CN118095111B - 一种园区固废再生骨料的组合预处理及应用方法 - Google Patents
一种园区固废再生骨料的组合预处理及应用方法 Download PDFInfo
- Publication number
- CN118095111B CN118095111B CN202410522537.8A CN202410522537A CN118095111B CN 118095111 B CN118095111 B CN 118095111B CN 202410522537 A CN202410522537 A CN 202410522537A CN 118095111 B CN118095111 B CN 118095111B
- Authority
- CN
- China
- Prior art keywords
- pretreatment
- recycled aggregate
- performance index
- preprocessing
- park
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000002910 solid waste Substances 0.000 title claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000002203 pretreatment Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000000540 analysis of variance Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003426 chemical strengthening reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 25
- 238000005457 optimization Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000011449 brick Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000011083 cement mortar Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
- C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
- C04B18/00—Use of agglomerated or waste materials or refuse as fillers for mortars, concrete or artificial stone; Treatment of agglomerated or waste materials or refuse, specially adapted to enhance their filling properties in mortars, concrete or artificial stone
- C04B18/04—Waste materials; Refuse
- C04B18/16—Waste materials; Refuse from building or ceramic industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Ceramic Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Civil Engineering (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Structural Engineering (AREA)
- Molecular Biology (AREA)
- Organic Chemistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明属于数据处理技术领域，尤其涉及一种园区固废再生骨料的组合预处理及应用方法，包括：S1：收集再生骨料的不同预处理方式以及对应的混凝土性能指标数据，S2：对收集到的预处理方式及性能指标数据组合进行预处理，且在预处理后划分为训练集和测试集；S3：构建神经网络模型，S4：使用训练集对神经网络模型进行训练，S5：使用测试集对训练好的模型进行评估，S6：输入新的再生骨料预处理方式数据到训练结束的神经网络模型中并输出对应的混凝土性能指标的预测结果；S7：根据预测结果调整园区固废再生骨料的预处理方法。本发明可以根据预测结果有针对性地选择最佳的预处理组合，有效降低资源浪费，提高混凝土的性能，使其更适合各种工程应用。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及一种园区固废再生骨料的组合预处理及应用方法。
背景技术
园区固废再生骨料是指从工业园区废弃的混凝土、砖块等建筑垃圾中回收的再生利用材料，这些再生骨料经过合适的处理，可以作为混凝土的原料之一，有助于减少对天然资源的需求，降低施工成本，同时对环境产生的影响也较小。
常见的园区固废再生骨料预处理方式包括物理强化方法、化学强化方法和预湿处理：
物理强化方法：利用外荷载作用下再生集料与外界或自身之间相互摩擦，磨掉表面的水泥砂浆，以达到强化目的，常见的物理强化方法有改进的机械研磨法、选择性加热和研磨法、空气加热研磨法等。
化学强化方法：通过化学浆液对再生集料进行浸渍、淋洗、干燥等处理，用以填充再生集料的孔隙或粘合微细裂纹，常用的化学浆液包括聚合物、有机防水剂、纯水泥浆等。
预湿处理：将再生骨料预先湿润，使其达到饱和面干状态，以提高再生骨料与混凝土黏结性能。
尽管园区固废再生骨料在建筑行业中具有潜在的应用前景，但目前仍然面临着一些挑战和问题：
由于再生骨料的来源、预处理方式等因素的多样性，导致使用再生骨料的混凝土性能存在较大波动，难以控制；目前缺乏一个精确的模型来预测不同再生骨料预处理方式对混凝土性能指标的影响，施工方在选择预处理方式时缺乏科学依据，常常依靠经验；若没有有效的预测和优化方法，可能会导致资源浪费和成本增加，试验性的不断尝试可能会消耗大量的时间和资源。
发明内容
本发明中提供了一种园区固废再生骨料的组合预处理及应用方法，可有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：一种园区固废再生骨料的组合预处理方法，包括：
收集再生骨料的不同预处理方式以及对应的混凝土性能指标数据，所述性能指标数据至少包括初始坍落度、30分钟经时坍落度损失、抗压强度；
对收集到的所述预处理方式及性能指标数据组合进行预处理，且在预处理后划分为训练集和测试集；
构建神经网络模型，所述神经网络模型输入层的节点数等于所述预处理方式的数量，输出层的节点数与所述性能指标数据的类型数量相等；
使用训练集对所述神经网络模型进行训练，在训练过程中学习预处理方式与混凝土性能指标之间的关系；
使用测试集对训练好的模型进行评估，且根据评估结果调整所述神经网络模型的隐藏层结构及数量；
当所述神经网络模型训练及评估完成后，输入新的再生骨料预处理方式，且输出对应的混凝土性能指标的预测结果；
根据所述预测结果调整园区固废再生骨料的预处理方法。
进一步的，对收集到的所述预处理方式及性能指标数据进行预处理，包括：
对收集到的数据进行清洗、转换及标准化；
根据收集到的数据中的预处理方式，将数据分成不同的组；
确定方差分析的假设，包括独立性假设、正态性假设和方差齐性假设；
计算每个组的平均值和总体平均值、组内平方和、组间平方和、组内均方、组间均方和F值；
根据F分布表，查找临界F值，并判断是否接受原假设，若计算得到的F值大于临界F值，则拒绝原假设，判定不同预处理方式对混凝土性能指标的影响显著，若计算得到的F值小于等于临界F值，则接受原假设，判定不同预处理方式对混凝土性能指标的影响不显著。
进一步的，根据是否接受原假设的判定结果，调节所述隐藏层数量，以及每个所述隐藏层内的节点数量。
进一步的，调节所述隐藏层数量，以及每个所述隐藏层内的节点数量，包括：
设定基础隐藏层数量，和每层的基础节点数；
当方差分析结果拒绝原假设时，在所述基础隐藏层数量的基础上增加第一设定数量的隐藏层，以及，在所述基础节点数的基础上增加第二设定数量的节点；
当方差分析结果接受原假设时，在所述基础隐藏层数量的基础上减少所述第一设定数量的隐藏层，以及，在所述基础节点数的基础上减少所述第二设定数量的节点。
进一步的，当方差分析结果拒绝原假设时，所述第一设定数量和第二设定数量之间的计算公式为：
；
；
其中，x为所述第一设定数量，F为所述F值，Fc为所述临界F值，δ为所述F值和所述临界F值的差异程度，y为所述第二设定数量。
进一步的，构建所述神经网络模型的过程包括：
确定神经网络模型的基本结构，根据实验和验证选择合适的隐藏层和节点数；
根据具体的任务和数据特点确定激活函数、损失函数和优化算法；
对构建完成的模型参数进行初始化。
进一步的，构建所述神经网络模型的过程还包括模型监控与更新，监控模型稳定性并对模型参数进行调整。
进一步的，所述损失函数包括多任务学习中的联合损失函数和加权组合损失函数中的一种。
进一步的，所述激活函数包括ReLU，LeakyReLU，ELU和Softmax中的至少一种。
本发明还提供一种园区固废再生骨料的应用方法，所述园区固废再生骨料通过如上述的园区固废再生骨料的组合预处理方法获得，所述园区固废再生骨料用于路面路基工程用混凝土配制。
通过本发明的技术方案，可实现以下技术效果：
本发明中，设计了一种基于神经网络模型的园区固废再生骨料的预处理方法，利用大量的组合数据来学习再生骨料预处理方式与混凝土性能之间的复杂关系，为施工方提供科学、准确的预测，进而指导实际应用中的预处理方法的选择及调整；通过根据预测结果调整园区固废再生骨料的预处理方法，降低混凝土性能的波动性，提高混凝土的稳定性；因为可以根据预测结果有针对性地选择最佳的预处理组合，有效降低资源浪费，提高混凝土的性能，使其更适合各种工程应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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为本发明园区固废再生骨料的组合预处理方法的流程图；
图2为本发明对收集到的预处理方式及性能指标数据进行预处理的流程图；
图3为本发明构建神经网络模型过程的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，一种园区固废再生骨料的组合预处理方法，包括：
S1：收集再生骨料的不同预处理方式以及对应的混凝土性能指标数据，性能指标数据至少包括初始坍落度、30分钟经时坍落度损失、抗压强度；首先需要确定所涉及的再生骨料来源，例如工业园区废弃的混凝土、砖块等建筑垃圾，针对这些再生骨料，收集各种预处理方式的数据，包括但不限于物理强化方法、化学强化方法和预湿处理，对于每种预处理方式，需要记录相应的混凝土性能指标数据，这些性能指标数据至少应包括初始坍落度、30分钟经时坍落度损失和抗压强度，这些数据可以通过实验测试得到，每一个数据点都需要详细记录其对应的预处理方式、实验条件以及测试结果，实验条件需要严格控制以保证数据的准确性和可比性。
S2：对收集到的预处理方式及性能指标数据组合进行预处理，且在预处理后划分为训练集和测试集；在收集完再生骨料的不同预处理方式及对应的混凝土性能指标数据后，接下来的任务是对这些数据进行预处理，以确保数据质量，提高后续模型训练的效率和准确性；将预处理后的数据集划分为训练集和测试集：训练集用于训练神经网络模型，即调整模型的参数以最小化预测误差；测试集则用于评估模型的性能，即在未见过的数据上检验模型的预测能力；通常情况下，可以采用随机划分的方式，将70%-80%的数据作为训练集，剩余的20%-30%的数据作为测试集；也可以根据数据的特点和需求，采用分层抽样等方法进行划分，以确保模型既能够得到充分的训练，又能够评估其泛化能力。
S3：构建神经网络模型，神经网络模型输入层的节点数等于预处理方式的数量，输出层的节点数与性能指标数据的类型数量相等；由于预处理方式可能包括多种物理、化学或机械方法，每种方法都可能对混凝土性能产生不同的影响，因此，在构建神经网络模型时，需要确保输入层的节点数应严格对应预处理方式的数量，每个输入节点负责接收一种预处理方式的特征数据，从而确保模型能够充分捕捉各种预处理方式所带来的潜在影响；同时，考虑到混凝土性能指标的多样性，包括初始坍落度、经时坍落度损失以及抗压强度等多个方面，输出层的节点数必须与这些性能指标的类型数量保持一致，每个输出节点代表一种特定的性能指标，通过模型的训练学习，可以将预处理方式的特征数据准确地映射到这些性能指标上，这样，模型不仅能够理解不同预处理方式对混凝土性能的影响，还能精确地预测出相应的性能指标值，为实际生产中的决策提供科学依据。
在输入层与输出层之间，隐藏着多个处理层，它们通过非线性变换提取数据的深层特征，逐步将预处理方式的特征转化为对混凝土性能指标的预测，这些隐藏层的数量和每层的节点数，都需要根据具体任务和数据来确定，以确保模型能够充分学习到预处理方式与混凝土性能之间的复杂关系，因此，构建这样一个神经网络模型需要综合考虑多方面，以确保模型既能够捕捉到预处理方式对混凝土性能的影响，又能够在实际应用中保持良好的预测性能。
S4：使用训练集对神经网络模型进行训练，在训练过程中学习预处理方式与混凝土性能指标之间的关系；这是神经网络中的反向传播过程，是优化模型性能的关键。
反向传播的第一步是计算输出层的误差，这个误差通常是预测值与真实值之间的差异，可以通过损失函数来衡量；接下来，反向传播算法利用链式法则（ChainRule）来逐层计算参数，如权重和偏执对于误差的梯度，链式法则允许将输出层的误差分解为每一层参数的贡献，从而确定如何调整这些参数以减小误差，通过逐层计算这些梯度，反向传播算法会告知在网络的每一层应该如何调整权重和偏置，以便在下一次前向传播时减小预测误差，这个过程是迭代进行的，每次迭代都会根据前一次计算的梯度来更新参数，直到达到预设的停止条件或满足性能要求，为神经网络的参数更新提供了指导，从而实现了神经网络的训练和优化。
S5：使用测试集对训练好的模型进行评估，且根据评估结果调整神经网络模型的隐藏层结构及数量；在具体实施过程中，先选择合适的评估指标来衡量模型在测试集上的性能，再使用测试集对训练好的神经网络模型进行评估，将测试集中的预处理方式数据输入到模型中，得到相应的性能指标预测值，并与测试集中的真实性能指标值进行比较；计算所选评估指标的值，以量化模型在测试集上的表现，最终根据评估结果，分析模型在测试集上的性能表现：若评估指标的值较高，说明模型的预测误差较大，需要进一步优化，此时，根据评估结果和模型性能分析，可以尝试增加或减少隐藏层的数量，改变每个隐藏层的节点数，或者采用不同的隐藏层结构，如堆叠式、并行式等；通过不断尝试和调整，找到能够使模型性能最优的隐藏层设置后，重新训练模型，并在测试集上进行评估，重复这一过程，直到模型性能达到满意水平或无法进一步提升为止，在迭代优化过程中，还可以尝试调整其他模型参数，如学习率、批处理大小等，以进一步提高模型的预测能力。
S6：当神经网络模型训练及评估完成后，输入新的再生骨料预处理方式，且输出对应的混凝土性能指标的预测结果。
首先，需要准备与新的再生骨料预处理方式相关的数据，这些数据应该与模型训练过程中使用的数据具有相同的格式和结构，以确保模型能够正确解析并处理这些输入；
其次，在将新的预处理方式数据输入到模型中之前，可能需要进行一些与训练过程中的预处理步骤相似的操作，以确保输入数据与模型训练时使用的数据具有相同的分布和尺度，来避免由于数据不一致而导致的预测误差；
接下来，需要加载训练好的神经网络模型，并将预处理后的新再生骨料预处理方式数据输入到神经网络模型中，当输入数据通过模型的隐藏层传播到输出层时，模型将产生对应的混凝土性能指标预测结果，这些预测结果以数值形式表示，根据具体的预测值，可以评估不同预处理方式对混凝土性能的影响程度，并为实际生产中的再生骨料预处理方式选择提供参考，最后，对预测结果进行解释和应用。
S7：根据预测结果调整园区固废再生骨料的预处理方法。
通过对步骤S6中得到的预测结果进行深入分析，比较不同预处理方式的预测性能指标，识别出哪些预处理方式可能对混凝土性能有显著改善，哪些预处理方式可能效果有限或甚至产生负面影响，基于预测结果的分析，来确定针对再生骨料预处理方式的调整策略，例如，如果预测结果显示某种预处理方式可以显著提高混凝土的抗压强度，会增加这种预处理方式的使用频率或强度；相反，如果某种预处理方式预测效果不佳，会减少其使用或寻找替代方案。
在确定了调整策略后，对再生骨料的预处理方式进行实际操作，具体的操作包括但不限于改变预处理设备的参数设置、调整预处理流程的步骤或顺序、引入新的预处理技术等，在实施调整过程中，需要确保调整的准确性和可重复性，以便能够准确评估调整后的效果，为了验证调整后的预处理方式对混凝土性能的实际影响，需要准备相应的实验验证工作，包括准备实验所需的再生骨料、混凝土原材料、配合比等，以及设计合理的实验方案，以确保实验结果的准确性和可靠性。
通过比较实验测量值与步骤S6中的预测结果，可以评估调整后的预处理方式对混凝土性能的实际影响，从而判断调整策略是否是有效的。基于实验结果的分析，可能需要进行迭代优化，包括再次调整预处理方式、改进模型预测精度、优化实验方案等，通过不断迭代和优化，逐步提高再生骨料预处理方式对混凝土性能的改善效果，有助于找到最优的预处理方式组合，以提高再生骨料在混凝土中的应用性能。
本发明中，设计了一种基于神经网络模型的园区固废再生骨料的预处理方法，利用大量的组合数据来学习再生骨料预处理方式与混凝土性能之间的复杂关系，为施工方提供科学、准确的预测，进而指导实际应用中的预处理方法的选择及调整；通过根据预测结果调整园区固废再生骨料的预处理方法，降低混凝土性能的波动性，提高混凝土的稳定性；因为可以根据预测结果有针对性地选择最佳的预处理组合，有效降低资源浪费，提高混凝土的性能，使其更适合各种工程应用。
作为上述实施例的优选，如图2所示，在步骤S2中，对收集到的预处理方式及性能指标数据进行预处理，包括：
A1：对收集到的数据进行清洗、转换及标准化；
A2：根据收集到的数据中的预处理方式，将数据分成不同的组；
A3：确定方差分析的假设，包括独立性假设--样本之间相互独立、正态性假设--每个组的数据符合正态分布，以及方差齐性假设--各组之间的方差相等；
A4：计算每个组的平均值和总体平均值、组内平方和、组间平方和、组内均方、组间均方和F值；
计算组内平方和：每个组内部数据与该组的均值之差的平方和；
计算组间平方和：所有组的均值与总体均值之差的平方和；
计算均方：将组内平方和除以自由度得到组内均方，将组间平方和除以自由度得到组间均方；
计算F值：组间均方除以组内均方，得到F值。
A5：根据F分布表，查找临界F值，并判断是否接受原假设，若计算得到的F值大于临界F值，则拒绝原假设，判定不同预处理方式对混凝土性能指标的影响显著，若计算得到的F值小于等于临界F值，则接受原假设，判定不同预处理方式对混凝土性能指标的影响不显著。
通过上述优选方案，可以有效地对收集到的再生骨料预处理方式及性能指标数据进行筛选和分析；通过数据清洗、转换和标准化，确保了数据的质量和准确性；通过分组可以针对不同的预处理方式进行比较，确保方差分析比较的是同一种预处理方式下的不同性能指标，避免了混淆不同处理方式的影响;在方差分析的过程中，可以统计比较各组数据的差异性，判断不同预处理方式对混凝土性能指标的影响程度，通过比较F值和临界F值，确定不同预处理方式是否显著影响混凝土性能，这样的分析过程能够为混凝土预处理方法的选择和优化提供科学依据，提高混凝土性能的稳定性和工程应用的效率。
作为上述实施例的优选，根据是否接受原假设的判定结果，调节隐藏层数量，以及每个隐藏层内的节点数量。
如果方差分析结果拒绝原假设，即预处理方式对混凝土性能指标的影响显著，在这种情况下，可以考虑增加神经网络模型的复杂度，例如增加隐藏层数量或增加每个隐藏层内的节点数量，增加隐藏层数量和节点数量可以更好地捕捉不同预处理方式对性能指标的复杂影响关系，这样的调整有助于提高模型的灵活性和预测能力，以更准确地预测不同预处理方式的影响。
如果方差分析结果接受原假设，即预处理方式对混凝土性能指标的影响不显著，在这种情况下，模型不需要过度拟合数据中的特定预处理方式的影响，可以考虑减少隐藏层数量或减少每个隐藏层内的节点数量，以降低模型的复杂度，减少隐藏层数量和节点数量可以使模型更简单，避免过度拟合，并且有助于更好地泛化到新数据。
在本实施例中，调节隐藏层数量，以及每个隐藏层内的节点数量，包括：
设定基础隐藏层数量，和每层的基础节点数；
当方差分析结果拒绝原假设时，在基础隐藏层数量的基础上增加第一设定数量的隐藏层，以及，在基础节点数的基础上增加第二设定数量的节点；
当方差分析结果接受原假设时，在基础隐藏层数量的基础上减少第一设定数量的隐藏层，以及，在基础节点数的基础上减少第二设定数量的节点。
假设基础隐藏层数量为2层，每层的基础节点数为50个节点。
方差分析结果拒绝原假设时：
第一设定数量为1，隐藏层增加：L=2+1=3层；
第二设定数量为25，节点增加：N=50+25=75个节点；
计算总节点数：T=75*3=225个节点。
方差分析结果接受原假设时：
第一设定数量为1，隐藏层减少：L=2-1=1层；
第二设定数量为25，节点减少：N=50-25=25个节点；
计算总节点数：T=25*1=25个节点。
作为本实施例的优选，当方差分析结果拒绝原假设时，第一设定数量和第二设定数量之间的计算公式为：
；
；
其中，x为第一设定数量，F为F值，Fc为临界F值，δ为F值和临界F值的差异程度，y为第二设定数量。
通过上述公式，实现了根据实际观察到的F值与临界F值之间的差异程度δ来调整第二设定数量y的功能。当δ较大时，y的值也会随之增加，从而增加隐藏层数量和每层节点数，使神经网络模型更复杂，更能够拟合数据中预处理方式对性能指标的复杂影响关系；当δ较小时，y的值减少，调整后的模型更简单，避免了过度拟合，更好地泛化到新数据。
上述基于差异程度δ的调整方式使得模型的复杂度能够根据实际数据中预处理方式的影响程度进行自适应调节，从而提高了模型的灵活性和准确性。根据方差分析的结果F与临界Fc值之间的差异程度δ来调整隐藏层数量和每层节点数，可以使得神经网络模型更准确地预测不同预处理方式的影响，这种优化过程使得模型更能够捕捉到真实数据中的特征和规律，提高了模型的预测能力和泛化能力，调整数量的过程是基于实际数据的特性进行智能化的参数调整，使得模型更准确地预测不同预处理方式对混凝土性能指标的影响。
在实际情况下，预处理方式对混凝土性能指标的影响可能是非线性的，因此上述优化方案中的二次函数可以更好地反映这种关系，二次函数的曲线形状具有一定的弹性，可以根据数据的特点自适应地调整。x的平方和y的关系是连续平滑的，这意味着随着x的变化，y也会平滑地变化，避免了在调整模型时出现不连续或突变的情况,这种平滑过渡有助于保持模型的稳定性。
作为上述实施例的优选，在步骤S3，构建神经网络模型的过程包括：
B1:确定神经网络模型的基本结构，再根据实验和验证选择合适的隐藏层和节点数；
B2:根据具体的任务和数据特点确定激活函数、损失函数和优化算法；
B3:对构建完成的模型参数进行初始化。
已确定的神经网络模型基本结构，包括输入层、隐藏层和输出层，其中隐藏层的数量和每个隐藏层的节点数对于模型的性能至关重要，过多的隐藏层和节点可能导致模型过拟合，而过少的隐藏层和节点则可能导致模型欠拟合；因此，需要通过实验和验证来选择合适的隐藏层结构和节点数；在确定了隐藏层和节点数后，选择合适的激活函数、损失函数和优化算法，以使神经网络模型在训练过程中更加高效、稳定地收敛到最优解，提高模型的预测精度和泛化能力；同时，通过不断地调整和优化这些函数和算法的组合，可以进一步提升模型的性能，使其更好地适应不同的任务和数据类型。
在模型构建完成后，通过对模型的参数进行初始化，以确保模型在训练开始时具有足够的多样性。
随着时间的推移和工艺条件的变化，模型的性能可能会受到影响，需要及时进行调整和优化，因此如图3所示，构建神经网络模型的过程还包括模型监控与更新，在初始化模型参数之后进行模型监控与更新，用于确保模型在实际应用中的性能保持最佳状态，通过定期收集新的数据来评估模型的性能，并根据需要进行模型的重新训练或参数调整，还可以通过监控模型的稳定性和可靠性及时发现并处理可能出现的异常情况。
作为上述实施例的优选，损失函数包括多任务学习中的联合损失函数和加权组合损失函数中的一种。多任务学习中的联合损失函数能够同时优化多个性能指标，充分利用它们之间的潜在关联，进而更准确地捕捉这种关系，提升预测精度，而加权组合损失函数具有根据性能指标重要性调整权重的灵活性，以满足不同应用场景的需求，因此，在园区固废再生骨料的组合预处理过程中，当面临着多个性能指标的综合考量，为了更全面地优化预处理效果，提升再生资源的利用效率和质量，选择适用于多目标优化的损失函数显得尤为关键，这样，既能够强调关键指标，又能兼顾其他性能，从而提升模型的整体优化效果。
作为上述实施例的优选，激活函数包括ReLU，LeakyReLU，ELU和Softmax中的至少一种。
ReLU函数擅长处理复杂非线性问题的多任务学习，而且计算速度快；LeakyReLU函数和ELU函数在输入小于0时引入一个小的斜率，可以在网络中保持一定的负激活，有助于多任务学习中的某些任务；Softmax函数常用于多分类问题，将输出转化为概率分布，如果多任务学习涉及到多个分类任务，那么Softmax函数会是一个合适的选择；在实际应用中，具体选择激活函数还需要根据任务的具体需求和数据特性进行权衡和实验验证。
实施例二
一种园区固废再生骨料的应用方法，园区固废再生骨料通过如实施例一的园区固废再生骨料的组合预处理方法获得，其中，园区固废再生骨料用于路面路基工程用混凝土配制。
本实施例中所实现的技术效果与上述实施例相同，此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种园区固废再生骨料的组合预处理方法，其特征在于，包括：
收集再生骨料的不同预处理方式以及对应的混凝土性能指标数据，所述性能指标数据至少包括初始坍落度、30分钟经时坍落度损失、抗压强度；
对收集到的所述预处理方式及性能指标数据组合进行预处理，且在预处理后划分为训练集和测试集；
构建神经网络模型，所述神经网络模型输入层的节点数等于所述预处理方式的数量，输出层的节点数与所述性能指标数据的类型数量相等；
使用训练集对所述神经网络模型进行训练，在训练过程中学习预处理方式与混凝土性能指标之间的关系；
使用测试集对训练好的模型进行评估，且根据评估结果调整所述神经网络模型的隐藏层结构及数量；
当所述神经网络模型训练及评估完成后，输入新的再生骨料预处理方式，且输出对应的混凝土性能指标的预测结果；
根据所述预测结果调整园区固废再生骨料的预处理方法；
对收集到的所述预处理方式及性能指标数据进行预处理，包括：
对收集到的数据进行清洗、转换及标准化；
根据收集到的数据中的预处理方式，将数据分成不同的组；
确定方差分析的假设，包括独立性假设、正态性假设和方差齐性假设；
计算每个组的平均值和总体平均值、组内平方和、组间平方和、组内均方、组间均方和F值；
根据F分布表，查找临界F值，并判断是否接受原假设，若计算得到的F值大于临界F值，则拒绝原假设，判定不同预处理方式对混凝土性能指标的影响显著，若计算得到的F值小于等于临界F值，则接受原假设，判定不同预处理方式对混凝土性能指标的影响不显著；
根据是否接受原假设的判定结果，调节隐藏层数量，以及每个所述隐藏层内的节点数量，包括：
设定基础隐藏层数量，和每层的基础节点数；
当方差分析结果拒绝原假设时，在所述基础隐藏层数量的基础上增加第一设定数量的隐藏层，以及，在所述基础节点数的基础上增加第二设定数量的节点；
当方差分析结果接受原假设时，在所述基础隐藏层数量的基础上减少所述第一设定数量的隐藏层，以及，在所述基础节点数的基础上减少所述第二设定数量的节点。
2.根据权利要求1所述的园区固废再生骨料的组合预处理方法，其特征在于，当方差分析结果拒绝原假设时，所述第一设定数量和第二设定数量之间的计算公式为：
其中，x为所述第一设定数量，F为所述F值，Fc为所述临界F值，δ为所述F值和所述临界F值的差异程度，y为所述第二设定数量。
3.根据权利要求1所述的园区固废再生骨料的组合预处理方法，其特征在于，所述预处理方式包括物理强化方法、化学强化方法和预湿处理。
4.根据权利要求1所述的园区固废再生骨料的组合预处理方法，其特征在于，所述训练集和测试集采用随机划分的方式，或者采用分层抽样的方法进行划分。
5.一种园区固废再生骨料的应用方法，所述园区固废再生骨料通过如权利要求1~4中任一项所述的园区固废再生骨料的组合预处理方法获得，其特征在于，所述园区固废再生骨料用于路面路基工程用混凝土配制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410522537.8A CN118095111B (zh) | 2024-04-28 | 2024-04-28 | 一种园区固废再生骨料的组合预处理及应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410522537.8A CN118095111B (zh) | 2024-04-28 | 2024-04-28 | 一种园区固废再生骨料的组合预处理及应用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118095111A CN118095111A (zh) | 2024-05-28 |
| CN118095111B true CN118095111B (zh) | 2024-07-16 |
Family
ID=91165486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410522537.8A Active CN118095111B (zh) | 2024-04-28 | 2024-04-28 | 一种园区固废再生骨料的组合预处理及应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095111B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359737A (zh) * | 2018-09-04 | 2019-02-19 | 华北水利水电大学 | 再生骨料透水混凝土bp神经网络预测分析方法 |
| AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114388069A (zh) * | 2021-12-22 | 2022-04-22 | 汉谷云智(武汉)科技有限公司 | 一种多性能控制的混凝土配合比优化方法 |
| CN117787079A (zh) * | 2023-11-01 | 2024-03-29 | 中国建筑材料科学研究总院有限公司 | 一种基于深度学习预测水泥熟料性能的模型及应用 |
| CN117747011A (zh) * | 2023-12-20 | 2024-03-22 | 重庆腾治科技有限公司 | 一种混凝土砂浆性能预测系统和方法 |
-
2024
- 2024-04-28 CN CN202410522537.8A patent/CN118095111B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359737A (zh) * | 2018-09-04 | 2019-02-19 | 华北水利水电大学 | 再生骨料透水混凝土bp神经网络预测分析方法 |
| AU2020101453A4 (en) * | 2020-07-23 | 2020-08-27 | China Communications Construction Co., Ltd. | An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118095111A (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079906B (zh) | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN111985796A (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
| CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN103942434A (zh) | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 | |
| CN108921352A (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
| CN114388069A (zh) | 一种多性能控制的混凝土配合比优化方法 | |
| CN111832703B (zh) | 一种流程制造工业不规则采样动态序列建模方法 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| CN111027117A (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
| CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
| CN116359003A (zh) | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 | |
| CN117747011A (zh) | 一种混凝土砂浆性能预测系统和方法 | |
| CN115563824A (zh) | 基于机器学习的双相材料复合管性能预测方法 | |
| CN113591078B (zh) | 基于卷积神经网络架构优化的工控入侵检测系统及方法 | |
| CN118095111B (zh) | 一种园区固废再生骨料的组合预处理及应用方法 | |
| CN112905436B (zh) | 一种面向复杂软件的质量评估预测方法 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN116663745A (zh) | 一种基于pca_ dwt的lstm流域水流量预测方法 | |
| CN116992935A (zh) | 基于改进随机配置算法的神经网络模型训练方法及系统 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
| CN118605364B (zh) | 多孔硅碳负极材料制备过程的计算监控与控制系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |