CN117174219B - 基于隐变量模型的水泥强度条件概率分布估计方法及系统 - Google Patents
基于隐变量模型的水泥强度条件概率分布估计方法及系统 Download PDFInfo
- Publication number
- CN117174219B CN117174219B CN202311442782.XA CN202311442782A CN117174219B CN 117174219 B CN117174219 B CN 117174219B CN 202311442782 A CN202311442782 A CN 202311442782A CN 117174219 B CN117174219 B CN 117174219B
- Authority
- CN
- China
- Prior art keywords
- cement
- hidden variable
- variable model
- conditional probability
- neural network
- 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 162
- 238000009826 distribution Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000002245 particle Substances 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 78
- 238000013528 artificial neural network Methods 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007873 sieving Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000149 argon plasma sintering Methods 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000386 microscopy Methods 0.000 claims description 2
- 238000002844 melting Methods 0.000 claims 1
- 230000008018 melting Effects 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 230000004913 activation Effects 0.000 description 23
- 230000001186 cumulative effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 238000011049 filling Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 239000008187 granular material Substances 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水泥强度技术领域,提供了一种基于隐变量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,获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;隐变量模型的训练过程包括:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型。
Description
技术领域
本发明涉及水泥强度技术领域,尤其涉及一种基于隐变量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。
在现有技术中,一些方法已经提出用于水泥强度预测,其中包括传统数理统计模型以及基于机器学习的技术。
(1)统计模型基于历史数据和经验规律,通过建立数学模型来推断水泥强度。然而,这些方法往往依赖于简化的假设和统计关系,对于水泥这种复杂的体系而言具有一定的局限性。
(2)近年来机器学习技术获得了显著的进展,广泛应用于各行各业中。这些方法通过对大量实验数据进行数据挖掘,建立起模型用于估计目标变量。常用的机器学习算法包括基因表达式编程、支持向量机、模糊逻辑预测和人工神经网络。这些方法能够处理相对较大的数据量并能够挖掘数据中蕴含的复杂的非线性关系,进而能够提高水泥强度预测的准确性。
然而,现有的水泥强度预测方法存在一些局限性。
(1)现有方法聚焦于预测单个强度的值,即现有的方法只能预测出一个水泥强度的值,然而由于水泥水化反应体系的不确定性,现有的方法很难准确预测水泥的强度。
(2)现有的方法依赖水泥的实验室化学物理分析数据,而这些试验需要较多时间,这意味着无法在水泥生产过程中实时预测水泥强度。
发明内容
为了解决现有技术无法实时预测水泥强度以及无法在不确定性条件下进行水泥强度估计的技术问题,本发明提供一种基于隐变量模型的水泥强度条件概率分布估计方法及系统,本发明面向水泥物理化学分析数据或颗粒粒径分布及用于检测的仪器相关数据,用以估计水泥抗压强度,本发明使用的数据可以实时获取,从而能够实时预测水泥抗压强度,且本发明得到的不是单一的水泥强度值,而是水泥抗压强度所有的可能性及其概率,从而实现了实时地对水泥强度的概率分布进行估计。
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隐变量模型的水泥强度条件概率分布估计方法。
一种基于隐变量模型的水泥强度条件概率分布估计方法,包括:
获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型的训练过程包括:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型。
进一步地,所述隐变量模型包括顺序连接的特征提取器、变分层校准器和条件概率密度估计器,所述特征提取器用于提取水泥颗粒粒径分布的特征和检测仪器的工作参数的特征;所述变分层校准器用于将水泥颗粒粒径分布的特征和检测仪器的工作参数的特征映射为向量;所述条件概率密度估计器用于根据所述向量,映射出水泥抗压强度的条件概率分布。
更进一步地,所述特征提取器包括用于提取水泥颗粒粒径分布和仪器的工作参数的神经网络,所述特征提取器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合。
更进一步地,所述变分层校准器包括并列的第一全连接层、第二全连接层和融合层;在隐变量模型训练时,通过第一全连接层输出,第二全连接层输出/>计算公式为/>,融合层通过/>计算特征向量,其中,/>是原始数据项,/>是一个服从正态分布的随机数;在隐变量模型推理时,通过公式/>计算特征向量。
更进一步地,所述条件概率密度估计器包括N个并列的K维神经网络;所述条件概率密度估计器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合。
更进一步地,当N为1时,所述条件概率密度估计器直接输出的是水泥强度的概率密度,其计算公式为,z是变分层校准器计算得到的特征向量,/>表示该条件概率密度估计器学习到的映射关系,/>是水泥强度的概率密度;当N大于1时,所述条件概率密度估计器包括两类,第一类神经网络输出概率密度函数的权重,第二类神经网络输出概率密度函数的N-1类参数;所述第一类神经网络的结构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合,第一类神经网络的输出是表示权重的向量/>,且必须满足/>;第二类神经网络的结构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合,其输出是N-1类待混合概率密度函数的参数,记作矩阵/>,矩阵中每一个元素/>表示第i类参数的第j项,每一类参数为K个,则水泥强度的概率密度计算公式为。
进一步地,所述水泥颗粒粒径分布通过筛分法、沉降法、显微镜法、电感计数法或光散射法获得。
本发明的第二个方面提供一种基于隐变量模型的水泥强度条件概率分布估计系统。
一种基于隐变量模型的水泥强度条件概率分布估计系统,包括:
输出模块,其被配置为:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型训练模块,其被配置为:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型。
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第一个方面所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
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第一个方面所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
与现有技术相比,本发明的有益效果是:
针对现有方法聚焦于预测单个强度的值的问题,本发明将多维特征输入条件概率密度估计器,对水泥抗压强度的概率分布进行估计,即估计水泥在各种强度上的可能性,从而实现了在不确定性条件下对水泥抗压强度概率分布的估计。
本发明利用水泥颗粒粒径分布数据对水泥的抗压强度进行建模,水泥颗粒粒径分布数据能够实时收集,避免了耗时的传统物化分析实验,从而能在生产阶段对水泥强度的概率分布进行早估计、早预警,方便生产管理人员及时调整实现了预测的实时性。
本发明估计了水泥所有可能取得强度的概率,相较于传统对强度单个值进行预测,丰富了信息的维度,在预测方法上更加全面。
本发明能够根据水泥的颗粒分布数据以及相关仪器工作参数,实时估计水泥的强度概率分布,大大提高了强度估计的时效性,相较于传统的基于水泥成分化学分析数据的预测方法,减少了在化学分析实验方面的时间消耗,提高了预测的速度,方便生产管理人员及时调整水泥生产过程。
本发明使用可以实时采集到的水泥粒径分布数据以及相关仪器运行参数进行建模,意味着模型建立好后,在部署好后进行预测的阶段可以利用实时数据,对水泥强度的概率分布进行实时预测。
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。
本发明使用变分校准层进行模型校准,可通过控制神经网络的超参数来校准模型,保证了模型的可靠性。
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隐变量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估计结果可视化效果图一;
图3是本发明示出的模型估计结果可视化效果图二;
图4是本发明示出的实施例一中的隐变量模型框架图;
图5是本发明示出的实施例二中的隐变量模型框架图;
图6是本发明示出的实施例二中条件概率密度函数的效果图;
图7是本发明示出的实施例三中的隐变量模型框架图。
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
如图1所示,本实施例提供了一种基于隐变量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。水泥的生产工序可以概括为:生料粉末、熟料煅烧和水泥粉磨。本实施例中,采集对象为经过第三道工序后,水泥的颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据。该方法包括以下步骤:
S1:采集水泥颗粒粒径分布、检测仪器工作参数和水泥抗压强度等数据,使用采集到的数据制作数据集。
S2:建立用于估计水泥强度条件概率的隐变量模型,并使用上一步建立的数据集进行神经网络训练;此处神经网络是指一种能够利用上一步得到的数据集,通过特征提取器和条件概率密度估计器,建模并估计出水泥抗压强度条件概率分布的网络模型;所述特征提取器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合;所述变分层校准器包括并列的第一全连接层、第二全连接层和融合层;所述条件概率密度估计器包括N个并列的K维神经网络;所述条件概率密度估计器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合。
S3:对模型进行校准,使得数据集的实际累计频率曲线尽可能接近理论累计频率曲线,满足要求后保存模型;
S4:采集待观测水泥颗粒粒径分布、用于检测的仪器的工作参数数据,将采集到的数据输入上一步保存的模型中,得到水泥抗压强度的条件概率分布函数。
具体地,S1中本发明采集对象为经过第三道工序后,水泥颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据;其中,水泥颗粒粒径分布数据可以通过但不限于筛分法、沉降法、显微镜法、电感计数法和光散射法获得;用于检测的仪器的工作参数可以通过但不限于工作仪器配套软件、说明书获得;水泥的抗压强度的测量需要遵守国家相关标准的规定。例如,水泥颗粒粒径分布数据使用衍射式在线粒度仪获取,其安装在水泥出磨后面的管道上;导出在线粒度仪的工作参数,保存在CSV文件中。
使用采集到的数据制作数据集的过程,包括:
S11:由于数据来源多样,格式各异,需要对数据进行格式化。将水泥颗粒粒径分布和仪器工作参数合并成为样本数据,其对应的水泥抗压强度成为标签,将样本数据和对应的标签组合成格式化的数据。可以使用常见的数据格式,包括但不限于CSV、JSON和YAML等文件格式;
S12:对上一步的数据进行清理,对数据重复项目进行删除,对缺失项进行填补或者删除,得到清理后的数据。其中,数据缺失项的填补方法包含但不限于平均值填补法、众数填补法、依概率采样填补等;
S13:对上一步数据进行标准化操作,首先计算每个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项按照公式/>进项标准化,/>是原始数据项,/>是标准化后的数据项;
S14:对上一步得到的数据集按照一定比例划分成为训练集和测试集。
具体地,S2中建立隐变量模型,并使用上一步建立的数据集进行神经网络训练,其过程包括:
S21:构建隐变量模型,本隐变量模型包括顺序连接的特征提取器、变分层校准器和条件概率密度估计器,如图4所示;
具体地,上述特征提取器是对输入的数据集进行特征提取的神经网络架构,包括但不限于多层感知机、卷积神经网络、循环神经网络以及Transformer结构和他们的排列、组合;如采用单个特征提取器,其输出应为一组一维向量;如果采用多个特征提取器,其输出应当拼接成一组一维向量;特征提取器主要包含两个子模块Structure_1和Structure_2;子模块Structure_1负责从水泥颗粒粒径分布数据中提取特征,另一个子模块Structure_2负责从采集仪器工作相关参数中提取特征;之后将两组特征拼接在一起。更为具体地,特征提取器是指对水泥数据进行特征提取的神经网络架构,用于从水泥颗粒粒径分布数据中提取特征的神经网络是一维卷积神经网络,其结构组包含了第一卷积块、第二卷积块和第三卷积块。第一卷积块包含顺次连接的卷积层Conv_1,BatchNormal层BN_1,Relu激活函数层Relu_1;第二卷积块包含顺次连接的卷积层Conv_2,BatchNormal层BN_2,Relu激活函数层Relu_2;第三卷积块包含顺次连接的卷积层Conv_3,BatchNormal层BN_3,Relu激活函数层Relu_3;用于从采集仪器工作相关参数以及其他数据中提取特征的神经网络是全连接神经网络,其结构组包含了第一全连接块和第二全连接块。第一全连接块使用顺次连接的全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,第二全连接块使用顺次连接的全连接层FC_2,BatchNormal层BN_2,Relu激活函数层Relu_2,将本步得到的两个向量拼接在一起。
上述变分层校准器将上一步得到的结果映射成为一个具有固定维度的向量,其每个维度被参数化为一个概率分布,其输出是一个具有固定维度的向量。变分层包含两个全连接层,分别将上一步得到的向量输入,得到新的两组向量μ={μ1,μ2,μ3,μ4},σ={σ1,σ2,σ3,σ4}。本层的输出参数是z,计算公式为。其中,ε表示标准正态分布的一个采样。
上述条件概率密度估计器是一类神经网络架构,其具有一个或者多个子神经网络,包括但不限于多层感知机、卷积神经网络以及Transformer结构和他们的排列、组合;其技术特征为根据输入上一步得到的向量,能够输出水泥抗压强度的条件概率密度。
更为具体地,概率密度估计器包括三个并列的神经网络,分别是权重子网络、均值子网络和方差子网络,待混合的概率密度函数为4个,选择的概率密度函数为高斯核函数;三个并列的神经网络分别采用如下架构:并列的神经网络一即权重子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2,BatchNormal层BN_2,Softmax激活函数层Sm_2;并列的神经网络二即均值子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2;并列的神经网络三即方差子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2;
第一个并列的神经网络即权重子网络输出结果是所有4个概率函数的权重(/>,/>,/>,/>),第二个并列的神经网络即均值子网络输出结果是所有4个概率密度函数的参数(/>,/>,/>,/>),依次类推,第三个并列的神经网络即方差子网络输出结果是所有4个概率密度函数的参数(/>,/>,/>,/>);
S22:上述隐变量模型构建完成后,将数据集按照一定规则输入模型中,选择合适的损失函数作为优化的目标,使用梯度反向传播算法进行隐变量模型的训练;
示例性地,上述隐变量模型构建完成后,将数据集输入模型中,每一次输入16个样本,直到将所有数据输入为止;选择损失函数为,优化器选择Adam,学习率设置为0.001;每输入16个样本后需要使用梯度反向传播算法进行隐变量模型的训练;重复以上步骤450次。
具体地,S3:对模型进行校准,包括:
S31:将测试集输入到上一步训练完成的模型中,根据模型计算出的测试集中的水泥强度条件概率分布,计算每条数据的累计概率密度值,并将置信区间划分为[0,0.1],(0.1,0.2],……(0.9,1]十组,将累计概率密度值划分到置信区间,统计每个置信区间的样本个数,计算得到每个置信区间的频率,画出实际累计概率曲线与期望得到的累计概率曲线;其中,期望得到的累计概率曲线是一条从(0,0)到(1,1)坐标的对角线;
S32:根据实际累计概率曲线调节隐变量模型(调节方法包括但不限于网络节点数量、损失函数和概率密度函数数量等),对隐变量模型进行校准,尽可能实现实际累计概率曲线与对角线接近;
累计概率曲线是一种图形表示方法,通常用于统计学和概率论中,以可视化地展示随机变量的累积概率分布。这种曲线显示了在给定随机变量的概率分布中,小于或等于某个特定值的事件发生的累积概率。
在一个累计概率曲线中,横轴通常表示随机变量的可能取值,而纵轴表示累积概率。曲线从左下角开始,向右上角逐渐上升,最终趋近于1。具体来说:
当横轴上的值为最小可能取值时,累积概率曲线的值为0。
当横轴上的值等于随机变量的最大可能取值时,累积概率曲线的值为1。
曲线的形状和斜率表示了概率分布的性质。如果曲线越陡,意味着在较小的取值范围内概率密度较高。
S33:保存完成上一步校准步骤的模型。
具体地,S4:采集待观测水泥颗粒粒径分布、检测仪器的工作参数,并将采集到的数据输入上一步保存的模型中,得到其对应的抗压强度的条件概率密度函数,包括:
S41:采集待观测水泥颗粒粒径分布、检测仪器的工作参数;
S42:对采集到的数据进行格式化、清洗和归一化;
S43: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,如图2、图3展示了两个数据样本经过以上计算步骤后,水泥抗压强度条件概率密度函数;模型输出的所示;
对每条数据所有4个核函数进行加权求和:
经过加权求和之后,得到输入数据每个点处的混合函数,所述混合函数/>表示本条数据对应的抗压强度的条件概率密度函数。
实施例二
本实施例提出一种非参数化的水泥强度概率分布示例,相较于实施例一,其条件概率密度估计器能够直接输出条件概率密度,而非条件概率密度的参数,避免了后续根据参数计算条件概率密度函数的过程:
S1:本实施例采集对象为经过水泥粉磨后,水泥的颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据;使用采集到的数据制作数据集;
S2:建立隐变量模型,并使用上一步建立的数据集进行神经网络训练;此处神经网络是指一种能够利用上一步得到的数据集进行建模并直接输出水泥抗压强度条件概率分布的网络模型;
S3:对模型进行校准,满足要求后保存模型;
S4:采集待观测水泥的颗粒粒径分布、用于检测的仪器的工作参数数据,将采集到的数据输入上一步保存的模型中,得到水泥抗压强度的条件概率分布函数。
示例性地,S1:本发明采集对象为经过水泥粉磨后,水泥颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据;水泥颗粒粒径分布数据通过筛分法获得;水泥的抗压强度的测量需要遵守国家相关标准的规定。
示例性地,使用筛分法获得水泥颗粒粒径分布的步骤如下:
S101:准备筛分设备:获取一套标准筛网,包括具有3微米、10微米、16微米、32微米、45微米和65微米孔径的筛网和一个底部容器,以及一个振动筛分机。
S102:样品准备:从水泥样品中取得足够的代表性样品,并将其充分混合以确保样品的均匀性。
S103:将一定数量的样品称重,记录其质量为M,之后放入65微米孔径的筛网中。
S104:开启振动筛分机,使样品在筛网上进行筛分,持续筛分一段时间,确保样品充分通过筛网,使用底部容器盛放。
S105:关闭振动筛分机,取出每个筛网上的颗粒物料,将筛网上大于65微米的颗粒物料分别进行称量,并记录每个筛网上的颗粒质量m。
S106:将大于65微米的颗粒质量m除以总质量M,然后乘以100%,得到大于65微米的颗粒相对含量。
S107:更换比65微米孔径筛网小一级的筛网,将底部容器盛放的水泥样本放在更换后的晒网上,重复以上步骤直到用完所有准备的筛网。
示例性地,使用采集到的数据制作数据集,包括:
S111:对数据进行格式化。将水泥颗粒粒径分布合并成为样本数据,其对应的水泥抗压强度成为标签,将样本数据和对应的标签组合成格式化的数据,保存成CSV文件。
S112:对上一步的数据进行清理,对数据重复项目进行删除,对缺失项进行填补,得到清理后的数据。其中,数据缺失项的填补方法为众数填补法;
S113:对上一步数据进行标准化操作,首先计算每个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项按照公式/>进项标准化,/>是原始数据项,/>是标准化后的数据项;
S114:对上一步得到的数据集按照一定比例划分成为训练集和测试集;
示例性地,S2:建立隐变量模型,并使用上一步建立的数据集进行神经网络训练,其过程包括:
S21:构建隐变量模型,本隐变量模型包括顺序连接的特征提取器、变分层校准器和条件概率密度估计器;
S22:上述隐变量模型构建完成后,将数据集按照一定规则输入模型中,选择合适的损失函数作为优化的目标,使用梯度反向传播算法进行隐变量模型的训练;
示例性地,如图5所示,上述特征提取器是对输入的数据集进行特征提取的神经网络架构,包含了第一全连接块、第二全连接块和第三全连接块。其中第一全连接块使用顺次连接的全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1;第二全连接块使用顺次连接的全连接层FC_2,BatchNormal层BN_2,Relu激活函数层Relu_2;第三全连接块使用顺次连接的全连接层FC_3,BatchNormal层BN_3,Relu激活函数层Relu_3;
示例性地,在上述特征提取器之后加入一个变分层校准器,其包含两个全连接层,分别将上一步得到的向量输入,得到新的两组向量μ={μ1,μ2,μ3,μ4},σ={σ1,σ2,σ3,σ4}。其输出是一个具有固定维度的向量z,计算公式为。其中,ε表示标准正态分布的一个采样。
示例性地,上述条件概率密度估计器是一个神经网络,其结构包含了三个顺次连接的反卷积块。其中第一反卷积块包含了顺次连接的全连接层FC_1,上采样层UpS_1,卷积层Conv_1,BatchNormal层BN_1,Relu激活函数层Relu_1;第二反卷积块包含了顺次连接的上采样层UpS_2,卷积层Conv_2,BatchNormal层BN_2,Relu激活函数层Relu_2;第一反卷积块包含了顺次连接的上采样层UpS_3,卷积层Conv_3,其作用是对上一步得到的向量z进行非线性变换,其结果是一个向量,该向量即为水泥抗压强度的条件概率分布。
示例性地,上述隐变量模型构建完成后,将数据集输入模型中,每一次输入16个样本,直到将所有数据输入为止;选择损失函数为,优化器选择SGD,学习率设置为0.001;每输入8个样本后需要使用梯度反向传播算法进行隐变量模型的训练;重复以上步骤500次。
示例性地,S3:对模型进行校准,包括:
S31:将测试集输入到上一步训练完成的模型中,根据模型计算出的测试集中的水泥强度条件概率分布计算每条数据的累计概率密度值,并将置信区间划分为[0,0.1],(0.1,0.2],……(0.9,1]十组,将累计概率密度值划分到置信区间,统计每个置信区间的样本个数,计算得到每个置信区间的频率,画出实际累计概率曲线与期望得到的累计概率曲线;其中,期望得到的累计概率曲线是一条从(0,0)到(1,1)坐标的对角线;
S32:根据实际累计概率曲线调节模型每层的节点数量,对模型进行校准,尽可能实现实际累计概率曲线与对角线接近;
S33:保存完成上一步校准步骤的模型。
示例性地,S4:采集待观测水泥颗粒粒径分布、检测仪器的工作参数,并将采集到的数据输入上一步保存的模型中,得到其对应的抗压强度的条件概率密度函数,包括:
S41:采集待观测水泥颗粒粒径分布、检测仪器的工作参数;
S42:对采集到的数据进行格式化、清洗和归一化;
S43:将上一步得到的数据输入保存的模型中,得到估计结果;所述估计结果是该条数据对应的抗压强度的条件概率密度函数,如图6所示。
实施例三
本实施例提供了一种单头特征提取器的水泥抗压强度的参数化条件概率估计方法:
S1:本实施例采集对象为经过第三道工序后,水泥的颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据;使用采集到的数据制作数据集;
S2:建立隐变量模型,并使用上一步建立的数据集进行神经网络训练;此处神经网络是指一种能够利用上一步所得数据集进行建模并估计出水泥抗压强度条件概率分布的网络模型;
S3:对模型进行校准,满足要求后保存模型;
S4:采集待观测水泥的颗粒粒径分布、用于检测的仪器的工作参数数据,将采集到的数据输入上一步保存的模型中,得到水泥抗压强度的条件概率分布函数。
具体地,S1:采集对象为经过第三道工序后,水泥颗粒粒径分布、用于检测的仪器的工作参数和水泥的抗压强度等数据;
示例性地,水泥颗粒粒径分布数据使用衍射式在线粒度仪获取,其安装在水泥出磨后面的管道上;导出在线粒度仪的工作参数,保存在CSV文件中;
示例性地,为了保证模型在使用时的准确性,水泥的抗压强度需要严格按照相关国家规范要求进行试验并记录数据;
示例性地,对上一步的数据进行清理,对数据重复项目进行删除,对缺失项使用均值填补;
示例性地,对上一步数据进行标准化操作,首先计算每个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项按照公式/>进项标准化,/>是原始数据项,是标准化后的数据项;
示例性地,对上一步得到的数据集按照7:3的比例划分成为训练集和测试集;
进一步地,S2:建立隐变量模型,并使用上一步建立的数据集进行神经网络训练,此隐变量模型包括顺序连接的特征提取器、变分层校准器和条件概率密度估计器,如图7所示;
示例性地,将上一步得到的数据输入特征提取器,特征提取器包含顺次连接的三个卷积块和两个全连接块,负责从采集到的数据中提取特征。特征提取器是指对水泥数据进行特征提取的神经网络架构,用于从水泥颗粒粒径分布数据中提取特征的神经网络是一种深度神经网络。第一卷积块包含了顺次连接的卷积层Conv_1,BatchNormal层BN_1,Relu激活函数层Relu_1;第二卷积块包含了顺次连接的卷积层Conv_2,BatchNormal层BN_2,Relu激活函数层Relu_2;第三卷积块包含了顺次连接的卷积层Conv_3,BatchNormal层BN_3,Relu激活函数层Relu_3;第一卷全连接块包含了顺次连接的使用全连接层FC_4,BatchNormal层BN_4,Relu激活函数层Relu_4;第二全连接块包含了顺次连接的全连接层FC_5,BatchNormal层BN_5,Relu激活函数层Relu_5,经过本步计算后得到一个新的特征向量。
示例性地,在上述特征提取器之后加入一个变分层校准器,其包含两个全连接层,分别将上一步得到的向量输入,得到新的两组向量μ={μ1,μ2,μ3,μ4},σ={σ1,σ2,σ3,σ4}。本层的输出参数是z,计算公式为。其中,ε表示标准正态分布的一个采样。
概率密度估计器包括三个并列的神经网络,分别是权重子网络、均值子网络和方差子网络,待混合的概率密度函数为4个,选择的概率密度函数为高斯核函数;三个并列的神经网络分别采用如下架构:并列的神经网络一即权重子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2,BatchNormal层BN_2,Softmax激活函数层Sm_2;并列的神经网络二即均值子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2;并列的神经网络三即方差子网络使用全连接层FC_1,BatchNormal层BN_1,Relu激活函数层Relu_1,全连接层FC_2;
第一个并列的神经网络即权重子网络输出结果是所有4个概率函数的权重(/>,/>,/>,/>),第二个并列的神经网络即均值子网络输出结果是所有4个概率密度函数的参数(/>,/>,/>,/>),依次类推,第三个并列的神经网络即方差子网络输出结果是所有4个概率密度函数的参数(/>,/>,/>,/>);
示例性地,上述隐变量模型构建完成后,将数据集输入模型中,每一次输入16个样本,直到将所有数据输入为止;选择损失函数为,优化器选择Adam,学习率设置为0.001;每输入16个样本后需要使用梯度反向传播算法进行隐变量模型的训练;重复以上步骤450次。
具体地,S3:对模型进行校准,包括:
示例性地,将测试集输入到上一步训练完成的模型中,根据模型计算出的测试集中的水泥强度条件概率分布计算每条数据的累计概率密度值,并将置信区间划分为[0,0.1],(0.1,0.2],……(0.9,1]十组,将累计概率密度值划分到置信区间,统计每个置信区间的样本个数,计算得到每个置信区间的频率,画出实际累计概率曲线与期望得到的累计概率曲线;其中,期望得到的累计概率曲线是一条从坐标(0,0)到(1,1)的对角线;
示例性地,根据实际累计概率曲线调节模型(调节方法包括但不限于网络节点数量、损失函数和概率密度函数数量等),对模型进行校准,尽可能实现实际累计概率曲线与对角线接近;
示例性地,保存完成上一步校准步骤的模型。
具体地,S4:采集待观测水泥颗粒粒径分布、检测仪器的工作参数,并将采集到的数据输入上一步保存的模型中,得到其对应的抗压强度的条件概率密度函数,包括:
示例性地,采集待观测水泥颗粒粒径分布、检测仪器的工作参数;
示例性地,对采集到的数据进行格式化、清洗和归一化;
示例性地,将上一步得到的数据输入保存的模型中,得到估计结果;所述估计结果是该条数据对应的抗压强度的条件概率密度函数;
示例性地,对每条数据所有4个核函数进行加权求和:
经过加权求和之后,得到输入数据每个点处的混合函数,所述混合函数/>表示本条数据对应的抗压强度的条件概率密度函数。
实施例四
本实施例提供了一种基于隐变量模型的水泥强度条件概率分布估计系统。
一种基于隐变量模型的水泥强度条件概率分布估计系统,包括:
输出模块,其被配置为:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型训练模块,其被配置为:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型。
此处需要说明的是,上述输出模块和隐变量模型训练模块与实施例一、实施例二或实施例三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、实施例二或实施例三所公开的内容。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。
实施例五
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、实施例二或实施例三所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
实施例六
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、实施例二或实施例三所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
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 (5)
1.基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,包括:
获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型的训练过程包括:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型;
所述隐变量模型包括顺序连接的特征提取器、变分层校准器和条件概率密度估计器;
所述特征提取器包括用于提取水泥颗粒粒径分布和仪器的工作参数的神经网络,所述特征提取器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合;
所述变分层校准器用于将水泥颗粒粒径分布的特征和检测仪器的工作参数的特征映射为向量;
所述变分层校准器包括并列的第一全连接层、第二全连接层和融合层;在隐变量模型训练时,通过第一全连接层输出,第二全连接层输出/>计算公式为/>,融合层通过计算特征向量,其中,/>是原始数据项,/>是一个服从正态分布的随机数;在隐变量模型推理时,通过公式/>计算特征向;
所述条件概率密度估计器用于根据所述向量,映射出水泥抗压强度的条件概率分布;
所述条件概率密度估计器包括N个并列的K维神经网络;所述条件概率密度估计器的架构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合;
当N为1时,所述条件概率密度估计器直接输出的是水泥强度的概率密度,其计算公式为,z是变分层校准器计算得到的特征向量,/>表示该条件概率密度估计器学习到的映射关系,/>是水泥强度的概率密度;当N大于1时,所述条件概率密度估计器包括两类,第一类神经网络输出概率密度函数的权重,第二类神经网络输出概率密度函数的N-1类参数;所述第一类神经网络的结构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合,第一类神经网络的输出是表示权重的向量/>,且必须满足/>;第二类神经网络的结构采用全连接神经网络、卷积神经网络任选一种或使用二者的结合,其输出是N-1类待混合概率密度函数的参数,记作矩阵/>,矩阵中每一个元素/>表示第i类参数的第j项,每一类参数为K个,则水泥强度的概率密度计算公式为。
2.根据权利要求1所述的基于隐变量模型的水泥强度条件概率分布估计方法,其特征在于,所述水泥颗粒粒径分布通过筛分法、沉降法、显微镜法、电感计数法或光散射法获得。
3.基于权利要求1-2任一项所述方法的隐变量模型的水泥强度条件概率分布估计系统,其特征在于,包括:
输出模块,其被配置为:获取待观测水泥颗粒粒径分布和检测仪器的工作参数,采用已训练的隐变量模型,得到水泥抗压强度的条件概率分布;
隐变量模型训练模块,其被配置为:将历史水泥颗粒粒径分布和检测的仪器的工作参数作为样本数据、水泥的抗压强度作为标签,构建数据集,包括训练集和测试集;采用训练集训练隐变量模型,采用测试集对训练后的隐变量模型进行测试,得到水泥抗压强度的条件概率分布,以此计算每条数据的累计概率密度值,构建实际累计概率曲线,在实际累计概率曲线与目标曲线之间的差值在设定范围内时,得到已训练的隐变量模型。
4.一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如权利要求1-2中任一项所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
5.一种计算机设备,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如权利要求1-2中任一项所述的基于隐变量模型的水泥强度条件概率分布估计方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442782.XA CN117174219B (zh) | 2023-11-02 | 2023-11-02 | 基于隐变量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 |
---|---|---|---|
CN202311442782.XA CN117174219B (zh) | 2023-11-02 | 2023-11-02 | 基于隐变量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 |
---|---|
CN117174219A CN117174219A (zh) | 2023-12-05 |
CN117174219B true CN117174219B (zh) | 2024-02-02 |
Family
ID=88941559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442782.XA Active CN117174219B (zh) | 2023-11-02 | 2023-11-02 | 基于隐变量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) | CN117174219B (zh) |
Citations (10)
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 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112951349A (zh) * | 2021-03-24 | 2021-06-11 | 湖州槐坎南方水泥有限公司 | 基于dnn神经网络的硅酸盐水泥熟料的强度预测方法 |
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 |
CN115409257A (zh) * | 2022-08-25 | 2022-11-29 | 济南大学 | 一种基于条件密度估计模型的成绩分布预测方法及系统 |
CN115409826A (zh) * | 2022-09-19 | 2022-11-29 | 济南大学 | 一种水泥及其基材料元素含量非直接测度方法和系统 |
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 |
---|---|---|---|---|
CN113627518B (zh) * | 2021-08-07 | 2023-08-08 | 福州大学 | 利用迁移学习实现神经网络脑电情感识别模型的方法 |
CN114399021A (zh) * | 2021-12-01 | 2022-04-26 | 中南大学 | 一种基于多尺度信息的概率风速预测方法和系统 |
-
2023
- 2023-11-02 CN CN202311442782.XA patent/CN117174219B/zh active Active
Patent Citations (10)
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 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
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 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112951349A (zh) * | 2021-03-24 | 2021-06-11 | 湖州槐坎南方水泥有限公司 | 基于dnn神经网络的硅酸盐水泥熟料的强度预测方法 |
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 |
CN115409257A (zh) * | 2022-08-25 | 2022-11-29 | 济南大学 | 一种基于条件密度估计模型的成绩分布预测方法及系统 |
CN115409826A (zh) * | 2022-09-19 | 2022-11-29 | 济南大学 | 一种水泥及其基材料元素含量非直接测度方法和系统 |
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 (6)
Title |
---|
"Improving the Prediction of Cement Compressive Strength by Coupling of Dynamical Models";Tsamatsoulis, D (Tsamatsoulis, D.);《CHEMICAL AND BIOCHEMICAL ENGINEERING QUARTERLY》;第30卷(第02期);全文 * |
"Macro-Scale Strength and Microstructure of ZrW2O8 Cementitious Composites with Tunable Low Thermal Expansion";Ouyang, JS (Ouyang, Jianshu) ; Li, YB (Li, Yangbo) ; Chen, B (Chen, Bo) ; Huang, DH (Huang, Dahai);《 MATERIALS》;第11卷(第05期);全文 * |
"出厂水泥强度控制";张大康;《水泥》;全文 * |
Ouyang, JS (Ouyang, Jianshu) * |
基于遗传算法的水泥强度预测;李晓东, 杨波, 董吉文;《计算机工程与应用》(第12期);全文 * |
论混凝土强度计算式中水泥强度的取值及其与现行规范的关系;郑敬亭;《建筑技术》(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117174219A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711636A (zh) | 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法 | |
CN109299185B (zh) | 一种针对时序流数据的卷积神经网络提取特征的分析方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN109241669A (zh) | 一种自动建模方法、装置及其存储介质 | |
Ismail et al. | A hybrid model of self organizing maps and least square support vector machine for river flow forecasting | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
Munandar et al. | Fuzzy-Klassen model for development disparities analysis based on gross regional domestic product sector of a region | |
CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
JP2024524784A (ja) | 遠隔制御装置のための監視管理システム | |
CN104991037B (zh) | 一种用于煮糖结晶的数据测量方法和装置 | |
CN114565038A (zh) | 一种基于改进胶囊网络的智能电表故障诊断方法 | |
Aram et al. | Qualitative and quantitative cost estimation: a methodology analysis | |
CN115935283A (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
CN115238602A (zh) | 基于cnn-lstm的波致海床瞬态液化对再悬浮贡献率的预测方法 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN117174219B (zh) | 基于隐变量模型的水泥强度条件概率分布估计方法及系统 | |
CN114648060A (zh) | 基于机器学习的故障信号规范化处理及分类方法 | |
CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
CN110309948A (zh) | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 | |
Liu et al. | Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism | |
CN115062791A (zh) | 一种人工智能的解释方法、装置、设备及存储介质 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
CN115759291A (zh) | 一种基于集成学习的空间非线性回归方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |