CN117037960A - 硫铝铁系胶凝材料的性能调控方法及系统 - Google Patents
硫铝铁系胶凝材料的性能调控方法及系统 Download PDFInfo
- Publication number
- CN117037960A CN117037960A CN202310960808.3A CN202310960808A CN117037960A CN 117037960 A CN117037960 A CN 117037960A CN 202310960808 A CN202310960808 A CN 202310960808A CN 117037960 A CN117037960 A CN 117037960A
- Authority
- CN
- China
- Prior art keywords
- performance
- cementing material
- raw material
- iron series
- aluminum iron
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 116
- -1 sulfur aluminum iron series Chemical class 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002994 raw material Substances 0.000 claims abstract description 94
- 238000004519 manufacturing process Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 12
- 230000001276 controlling effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 238000007637 random forest analysis Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 12
- 239000004568 cement Substances 0.000 claims description 11
- 238000001354 calcination Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 24
- 238000012360 testing method Methods 0.000 description 13
- 239000002910 solid waste Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 239000010881 fly ash Substances 0.000 description 2
- 229910052602 gypsum Inorganic materials 0.000 description 2
- 239000010440 gypsum Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 229910001691 hercynite Inorganic materials 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
-
- 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
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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及硫铝铁系胶凝材料的性能调控方法及系统，包括以下步骤：获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息；以对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
Description
技术领域
本发明涉及机器学习技术领域，具体为硫铝铁系胶凝材料的性能调控方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
硫铝铁系胶凝材料由于化学成分范围广，钙需求低，并且其原料可由工业固体废弃物部分或全部替代，从而减少自然资源消耗，提高固废利用率，因此被认为是硅酸盐胶凝材料的理想替代物。但由于硫铝铁系胶凝材料的生产原料，来源于种类众多的固体废弃物，其化学组分不稳定，生产期间涉及的配料与性能优化多依靠经验或多次重复实验等传统方法进行，此类方法人力和时间成本高，操作繁琐，调控滞后，难以确保得到的硫铝铁系胶凝材料拥有可控的性能。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供硫铝铁系胶凝材料的性能调控方法及系统，根据原料种类构建原材料One-hot编码作为预测模型的输入项，采用随机森林模型计算特征重要性，分析硫铝铁系胶凝材料性能的影响因素，从而有选择地对生产参数进行优化，并通过随机森林和NSGA-Ⅱ算法结合，进行硫铝铁系胶凝材料性能预测与调控。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供硫铝铁系胶凝材料的性能调控方法，包括以下步骤：
获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息；
以对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
原材料信息包括原材料种类、原材料化学组分、原材料配比和生料混合物化学组分；生产参数信息包括煅烧温度、煅烧时间、掺合料种类与比例、添加剂种类与比例以及配合比；性能参数包括抗压强度和抗折强度中的至少一种。
根据原材料种类构建对应的原材料独热编码，与生产参数信息共同作为性能预测模型的输入。
性能预测模型为随机森林模型，经过交叉验证优化模型超参数，待优化的超参数至少包括决策树个数、决策树最大深度、叶子节点含有的最少样本和节点可分的最小样本数。
基于性能预测模型确定特征重要性，得到原材料信息和生产参数信息中的不同特征对硫铝铁系胶凝材料性能的影响，选取对性能影响影响程度超过设定值的生产参数信息作为待优化项，通过遗传算法进行生产参数优化。
根据优化模型得到目标函数的最优解集，具体为：
随机初始化一组解，形成初始种群，将种群中的个体按照非支配关系排序，形成多个非支配等级；
计算每个个体的目标函数及其在目标函数值上的拥挤度，按照非支配等级和拥挤度，选择部分个体进行交叉和变异，生成新的个体；
将新生成的个体和当前种群合并，再次进行非支配排序，计算目标函数和拥挤度，淘汰非支配等级和拥挤度低的个体；
如果满足终止条件，则停止算法，输出最优解集。
当原料成分或类别发生改变，胶凝材料性能偏离设定值时，基于目标函数最优解中的胶凝材料性能参数，反馈胶凝材料生产控制系统，以调整原材料成分和生产参数，实现胶凝材料性能调控。
本发明的第二个方面提供实现上述方法所需的系统，包括：
性能优化模块，被配置为：获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息并作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
性能调控模块，被配置为：根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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如上述所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、性能预测模型得到的胶凝材料性能预测数据，能够反映出原材料组分和生产工艺参数对胶凝材料性能的影响程度，从而有选择的对生产工艺的参数进行优化，进而帮助胶凝材料生产过程得到对应的调控方案，以获得品质可控的硫铝铁系胶凝材料。
2、由于硫铝铁系胶凝材料的原料来源于工业固体废弃物，成分不可控，因此通过原材料对应的独热编码作为性能预测模型的输入，从而充分考虑原材料类别组分信息对胶凝材料性能的影响。
3、针对硫铝铁系胶凝材料生产时原料成分不可控的问题，采用机器学习的方式代替传统的人工经验和实验，能够节省大量的时间，提高生产效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的硫铝铁系胶凝材料的性能调控流程示意图；
图2是本发明一个或多个实施例提供的性能预测过程中的交叉验证示意图；
图3(a)是本发明一个或多个实施例提供的RF-3模型训练结果中训练集真实值与训练集预测值变化示意图；
图3(b)是本发明一个或多个实施例提供的RF-3模型训练结果中训练集真实值与训练集预测值的抗压强度示意图；
图3(c)是本发明一个或多个实施例提供的RF-3模型训练结果中测试集真实值与测试集预测值变化示意图；
图3(d)是本发明一个或多个实施例提供的RF-3模型训练结果中测试集真实值与测试集预测值的抗压强度示意图；
图4(a)是本发明一个或多个实施例提供的RF-3模型中样本与测试集误差的示意图；
图4(b)是本发明一个或多个实施例提供的RF-3模型中样本与训练集误差的示意图；
图5是本发明一个或多个实施例提供的RF-3模型特征重要性示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
正如背景技术中所描述的，由于硫铝铁系胶凝材料的原料来源于化学组分复杂且在不断变化的工业固废，因此硫铝铁系胶凝材料的性能控制存在以下问题：
目前针对硫铝铁系胶凝材料性能控制和优化主要依靠经验或重复试验进行，费时费力，操作繁琐，影响胶凝材料的正常生产。
原料中固废种类和成分发生变化时难以及时调控，影响胶凝材料生产的稳定性。
因此，以下实施例给出硫铝铁系胶凝材料的性能调控方法及系统，根据原料种类构建原材料One-hot编码作为预测模型的输入项，采用随机森林模型计算特征重要性，分析硫铝铁系胶凝材料性能的影响因素，从而有选择地对生产参数进行优化，并通过随机森林和NSGA-Ⅱ算法结合，进行硫铝铁系胶凝材料性能预测与调控。
实施例一：
如图1-图5所示，硫铝铁系胶凝材料的性能调控方法，包括以下步骤：
获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息；
以对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
具体的：
1从胶凝材料生产系统或通过实验获取硫铝铁系胶凝材料相关数据，包括原材料种类，原材料化学组分，原材料配比，生料混合物化学组分，煅烧温度，煅烧时间，掺合料种类与比例(石膏，粉煤灰等)，添加剂种类与比例(减水剂，缓凝剂等)，配合比(水灰比，砂浆比等)等生产设计参数作为输入项数据以及材料抗压强度，抗折强度等性能参数作为输出项数据。对数据进行清洗，筛选，归一化等操作。
2为了适应原材料中固废种类改变的情况，在用于模型训练的输入数据中应该考虑原材料类别信息。将原材料中可能使用到的固废类别整理汇总并根据实际应用的原料种类构建原材料One-hot编码(独热编码)。每组数据对应相应的One-hot编码，与胶凝材料生产设计参数共同作为输入项数据。
3将整理好的数据划分为训练集(80％)与测试集(20％)，训练集用于模型训练，根据模型在测试集上的表现评价模型性能。选择决定系数R2和均方根误差RMSE作为模型评价指标。其中R2用于描述模型拟合程度的好坏，R2越接近1，表示模型拟合程度越好；RMSE描述预测值与真实值的差距，用于衡量模型误差，RMSE越小，代表模型性能越好。
4选择随机森林模型作为性能预测模型。随机森林的优势在于随机森林很少需要对输入数据进行预处理，能够处理大规模数据集和高维特征，对one-hot编码具有更好的处理能力。此外随机森林能够评估每个特征对预测目标的重要性，有助于理解硫铝铁系胶凝材料这一复杂体系。
由于硫铝铁系胶凝材料体系复杂，对模型适应性和精确性要求更高，因此需进行超参数优化工作。
随机森林模型待优化超参数包括决策树个数(n_estimators)，决策树最大深度(max_depth)、叶子节点含有的最少样本(min_samples_leaf)和节点可分的最小样本数(min_samples_split)等。本实施例选择对模型影响较大的超参数进行优化。
5通过K-fold交叉验证优化模型超参数。K-fold交叉验证的核心思想是将原始数据分成K组(或称为"K折")。如图2所示，具体为：
将全部数据划分为训练集(80％)和测试集(20％)，采用训练集数据进行超参数优化工作；
将训练集(80％)数据划分为K组，对于每一次验证，挑选其中一组作为验证集，其余的作为训练集；
训练模型并进行测试，计算并记录相应评价指标；
重复以上过程K次，每一组数据都有一次机会作为验证集，其余机会作为训练集；
所有的K次验证后，计算K次评估指标的平均值作为最终的评估指标。
在数据量较少的情况下，K-fold交叉验证可以确保每一个样本都有被训练和测试的机会，提高了数据利用的效率并提供更可靠的性能评估，不会因为一次分割的偶然性而产生较大的偏差。
采用K-fold交叉验证方法优化模型超参数时，会尝试不同的超参数组合，对于每一个超参数组合，均进行K次训练和验证。在所有的超参数组合中，根据评价指标选择性能最优的组合作为最优的超参数。
基于最优超参数构建随机森林(RF)模型，通过训练集数据行模型训练得到硫铝铁系胶凝材料性能预测模型，最后基于模型在测试集上的表现进行模型评价。选用预测能力与泛化能力最佳的模型进行性能预测工作。
6通过随机森林模型计算特征重要性，分析对不同特征对硫铝铁系胶凝材料性能的影响，对影响因素从大到小进行排序，如图5所示。本实施例对材料性能影响较大的生产设计参数作为待优化项，通过NSGA--Ⅱ算法进行生产设计参数优化。
7采用NSGA-Ⅱ算法，结合性能预测模型，构建适用于硫铝铁系胶凝材料的性能优化模型。NSGA-II是一种基于遗传算法的优化方法，它可以同时优化多个目标函数。NSGA-II算法的优势在于可以一次性生成多个符合目标性能的解，并且各个解之间互有差异，即对于同一目标性能的胶凝材料提供多组不同的生产工艺参数，提供了根据实际情况进行选择和调整的空间。尤其是，在引入原材料one-hot编码作为待优化项时，不同的原料类别和配比能够生产出同一性能的产品，能够提高胶凝材料生产系统对多变的固废原料的消纳能力。
在本实施例中，以对硫铝铁系胶凝材料性能影响较大的生产设计参数作为待优化项，原材料One-hot编码可作为固定项也可作为待优化项，结合随机森林模型以材料性能指标(抗压强度)构建目标函数。具体步骤如下：
(1)初始化：设定待优化项的约束(上下界及其他等式)，例如煅烧温度在1200℃～1300℃之间，原材料配比之和为100％等。之后随机生成种群规模数量的个体，构成初始种群。一组生产工艺数据代表一个个体，所有个体构成一个种群，种群规模指种群中的个体数。
(2)非支配排序：将种群中的个体按照非支配关系进行排序，形成多个非支配等级。非支配关系是指，假设任意两个体n1、n2，对于所有目标而言，n1均优于n2，则认为n2被n1支配，将n1计入n2的被支配集，否则认为不存在非支配关系。根据个体被支配集中的个体数划分支配等级，被支配集中个体越少则该个体支配等级越高，个体越优秀。
(3)计算目标函数和拥挤度：计算每个个体的目标函数，及其在目标函数值上的拥挤度，以度量种群的多样性。
(4)选择：引入精英策略，按照非支配等级和拥挤度，选择一部分个体进行交叉和变异操作。
(5)交叉变异：通过交叉变异，生成新的个体。
(6)合并和筛选：将新生成的个体和当前种群合并，再次进行非支配排序，计算目标函数和拥挤度，淘汰非支配等级和拥挤度低的个体。
(7)终止条件：如果满足终止条件(如迭代次数达到设定值)，则停止算法，输出Pareto最优解集；否则，回到步骤(4)。
8将胶凝材料生产系统的胶凝材料生产设计参数(主要是原料混合物化学组分)实时导入性能预测模型，当原料成分或类别发生改变，胶凝材料性能偏离设定阈值时，启用优化模型优化胶凝材料生产设计参数，反馈到胶凝材料生产控制系统，做出相应调整，最终实现胶凝材料性能的调控。
上述过程通过随机森林模型预测硫铝铁系胶凝材料性能，节省大量实验工作，省时省力，便于操作。
构建原材料One-hot编码作为预测模型的输入项，充分考虑了原材料种类变化带来的影响，有助于提高对于固废材料的消纳能力。
通过随机森林和NSGA-Ⅱ算法，能够有选择的对生产设计参数进行优化，实时给出相应调控方案，提高了胶凝材料质量的稳定性。
实验：
本实施例收集整理了233组硫铝铁系胶凝材料相关数据。包括原材料种类，原材料化学组分，原材料配比，煅烧温度，煅烧时间，掺合料种类与比例(石膏，粉煤灰等)，添加剂种类与比例(减水剂，缓凝剂等)，配合比(水灰比，砂浆比等)等生产设计参数，概况如表1所示。胶凝材料生料组分由胶凝材料原材料化学成分和原材料配比计算所得。根据实际应用的原料种类构建原材料One-hot编码(原材料One-hot编码如表2所示)，与胶凝材料材料的养护龄期、生料组分、烧成条件、掺合料、配合比等生产设计参数作为模型输入特征，以力学性能(抗压强度)作为输出项。
表1胶凝材料数据概况
表2原材料One-hot编码
将数据随机划分为训练集(80％)和测试集(20％)，训练集用于模型训练，测试集用于评价模型性能。通过MATLAB软件，构建随机森林(RF)模型。为提高模型预测能力与泛化能力，通过K-fold交叉验证方法进行模型超参数调优，待调整超参数包括决策树个数(n_estimators)，决策树最大深度(max_depth)、叶子节点含有的最少样本(min_samples_leaf)和节点可分的最小样本数(min_samples_split)等。根据最优超参数构建RF模型。根据训练好的模型计算特征重要性，并筛选待优化生产设计参数。随机森林(RF)模型的性能如表3所示。
表3随机森林(RF)模型
根据特征重要性分析，将除水灰比和保温时间的其余胶凝材料生产设计参数作为待优化目标，以抗压强度作为目标函数。采用NSGA-Ⅱ算法，结合性能预测模型，构建适用于硫铝铁系胶凝材料的性能优化模型。通过优化模型实现固废基硫铝铁系胶凝材料性能调控。设定初始种群规模100，最大迭代次数1000，交叉概率0.6，变异系数0.1。
上述过程基于随机森林预测固废基硫铝铁系胶凝材料性能，通过特征重要性分析针对性的筛选对硫铝铁系胶凝材料性能影响较大的生产设计参数作为待优化项，采用NSGA-Ⅱ算法进行生产设计参数优化，核心在于性能预测模型的性能。
通过RF-1、RF-2、RF-3模型的性能对比可以看出，通过合理的超参数优化，以及构建原材料One-hot编码作为RF模型输入项用以区分原材料类别能够有效提高预测模型性能，从而提高生产设计参数优化效果。RF-3在测试集上的决定系数达到0.9以上，预测误差集中在10Mpa以下，已基本满足对于胶凝材料性能的预测要求，并且该模型还可根据胶凝材料生产系统实际生产数据进行进一步优化。因此应用本方法能够实现固废基硫铝铁系胶凝材料的性能预测与调控。
实施例二：
实现上述方法的系统，包括：
性能优化模块，被配置为：获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息并作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
性能调控模块，被配置为：根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
实施例三：
本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如上述实施例一所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
实施例四：
本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如上述实施例一所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
以上实施例二至四中涉及的各步骤或网络与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述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.硫铝铁系胶凝材料的性能调控方法，其特征在于，包括以下步骤：
获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息；
以对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
2.如权利要求1所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，原材料信息包括原材料种类、原材料化学组分、原材料配比和生料混合物化学组分；生产参数信息包括煅烧温度、煅烧时间、掺合料种类与比例、添加剂种类与比例以及配合比；性能参数包括抗压强度和抗折强度中的至少一种。
3.如权利要求2所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，根据原材料种类构建对应的原材料独热编码，与生产参数信息共同作为性能预测模型的输入。
4.如权利要求1所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，性能预测模型为随机森林模型，经过交叉验证优化模型超参数，待优化的超参数至少包括决策树个数、决策树最大深度、叶子节点含有的最少样本和节点可分的最小样本数。
5.如权利要求1所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，基于性能预测模型确定特征重要性，得到原材料信息和生产参数信息中的不同特征对硫铝铁系胶凝材料性能的影响，选取对性能影响影响程度超过设定值的生产参数信息作为待优化项，通过遗传算法进行生产参数优化。
6.如权利要求1所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，根据优化模型得到目标函数的最优解集，具体为：
随机初始化一组解，形成初始种群，将种群中的个体按照非支配关系排序，形成多个非支配等级；
计算每个个体的目标函数及其在目标函数值上的拥挤度，按照非支配等级和拥挤度，选择部分个体进行交叉和变异，生成新的个体；
将新生成的个体和当前种群合并，再次进行非支配排序，计算目标函数和拥挤度，淘汰非支配等级和拥挤度低的个体；
如果满足终止条件，则停止算法，输出最优解集。
7.如权利要求1所述的硫铝铁系胶凝材料的性能调控方法，其特征在于，当原料成分或类别发生改变，胶凝材料性能偏离设定值时，基于目标函数最优解中的胶凝材料性能参数，反馈胶凝材料生产控制系统，以调整原材料成分和生产参数，实现胶凝材料性能调控。
8.硫铝铁系胶凝材料的性能调控系统，其特征在于，包括：
性能优化模块，被配置为：获取硫铝铁系胶凝材料的原材料信息和生产参数信息并预处理，根据胶凝材料生产设计参数与性能的对应关系，基于性能预测模型确定对硫铝铁系胶凝材料性能影响程度满足设定值的生产参数信息并作为待优化项，原材料信息中的原材料种类作为固定项或待优化项，所需的性能参数为目标，构建目标函数；
性能调控模块，被配置为：根据优化模型得到目标函数的最优解集，基于最优解集反映的胶凝材料性能参数，调整原材料成分和生产参数。
9.一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如上述权利要求1-7任一项所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
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，所述处理器执行所述程序时实现如权利要求1-7任一项所述的硫铝铁系胶凝材料的性能调控方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310960808.3A CN117037960A (zh) | 2023-08-01 | 2023-08-01 | 硫铝铁系胶凝材料的性能调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310960808.3A CN117037960A (zh) | 2023-08-01 | 2023-08-01 | 硫铝铁系胶凝材料的性能调控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037960A true CN117037960A (zh) | 2023-11-10 |
Family
ID=88627266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310960808.3A Pending CN117037960A (zh) | 2023-08-01 | 2023-08-01 | 硫铝铁系胶凝材料的性能调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037960A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391641A (zh) * | 2023-12-12 | 2024-01-12 | 珠海行知生物科技有限公司 | 一种生发剂生产流程管理方法及系统 |
| CN117689275A (zh) * | 2024-02-02 | 2024-03-12 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
-
2023
- 2023-08-01 CN CN202310960808.3A patent/CN117037960A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391641A (zh) * | 2023-12-12 | 2024-01-12 | 珠海行知生物科技有限公司 | 一种生发剂生产流程管理方法及系统 |
| CN117391641B (zh) * | 2023-12-12 | 2024-06-04 | 深圳新发源植物科技发展有限公司 | 一种生发剂生产流程管理方法及系统 |
| CN117689275A (zh) * | 2024-02-02 | 2024-03-12 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
| CN117689275B (zh) * | 2024-02-02 | 2024-05-17 | 广东贝洛新材料科技有限公司 | 橡胶材料生产配料方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117037960A (zh) | 硫铝铁系胶凝材料的性能调控方法及系统 | |
| CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
| CN110389819B (zh) | 一种计算密集型批处理任务的调度方法和系统 | |
| CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
| CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
| CN115840431B (zh) | 一种ⅱ型无水石膏的生产控制方法及系统 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| Lin et al. | From single-cell variability to population growth | |
| CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和系统 | |
| CN111611748B (zh) | 一种数据驱动的材料逆向设计方法及系统 | |
| 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 | |
| CN109886448A (zh) | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 | |
| CN111833970A (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
| CN112163376A (zh) | 一种基于天牛须搜索的极端随机树炉温预测控制方法 | |
| CN117236523B (zh) | 一种基于帕累托策略的组合启发式碳排放优化方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN110246547A (zh) | 一种烧结过程配矿优化方法 | |
| CN114004341A (zh) | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 | |
| CN117373561A (zh) | 一种碱激发胶凝材料碳化性能的预测模型构建方法 | |
| US11846931B2 (en) | Industrial internet of things, control method, and medium for regulating multi-type of working parameters | |
| CN114707368B (zh) | 一种矿石纤维成分精确设计方法及系统 | |
| CN114121161B (zh) | 一种基于迁移学习的培养基配方开发方法及系统 | |
| 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 | |
| CN110796318B (zh) | 一种催化分馏装置的实时操作优化方法及装置 | |
| CN115392129A (zh) | 一种再生骨料混凝土配合比多目标优化方法 |
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 |