CN117195163A - 基于混凝土配方的坍落度预测方法、装置及可读介质 - Google Patents
基于混凝土配方的坍落度预测方法、装置及可读介质 Download PDFInfo
- Publication number
- CN117195163A CN117195163A CN202311478000.8A CN202311478000A CN117195163A CN 117195163 A CN117195163 A CN 117195163A CN 202311478000 A CN202311478000 A CN 202311478000A CN 117195163 A CN117195163 A CN 117195163A
- Authority
- CN
- China
- Prior art keywords
- slump
- raw material
- concrete
- water
- mass
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002994 raw material Substances 0.000 claims abstract description 140
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 104
- 238000004519 manufacturing process Methods 0.000 claims abstract description 68
- 239000004568 cement Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000012417 linear regression Methods 0.000 claims description 26
- 239000000203 mixture Substances 0.000 claims description 26
- 238000009472 formulation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000004575 stone Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 239000003638 chemical reducing agent Substances 0.000 claims description 7
- 239000010881 fly ash Substances 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000008399 tap water Substances 0.000 claims description 5
- 235000020679 tap water Nutrition 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000003756 stirring Methods 0.000 abstract description 18
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000002156 mixing Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
本发明公开了一种基于混凝土配方的坍落度预测方法、装置及可读介质，涉及混凝土搅拌检测技术领域，该方法包括：获取原料配方数据，并提取原料特征；构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型；将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值，解决现有技术中混凝土坍落度需要大量人工实验标注、生产后离线测量的问题，提高混凝土搅拌站的生产效率。
Description
技术领域
本发明涉及混凝土搅拌检测技术领域，具体涉及一种基于混凝土配方的坍落度预测方法、装置及可读介质。
背景技术
混凝土配合比设计是混凝土生产过程中的重要环节。它是指根据混凝土的用途和使用环境，确定混凝土的强度、坍落度等性能指标，在满足混凝土性能要求和材料性质的前提下，通过试验和计算设计出混凝土所需的水泥、骨料、掺合料和水的比例。
混凝土坍落度是混凝土生产过程中一个重要的指标。一般来说，混凝土的坍落度取决于混凝土的配方和原材料的质量。在实际生产过程中，由于骨料含水率的波动导致实际单位方量水质量和设计配合比不符，造成混凝土质量不佳。通常由生产控制人员目测混凝土搅拌状态判断实际坍落度，从而进行配方修正操作，以满足工程施工要求。例如当混凝土中的水量过多时，混凝土的坍落度会增大，而强度相对较低。此时可以降低混凝土中的水泥用量，或者增加掺合料的使用量，来修正混凝土的坍落度和强度。而修改后的配方与设计并不相符，因此实际的坍落度也未知，通常需要混凝土出锅后进行取样实测，如此操作费时费力，增加了混凝土生产的成本和时间成本。
目前现有技术中提到的基于神经网络法预测混凝土坍落度的方法中需要采用设计配方搅拌制作混凝土，而后再按GB/T 50080—2002《普通混凝土拌合物性能试验方法标准》测定坍落度。对每种配方搅拌一次并经过实验测量，以此来制作出坍落度标签以及训练样本，因此需要大量人工实验标注、生产后离线测量，该训练样本的采集过程费时费力，成本较高。
因此需要一种可以通过实际原料配方估计混凝土坍落度的方法来提高混凝土搅拌站的生产效率和质量水平。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于混凝土配方的坍落度预测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题，提供一种根据历史原料配方数据判断实际生产中混凝土坍落度的方法，可以实现在实际配方未进行实验确定混凝土性能指标的情况下，在混凝土生产搅拌过程中推测混凝土的坍落度，用于判断该混凝土是否达到工程施工的要求。
第一方面，本发明提供了一种基于混凝土配方的坍落度预测方法，包括以下步骤：
获取混凝土生产过程中的原料配方数据，根据原料配方数据提取原料特征，原料特征为每立方混凝土所使用的每种原料质量；
构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，原料特征与坍落度标签构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型；
将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
作为优选，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，具体包括：
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一单位方量水质量、第二单位方量水质量和第三单位方量水质量；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与坍落度偏差下边界和坍落度中位值相对应的第一单位方量水质量和第二单位方量水质量构建第一线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与坍落度中位值和坍落度偏差上边界相对应的第二单位方量水质量和第三单位方量水质量构建第二线性回归方程；
根据第一线性回归方程和第二线性回归方程确定每个原料配方数据中的单位方量水质量所对应的坍落度标签；或者，
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一水灰比分位数、第二水灰比分位数和第三水灰比分位数；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与坍落度偏差下边界和坍落度中位值相对应的第一水灰比分位数和第二水灰比分位数构建第三线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与坍落度中位值和坍落度偏差上边界相对应的第二水灰比分位数和第三水灰比分位数构建第四线性回归方程；
根据第三线性回归方程和第四线性回归方程确定每个原料配方数据中的水灰比所对应的坍落度标签。
作为优选，原料特征包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量。
作为优选，单位方量水质量以及水灰比中的水质量根据自来水用量和骨料含水量计算得到。
作为优选，坍落度预测模型采用KNN模型，KNN模型中K值设置为6，并使用欧氏距离进行度量，通过距离的倒数来设置权重参数。
作为优选，坍落度预测模型采用全连接神经网络，全连接神经网络包括输入层、第一隐藏层、第二隐藏层和输出层，第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，输出层为带有线性激活函数。
作为优选，全连接神经网络训练过程中的优化器采用Adam优化器，损失函数使用平均绝对误差评价，并加入早停机制。
第二方面，本发明提供了一种基于混凝土配方的坍落度预测装置，包括：
特征提取模块，被配置为获取混凝土生产过程中的原料配方数据，根据原料配方数据提取原料特征，原料特征为每立方混凝土所使用的每种原料质量；
模型构建模块，被配置为构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，原料特征与坍落度标签构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型；
预测模块，被配置为将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的基于混凝土配方的坍落度预测方法在模型训练时只需要通过对历史生产过程中的原料配方数据的实际原料使用量进行特征提取，并且根据单位方量水质量或水灰比估计出坍落度标签，无需进行人工坍落度实验，节省人力物力。
（2）本发明提出的基于混凝土配方的坍落度预测方法中的坍落度预测模型可在混凝土生产搅拌过程中进行预测坍落度，无需出锅后进行取样并在实验室测量，可以实时预测得到坍落度，节约时间，也能进一步根据坍落度的预测值实时调整配方以及对应的坍落度。
（3）本发明提出的基于混凝土配方的坍落度预测方法解决了现有技术中混凝土坍落度需要大量人工实验标注、生产后离线测量的问题，提高混凝土搅拌站的生产效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的基于混凝土配方的坍落度预测方法的流程示意图；
图3为本申请的实施例一的基于混凝土配方的坍落度预测方法的C30强度150±30mm塌落度样本单位方量水质量分布的示意图；
图4为本申请的实施例一的基于混凝土配方的坍落度预测方法的经训练的坍落度预测模型的预测结果和实际偏差的对比图；
图5为本申请的实施例二的基于混凝土配方的坍落度预测方法的坍落度预测模型的结构示意图；
图6为本申请的实施例的基于混凝土配方的坍落度预测装置的示意图；
图7是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于混凝土配方的坍落度预测方法或基于混凝土配方的坍落度预测装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于混凝土配方的坍落度预测方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，基于混凝土配方的坍落度预测装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于混凝土配方的坍落度预测方法，包括以下步骤：
S1，获取混凝土生产过程中的原料配方数据，根据原料配方数据提取原料特征，原料特征为每立方混凝土所使用的每种原料质量。
在具体的实施例中，原料特征包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量。
具体的，从搅拌原料计量设备获取实际生产配合比，即实际原料使用量，通常包含：各种不同粒径的骨料（粗骨料石子、细骨料砂）、掺合料（粉煤灰、矿渣粉、膨胀剂、减水剂等）、水泥和水。在混凝土生产搅拌时在搅拌原料计量设备读取原料配方数据，提取原料配方数据对应的原料特征。具体可使用每立方混凝土原料质量作为原料特征（单位Kg/m3），包括单位方量5-1石子（粒径5-10mm）质量、单位方量1-2石子（粒径10-20mm）质量、单位方量1-3石子（粒径16-31.5mm）质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量，其中单位方量水质量或水灰比中的水质量根据自来水用量和骨料含水量计算得到。
S2，构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，原料特征与坍落度标签构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型。
在具体的实施例中，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，具体包括：
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一单位方量水质量、第二单位方量水质量和第三单位方量水质量；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与坍落度偏差下边界和坍落度中位值相对应的第一单位方量水质量和第二单位方量水质量构建第一线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与坍落度中位值和坍落度偏差上边界相对应的第二单位方量水质量和第三单位方量水质量构建第二线性回归方程；
根据第一线性回归方程和第二线性回归方程确定每个原料配方数据中的单位方量水质量所对应的坍落度标签；或者，
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一水灰比分位数、第二水灰比分位数和第三水灰比分位数；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与坍落度偏差下边界和坍落度中位值相对应的第一水灰比分位数和第二水灰比分位数构建第三线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与坍落度中位值和坍落度偏差上边界相对应的第二水灰比分位数和第三水灰比分位数构建第四线性回归方程；
根据第三线性回归方程和第四线性回归方程确定每个原料配方数据中的水灰比所对应的坍落度标签。
在具体的实施例中，坍落度预测模型采用KNN模型，KNN模型中K值设置为6，并使用欧氏距离进行度量，通过距离的倒数来设置权重参数。
在具体的实施例中，坍落度预测模型采用全连接神经网络，全连接神经网络包括输入层、第一隐藏层、第二隐藏层和输出层，第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，输出层为带有线性激活函数。
在具体的实施例中，全连接神经网络训练过程中的优化器采用Adam优化器，损失函数使用平均绝对误差评价，并加入早停机制。
本发明的原理是：由于品控人员的生产控制以及原料波动的特性，大部分生产都满足坍落度偏差要求（如±30mm），实际单位方量水质量分布特征呈现为正态分布，对应的坍落度也满足偏差内的正态分布。因此可以根据历史生产过程的原料配方数据的特征估计出坍落度。
具体的，对历史生产数据中不同强度等级、不同坍落度的样本集合分别提取实际单位方量水质量分布，分布特征呈现为正态分布，根据该分布所对应的坍落度偏差要求对坍落度标签赋值，单位方量水质量偏多的样本坍落度偏大，单位方量水质量偏少的样本坍落度偏小。
从历史生产过程中原料配方的使用量数据中提取原料特征，使用每立方混凝土原料质量作为模型输入特征（单位Kg/m3），再根据单位方量水质量估计的坍落度标签，使用基于机器学习或深度学习的坍落度预测模型对相应的原料特征进行学习，得到经训练的坍落度预测模型。
S3，将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
具体的，在混凝土生产搅拌时，将提取的原料特征输入经训练的坍落度预测模型，获取该盘混凝土对应的坍落度的预测值。
下面采用具体的实施例进行说明。
实施例一
获取搅拌站2021年至2023年所有生产订单信息以及实际原料使用量数据。其中生产订单中混凝土强度包含C15、C20、C25、C30、C35、C40、C45、C50，坍落度要求包含120±30mm、150±30mm、180±30mm。该坍落度为订单要求的坍落度，出锅坍落度±30mm以内都算合格，但实际上坍落度会因为骨料含水率的波动而变化，而这个骨料含水率的测量就是目前行业的痛点，导致生产不好控制，出锅坍落度会有波动，订单标的不准确。通过调整单位方量水质量在一定程度上可以调整坍落度的大小。
参考图3，以C30强度的混凝土为例，单位方量水质量调整经验为每增加5kg/m3，坍落度上升20mm。大致确定出单位方量水质量分布在15%分位数到85%分位数之间的最大差值不超过15Kg，对应±30mm坍落度。所以对于订单要求坍落度为150±30mm的样本，将单位方量水质量分布在15%分位数172.87Kg/m3对应的坍落度设置为坍落度偏差下边界120mm，将单位方量水质量分布在中位数179.17Kg/m3对应的坍落度中位数设置为150mm，将单位方量水质量分布在85%分位数186.59Kg/m3对应的坍落度设置为坍落度偏差上边界180mm，根据坍落度偏差边界为其余样本以线性回归的方式赋值，以此类推为每种抗压强度等级、每种坍落度的样本赋予坍落度标签，其中单位方量水质量需要结合自来水用量和骨料含水量计算得出。具体的，以坍落度偏差下边界及其对应的单位方量水质量和坍落度中位数及其对应的单位方量水质量这两个点位可确定一组一元一次方程，同样，以坍落度中位数及其对应的单位方量水质量和坍落度偏差上边界及其对应的单位方量水质量这两个点位可确定另一组一元一次方程，根据这两组一元一次方程便可计算得到所有不同的单位方量水质量所对应的坍落度，因此可根据不同原料配方，计算出对应的单位方量水质量，并估计出对应的坍落度标签。
然后从历史生产配方的实际原料使用量数据中提取原料特征，使用每方混凝土原料质量作为模型输入特征（单位Kg/m3），包括单位方量5-1石子（粒径5-10mm）质量、单位方量1-2石子（粒径10-20mm）质量、单位方量1-3（粒径16-31.5mm）石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量。
数据集筛选在混凝土生产搅拌过程中原料配方未作调整的样本作为训练数据集，和原始配方作比较可得出未进行调整的生产单，这意味着原料波动较小，混凝土质量较稳定，有利于模型学习规律，再根据单位方量水质量估计得到的坍落度标签，使用KNN模型（K最近邻回归算法）对相应的原料特征进行学习，K值设置为6，使用欧氏距离进行度量，通过距离的倒数来设置权重参数。
最后在混凝土生产搅拌时读取原料配方，提取原料特征输入经训练的KNN模型，获取该盘混凝土的坍落度的预测值。
参考表1，对一辆砼罐车的3盘预拌混凝土原料特征进行预测得到的平均值和实验测得坍落度进行对比，可以评价经训练的坍落度预测模型预测的准确性。
表1 预测模型部分测试结果：
参考图4，经训练的坍落度预测模型的预测结果和实际偏差在±30mm以内的样本占比91.3%，基本满足工地需求。
实施例二
获取搅拌站2021年至2023年所有生产订单信息以及实际原料使用量数据。其中生产订单中混凝土强度包含C15、C20、C25、C30、C35、C40、C45、C50，坍落度要求包含120±30mm、150±30mm、180±30mm。
以各强度等级对应的坍落度水灰比分布在15%分位数到85%分位数之间作为坍落度偏差边界（如±30mm）。所以对于订单要求150±30mm坍落度的样本，将水灰比分布在15%分位数对应的坍落度设置为坍落度偏差下边界120mm，将水灰比分布在中位数对应的坍落度设置为150mm，将水灰比分布在85%分位数对应的坍落度设置为坍落度偏差上边界180mm，根据坍落度偏差边界为其余样本以线性回归的方式赋值，以此类推为每种抗压强度等级、每种坍落度的样本赋予坍落度标签。其中水灰比中的用水量需要结合自来水用量和骨料含水量计算得出。具体的，以坍落度偏差下边界及其对应的水灰比和坍落度中位数及其对应的水灰比这两个点位可确定一组一元一次方程，同样，以坍落度中位数及其对应的水灰比和坍落度偏差上边界及其对应的水灰比这两个点位可确定另一组一元一次方程，根据这两组一元一次方程便可计算得到所有不同的水灰比所对应的坍落度，因此可根据不同原料配方，计算出对应的水灰比，并估计出对应的坍落度标签。
然后从历史生产配方的实际原料使用量数据中提取原料特征，使用每方混凝土原料质量作为模型输入特征（单位Kg/m3），包括单位方量5-1石子（粒径5-10mm）质量、单位方量1-2石子（粒径10-20mm）质量、单位方量1-3（粒径16-31.5mm）石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量。
数据集筛选在混凝土生产搅拌过程中原料配方未作调整的样本作为训练数据集，和原始配方作比较可得出未进行调整的生产单，这意味着原料波动较小，混凝土质量较稳定，有利于模型学习规律。再根据水灰比估计的坍落度标签，使用神经网络模型对相应的原料特征进行学习。网络结构为全连接神经网络，参考图5，该全连接神经网络包括输入层、第一隐藏层、第二隐藏层和输出层。两层隐藏层的神经元数量分别为32、16，并且隐藏层的激活函数设置为ReLU，最后连接一个带有线性激活函数的输出层对神经元的加权结果进行回归。优化器选择Adam优化器，损失函数使用平均绝对误差评价，初始学习率为0.001并设置衰减指数为0.98、衰减速度为1的固定步长衰减策略，训练时加入早停机制，当连续20个epoch验证集损失没有改善时停止训练，并保存最优模型。
最后在混凝土生产搅拌时读取原料配方，提取原料特征输入经训练的神经网络模型，获取该盘混凝土的坍落度的预测值。
本发明在实际使用时，要求搅拌站有对原料实际用量精确计量的能力以及需要搅拌站的历史订单数据和实际原料使用量的记录，并且要求搅拌站在历史生产任务中有较好的生产坍落度控制，以保证本发明对坍落度标签进行赋值的准确性。
以上步骤S1-S3并不仅仅代表步骤之间的顺序，而是步骤符号表示。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种基于混凝土配方的坍落度预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于混凝土配方的坍落度预测装置，包括：
特征提取模块1，被配置为获取混凝土生产过程中的原料配方数据，根据原料配方数据提取原料特征，原料特征为每立方混凝土所使用的每种原料质量；
模型构建模块2，被配置为构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，原料特征与坍落度标签构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型；
预测模块3，被配置为将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机装置700包括中央处理单元（CPU）701和图形处理器（GPU）702，其可以根据存储在只读存储器（ROM）703中的程序或者从存储部分709加载到随机访问存储器（RAM）704中的程序而执行各种适当的动作和处理。在RAM 704中，还存储有装置700操作所需的各种程序和数据。CPU701、GPU702、ROM 703以及RAM 704通过总线705彼此相连。输入/输出（I/O）接口706也连接至总线705。
以下部件连接至I/O接口706：包括键盘、鼠标等的输入部分707；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分708；包括硬盘等的存储部分709；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器711上，以便于从其上读出的计算机程序根据需要被安装入存储部分709。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分710从网络上被下载和安装，和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元（CPU）701和图形处理器（GPU）702执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，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，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以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，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取混凝土生产过程中的原料配方数据，根据原料配方数据提取原料特征，原料特征为每立方混凝土所使用的每种原料质量；构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，原料特征与坍落度标签构成训练数据，采用训练数据对坍落度预测模型进行训练，得到经训练的坍落度预测模型；将原料特征输入经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于混凝土配方的坍落度预测方法，其特征在于，包括以下步骤：
获取混凝土生产过程中的原料配方数据，根据所述原料配方数据提取原料特征，所述原料特征为每立方混凝土所使用的每种原料质量；
构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，所述原料特征与所述坍落度标签构成训练数据，采用所述训练数据对所述坍落度预测模型进行训练，得到经训练的坍落度预测模型；
将所述原料特征输入所述经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
2.根据权利要求1所述的基于混凝土配方的坍落度预测方法，其特征在于，所述根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，具体包括：
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与所述坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一单位方量水质量、第二单位方量水质量和第三单位方量水质量；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与所述坍落度偏差下边界和坍落度中位值相对应的第一单位方量水质量和第二单位方量水质量构建第一线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与所述坍落度中位值和坍落度偏差上边界相对应的第二单位方量水质量和第三单位方量水质量构建第二线性回归方程；
根据所述第一线性回归方程和第二线性回归方程确定每个原料配方数据中的单位方量水质量所对应的坍落度标签；或者
获取每种抗压强度混凝土所对应的坍落度偏差下边界、坍落度中位值和坍落度偏差上边界以及与所述坍落度偏差下边界、坍落度中位值和坍落度偏差上边界相对应的第一水灰比分位数、第二水灰比分位数和第三水灰比分位数；
根据每种抗压强度混凝土所对应的坍落度偏差下边界和坍落度中位值以及与所述坍落度偏差下边界和坍落度中位值相对应的第一水灰比分位数和第二水灰比分位数构建第三线性回归方程；
根据每种抗压强度混凝土所对应的坍落度中位值和坍落度偏差上边界以及与所述坍落度中位值和坍落度偏差上边界相对应的第二水灰比分位数和第三水灰比分位数构建第四线性回归方程；
根据所述第三线性回归方程和第四线性回归方程确定每个原料配方数据中的水灰比所对应的坍落度标签。
3.根据权利要求1所述的基于混凝土配方的坍落度预测方法，其特征在于，所述原料特征包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量。
4.根据权利要求1所述的基于混凝土配方的坍落度预测方法，其特征在于，所述单位方量水质量以及水灰比中的水质量根据自来水用量和骨料含水量计算得到。
5.根据权利要求1所述的基于混凝土配方的坍落度预测方法，其特征在于，所述坍落度预测模型采用KNN模型，所述KNN模型中K值设置为6，并使用欧氏距离进行度量，通过距离的倒数来设置权重参数。
6.根据权利要求1所述的基于混凝土配方的坍落度预测方法，其特征在于，所述坍落度预测模型采用全连接神经网络，所述全连接神经网络包括输入层、第一隐藏层、第二隐藏层和输出层，所述第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，所述输出层为带有线性激活函数。
7.根据权利要求6所述的基于混凝土配方的坍落度预测方法，其特征在于，所述全连接神经网络训练过程中的优化器采用Adam优化器，损失函数使用平均绝对误差评价，并加入早停机制。
8.一种基于混凝土配方的坍落度预测装置，其特征在于，包括：
特征提取模块，被配置为获取混凝土生产过程中的原料配方数据，根据所述原料配方数据提取原料特征，所述原料特征为每立方混凝土所使用的每种原料质量；
模型构建模块，被配置为构建坍落度预测模型，根据历史生产过程中不同抗压强度的混凝土的原料配方数据中的单位方量水质量或水灰比分布范围制作坍落度标签，将历史生产过程中不同抗压强度的混凝土的原料配方数据中的每立方混凝土所使用的每种原料质量作为原料特征，所述原料特征与所述坍落度标签构成训练数据，采用所述训练数据对所述坍落度预测模型进行训练，得到经训练的坍落度预测模型；
预测模块，被配置为将所述原料特征输入所述经训练的坍落度预测模型，预测得到对应的坍落度的预测值。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478000.8A CN117195163B (zh) | 2023-11-08 | 2023-11-08 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478000.8A CN117195163B (zh) | 2023-11-08 | 2023-11-08 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195163A true CN117195163A (zh) | 2023-12-08 |
| CN117195163B CN117195163B (zh) | 2024-04-09 |
Family
ID=88989177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311478000.8A Active CN117195163B (zh) | 2023-11-08 | 2023-11-08 | 基于混凝土配方的坍落度预测方法、装置及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195163B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634705A (zh) * | 2023-12-13 | 2024-03-01 | 中交第二航务工程局有限公司 | 一种基于大数据的新拌混凝土工作性能预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
| CN114580299A (zh) * | 2022-03-11 | 2022-06-03 | 华中农业大学 | 一种混凝土抗压能力预测方法、装置、设备及存储介质 |
-
2023
- 2023-11-08 CN CN202311478000.8A patent/CN117195163B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN114266989A (zh) * | 2021-11-15 | 2022-04-01 | 北京建筑材料科学研究总院有限公司 | 一种混凝土拌合物和易性测定方法和装置 |
| CN114580299A (zh) * | 2022-03-11 | 2022-06-03 | 华中农业大学 | 一种混凝土抗压能力预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郭奇;李悦;: "自密实混凝土工作性能和强度的BP神经网络预测", 国外建材科技, no. 06, 15 December 2007 (2007-12-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634705A (zh) * | 2023-12-13 | 2024-03-01 | 中交第二航务工程局有限公司 | 一种基于大数据的新拌混凝土工作性能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195163B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117195163B (zh) | 基于混凝土配方的坍落度预测方法、装置及可读介质 | |
| CN110263431B (zh) | 一种混凝土28d抗压强度预测方法 | |
| Pargar et al. | Determination of chloride content in cementitious materials: from fundamental aspects to application of Ag/AgCl chloride sensors | |
| Assaad | Influence of recycled aggregates on dynamic/static stability of self-consolidating concrete | |
| Koenig et al. | Main considerations for the determination and evaluation of the acid resistance of cementitious materials | |
| CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
| CN114611844A (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
| CN112684156A (zh) | 一种基于深度学习的混凝土强度预测方法 | |
| Martinie et al. | Fiber orientation during casting of UHPFRC: electrical resistivity measurements, image analysis and numerical simulations | |
| WO2023168899A1 (zh) | 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质 | |
| CN107133446A (zh) | 一种预测超早强混凝土抗压强度的方法 | |
| CN115510754A (zh) | 一种水泥混凝土性能预测和控制的方法及系统 | |
| CN117195083B (zh) | 基于电流曲线的坍落度预测方法、装置及可读介质 | |
| CN117252078A (zh) | 一种基于机器学习的砂浆流变特性预测方法 | |
| Sarkar | Advanced materials management for Indian construction industry by application of statistical process control tools | |
| CN111735938A (zh) | 预拌混凝土质量监控预警方法和系统 | |
| Guo et al. | Multi-factor model to predict surface chloride concentration of concrete based on fuzzy logic system | |
| CN115144571A (zh) | 施工现场混凝土强度检测模型建立方法、装置、设备及介质 | |
| CN115271450A (zh) | 主焦煤性价比评估方法、装置、设备及存储介质 | |
| Al-Martini et al. | Genetic algorithm rheological equations for cement paste | |
| Zhenchao | Discussion on problem of standard deviation of concrete strength | |
| CN117390586B (zh) | 基于多模态数据的坍落度监测方法、装置及可读介质 | |
| Dhanpat et al. | Estimation of the effect of bio-admixtures on concrete workability using linear regression and support vector machines | |
| CN104503396A (zh) | 一种多金属平衡产率的算法 | |
| CN117388374B (zh) | 一种建筑用混凝土的强度检测方法及系统 |
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 |