CN117174218B - 一种基于流模型的水泥强度条件概率分布估计方法及系统 - Google Patents
一种基于流模型的水泥强度条件概率分布估计方法及系统 Download PDFInfo
- Publication number
- CN117174218B CN117174218B CN202311442781.5A CN202311442781A CN117174218B CN 117174218 B CN117174218 B CN 117174218B CN 202311442781 A CN202311442781 A CN 202311442781A CN 117174218 B CN117174218 B CN 117174218B
- Authority
- CN
- China
- Prior art keywords
- layer
- cement
- mapping
- representing
- flow model
- 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
Links
- 239000004568 cement Substances 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009826 distribution Methods 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 67
- 230000008878 coupling Effects 0.000 claims abstract description 54
- 238000010168 coupling process Methods 0.000 claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 claims abstract description 54
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 239000000654 additive Substances 0.000 claims abstract description 22
- 230000000996 additive effect Effects 0.000 claims abstract description 22
- 238000005315 distribution function Methods 0.000 claims abstract description 19
- 230000002441 reversible effect Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 150000004706 metal oxides Chemical class 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- AKEJUJNQAAGONA-UHFFFAOYSA-N sulfur trioxide Chemical compound O=S(=O)=O AKEJUJNQAAGONA-UHFFFAOYSA-N 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 3
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 3
- AGWMJKGGLUJAPB-UHFFFAOYSA-N aluminum;dicalcium;iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Al+3].[Ca+2].[Ca+2].[Fe+3] AGWMJKGGLUJAPB-UHFFFAOYSA-N 0.000 claims description 3
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 claims description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 3
- 239000000292 calcium oxide Substances 0.000 claims description 3
- 229910052918 calcium silicate Inorganic materials 0.000 claims description 3
- 235000012241 calcium silicate Nutrition 0.000 claims description 3
- JHLNERQLKQQLRZ-UHFFFAOYSA-N calcium silicate Chemical compound [Ca+2].[Ca+2].[O-][Si]([O-])([O-])[O-] JHLNERQLKQQLRZ-UHFFFAOYSA-N 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- HOOWDPSAHIOHCC-UHFFFAOYSA-N dialuminum tricalcium oxygen(2-) Chemical compound [O--].[O--].[O--].[O--].[O--].[O--].[Al+3].[Al+3].[Ca++].[Ca++].[Ca++] HOOWDPSAHIOHCC-UHFFFAOYSA-N 0.000 claims description 3
- BCAARMUWIRURQS-UHFFFAOYSA-N dicalcium;oxocalcium;silicate Chemical compound [Ca+2].[Ca+2].[Ca]=O.[O-][Si]([O-])([O-])[O-] BCAARMUWIRURQS-UHFFFAOYSA-N 0.000 claims description 3
- 239000004571 lime Substances 0.000 claims description 3
- 229910044991 metal oxide Inorganic materials 0.000 claims description 3
- 229910052755 nonmetal Inorganic materials 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 229910021534 tricalcium silicate Inorganic materials 0.000 claims description 3
- 235000019976 tricalcium silicate Nutrition 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 15
- 230000004913 activation Effects 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水泥强度评估领域，提供了一种基于流模型的水泥强度条件概率分布估计方法及系统。该方法包括，获取水泥的检测相关数据；基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。本发明通过获取水泥的各项历史指标预测水泥其强度，来预测待检测水泥的条件概率分布，无需对结构进行损失就可预测水泥的抗压强度。
Description
技术领域
本发明涉及水泥强度评估领域，尤其涉及一种基于流模型的水泥强度条件概率分布估计方法及系统。
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。
在现有的水泥强度测试技术中，有许多测试水泥强度的方法，主要包括：基于物理实验的强度测试方法、基于传统数理统计的强度预测方法和基于人工智能的强度预测方法。
（1）基于物理实验的强度测试方法主要包括：直接测量法、钻芯法和回弹检测法。
直接测量法是最为常用的方法，通常是制作好水泥试样后，在养护箱中养护28天后，在试验机上进行载荷实验得到破获试样，该方法破坏了原试样，无法对同一个试样进行不同时间节点的测试。
钻芯法是在已经建好的结构上进行钻心采样，测试强度的方法，这种方法成本高昂，并且对已完成的结构造成了损伤。
回弹测试法是使用回弹仪的回弹高度与水泥表面的硬度成一定关系的原理，以回弹高度表征硬度，再根据硬度推算水泥强度的方法，这种方法检测精度不高，测量范围受限制。
（2）基于传统数理统计的强度预测方法：统计模型基于历史数据和经验规律，通过经验公式来拟合水泥的强度。比如有采用水泥的3天强度，经过经验公式换算成28天强度的方法。然而，这类方法简化了水泥强度和时间及其他因素的关系，由于水泥强度形成原因的复杂性，这一类方法难以准确的描述水泥的性能变化规律。
（3）基于人工智能的强度预测方法：随着人工智能相关技术的迅猛发展，其在各行各业有着广泛的应用，这一类方法通过数据挖掘和模式识别，对大量的历史实验数据进行挖掘和建模，建立了用于预测目标变量的人工智能模型。一些研究使用了一些人工智能算法建立回归模型，用于预测水泥的强度。比如支持向量机、基因表达式编程和多层感知机。这些算法常用来建模非线性序列，由于水泥的强度发展过程也是一种非线性的时间序列，因而使用这些方法能够预测水泥的强度。但是，现有的回归模型仅仅用来预测水泥的强度，无法预测不同水泥强度所对应的不确定性，而且回归模型是个无法被理解的黑盒，缺乏可解释性。
综上，现有的水泥强度预测技术或多或少存在一定的缺陷，包括：
现有的水泥强度预测技术大多依赖于进行物理实验，在物理实验的过程中消耗了大量的时间和人力物力，导致以往的基于人工智能的技术只能在进行了物化实验测出水泥一些指标后才能使用，因而无法实时预测水泥的强度。
现有的技术通常是预测水泥的单个强度值，但是水泥的水化反应是一个存在高度非线性和不确定性的反应体系，现有的技术难以捕获其中的不确定性，且人工智能方法缺乏可解释性。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于流模型的水泥强度条件概率分布估计方法及系统，其通过获取水泥的各项历史指标预测水泥其强度，来预测待检测水泥的条件概率分布，无需对结构进行损伤就可预测水泥的抗压强度。
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一种基于流模型的水泥强度条件概率分布估计方法。
基于流模型的水泥强度条件概率分布估计方法，包括：
获取水泥的检测相关数据；
基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
进一步地，所述水泥的检测相关数据包括但不限于：水泥烧失量、金属氧化物相对含量、非金属氧化物相对含量、石灰饱和系数、游离氧化钙相对含量、硅酸三钙相对含量、硅酸二钙相对含量、铝酸三钙相对含量、铁铝酸四钙相对含量、氯离子相对含量、三氧化硫相对含量比表面积、细度、45微米颗粒筛余值、稠度、初凝时间、终凝时间、3天抗压强度、28天抗压强度、3天抗折强度和28天抗折强度。
进一步地，所述平面流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示三个矩阵，用于学习映射，的下标i表示映射这是第i层映射，表示某个矩阵的转置，表示一个平滑可微的函数，表示多个双射函数组成的复合函数；
平面流层所映射的雅可比行列式为：
其中，表示函数的导数，表示矩阵的行列式。
进一步地，所述径向流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示两个矩阵，用于学习映射，表示水泥数据样本，表示映射；
径向流层所映射的雅可比行列式为：
。
进一步地，所述加性耦合层记作，的下标i表示映射是第i层映射；所述加性耦合层的数据处理过程包括：将上一层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，，其中是任意的函数，包括但不限于多层感知机和卷积神经网络；
加性耦合层所映射的雅可比行列式为：
其中，表示单位矩阵，即对角线均为1，其他位置为0的矩阵。
进一步地，所述仿射耦合层记作，所述仿射耦合层的数据处理过程包括：将第i-1层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，和是任意的函数，包括但不限于多层感知机和卷积神经网络；
仿射耦合层所映射的雅可比行列式为：
其中，表示对角矩阵，即除了主对角线其他元素均为0的矩阵。
进一步地，所述流模型将水泥的检测相关数据映射成为随机变量的一系列映射的雅可比行列式：
其中，表示上一层映射出的特征向量，表示映射。
进一步地，所述流模型在进行训练时，计算训练集对应的第一损失函数；根据损失，采用Adam优化器和梯度下降算法对损失进行反向传播，更新流模型参数；在流模型测试时，计算测试集对应的第二损失函数；比较第一损失函数和第二损失函数的数值和趋势，若第一损失函数和第二损失函数均已收敛，且第一损失函数与第二损失函数之间的差值小于设定阈值，则停止训练；否则，进行下一轮训练。
更进一步地，所述第一损失函数和第二损失函数均为：
loss
其中，表示上一层映射出的特征向量，表示映射，表示原始数据的真实分布，k表示第几层映射，表示模型含有的映射总数。
本发明的第二个方面提供一种基于流模型的水泥强度条件概率分布估计系统。
基于流模型的水泥强度条件概率分布估计系统，包括：
数据获取模块，其被配置为：获取水泥的检测相关数据；
概率估计模块，其被配置为：基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
与现有技术相比，本发明的有益效果是：
本发明使用实验室物化分析数据进行建模，在部署好后，根据实时数据，可以利用建好的模型对水泥强度的概率分布进行及时预测，缩短时间消耗。
本发明使用了对于强度的概率密度函数进行建模的方法，相较于传统的对于水泥强度单个值的建模方法，丰富了信息的维度，提高了水泥强度预测的准确性。
本发明使用了流模型，相较于现有技术，本发明设计的流模型通过使用可逆的非线性变换来生成概率密度函数，其过程更容易被理解和解释。
本发明可以通过水泥的各项指标预测水泥的强度，是一种不对水泥结构造成损伤的技术，无需对结构进行损伤即可预测水泥的抗压强度。
本发明可以利用实验室常规的物理化学分析数据，对水泥抗压强度进行预测，从而能够在早期甚至生产阶段实时的预测水泥强度，从而实现对水泥质量的早预测、早预警、早关注，提高水泥产品的质量。
本发明根据被预测样本的属性来预测其抗压强度的概率密度。这种方法不仅能够计算出水泥在各种强度上的概率，同时也能计算出水泥强度的置信度，从而实现了对水泥抗压强度概率分布的估计。
本发明设计的流模型对输入数据进行可逆变换，增强了模型的可解释性。
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是本发明示出的基于流模型的水泥强度条件概率分布估计方法的流程图；
图2是本发明示出的模型训练的流程图；
图3是本发明示出的流模型的一种实现方式；
图4是本发明示出的流块的一种实现方式；
图5是本发明示出的流模型的又一种实现方式；
图6是本发明示出的仿射耦合层的一种实现方式；
图7是本发明示出的流模型的又一种实现方式。
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，以下详细说明都是例示性的，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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
本实施例提供了一种基于流模型的水泥强度条件概率分布估计方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
基于流模型的水泥强度条件概率分布估计方法，包括：
获取水泥的检测相关数据；
基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
下面结合附图对本实施例进行详细描述，如图1所示：
S1：采集水泥检测相关数据，储存到服务器的数据库中；从数据库中导出需要的数据，并对数据进行清洗和预处理之后，组成数据集；
S2：构造用于估计水泥抗压强度条件概率密度的流模型，以上一步中的数据集作为模型的输入，通过计算损失函数对流模型进行训练；
S3：采集新的待观测水泥样本的相关数据，把采集到的数据输入经过训练的模型中，得到水泥抗压强度的条件概率分布函数。
S11：在上述步骤S1中，采集水泥检测相关数据，包括但不限于物理化学分析数据；物理化学分析数据包括但不限于水泥烧失量、金属氧化物相对含量、非金属氧化物相对含量、石灰饱和系数、 游离氧化钙相对含量、硅酸三钙相对含量、硅酸二钙相对含量、铝酸三钙相对含量、铁铝酸四钙相对含量、氯离子相对含量、三氧化硫相对含量比表面积、细度、45微米颗粒筛余值、稠度、初凝时间、终凝时间、3天抗压强度、28天抗压强度、3天抗折强度、28天抗折强度等数据指标；
S12：将上一步采集得到的数据存入服务器的数据库中，根据实际需要从数据库中筛选得到属性特征；
S13：对上一步得到的属性特征进行清洗和预处理。对数据的清理包括但不限制于删除重复项目，填补或删除缺失项目，得到清理后的数据；之后对数据进行预处理，首先计算水泥每个属性特征的均值和标准差，之后对数据集中每一个特征的每一个数据项使用公式进项标准化，是原始数据项，是标准化后的数据项，表示属性特征，N表示属性特征的个数。
；
S14：对上一步得到的数据，根据实际需求将上一步得到的特征按照一定的顺序进行排列，之后按照一定比例划分成为训练集和测试集保存起来；
S2：构造用于估计水泥抗压强度条件概率密度的流模型，以上一步中的数据集作为模型的输入，通过计算损失函数对流模型进行训练，其过程包括：
S21：构建流模型，包括：
（1）其中的每一层映射都是可逆的，可逆的定义是，对于唯一存在一个映射使得；
（2）由多个双射函数组成复合函数，以增强其对非线性问题的拟合能力，即
上述（1）中包含了水泥数据样本和随机变量y，其中随机变量服从一个简单的分布，通常采用高斯分布；水泥数据样本服从一个真实的分布，其形式往往很复杂以至于无法显式表示；
上述流模型中每一层映射的实现方式存在不同路径，包括但不限于平面流层、径向流层、加性耦合层、仿射耦合层等及其组合。
具体地，平面流层用公式表示为：
其中，表示第i-1层映射出的特征向量，分别表示三个矩阵，用于学习映射，的下标i表示映射这是第i层映射。表示某个矩阵的转置。表示一个平滑可微的函数，可以用、表示。在这种情况下，该映射的雅可比行列式为：
其中，表示函数的导数。
径向流层用公式表示为：
其中表示第i-1层映射出的特征向量，分别表示两个矩阵，用于学习映射，这种情况下，该映射的雅可比行列式为：
加性耦合层记作，的下标i表示映射这是第i层映射。其计算过程首先将上一层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，，其中可以是任意的函数，包括但不限于多层感知机、卷积神经网络。在这种情况下，该映射的雅可比行列式为：
仿射耦合层记作，其计算过程首先将第i-1层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，，其中表示哈达玛乘积，即向量与向量的逐元素乘积，和可以是任意的函数，包括但不限于多层感知机、卷积神经网络。在这种情况下，该映射的雅可比行列式为：
S22：构建完成上述流模型后，将S14中保存的数据集输入其中。
S23：计算通过映射将映射成为的一系列映射的雅可比行列式。
S24：通过模型的计算得到数据对应的概率密度函数：
S25：计算损失函数：
S26：使用梯度反向传播算法进行神经网络模型的参数更新；
S27：观察损失函数的值是否满足要求，如果不满足则返回S22再一次进行计算；
S3：采集新的待观测水泥样本的相关数据，把采集到的数据输入经过训练的模型中，得到水泥抗压强度的条件概率分布函数。包括：
S31：采集全新的待观测水泥的检测相关数据，具体项目需要与步骤S14中保持一致；
S32：对采集到的数据进行格式化、清洗和归一化，数据的排列方式要与步骤S14中保持一致；
S33：将模型状态设置为验证状态，将上一步得到的数据输入保存的模型中，得到计算结果；所述计算结果是该条数据对应的水泥抗压强度条件概率密度函数。
实施例二
本实施例提供一种基于流模型的水泥强度条件概率分布估计方法，包括：
S1：采集水泥检测相关数据，储存到服务器的数据库中；从数据库中导出需要的数据，并对数据进行清洗和预处理之后，组成数据集；
S2：构造用于估计水泥抗压强度条件概率密度的流模型，以上一步中的数据集作为模型的输入，通过计算损失函数对流模型进行训练；
S3：采集新的待观测水泥样本的相关数据，把采集到的数据输入经过训练的流模型中，得到水泥抗压强度的条件概率分布函数。
其中，在S2和S3中本发明采用的流模型包括顺次连接的两个流块，如图3所示，每个流块包括顺次连接的一个平面流层和一个tanh激活函数层，流块的结构图如图4所示。
将采集的数据制作成数据集，按照7：3的比例将数据随机划分成训练集和测试集；
将流模型设置成训练状态，将训练集输入到流模型中；
流模型计算得到在训练集上的损失函数：
使用Adam优化器和梯度下降算法对损失进行反向传播，更新流模型参数；
将流模型设置成为验证状态，将测试集输入模型中；
流模型计算得到在测试集上的损失函数：
比较loss1和loss2的数值以及趋势，如果满足loss1和loss2均已经收敛并且loss1十分接近loss2，那么停止训练；否则，再次进行新一轮训练；
保存经过训练后的模型；
采集全新的待观测水泥的检测相关数据；
对采集到的数据进行格式化、清洗和归一化；
将流模型状态设置为验证状态，将待观测水泥的检测相关数据输入保存的流模型中，得到计算结果；所述计算结果是该条数据对应的水泥抗压强度条件概率密度函数。
实施例三
本实施例提供一种基于流模型的水泥强度条件概率分布估计方法，包括：
S1：采集水泥检测相关数据，储存到服务器的数据库中；从数据库中导出需要的数据，并对数据进行清洗和预处理之后，组成数据集；
S2：构造用于估计水泥抗压强度条件概率密度的流模型，以上一步中的数据集作为模型的输入，通过计算损失函数对流模型进行训练；
S3：采集新的待观测水泥样本的相关数据，把采集到的数据输入经过训练的流模型中，得到水泥抗压强度的条件概率分布函数。
其中，在S2和S3中本发明采用的流模型包括顺次连接的两个流块和一个仿射耦合层，如图5所示，流块包括顺次连接的一个平面流层和一个tanh激活函数层，流块的结构图如图4所示。仿射耦合层包括一个划分层、两组全连接层和tanh激活函数层，仿射耦合层结构如图6所示。
图5中，输入的数据经过第一平面流块的计算得到的第一输出值，将第一输出值输入到第一平面流块，计算得到第二输出值；将第二输出值输入仿射耦合层，经过划分层被划分成特征向量和，经过全连接层二和tanh激活函数后与相加，将相加得到的结果与做拼接，计算得到。
图6中输入的数据Z i-1经过划分层被划分成特征向量和，经过全连接层二和tanh激活函数后与相加，将相加得到的结果与做拼接，计算得到Z i。
将采集的数据制作成数据集，按照7：3的比例将数据随机划分成训练集和测试集；
将流模型设置成训练状态，将训练集输入到流模型中；
流模型计算得到在训练集上的损失函数：
使用Adam优化器和梯度下降算法对损失进行反向传播，更新流模型参数；
将流模型设置成为验证状态，将测试集输入模型中；
流模型计算得到在测试集上的损失函数：
比较loss1和loss2的数值以及趋势，如果满足loss1和loss2均已经收敛并且loss1十分接近loss2，那么停止训练；否则，再次进行新一轮训练；
保存经过训练后的模型；
采集全新的待观测水泥的检测相关数据；
对采集到的数据进行格式化、清洗和归一化；
将流模型状态设置为验证状态，将待观测水泥的检测相关数据输入保存的流模型中，得到计算结果；所述计算结果是该条数据对应的水泥抗压强度条件概率密度函数。
实施例四
本实施例提供一种基于流模型的水泥强度条件概率分布估计方法，包括：
S1：采集水泥检测相关数据，储存到服务器的数据库中；从数据库中导出需要的数据，并对数据进行清洗和预处理之后，组成数据集；
S2：构造用于估计水泥抗压强度条件概率密度的流模型，以上一步中的数据集作为模型的输入，通过计算损失函数对流模型进行训练；
S3：采集新的待观测水泥样本的相关数据，把采集到的数据输入经过训练的流模型中，得到水泥抗压强度的条件概率分布函数。
其中，在S2和S3中本发明采用的流模型包括一个平面流块、一个径向流块、一个加性耦合层和一个多尺度的仿射性耦合层模块，如图7所示，其中，平面流块包括顺次连接的一个平面流层和一个tanh激活函数层，径向流块包括顺次连接的一个径向流层和一个tanh激活函数层，加性耦合层包括一个划分层、一个全连接层和一个tanh激活函数层，多尺度的仿射耦合层模块包括多个仿射耦合层复合而成， 具体讲，输入的数据经过平面流块的计算得到；
将输入径向流块计算得到；
将输入加性耦合层，经过划分层被划分成特征向量和，经过全连接层和tanh激活函数后与相加，将相加得到的结果与做拼接，计算得到；
将输入仿射耦合层，经过划分层被划分成特征向量和，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，将传入下一个仿射耦合层；
将输入仿射耦合层，经过划分层被划分成特征向量和，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，将传入下一个仿射耦合层；
将输入仿射耦合层，经过划分层被划分成特征向量和，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，将拼接起来记作；
将拼接起来作为，即所求概率密度分布y。
将采集的数据制作成数据集，按照7：3的比例将数据随机划分成训练集和测试集；
将流模型设置成训练状态，将训练集输入到流模型中；
流模型计算得到在训练集上的损失函数：
使用Adam优化器和梯度下降算法对损失进行反向传播，更新流模型参数；
将流模型设置成为验证状态，将测试集输入模型中；
流模型计算得到在测试集上的损失函数：
比较loss1和loss2的数值以及趋势，如果满足loss1和loss2均已经收敛并且loss1十分接近loss2，那么停止训练；否则，再次进行新一轮训练；
保存经过训练后的模型；
采集全新的待观测水泥的检测相关数据；
对采集到的数据进行格式化、清洗和归一化；
将流模型状态设置为验证状态，将待观测水泥的检测相关数据输入保存的流模型中，得到计算结果；所述计算结果是该条数据对应的水泥抗压强度条件概率密度函数。
此外，本发明所述的流模型不仅仅只有上述三种结构情况，能够将平面流层、径向流层、加性耦合层、仿射耦合层等及其组合，用于预测水泥强度分布的流模型，均属于本发明的保护范围，在此不再一一举例。
实施例五
本实施例提供了一种基于流模型的水泥强度条件概率分布估计系统。
基于流模型的水泥强度条件概率分布估计系统，包括：
数据获取模块，其被配置为：获取水泥的检测相关数据；
概率估计模块，其被配置为：基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
此处需要说明的是，上述数据获取模块和概率估计模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
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 (6)
1.一种基于流模型的水泥强度条件概率分布估计方法，其特征在于，包括：
获取水泥的检测相关数据；
基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述平面流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示三个矩阵，用于学习映射，的下标i表示映射这是第i层映射，表示某个矩阵的转置，表示一个平滑可微的函数，表示多个双射函数组成的复合函数；
平面流层所映射的雅可比行列式为：
其中，表示函数的导数，表示矩阵的行列式；所述径向流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示两个矩阵，用于学习映射，表示水泥数据样本，表示映射；
径向流层所映射的雅可比行列式为：
所述加性耦合层记作，的下标i表示映射是第i层映射；所述加性耦合层的数据处理过程包括：将上一层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，，其中是任意的函数，包括但不限于多层感知机和卷积神经网络；
加性耦合层所映射的雅可比行列式为：
其中，表示单位矩阵；所述仿射耦合层记作，所述仿射耦合层的数据处理过程包括：将第i-1层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，和是任意的函数，包括但不限于多层感知机和卷积神经网络；
仿射耦合层所映射的雅可比行列式为：
其中，表示对角矩阵；
所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
2.根据权利要求1所述的基于流模型的水泥强度条件概率分布估计方法，其特征在于，所述水泥的检测相关数据包括但不限于：水泥烧失量、金属氧化物相对含量、非金属氧化物相对含量、石灰饱和系数、游离氧化钙相对含量、硅酸三钙相对含量、硅酸二钙相对含量、铝酸三钙相对含量、铁铝酸四钙相对含量、氯离子相对含量、三氧化硫相对含量比表面积、细度、45微米颗粒筛余值、稠度、初凝时间、终凝时间、3天抗压强度、28天抗压强度、3天抗折强度和28天抗折强度。
3.根据权利要求1所述的基于流模型的水泥强度条件概率分布估计方法，其特征在于，所述流模型将水泥的检测相关数据映射成为随机变量的一系列映射的雅可比行列式：
其中，表示上一层映射出的特征向量，表示一种映射关系。
4.根据权利要求1所述的基于流模型的水泥强度条件概率分布估计方法，其特征在于，所述流模型在进行训练时，计算训练集对应的第一损失函数；根据损失，采用Adam优化器和梯度下降算法对损失进行反向传播，更新流模型参数；在流模型测试时，计算测试集对应的第二损失函数；比较第一损失函数和第二损失函数的数值和趋势，若第一损失函数和第二损失函数均已收敛，且第一损失函数与第二损失函数之间的差值小于设定阈值，则停止训练；否则，进行下一轮训练。
5.根据权利要求4所述的基于流模型的水泥强度条件概率分布估计方法，其特征在于，所述第一损失函数和第二损失函数均为：
loss
其中，表示上一层映射出的特征向量，表示一种映射关系，表示原始数据的真实分布，k表示第几层映射的层数，表示模型含有的映射总数。
6.一种基于流模型的水泥强度条件概率分布估计系统，其特征在于，包括：
数据获取模块，其被配置为：获取水泥的检测相关数据；
概率估计模块，其被配置为：基于水泥的检测相关数据，采用流模型，得到水泥抗压强度的条件概率分布函数；
其中，所述流模型采用包括但不限于平面流层、径向流层、加性耦合层和仿射耦合层的至少其中之一；所述平面流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示三个矩阵，用于学习映射，的下标i表示映射这是第i层映射，表示某个矩阵的转置，表示一个平滑可微的函数，表示多个双射函数组成的复合函数；
平面流层所映射的雅可比行列式为：
其中，表示函数的导数，表示矩阵的行列式；所述径向流层采用以下公式：
其中，表示第i-1层映射出的特征向量，分别表示两个矩阵，用于学习映射，表示水泥数据样本，表示映射；
径向流层所映射的雅可比行列式为：
所述加性耦合层记作，的下标i表示映射是第i层映射；所述加性耦合层的数据处理过程包括：将上一层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，，其中是任意的函数，包括但不限于多层感知机和卷积神经网络；
加性耦合层所映射的雅可比行列式为：
其中，表示单位矩阵；所述仿射耦合层记作，所述仿射耦合层的数据处理过程包括：将第i-1层映射传出的特征向量划分成两个特征向量和，和的上标i-1表示其位于i-1层中，下标表示该向量的编号，分别做映射，；其中表示哈达玛乘积，即向量与向量的逐元素乘积，和是任意的函数，包括但不限于多层感知机和卷积神经网络；
仿射耦合层所映射的雅可比行列式为：
其中，表示对角矩阵；
所述流模型的每一层映射均采用双射函数进行非线性可逆变换，以生成条件概率分布函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442781.5A CN117174218B (zh) | 2023-11-02 | 2023-11-02 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442781.5A CN117174218B (zh) | 2023-11-02 | 2023-11-02 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117174218A CN117174218A (zh) | 2023-12-05 |
| CN117174218B true CN117174218B (zh) | 2024-01-26 |
Family
ID=88941561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311442781.5A Active CN117174218B (zh) | 2023-11-02 | 2023-11-02 | 一种基于流模型的水泥强度条件概率分布估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117174218B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100774301B1 (ko) * | 2007-02-13 | 2007-11-08 | 군산대학교산학협력단 | 콘크리트 압축강도의 예측방법 |
| CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
| CN110705920A (zh) * | 2019-11-04 | 2020-01-17 | 江苏海事职业技术学院 | 一种大数据环境下多隐层bp网络预测水泥强度方法 |
| CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
| CN114593992A (zh) * | 2022-01-20 | 2022-06-07 | 兰州交通大学 | 一种水泥固化土的劈裂强度试验装置 |
| CN116542037A (zh) * | 2023-04-26 | 2023-08-04 | 河南城建学院 | 固井水泥环第一界面窜流规律数值模拟方法及装置 |
| CN116844670A (zh) * | 2023-05-17 | 2023-10-03 | 华东交通大学 | 一种基于ctgan的预测混凝土极限抗压强度的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10138727B2 (en) * | 2014-01-31 | 2018-11-27 | Schlumberger Technology Corporation | Acoustic multi-modality inversion for cement integrity analysis |
| US20220253734A1 (en) * | 2020-11-16 | 2022-08-11 | Parham Aghdasi | Machine learning methods to optimize concrete applications and formulations |
-
2023
- 2023-11-02 CN CN202311442781.5A patent/CN117174218B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100774301B1 (ko) * | 2007-02-13 | 2007-11-08 | 군산대학교산학협력단 | 콘크리트 압축강도의 예측방법 |
| CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
| CN110705920A (zh) * | 2019-11-04 | 2020-01-17 | 江苏海事职业技术学院 | 一种大数据环境下多隐层bp网络预测水泥强度方法 |
| CN113012773A (zh) * | 2021-03-11 | 2021-06-22 | 华南理工大学 | 一种内部影响因素下基于宽度学习的水泥强度估测方法 |
| CN114593992A (zh) * | 2022-01-20 | 2022-06-07 | 兰州交通大学 | 一种水泥固化土的劈裂强度试验装置 |
| CN116542037A (zh) * | 2023-04-26 | 2023-08-04 | 河南城建学院 | 固井水泥环第一界面窜流规律数值模拟方法及装置 |
| CN116844670A (zh) * | 2023-05-17 | 2023-10-03 | 华东交通大学 | 一种基于ctgan的预测混凝土极限抗压强度的方法 |
Non-Patent Citations (4)
| Title |
|---|
| Estimating cement compressive strength from microstructural images using GEP with probabilistic polarized similarity weight tournament selection;Zhang L等;《Proceedings of the Genetic and Evolutionary Computation Conference》;全文 * |
| 基于G级水泥水化反应的环空窜流预测模型;刘建;丁士东;方春飞;刘伟;张林海;秦克明;;钻井液与完井液(01);全文 * |
| 基于锈胀开裂路径的混凝土构件耐久性能概率预测模型及应用;金伟良;王晓舟;;建筑结构学报(01);全文 * |
| 碳化概率模型及混凝土结构碳化失效概率分析;孙博;肖汝诚;郭健;;土木工程学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117174218A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| Wang et al. | An improved ARIMA model for precipitation simulations | |
| WO2021098384A1 (zh) | 一种数据异常检测方法及装置 | |
| CN108388969A (zh) | 基于个人行为时序特征的内部威胁人物风险预测方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
| CN112765894A (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
| CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
| Li et al. | Predicting production-rate using wellhead pressure for shale gas well based on Temporal Convolutional Network | |
| CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
| Oh et al. | Investigating the effects of daily travel time patterns on short-term prediction | |
| CN117370771A (zh) | 一种基于条件分数扩散的知识嵌入填补软测量方法 | |
| Li et al. | Multi-node knowledge graph assisted distributed fault detection for large-scale industrial processes based on graph attention network and bidirectional LSTMs | |
| CN117951553A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
| CN117174218B (zh) | 一种基于流模型的水泥强度条件概率分布估计方法及系统 | |
| Li et al. | Graph neural network-based bitcoin transaction tracking model | |
| CN115545152A (zh) | 基于长短期Transformer模型的交通流量预测方法 | |
| CN115048873A (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
| Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
| Othman et al. | Data mining approaches in business intelligence: Postgraduate data analytic | |
| CN111325384A (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
| Hadavimoghaddam et al. | Toward smart correlations for predicting in-situ stress: Application to evaluating subsurface energy structures | |
| CN118172206B (zh) | 劳动人事争议案件裁决结果模拟与预测方法及系统 | |
| Zhong et al. | Stock Prediction Based on ARIMA Model and GRU Model | |
| Ismail et al. | Combination model of empirical mode decomposition and svm for river flow forecasting |
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 |