库中的市场应用数据,建立生产配方和市场应用数据的关系模型,通过分析工业废渣砖的市场应用数据,对工业废渣匹配市场需求更大的生产配方,实现配方与市场的精准匹配。
进一步地,还包括根据优化后的生产配方,通过控制生产线设备,按照生产配方生产废渣砖。
第二方面,一种工业废渣砖生产配方自动优化系统,包括:
数据获取模块,被配置为,获取工业废渣的性质和成分数据;对获取的工业废渣的性质和成分数据进行预处理;
数据库模块,被配置为,基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
优化模块,被配置为,根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种工业废渣砖生产配方自动优化方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种工业废渣砖生产配方自动优化方法。
综上所述,本发明具有如下的有益技术效果:
本发明通过上述技术方案,可以实现废渣砖的配方自动化和优化,提高废渣砖的质量和生产效率,减少废渣对环境的影响,节约自然资源,提供更多的市场选择。与现有的废渣砖生产工艺和设备相比,本发明的设备具有更高的自动化程度和优化效果,可以更好地满足市场的多样化需求。
附图说明
图1是本发明实施例1的一种工业废渣砖生产配方自动优化方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例的一种工业废渣砖生产配方自动优化方法,包括:
获取工业废渣的性质和成分数据;
对获取的工业废渣的性质和成分数据进行预处理;
基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
进一步地,所述获取工业废渣的性质和成分数据,包括利用传感器和分析设备,得到工业废渣的成分、物理性质和化学性质。
进一步地,所述对获取的工业废渣的性质和成分数据进行预处理,包括对工业废渣的性质和成分数据进行数据整合和标准化。
进一步地,所述基于工业废渣的性质和成分数据构建数据库,包括在数据库中建立工业废渣的特征向量空间,将工业废渣的性质和成分数据映射为数值化的特征表示,通过将性质和成分相近的工业废渣聚类,形成工业废渣性质的分类模型。
具体的,包括以下步骤:
S1. 获取工业废渣的性质和成分数据;
将工业废渣送入处理装置,装置内部装有各种传感器和分析设备,可以对废渣进行全面的检测和分析,包括废渣的成分、物理性质、化学性质等。这些信息将被用于后续的配方优化。
其中,装置中的传感器和分析设备包括:
红外光谱仪: 通过测量废渣的红外光谱,可以获取有关废渣的分子结构和化学键的信息。
X射线荧光光谱仪(XRF): 通过测量废渣中元素的X射线荧光,可以确定废渣的元素成分。
质谱仪: 这些设备可以分析废渣中的分子和原子,从而确定其组成和性质。
物理性质传感器: 例如温度传感器、压力传感器等,用于测量废渣的物理特性,如温度、密度等。
化学性质分析设备: 包括pH仪、离子色谱仪等,用于测量废渣的酸碱度和化学性质。
这些传感器和设备将废渣的不同性质和组分进行分析,提供多维度的数据,为后续的配方优化提供基础。
S2.对获取的工业废渣的性质和成分数据进行预处理;
获得的废渣性质和成分数据需要经过科学的收集和储存过程,以确保数据的准确性和可用性。具体的步骤可以如下:
数据采集: 传感器和分析设备通过不同的测量技术获取废渣的各项性质和成分数据。
数据预处理: 收集到的原始数据可能存在噪音、异常值等,需要进行预处理,如去噪、异常值剔除等。
数据整合: 将不同传感器和设备获取的数据进行整合,以得到一个综合的废渣性质和成分数据集。
数据标准化: 对数据进行标准化,确保它们处于相同的量纲范围,以便进行比较和分析。
数据存储: 数据被存储在数据库或数据仓库中,以便在配方优化过程中进行查询和分析。现代的数据管理系统可以确保数据的安全性和可靠性。
数据备份和保护: 为了防止数据丢失,需要定期进行数据备份,并采取适当的安全措施,以保护数据的隐私和完整性。
通过这些步骤,废渣的性质和成分数据可以被有效地收集、整理和储存,为后续的优化工作提供可靠的基础。
S3.基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
其中,
(1)收集不同种类的工业废渣样本,包括其成分和性质数据,如化学成分、物理性质等。确保数据的准确性和完整性。
(2)特征提取和数值化:
将每个废渣样本的成分和性质数据转化为数值特征向量,这可以包括使用化学元素的百分比、物理性质的测量值等。这些特征将构成特征向量空间。
(3)聚类分析:
使用聚类算法,如K均值聚类、层次聚类等,对特征向量空间中的废渣样本进行聚类。聚类的目标是将性质相近的废渣样本分组在一起。
(4)聚类评估:
使用内部评估指标(如轮廓系数、Davies-Bouldin指数)或外部评估指标(如与先验标签的比较)来评估聚类的效果。选择适当的聚类数量,以确保形成有意义的簇。
(5)分裂相似簇:
对于大簇,可以考虑将其进一步分裂为更小的子簇。这可以基于更细致的性质和成分数据,如不同元素的百分比、粒度分布等。
(6)构建分类模型:
对于每个形成的簇,将其特征向量用于构建分类模型,如决策树、支持向量机、神经网络等。模型将根据特定性质和成分预测废渣的类别。
(7)模型评估和验证:
对构建的分类模型进行评估和验证,使用交叉验证、混淆矩阵等指标来评估模型的准确性和性能。
(8)分类预测:
当有新的工业废渣样本时,将其性质和成分数据转化为特征向量,并输入已构建的分类模型中进行预测,从而确定其所属的废渣类别。
通过上述步骤,可以构建一个工业废渣性质和成分的数据库,并形成分类模型,将工业废渣样本按照其性质和成分进行分类。这有助于在废渣砖生产中根据不同性质的废渣选择适当的配方,提高生产效率和产品质量。
S4.根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方;
其中,
基于工业废渣的性质和成分数据,选择废渣砖的生产配方的过程通过遗传算法实现。以下是具体的实施实例,说明如何通过遗传算法选择配方:
(1)遗传算法的准备:
初始化种群,种群中的个体表示不同的配方。每个个体是一个向量,包含了各种原材料的比例。
(2)适应度函数的定义:
为了评估每个个体(配方)的适应度,定义一个适应度函数。适应度函数可以综合考虑生产成本、产品质量、市场需求等因素,目标是寻找一个最优的配方。
(3)选择操作:
根据个体的适应度值,使用选择操作从当前种群中选择个体。适应度较高的个体有更高的概率被选择。
(4)交叉操作:
选择的个体进行交叉操作,产生新的个体。交叉操作可以随机选择两个个体的某些基因进行交换。
(5)变异操作:
对部分个体进行变异操作,引入随机性,以保持种群的多样性。变异操作可以随机改变个体的某些基因。
(6)计算适应度值:
对新产生的个体计算适应度值,根据适应度函数评估其性能。
(7)选择优秀个体:
从新生成的个体和原始种群中选择优秀的个体,保留到下一代。
(8)迭代:
重复执行选择、交叉和变异操作,逐步优化种群中的个体。每代个体的平均适应度会逐渐提高。
(9)收敛与终止:
当达到一定的迭代次数或适应度值足够高时,遗传算法终止,得到一个最优的配方。
作为进一步地实施方式,
假设有三种废渣(A、B、C)可用于生产废渣砖,需要确定它们的比例以达到最佳配方。定义适应度函数为:适应度 = 生产成本 - 质量差异程度。
初始化种群:
随机生成一组初始配方,如 [0.4, 0.3, 0.3] 表示废渣 A、B、C 的比例。
选择、交叉和变异:
根据适应度函数选择和操作个体,产生新的配方。
计算适应度值:
根据生产成本和质量差异程度计算每个个体的适应度值。
迭代:
重复执行选择、交叉和变异操作,逐代优化配方。
终止条件:
当适应度值足够高或迭代次数达到上限时,终止算法。
通过这个遗传算法的过程,可以从初始的随机配方逐步优化得到一个最优的废渣砖生产配方。这种方法可以根据废渣的性质和成分数据自动选择最佳的生产配方,以实现废渣的高效利用和优质砖块的生产。
S5.根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
基于工业废渣砖的市场应用数据,为工业废渣优化生产配方的过程可以采用机器学习模型,例如回归分析、支持向量机、随机森林等,来建立工业废渣的性质和市场应用数据之间的关系模型。以下是一个示例,说明如何使用回归分析建立关系模型,并阐述建模过程:
建立关系模型示例 - 使用回归分析:
从工业废渣的性质数据中选择合适的特征作为自变量,选择市场应用数据作为因变量。
建立回归模型:
使用回归分析方法建立性质数据和市场应用数据之间的关系模型。以线性回归为例,模型可以表示为:
市场应用数据 = β0 + β1 * 特征1 + β2 * 特征2 + ... + ε
其中,β0、β1、β2等为回归系数,ε为误差项。
训练模型:
利用训练集的数据,通过最小二乘法等方法,估计回归系数。
模型评估:
使用测试集的数据,评估模型的性能,例如计算预测误差、均方根误差等指标。
模型应用:
使用训练好的回归模型,根据新的废渣性质数据预测对应的市场应用数据。
分析建模过程:
建立关系模型的过程中,选择合适的机器学习算法(例如回归分析)是关键,因为它可以捕捉性质数据与市场应用数据之间的复杂关系。在建模过程中,通过训练模型,找到最优的回归系数,使模型能够在训练集和测试集上都有较好的预测性能。模型应用阶段,通过输入废渣的性质数据,可以预测对应的市场应用数据,从而选择更适合市场需求的生产配方。
这样的关系模型可以为废渣砖生产配方提供指导,使配方更加符合市场需求,实现废渣的有效利用和砖块产品的优质生产。
实施例2
本实施例提供一种工业废渣砖生产配方自动优化系统,包括:
数据获取模块,被配置为,获取工业废渣的性质和成分数据;对获取的工业废渣的性质和成分数据进行预处理;
数据库模块,被配置为,基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
优化模块,被配置为,根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种工业废渣砖生产配方自动优化方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种工业废渣砖生产配方自动优化方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。

Claims (8)

1.一种工业废渣砖生产配方自动优化方法,其特征在于,包括:
获取工业废渣的性质和成分数据;
对获取的工业废渣的性质和成分数据进行预处理;
基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,基于工业废渣的性质和成分数据,选择废渣砖的生产配方的过程通过遗传算法实现:
(1)遗传算法的准备:
初始化种群,种群中的个体表示不同的配方,每个个体是一个向量,包含各种原材料的比例;
(2)适应度函数的定义:
为评估每个个体的配方的适应度,定义一个适应度函数,适应度函数综合考虑生产成本、产品质量和市场需求因素,目标是寻找一个最优的配方;
(3)选择操作:
根据个体的适应度值,使用选择操作从当前种群中选择个体,适应度高的个体有更高的概率被选择;
(4)交叉操作:
选择的个体进行交叉操作,产生新的个体;通过交叉操作随机选择两个个体的某些基因进行交换;
(5)变异操作:
对部分个体进行变异操作,引入随机性,以保持种群的多样性;通过变异操作随机改变个体的某些基因;
(6)计算适应度值:
对新产生的个体计算适应度值,根据适应度函数评估其性能;
(7)选择优秀个体:
从新生成的个体和原始种群中选择优秀的个体,保留到下一代;
(8)迭代:
重复执行选择、交叉和变异操作,逐步优化种群中的个体;每代个体的平均适应度逐渐提高;
(9)收敛与终止:
当达到一定的迭代次数或适应度值足够高时,遗传算法终止,得到一个最优的配方;
其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方,具体的,基于工业废渣砖的市场应用数据,为工业废渣优化生产配方的过程采用机器学习模型,包括回归分析、支持向量机和随机森林,来建立工业废渣的性质和市场应用数据之间的关系模型,通过分析工业废渣砖的市场应用数据,对工业废渣匹配市场需求更大的生产配方。
2.根据权利要求1所述的一种工业废渣砖生产配方自动优化方法,其特征在于,所述获取工业废渣的性质和成分数据,包括利用传感器和分析设备,得到工业废渣的成分、物理性质和化学性质。
3.根据权利要求2所述的一种工业废渣砖生产配方自动优化方法,其特征在于,所述对获取的工业废渣的性质和成分数据进行预处理,包括对工业废渣的性质和成分数据进行数据整合和标准化。
4.根据权利要求3所述的一种工业废渣砖生产配方自动优化方法,其特征在于,所述基于工业废渣的性质和成分数据构建数据库,包括在数据库中建立工业废渣的特征向量空间,将工业废渣的性质和成分数据映射为数值化的特征表示,通过将性质和成分相近的工业废渣聚类,形成工业废渣性质的分类模型。
5.根据权利要求4所述的一种工业废渣砖生产配方自动优化方法,其特征在于,还包括根据优化后的生产配方,通过控制生产线设备,按照生产配方生产废渣砖。
6.一种工业废渣砖生产配方自动优化系统,基于如权利要求1-5任意一项所述的自动优化方法,其特征在于,包括:
数据获取模块,被配置为,获取工业废渣的性质和成分数据;对获取的工业废渣的性质和成分数据进行预处理;
数据库模块,被配置为,基于工业废渣的性质和成分数据构建数据库,所述数据库包括不同废渣砖的生产配方以及工业废渣砖的市场应用数据;
优化模块,被配置为,根据工业废渣的性质和成分数据,基于配方优化模型,在数据库中选择废渣砖的生产配方,其中,根据工业废渣砖的市场应用数据,为工业废渣优化生产配方。
7.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种工业废渣砖生产配方自动优化方法。
8.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种工业废渣砖生产配方自动优化方法。
CN202311097886.1A 2023-08-29 2023-08-29 一种工业废渣砖生产配方自动优化方法及系统 Active CN116884536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311097886.1A CN116884536B (zh) 2023-08-29 2023-08-29 一种工业废渣砖生产配方自动优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311097886.1A CN116884536B (zh) 2023-08-29 2023-08-29 一种工业废渣砖生产配方自动优化方法及系统

Publications (2)

Publication Number Publication Date
CN116884536A CN116884536A (zh) 2023-10-13
CN116884536B true CN116884536B (zh) 2024-03-12

Family

ID=88268398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311097886.1A Active CN116884536B (zh) 2023-08-29 2023-08-29 一种工业废渣砖生产配方自动优化方法及系统

Country Status (1)

Country Link
CN (1) CN116884536B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1181672A (ja) * 1997-09-08 1999-03-26 Taisei Corp 建築廃棄物処理管理方法
CN101318787A (zh) * 2007-06-04 2008-12-10 王文举 一种铝工业工艺废渣全部转型为生态建筑材料的工艺与方法
CN108069709A (zh) * 2017-12-25 2018-05-25 阳西博德精工建材有限公司 一种基于人造大理石材抛光废渣的陶瓷釉面砖及其制备方法
CN109590307A (zh) * 2018-11-23 2019-04-09 吴章荣 一种智能化垃圾综合处理系统
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
WO2023065399A1 (zh) * 2021-10-22 2023-04-27 中冶南方工程技术有限公司 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质
CN116110507A (zh) * 2023-02-15 2023-05-12 浙江宏丰炉料有限公司 镁碳砖智能化生产方法及系统
CN116580233A (zh) * 2023-05-11 2023-08-11 鸿洋集团有限公司 一种用于工业垃圾分类的智能工作机器人控制系统
CN116629741A (zh) * 2023-05-16 2023-08-22 济南明泉数字商务有限公司 一种基于多模态交互的大宗品智能仓储管理方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019210389A1 (en) * 2018-05-03 2019-11-07 Pouria Ghods Construction material assessment method and systems
CN112625758B (zh) * 2019-09-24 2023-01-13 中国石油化工股份有限公司 智能气化配料系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1181672A (ja) * 1997-09-08 1999-03-26 Taisei Corp 建築廃棄物処理管理方法
CN101318787A (zh) * 2007-06-04 2008-12-10 王文举 一种铝工业工艺废渣全部转型为生态建筑材料的工艺与方法
CN108069709A (zh) * 2017-12-25 2018-05-25 阳西博德精工建材有限公司 一种基于人造大理石材抛光废渣的陶瓷釉面砖及其制备方法
CN109590307A (zh) * 2018-11-23 2019-04-09 吴章荣 一种智能化垃圾综合处理系统
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
WO2023065399A1 (zh) * 2021-10-22 2023-04-27 中冶南方工程技术有限公司 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质
CN116110507A (zh) * 2023-02-15 2023-05-12 浙江宏丰炉料有限公司 镁碳砖智能化生产方法及系统
CN116580233A (zh) * 2023-05-11 2023-08-11 鸿洋集团有限公司 一种用于工业垃圾分类的智能工作机器人控制系统
CN116629741A (zh) * 2023-05-16 2023-08-22 济南明泉数字商务有限公司 一种基于多模态交互的大宗品智能仓储管理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
建筑垃圾烧结再生砖工艺分析研究;吴孙权;新型工业化;20200320;第137-140页 *

Also Published As

Publication number Publication date
CN116884536A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Rueda et al. A hill-climbing approach for automatic gridding of cDNA microarray images
CN116307383B (zh) 一种基于生态平衡的土地精细化保育改良方法及系统
CN102073882A (zh) 高光谱遥感影像的dna计算光谱匹配分类方法
CN113010895A (zh) 一种基于深度学习的漏洞危害评估指标技术
CN101187872A (zh) 基于行为的程序种类判断方法、装置和程序控制方法、装置
CN115049019A (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN114741972A (zh) 一种空气污染物浓度季节性预测模型的构建方法
CN114330114B (zh) 基于量子支持向量机的铍青铜合金腐蚀速率预测方法
Kľúčik Estimates of foreign trade using genetic programming
CN110905478A (zh) 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法
CN114334024A (zh) 一种基于快速成分迁移学习的发酵过程软测量建模方法
CN116884536B (zh) 一种工业废渣砖生产配方自动优化方法及系统
CN117743803A (zh) 一种基于进化特征构建的工作量感知即时缺陷预测方法
CN112508278A (zh) 一种基于证据回归多模型的多联供系统负荷预测方法
CN116613732A (zh) 一种基于shap值选择策略的多元负荷预测方法及系统
Kivelä et al. EDENetwork: Ecological and evolutionary networks
CN113779884B (zh) 一种回收芯片使用寿命的检测方法
CN113870950B (zh) 一种稻瘟菌侵染水稻关键sRNA识别系统及识别方法
CN115148307A (zh) 一种材料性能自动预测系统
CN113657441A (zh) 基于加权皮尔逊相关系数并结合特征筛选的分类算法
CN112382349B (zh) 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法
CN117171676B (zh) 基于决策树的土壤微生物识别分析方法、系统及存储介质
EP4300504A1 (en) System and method for processing material properties of structural materials
Pfingsten Machine learning for mass production and industrial engineering
CN117112857B (zh) 一种适用于工业智能制造的加工路径推荐方法

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