KR101993493B1 - 시멘트 품질 또는 제조 조건의 예측 방법 - Google Patents
시멘트 품질 또는 제조 조건의 예측 방법 Download PDFInfo
- Publication number
- KR101993493B1 KR101993493B1 KR1020147023592A KR20147023592A KR101993493B1 KR 101993493 B1 KR101993493 B1 KR 101993493B1 KR 1020147023592 A KR1020147023592 A KR 1020147023592A KR 20147023592 A KR20147023592 A KR 20147023592A KR 101993493 B1 KR101993493 B1 KR 101993493B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- neural network
- cement
- clinker
- Prior art date
Links
- 239000004568 cement Substances 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 183
- 238000011156 evaluation Methods 0.000 claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 239000000203 mixture Substances 0.000 claims description 100
- 239000002994 raw material Substances 0.000 claims description 94
- 239000000126 substance Substances 0.000 claims description 60
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 56
- 239000011707 mineral Substances 0.000 claims description 56
- 239000004570 mortar (masonry) Substances 0.000 claims description 37
- 238000010304 firing Methods 0.000 claims description 28
- 210000004556 brain Anatomy 0.000 claims description 23
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 19
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 19
- 239000004571 lime Substances 0.000 claims description 19
- 230000000704 physical effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 description 25
- 230000006835 compression Effects 0.000 description 20
- 238000007906 compression Methods 0.000 description 20
- 240000006909 Tilia x europaea Species 0.000 description 18
- 239000010440 gypsum Substances 0.000 description 15
- 229910052602 gypsum Inorganic materials 0.000 description 15
- 239000000843 powder Substances 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000006703 hydration reaction Methods 0.000 description 12
- 238000004898 kneading Methods 0.000 description 11
- 229910004298 SiO 2 Inorganic materials 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 9
- 239000011398 Portland cement Substances 0.000 description 9
- 241000209140 Triticum Species 0.000 description 9
- 235000021307 Triticum Nutrition 0.000 description 9
- 230000036571 hydration Effects 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 6
- 229910010413 TiO 2 Inorganic materials 0.000 description 6
- 239000003513 alkali Substances 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 229910052785 arsenic Inorganic materials 0.000 description 5
- 229910052804 chromium Inorganic materials 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 229910052745 lead Inorganic materials 0.000 description 5
- 229910052759 nickel Inorganic materials 0.000 description 5
- 229910052720 vanadium Inorganic materials 0.000 description 5
- 229910052725 zinc Inorganic materials 0.000 description 5
- 229910052726 zirconium Inorganic materials 0.000 description 5
- 238000009833 condensation Methods 0.000 description 4
- 230000005494 condensation Effects 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- VASIZKWUTCETSD-UHFFFAOYSA-N manganese(II) oxide Inorganic materials [Mn]=O VASIZKWUTCETSD-UHFFFAOYSA-N 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 229910021532 Calcite Inorganic materials 0.000 description 2
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 229910052788 barium Inorganic materials 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 2
- 238000005345 coagulation Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000007730 finishing process Methods 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000634 powder X-ray diffraction Methods 0.000 description 2
- 238000010298 pulverizing process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001260 vocal cord Anatomy 0.000 description 2
- 229910000859 α-Fe Inorganic materials 0.000 description 2
- 238000003991 Rietveld refinement Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 150000004645 aluminates Chemical class 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000011400 blast furnace cement Substances 0.000 description 1
- 238000005219 brazing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 229910052570 clay Inorganic materials 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 229910021487 silica fume Inorganic materials 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 229910001928 zirconium oxide Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- C04B7/00—Hydraulic cements
- C04B7/36—Manufacture of hydraulic cements in general
- C04B7/361—Condition or time responsive control in hydraulic cement manufacturing processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Ceramic Engineering (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Materials Engineering (AREA)
- Structural Engineering (AREA)
- Organic Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
- Devices For Post-Treatments, Processing, Supply, Discharge, And Other Processes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
단시간에 그리고 고 정밀도로 시멘트 품질을 예측하는 방법을 제공한다.
입력층 및 출력층을 가지는 뉴럴 네트워크를 이용한 시멘트 품질 또는 제조 조건의 예측 방법에 있어서, 학습 데이터와 모니터 데이터를 이용하여 σL＜σM이 되도록 충분히 많은 학습 횟수로 뉴럴 네트워크 학습을 수행한 후에 학습 횟수를 줄이면서 뉴럴 네트워크 학습을 σL≥σM이 될 때까지 학습을 반복하고 학습 후에 뉴럴 네트워크에서 얻어진 해석도 판정치가 미리 정했던 설정치 미만인 뉴럴 네트워크의 입력층에 특정의 감시 데이터를 입력하여 상기 뉴럴 네트워크의 출력층으로부터 특정의 평가 데이터 추측치를 출력하는 시멘트 품질 또는 제조 조건의 예측 방법이다.
입력층 및 출력층을 가지는 뉴럴 네트워크를 이용한 시멘트 품질 또는 제조 조건의 예측 방법에 있어서, 학습 데이터와 모니터 데이터를 이용하여 σL＜σM이 되도록 충분히 많은 학습 횟수로 뉴럴 네트워크 학습을 수행한 후에 학습 횟수를 줄이면서 뉴럴 네트워크 학습을 σL≥σM이 될 때까지 학습을 반복하고 학습 후에 뉴럴 네트워크에서 얻어진 해석도 판정치가 미리 정했던 설정치 미만인 뉴럴 네트워크의 입력층에 특정의 감시 데이터를 입력하여 상기 뉴럴 네트워크의 출력층으로부터 특정의 평가 데이터 추측치를 출력하는 시멘트 품질 또는 제조 조건의 예측 방법이다.
Description
본 발명은 뉴럴 네트워크(neural network)를 이용한 시멘트 품질 또는 제조 조건의 예측 방법에 관한 것이다.
종래 시멘트 품질을 평가하려면 비용이나 시간이 소요되는 문제가 있었다. 예를 들면 모르타르의 압축 강도는 시멘트, 표준모래 및 물을 JIS R5201에 따라 혼련(混練)한 후, 공시체(供試體)를 성형하여 1일간 양생 후, 3일간 양생 후, 7일간 양생 후 및 28일간 양생한 후의 각 시점에서 공시체를 압축 시험기에 걸어서 측정한다. 즉, 모르타르의 압축 강도의 측정 결과가 판명될 때까지 28일간 소요되므로 시멘트 출하 시에 모르타르 압축 강도의 예측치를 알기 어렵다.
특히, 최근 시멘트 제조에는 시멘트 원료 또는 소성용 연료로서 산업용 폐기물의 사용량이 증가하여 시멘트 품질의 변동하는 요인이 많아졌다고 생각할 수 있다. 따라서 출하하는 시멘트 품질의 이상을 미리 방지하기 위해 시멘트 품질관리의 중요성이 높아지고 있다.
상기 문제를 해결하기 위해 일본특허출원공개공보 2005－214891에는 시멘트 또는 클링커(clinker)의 분말 X선 회절 결과를 프로파일 피팅법에 의해 해석하고 지금부터 얻을 수 있는 클링커 광물의 결정 정보를 기본으로 시멘트 품질(구체적으로는 시멘트의 응결 시간 및 모르타르 압축 강도)의 변화를 예측하는 시멘트 품질 예측 방법이 개시되어 있다.
또, 일본특허출원공개공보 2007－271448에는 시멘트 제조 플랜트의 운전에서 품질관리 정보로서 수집한 시멘트 중의 클링커 구성 광물 및 첨가재의 양 정보, 클링커 구성 광물의 결정 구조의 정보, 클링커의 소량 성분의 양 정보, 및 시멘트의 분말도 및 45μm 잔량 분의 정보를 과거 축적된 그들의 정보 및 모르타르 압축 강도실측 데이터 간의 중회귀 분석을 기본으로 구한 모르타르 압축 강도의 추정 식에 적용하는 것으로써 모르타르 압축 강도를 추정하는 시멘트 품질 추정 방법이 개시되어 있다.
그러나 일본특허출원공개공보 2005－214891 및 일본특허출원공개공보 2007－271448의 방법에서는 모르타르의 압축 강도 및 응결 시간 이외의 품질(예를 들면, 모르타르의 유동성 등)을 예측할 수 없다. 또, 시멘트 품질에 영향을 미치는 요인은 일본특허출원공개공보 2005－214891 및 일본특허출원공개공보 2007－271448에 거론된 것에 한정되지 않으며 제조 공정에서의 모든 조건 등, 여러 가지 요인이 복잡하게 작용한다고 생각할 수 있기 때문에 일본특허출원공개공보 2005－214891 및 일본특허출원공개공보 2007－271448의 방법은 고 정밀도의 방법이라고 할 수 없다.
한편, 시멘트의 제조 조건 중에는 킬른에의 투입 직전의 클링커 원료의 수경율(水硬率)과 같이 프리 히터의 가스 유량 등 복수의 요인이 복잡하게 작용하여 예측이 곤란한 것도 있다.
여기서 여러 가지 요인을 고려한 다음 단시간 내 그리고 고 정밀도로 시멘트의 품질 또는 제조 조건을 예측할 방법이 필요하게 되었다.
본 발명의 목적은 단시간에 그리고 고 정밀도로 시멘트의 품질 또는 제조 조건을 예측하는 방법을 제공하는 것에 있다.
본 발명자들은 상기 과제를 해결하기 위해 열심히 검토한 결과, 학습 데이터와 모니터 데이터를 이용하여 σL＜σM(본 식 의미에 대해서는 추후 설명한다.)이 되도록 충분히 많은 학습 횟수로 뉴럴 네트워크 학습을 수행한 후에 이번에는 학습 횟수를 줄이면서 뉴럴 네트워크 학습을 σL≥σM이 될 때까지 반복하면서 또한 해석도 판정치가 미리 정한 설정치 미만인, 뉴럴 네트워크의 입력층에 특정의 감시 데이터를 입력하여 상기 뉴럴 네트워크의 출력층으로부터 특정의 평가 데이터 추측치를 출력하는 방법에 의해 상기 목적을 달성할 수 있다는 것을 알아내서 본 발명을 완성했다.
즉, 본 발명은 이하의［1］~［7］을 제공한다.
［1］ 입력층 및 출력층을 가지는 뉴럴 네트워크를 이용한 시멘트 품질 또는 제조 조건의 예측 방법이며 상기 입력층은 시멘트 제조에서의 감시 데이터 실측치를 입력하기 위한 것이고 상기 출력층은 시멘트 품질 또는 제조 조건의 평가에 관련하는 평가 데이터 추측치를 출력하기 위한 것이고 상기 감시 데이터와 상기 평가 데이터의 조합이 (i) 상기 감시 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 및 클링커에 관한 데이터 중에서 선택되는 한 종 이상의 데이터이며, 또한, 상기 평가 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터, 시멘트에 관한 데이터인 조합 또는, (ii) 상기 감시 데이터가, 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터 및 시멘트에 관한 데이터이며, 또한, 상기 평가 데이터가, 시멘트 함유 수경성 조성물의 물성에 관한 데이터인 조합이고 (A) 학습 횟수의 초기설정을 실시하는 공정과, (B) 감시 데이터 실측치와 평가 데이터 실측치의 조합인 학습 데이터를 복수 이용하여 뉴럴 네트워크 학습을 설정된 학습 횟수 실시하는 공정과, (C) 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL) 및 뉴럴 네트워크 학습 결과의 신뢰성을 확인하기 위한 감시 데이터 실측치와 평가 데이터 실측치의 조합인 모니터 데이터 중 감시 데이터 실측치를, 바로 직전 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터 중의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출하고 산출된 σL과 σM의 관계가 σL≥σM인 경우, 공정(D)을 실시하고 산출된 σL과 σM관계가 σL＜σM인 경우, 공정(E)을 실시하는 공정과, (D) 설정된 학습 횟수를 늘려서 새로운 학습 횟수로서 재설정하여 다시 한 번 공정(B)~(C)를 실시하는 공정과, (E) 바로 직전의 뉴럴 네트워크 학습으로 수행된 학습 횟수를 줄인 학습 횟수를, 새로운 학습 횟수로서 재설정하는 공정과, (F) 공정(B)에서 사용된 학습 데이터를 사용하여 뉴럴 네트워크 학습을 설정된 학습 횟수 수행하는 공정과, (G) 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL) 및 모니터 데이터 중의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터 중의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출하고 산출된 σL과 σM의 관계가 σL≥σM인 경우, 공정(I)을 실시하고 산출된 σL과 σM의 관계가 σL＜σM인 경우, 공정(H)을 실시하는 공정과, (H) 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치를 초과한 경우, 다시 한 번 공정(E)~(G)를 수행하고 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치 이하인 경우, 공정(K)을 실시하는 공정과, (I) 아래의 수식(1)을 사용하여 해석도 판정치를 산출하고 이 해석도 판정치가 미리 정한 설정치 미만인 경우, 상기 입력층에 시멘트 제조에서의 감시 데이터 실측치를 입력하여 상기 출력층으로부터 시멘트 품질 또는 제조 조건의 평가와 관련한 평가 데이터 추측치를 출력하는 공정과, (K) 학습 조건의 초기화를 수행하여 다시 한 번 공정(A)~(K)를 실시하는 공정을 포함하는 것을 특징으로 하는 시멘트 품질 또는 제조 조건의 예측 방법.
[수학식 1]
(상기 식(1) 중 학습 데이터의 평균 2승 오차(σL)란 학습 데이터의 감시 데이터 실측치를 학습 후의 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σM)이다. 평가 데이터 추측치의 평균치란 학습 데이터의 감시 데이터 실측치를 학습 후의 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치의 평균치이다.)
［2］ 상기［1］에 있어서, (J) 상기 공정(K) 이전에 공정(A)을 실시한 횟수 크기에 대한 판정을 수행하고 상기 횟수가 미리 설정한 횟수 이하인 경우 학습 조건의 초기화를 수행하여 다시 한 번 공정(A)~(I)를 수행하고 상기 횟수가 미리 설정한 횟수를 초과한 경우 뉴럴 네트워크 학습을 종료하는 공정을 포함하는 시멘트 품질 또는 제조 조건의 예측 방법.
［3］ ［1］ 또는 ［2］에 있어서, 상기 해석도 판정치의 미리 정한 설정치가 6% 이하의 값인 시멘트 품질 또는 제조 조건의 예측 방법.
［4］ 상기［1］~［3］의 어느 한 항에 있어서, 상기 뉴럴 네트워크가 상기 입력층과 상기 출력층 간에 중간층을 가지는 계층형의 뉴럴 네트워크인 시멘트 품질 또는 제조 조건의 예측 방법.
［5］ 상기［1］~［4］의 어느 한 항에 있어서, 상기 감시 데이터와 상기 평가 데이터의 조합이 감시 데이터는 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 및 클링커에 관한 데이터이며 또한 평가 데이터는 클링커에 관한 데이터이며, 감시 데이터의 상기 클링커 원료에 관한 데이터란 클링커 원료의 화학 조성이며, 상기 소성 조건에 관한 데이터와는 킬른 낙구(落口) 온도, 킬른 소성대 온도, 및 킬른 평균 토르크이며, 상기 클링커에 관한 데이터란 클링커의 화학 조성 및 용중(容重)이며, 평가 데이터의, 클링커에 관한 데이터와는 습식 f.CaO(프리 라임)인 시멘트 품질 또는 제조 조건의 예측 방법.
［6］ 상기［1］~［4］의 어느 한 항에 있어서, 상기 감시 데이터와 상기 평가 데이터의 조합이 감시 데이터는 소성 조건에 관한 데이터, 및 시멘트에 관한 데이터이며, 또한, 평가 데이터는 시멘트 함유 수경성 조성물의 물성에 관한 데이터이며, 감시 데이터의 상기 소성 조건에 관한 데이터란 킬른 낙구 온도, 및 쿨러 온도이며, 시멘트에 관한 데이터란 시멘트의 브레인 비표면적, 잔분량, 습식 f.CaO, 광물 조성, 및 화학 조성이며, 평가 데이터의, 상기 시멘트 함유 수경성 조성물의 물성에 관한 데이터는 모르타르의 압축 강도인 시멘트 품질 또는 제조 조건의 예측 방법.
［7］ 상기［1］~［6］의 어느 한 항에 있어서, 상기 감시 데이터의 값을 인위적으로 변동시켜 얻어진 상기 평가 데이터 추측치에 근거하여 시멘트의 제조 조건을 최적화하는 시멘트 품질 또는 제조 조건의 예측 방법.
［8］ 상기［1］~［7］의 어느 한 항에 있어서, 상기 평가 데이터 추측치와 이 추측치에 대응하는 실측치의 괴리 크기를 정기적으로 점검하고 그 점검결과에 근거하여 상기 뉴럴 네트워크를 갱신하는 시멘트 품질 또는 제조 조건의 예측 방법.
본 발명의 시멘트 품질 또는 제조 조건의 예측 방법을 이용하면 시멘트 제조 과정에서 얻을 수 있는 여러 가지 데이터에 근거하여 시멘트 품질 또는 제조 조건을 단기간에 그리고 고 정밀도로 예측할 수 있다.
또, 얻어진 추측치를 기본으로 실시간으로 제조 조건을 관리하는 것이 가능하고 시멘트 품질 안정화의 향상 또는 시멘트의 제조 조건의 최적화를 도모할 수 있다.
한층 더 뉴럴 네트워크를 정기적으로 갱신하는 것에 의해 예측의 정도를 향상할 수 있다.
도 1은 본 발명의 예측 방법으로 이용하는 뉴럴 네트워크 학습 방법의 일례를 나타낸 흐름도다.
도 2는 실시예 1에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 3은 실시예 1에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 4는 실시예 1에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 5는 비교예 1에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 6은 비교예 1에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 7은 비교예 1에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 8은 비교예 2에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 9는 비교예 2에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 10은 비교예 2에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 11은 실시예 2에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 12는 실시예 2에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 13은 실시예 2에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 14는 실시예 3에서 예측한 혼련(混練) 직후의 유동성의 추측치와 실측치의 비교를 나타낸 그래프다.
도 15는 실시예 3에서 예측한 혼련 30분 후의 유동성의 추측치와 실측치의 비교를 나타낸 그래프다.
도 16은 실시예 4에서 예측한 재령 7일의 수화열의 추측치와 실측치의 비교를 나타낸 그래프다.
도 17은 실시예 4에서 예측한 재령 28일의 수화열의 추측치와 실측치의 비교를 나타낸 그래프다.
도 18은 실시예 5에서 예측한 응결 시간의 시발의 추측치와 실측치의 비교를 나타낸 그래프다.
도 19는 실시예 5에서 예측한 응결 시간의 종결의 추측치와 실측치의 비교를 나타낸 그래프다.
도 20은 실시예 6에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 21은 비교예 3에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 22는 실시예 7에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 23은 실시예 8에서 예측한 시멘트 중의 석고의 반 수화율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 24는 실시예 9에서 예측한 클링커의 품질(C3S/C2S비)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 25는 실시예 9에서 예측한 클링커의 품질(C4AF/C3A비)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 26은 실시예 10에서 예측한 킬른에의 투입 직전의 클링커 원료의 수경율의 추측치와 실측치의 비교를 나타낸 그래프다.
도 2는 실시예 1에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 3은 실시예 1에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 4는 실시예 1에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 5는 비교예 1에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 6은 비교예 1에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 7은 비교예 1에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 8은 비교예 2에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 9는 비교예 2에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 10은 비교예 2에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 11은 실시예 2에서 예측한 재령 3일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 12는 실시예 2에서 예측한 재령 7일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 13은 실시예 2에서 예측한 재령 28일의 압축 강도의 추측치와 실측치의 비교를 나타낸 그래프다.
도 14는 실시예 3에서 예측한 혼련(混練) 직후의 유동성의 추측치와 실측치의 비교를 나타낸 그래프다.
도 15는 실시예 3에서 예측한 혼련 30분 후의 유동성의 추측치와 실측치의 비교를 나타낸 그래프다.
도 16은 실시예 4에서 예측한 재령 7일의 수화열의 추측치와 실측치의 비교를 나타낸 그래프다.
도 17은 실시예 4에서 예측한 재령 28일의 수화열의 추측치와 실측치의 비교를 나타낸 그래프다.
도 18은 실시예 5에서 예측한 응결 시간의 시발의 추측치와 실측치의 비교를 나타낸 그래프다.
도 19는 실시예 5에서 예측한 응결 시간의 종결의 추측치와 실측치의 비교를 나타낸 그래프다.
도 20은 실시예 6에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 21은 비교예 3에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 22는 실시예 7에서 예측한 클링커 중의 프리 라임의 함유율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 23은 실시예 8에서 예측한 시멘트 중의 석고의 반 수화율(%)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 24는 실시예 9에서 예측한 클링커의 품질(C3S/C2S비)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 25는 실시예 9에서 예측한 클링커의 품질(C4AF/C3A비)의 추측치와 실측치의 비교를 나타낸 그래프다.
도 26은 실시예 10에서 예측한 킬른에의 투입 직전의 클링커 원료의 수경율의 추측치와 실측치의 비교를 나타낸 그래프다.
이하, 본 발명에 대해 상세하게 설명한다.
본 발명의 예측 방법은 시멘트 제조에서의 감시 데이터 실측치를 입력하기 위한 입력층과 시멘트 품질 또는 제조 조건의 평가에 관련하는 평가 데이터 추측치를 출력하기 위한 출력층을 가지는 뉴럴 네트워크를 이용하여 시멘트 품질 또는 제조 조건을 예측하는 방법이다.
본 발명의 뉴럴 네트워크는 입력층과 출력층 간에 중간층을 가지는 계층형의 뉴럴 네트워크일 수 있다.
상기 감시 데이터와 상기 평가 데이터의 조합으로서는 이하의 (i) 또는 (ii)를 들 수 있다.
(i) 상기 감시 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 및 클링커에 관한 데이터 중에서 선택되는 한 종 이상의 데이터이면서 또한, 상기 평가 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터, 시멘트에 관한 데이터인 조합
(ii) 상기 감시 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터 및 시멘트에 관한 데이터이면서 또한, 상기 평가 데이터가 시멘트 함유 수경성 조성물의 물성에 관한 데이터인 조합
상기(i) 조합에서의 감시 데이터의 하나인 "클링커 원료에 관한 데이터"는 클링커 원료의 화학 조성, 클링커 원료의 수경율, 잔분량, 브레인 비표면적(분말도), 강열 감량, 킬른에의 투입 시부터 소정 시간 전의 시점(예를 들면, 5시간 전의 하나의 시점이나, 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 4개 시점과 같은 복수의 시점)의 클링커 주원료(예를 들면, 보통 포틀랜드 시멘트용 클링커 원료와 같은 통상의 조합 원료)의 화학 조성, 킬른에의 투입 시부터 소정 시간 전의 시점(예를 들면, 5시간 전의 하나의 시점이나, 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 4개 시점과 같은 복수의 시점)의 클링커 주원료(예를 들면, 보통 포틀랜드 시멘트용 클링커 원료와 같은 통상의 조합 원료)의 수경율, 클링커 주원료의 공급량, 폐기물과 같이 특수한 원료로 이루어지는 클링커 부원료의 공급량, 브랜딩 사일로의 저장량(잔량), 원료 스토리지 사일로의 저장량(잔량), 원료 밀과 브랜딩 사일로 간에 위치하는 사이클론의 전류치(사이클론의 회전수를 나타내며 사이클론을 통과하는 원료의 속도와 상관관계가 있는 것), 킬른에 투입하기 직전의 화학 조성, 킬른에 투입하기 직전의 수경율, 킬른에 투입하기 직전의 브레인 비표면적, 킬른에 투입하기 직전의 잔분량, 킬른에 투입하기 직전의 탈탄산율, 킬른에 투입하기 직전의 수분량 등을 들 수 있다. 이들 데이터는 1종 단독으로 또는 2종 이상을 조합하여 사용할 수 있다.
여기서, 클링커 원료의 화학 조성이란 클링커 원료 중의 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, Na2Oeq(전 알칼리), TiO2, P2O5, MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F 등의 함유 율이다.
상기(i) 조합에서의 감시 데이터의 하나인 "소성 조건에 관한 데이터"는 킬른의 요입CFW, 회전수, 낙구 온도, 소성대 온도, 클링커 온도, 킬른 평균 토르크, O2 농도, NOX 농도, 쿨러 온도, 프리 히터의 가스 유량(프리 히터 온도와 상관관계가 있는 것) 등을 들 수 있다. 이들 데이터는 1종 단독으로 또는 2종 이상을 조합하여 사용할 수 있다.
상기(i) 조합에서의 감시 데이터의 하나인 "분쇄 조건에 관한 데이터"는 분쇄 온도, 살수량, 세퍼레이터 풍량, 석고 첨가량, 클링커 투입량, 밀의 회전수, 밀로부터 배출되는 분체 온도, 밀로부터 배출되는 분체의 양, 밀로부터 배출되지 않는 분체의 양, 피분쇄성 등을 들 수 있다.
상기(i) 조합에서의 감시 데이터의 하나인 "클링커에 관한 데이터"는 클링커의 광물 조성, 각 광물의 결정 학문적 성질(격자 정수나 결정자 지름 등), 2종 이상의 광물 조성비, 화학 조성, 습식 f.CaO(프리 라임), 용중 등을 들 수 있다. 이들 데이터는 1종 단독으로 또는 2종 이상을 조합하여 사용할 수 있다.
여기서 클링커의 광물 조성이란 3CaO·SiO2(C3S), 2CaO·SiO2(C2S), 3CaO·Al2O3(C3A), 4CaO·Al2O3·Fe2O3(C4AF), f.CaO, f.MgO 등의 함유 율이다. 또 "2종 이상의 광물 조성비"로서는 예를 들면, C3S/C2S의 비를 들 수 있다.
또한, 클링커의 광물 조성은 예를 들면 리트벨트 해석에 따라 얻을 수 있다.
클링커의 화학 조성이란 클링커 중의 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, Na2Oeq(전 알칼리), TiO2, P2O5, MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F 등의 함유 율이다.
상기(i) 조합에서 감시 데이터로서 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터 및 클링커에 관한 데이터 중에서 선택되는 어느 한 종 데이터만을 이용할 수 있으나 이들 4종의 데이터 중 2종 이상(복수)의 데이터를 이용하는 것이 평가 데이터의 예측 정도를 높이는 관점에서 바람직하다.
상기(i) 조합에서의 평가 데이터인 "클링커 원료에 관한 데이터", "소성 조건에 관한 데이터", "분쇄 조건에 관한 데이터" 및 "클링커에 관한 데이터"는 각각, 상술한 감시 데이터인 "클링커 원료에 관한 데이터", "소성 조건에 관한 데이터", "분쇄 조건에 관한 데이터" 및 "클링커에 관한 데이터"와 동일하다.
또, 상술한 "클링커 원료 및 시멘트 원료에 관한 데이터", "소성 조건에 관한 데이터" 및 "분쇄 조건에 관한 데이터"는 감시 데이터를 겸할 수 있다.
상기(i) 조합에서의 평가 데이터의 하나인 "시멘트에 관한 데이터"는 브레인 비표면적, 잔분, 석고의 반 수화율, 색조 L 값, 색조 b 값, 색조 a 값 등을 들 수 있다.
상기(i) 조합 중에서도 고 정밀도로 시멘트 품질 또는 제조 조건을 예측하는 관점에서 각 평가 데이터와 감시 데이터의 종류의 바람직한 조합은 이하의 표 1~4에 나타낸 조합이다.
예를 들면 표 4에 표시한 평가 데이터의 하나인 "클링커에 관한 데이터" 중, "습식 f.CaO(프리 라임)"를 고 정밀도로 예측하기 위한 감시 데이터와 평가 데이터의 조합으로서는 바람직하게 감시 데이터는 "클링커 원료에 관한 데이터" 중 "클링커 원료의 화학 조성", "클링커 원료의 수경율", "잔분량", "브레인 비표면적", "강열 감량", "킬른에의 투입 시부터 소정 시간 전의 시점(예를 들면, 5시간 전의 하나의 시점이나, 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 4개 시점과 같은 복수의 시점)의 클링커 주원료(예를 들면, 보통 포틀랜드 시멘트용 클링커 원료와 같은 통상의 조합 원료)의 화학 조성", "킬른에의 투입 시부터 소정 시간 전의 시점(예를 들면, 5시간 전의 하나의 시점이나, 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 4개 시점과 같은 복수의 시점)의 클링커 주원료(예를 들면, 보통 포틀랜드 시멘트용 클링커 원료와 같은 통상의 조합 원료)의 수경율”, "클링커 주원료의 공급량", "폐기물과 같이 특수한 원료로 이루어진 클링커 부원료의 공급량", "브랜딩 사일로의 저장량(잔량)", "원료 스토리지 사일로의 저장량(잔량)", "원료 밀과 브랜딩 사일로 간에 위치하는 사이클론의 전류치(사이클론의 회전수를 나타내며 사이클론을 통과하는 원료의 속도와 상관관계가 있는 것)", "킬른에 투입하기 직전의 화학 조성", "킬른에 투입하기 직전의 수경율", "킬른에 투입하기 직전의 브레인 비표면적", "킬른에 투입하기 직전의 잔분량", "킬른에 투입하기 직전의 탈탄산율", "킬른에 투입하기 직전의 수분량"이며 "소성 조건에 관한 데이터" 중 "킬른의 요입(窯入)CFW", "회전수", "낙구(落口) 온도", "소성대 온도", "클링커 온도", "킬른 평균 토르크", "O2 농도", "NOX 농도", "쿨러 온도" 및 "프리 히터의 가스 유량(프리 히터 온도와 상관관계가 있는 것)"이며 "분쇄 조건에 관한 데이터" 중 "석고 투입량", "클링커 투입량", "밀의 회전수", "밀로부터 배출되는 분체 온도", "밀로부터 배출되는 분체의 양", "밀로부터 배출되지 않는 분체의 양", "피분쇄성"이며 "클링커에 관한 데이터" 중 "클링커 광물 조성", 각 광물의 결정 학문적 성질", "2종 이상의 광물 조성비", "화학 조성", "용량"이며 평가 데이터는 "클링커에 관한 데이터" 중 "습식 f.CaO(프리 라임)"이다.
더욱 바람직하게 감시 데이터는 "클링커에 관한 데이터" 중 "화학 조성", "용중"이며 "소성 조건에 관한 데이터" 중 "낙구 온도", "킬른 소성대 온도", "킬른 평균 토르크"이며 "클링커 원료에 관한 데이터" 중 "클링커 원료의 화학 조성"이며 평가 데이터는 "클링커에 관한 데이터" 중 "습식 f.CaO(프리 라임)"이다.
상기(ii) 조합에서의 감시 데이터인 "클링커 원료에 관한 데이터", "소성 조건에 관한 데이터", "분쇄 조건에 관한 데이터", "클링커에 관한 데이터"는 각각 상기(i) 조합에서의 감시 데이터인 "클링커 원료에 관한 데이터", "소성 조건에 관한 데이터", "분쇄 조건에 관한 데이터", "클링커에 관한 데이터"와 동일하다.
상기(ii) 조합에서의 감시 데이터인 "시멘트에 관한 데이터"는 시멘트의 화학 조성, 시멘트의 광물 조성, 각 광물의 결정 학문적 성질(격자 정수나 결정자 지름 등), 습식 f.CaO, 강열 감량, 브레인 비표면적, 입도 분포, 잔분량, 색조 L 값, 색조 a 값, 색조 b 값 등을 들 수 있다.
이들 데이터는 1종 단독으로 또는 2종 이상을 조합하여 사용할 수 있다.
여기서 시멘트의 화학 조성이란 시멘트 원료 중의 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, Na2Oeq(전 알칼리), TiO2, P2O5, MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F 등의 함유 율이다.
시멘트의 광물 조성이란 3CaO·SiO2(C3S), 2CaO·SiO2(C2S), 3CaO·Al2O3(C3A), 4CaO·Al2O3·Fe2O3(C4AF), f.CaO, f.MgO, 석고, 캘사이트 등의 함유 율이다.
또한, 시멘트의 화학 조성 및 광물 조성의 데이터는 상기(i) 조합에서의 평가 데이터인 "클링커에 관한 데이터"를 이용할 수 있다.
상기(ii) 조합에서의 평가 데이터인 "시멘트 함유 수경성 조성물의 물성"은 모르타르의 압축 강도, 굴곡 강도, 유동성(플로우 값), 수화열, 응결 시간, 건조 수축률, 안정성, 수중 팽창, 내유산염성, 중성화, ASR 저항 등을 들 수 있다.
상기(ii) 조합 중에서도 아래 표 5에 나타낸 감시 데이터와 평가 데이터의 조합이 고 정밀도로 시멘트 품질 또는 제조 조건을 예측하는 측면에서 바람직하다.
또, 평가 데이터의 "시멘트 함유 수경성 조성물의 물성에 관한 데이터" 중 "모르타르의 압축 강도"를 고 정밀도로 예측하기 위한 감시 데이터와 평가 데이터의 조합으로서 바람직한 감시 데이터는 "클링커 원료에 관한 데이터" 중 "클링커 원료의 화학 조성", "클링커 원료의 수경율", "잔분량", "브레인 비표면적", "강열 감량”이며 "소성 조건에 관한 데이터" 중 "킬른의 요입CFW", "회전수", "낙구 온도", "소성대 온도", "클링커 온도", "킬른 평균 토르크", "O2 농도", "NOX 농도", "쿨러 온도", "프리 히터의 가스 유량(프리 히터 온도와 상관관계가 있는 것)"이며 "분쇄 조건에 관한 데이터" 중 "분쇄 온도", "살수량", "세퍼레이터 풍량", "석고 투입량", "클링커 투입량", "밀의 회전수", "밀로부터 배출되는 분체 온도”, "밀로부터 배출되는 분체의 양", "밀로부터 배출되지 않는 분체의 양", "피분쇄성"이며 "클링커에 관한 데이터" 중 "클링커 광물 조성", "각 광물의 결정 학문적 성질", "2종 이상의 광물 조성비", "화학 조성", "용량"이며, "시멘트에 관한 데이터" 중 "시멘트의 화학 조성", "시멘트의 광물 조성", "각 광물의 결정 학문적 성질(격자 정수나 결정자 지름 등)", "습식 f.CaO", "강열 감량", "브레인 비표면적”, "입도 분포", "잔분량", "색조 L 값", "색조 a 값", "색조 b 값"이며 평가 데이터는 "시멘트 함유 수경성 조성물의 물성에 관한 데이터" 중 "모르타르의 압축 강도"이다.
더욱 바람직한 감시 데이터는 "시멘트에 관한 데이터" 중 "브레인 비표면적", "32μm 잔분량", "습식 f.CaO", 각 광물의 양", "화학 조성(MgO, SO3, a2O, K2O, P2O5)"이며 "소성 조건에 관한 데이터" 중 "낙구 온도", "쿨러 온도"이며 평가 데이터는 "시멘트 함유 수경성 조성물의 물성에 관한 데이터" 중 "모르타르의 압축 강도"이다.
본 발명의 시멘트 품질 또는 제조 조건의 예측 방법에 있어서 대상이 되는 시멘트는 특별히 한정하지 않으나 예를 들면, 보통 포틀랜드 시멘트, 조강(早强) 포틀랜드 시멘트, 중용열(中庸熱) 포틀랜드 시멘트, 저열 포틀랜드 시멘트 등의 각종 포틀랜드 시멘트나, 고로(高爐) 시멘트, 플라이애시 시멘트 등의 혼합 시멘트나 포틀랜드 시멘트에 석회석 분말이나 실리카 흄 등의 혼화재를 첨가한 시멘트 등을 들 수 있다.
포틀랜드 시멘트의 제조 공정은 원료 조제 공정, 소성 공정, 마무리 공정의 3공정으로 대별된다. 원료 조제 공정은 석회석, 점토, 규석, 산화철 원료 등의 시멘트 원료를 적당한 비율로 조합하여 원료 밀로 미세 분쇄하여 원료 혼합물을 얻는 공정이다. 소성 공정은 원료 혼합물을 서스펜션 프리 히터 등을 경유하여 로터리 킬른에 공급하고 충분히 소성한 후 냉각하여 클링커를 얻는 공정이다. 마무리 공정은 클링커에 적당한 양의 석고 등을 추가하여 시멘트 밀로 미세 분쇄하여 포틀랜드 시멘트를 얻는 공정이다.
본 발명에서 이하의 장소로부터 감시 데이터용의 시료를 채취하는 것이 바람직하다.
클링커는 킬른 낙구(낙구)에 가능한 한 가깝고 또한 클링커가 충분히 냉각되는 장소(통상은 클링커 쿨러의 도중)로부터 채취하는 것이 바람직하다. 또한, 클링커의 평균적인 품질 데이터를 파악하기 위해 1 kg 이상의 클링커를 채취하여 축분(縮分)에 의해 대표 시료를 얻는 것이 바람직하다. 시멘트는 시멘트 밀 출구로부터 샘플링 하는 것이 바람직하다. 또한, 시멘트의 풍화를 피하기 위해서 시간을 두지 않고 샘플링에서 바로 분석하는 것이 좋다.
평가 데이터의 변동을 파악하기 위해서는 감시 데이터용 시료의 채집 간격은 가능한 한 짧은 것이 바람직하다. 그러나 채취 간격을 짧게 하면 일손이 늘어난다. 따라서 실용적으로는 채취 간격을 바람직하게는 15분간~1시간으로 한다.
본 발명에서 감시 데이터(예를 들면, 시멘트의 광물 조성)의 값을 인위적으로 변동시켜 얻어진 평가 데이터 추측치(예를 들면, 응결 시간)을 근거로 시멘트의 제조 조건을 최적화할 수 있다.
본 발명에서는 시멘트 제조에서의 감시 데이터와 시멘트 품질 또는 제조 조건의 평가와 관련한 평가 데이터의 관계를 뉴럴 네트워크에 의해 미리 학습하고 그 학습 결과를 이용하여 상기 감시 데이터에만 기초로 하여 상기 평가 데이터를 예측한다.
도 1은 뉴럴 네트워크 학습 방법의 일례이다.
이하 뉴럴 네트워크 학습 방법에 대해 자세하게 설명한다.
［공정(A)］
공정(A)에서 학습 횟수의 초기설정을 실시한다. 설정되는 학습 횟수는, 특별히 한정하지 않으나 바람직하게는 뉴럴 네트워크의 과 학습(오버 러닝)이 발생할 정도로 충분히 많은 횟수가 좋다. 구체적으로는 통상 5천~100 만회, 바람직하게는 1만~10만 회다.
공정(A)에서는 뉴럴 네트워크의 과 학습이 발생하는 학습 횟수, 구체적으로는 σL＜σM(자세한 것은 후술한다)이 되는 학습 횟수를 설정하는 것이 바람직하지만, 다음 공정에서 학습 횟수의 증감을 하기 위해 공정(A)에 있어서 최초로 설정되는 학습 횟수는 뉴럴 네트워크 학습에 통상 수행되는 학습 횟수를 이용해도 무방하다.
공정(A) 종료 후 공정(B)을 실시한다.
［공정(B)］
공정(B)에서는 학습용의 감시 데이터 실측치와 평가 데이터 실측치의 조합(이하, "학습 데이터"라고 말한다.)을 복수 사용하여 뉴럴 네트워크 학습을 설정된 학습 횟수로 수행한다. 상기 조합의 수는 예를 들면 10 이상이다. 상기 조합 수의 상한은 특별히 한정하지 않으나 예를 들면 1000이다.
구체적으로는 학습용의 복수 샘플을 준비하고 이 샘플의 감시 데이터 실측치, 및 목적으로 하는 평가 데이터 실측치를 측정하여 이들을 학습 데이터로써 사용한다. 상기 학습 데이터 중 감시 데이터 실측치를 뉴럴 네트워크의 입력층에 입력하고 출력층으로부터 출력된 평가 데이터 추측치와 상기 평가 데이터 추측치에 대응하는 학습 데이터의 평가 데이터 실측치를 비교 평가하여 뉴럴 네트워크의 수정하는 것을 설정된 학습 횟수 분 수행하는 것으로써 뉴럴 네트워크 학습이 수행된다.
또한, 학습 횟수를 변경하여 뉴럴 네트워크의 재 학습을 수행할 때에는 전회 학습의 결과 얻어진 뉴럴 네트워크는 초기화되어 다시 학습이 수행된다.
공정(B) 종료 후 공정(C)을 실시한다.
［공정(C)］
공정(C)에서는 σL과 σM이 산출된다. σL과 σM의 대소 관계로부터 학습이 뉴럴 네트워크 과 학습이 발생할 정도로 충분히 많은 횟수 수행되었는지를 판단할 수 있다.
구체적으로는 학습 데이터의 감시 데이터 실측치를 바로 직전의 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL)를 산출한다. 이어서 모니터 데이터의 감시 데이터 실측치를 바로 직전 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출한다. 그 후 산출된 σL과 σM의 수치를 비교하는 것으로써 뉴럴 네트워크 학습이 충분히 많은 횟수로 수행되었는지 판단할 수 있다.
여기서, 모니터 데이터란 학습 데이터를 얻기 위해 사용된 샘플과는 다른 샘플로부터 얻어진 감시 데이터 실측치 및 평가 데이터 실측치의 조합이며 뉴럴 네트워크의 신뢰성을 확인하기 위한 데이터이다.
모니터 데이터(감시 데이터 실측치 및 평가 데이터 실측치의 조합) 수는 학습 데이터의 수가 바람직하게는 5~50%, 더욱 바람직하게는 10~30%이다.
공정(C)에서 산출된 σL과 σM의 관계가 σL≥ σM인 경우(도 1의 과 학습 판정에서의 "No"), 직전에 수행한 공정(B)의 학습 횟수는 충분히 많은 횟수가 아니라고 판단할 수 있다. 이 경우 공정(D)을 실시한다. 공정(C)에서 산출된 σL과 σM의 관계가 σL＜σM인 경우(도 1의 과 학습 판정에서의 "Yes"), 직전에 수행한 공정(B)의 학습 횟수는 충분히 많은 횟수였다고 판단할 수 있다. 이 경우 공정(E)을 실시한다.
［공정(D)］
공정(D)에서는 설정된 학습 횟수를 늘려서 새로운 학습 횟수로서 재설정한다(예를 들면, 바로 직전 공정(B)에서 수행된 학습 횟수에 2.0을 곱한 수를 새로운 학습 횟수로서 설정한다.). 새로운 학습 횟수를 재설정한 후 다시 공정(B)~(C)를 실시한다.
[공정(E)]
공정(E)에서는 바로 직전의 뉴럴 네트워크 학습에서 수행된 학습 횟수를 줄인 학습 횟수를 새로운 학습 횟수로서 재설정한다(예를 들면, 바로 직전 공정(B) 또는 공정(F)에서 수행된 학습 횟수에 0.95를 곱한 수를 새로운 학습 횟수로서 설정한다.).
또한, 바로 직전의 뉴럴 네트워크 학습이란 보다 가까운 이전에 수행된 학습을 가리킨다. 구체적으로는 공정(B) 혹은 후술의 공정(F) 중 보다 가까운 이전에 수행된 학습을 가리킨다.
공정(E) 종료 후 공정(F)을 실시한다.
［공정(F)］
공정(F)에서는 공정(B)에서 사용된 학습 데이터를 복수 이용하여 뉴럴 네트워크 학습을 설정된 학습 횟수로 수행한다.
상기 학습 횟수는 바로 직전 공정(E)에서 새롭게 설정된 학습 횟수다. 공정(F)에서 수행하는 내용은 뉴럴 네트워크 학습을 공정(E)에서 새롭게 설정된 학습 횟수 분 수행하는 이외는 공정(B)과 동일하다.
공정(F) 종료 후 공정(G)을 실시한다.
［공정(G)］
공정(G)에서는 바로 직전 공정(F)에서 얻어진 뉴럴 네트워크를 이용하여 종료 판정을 수행한다. 구체적으로는 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL) 및 모니터 데이터 중의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터 중의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출하여 산출된 σL과 σM의 관계가 σL ≥σM인 경우(도 1의 종료 판정에서의 "Yes"), 직전에 수행한 공정(F)의 학습 횟수는 아직 충분하게 많은 횟수는 아니라고 판단한다. 이 경우, 후술하는 공정(I)을 실시한다. 산출된 σL과 σM의 관계가 σL＜σM인 경우(도 1의 종료 판정에서의 "No"), 직전에 수행한 공정(F)의 학습 횟수는 이미 충분히 많은 횟수였다고 판단한다. 이 경우 후술하는 공정(H)을 실시한다.
［공정(H)］
공정(H)에서는 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치를 초과하였는지의 판정을 수행한다. 공정(H)은 공정(E)으로부터 공정(G)을 무한 반복하는 것을 회피하기 위해 수행된다. 공정(H)에서 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치를 초과한 경우(도 1에서의 "Yes")는 다시 공정(E)~(G)를 실시한다. 공정(H)에서 직전에 수행한 공정(F)의 학습 횟수가 미리 정한 수치 이하의 경우(도 1에서의 "No")는 후술의 공정(J) 또는 (K)을 실시한다.
여기에서 상기 미리 정한 수치란 특별히 한정하지 않으며 예를 들면, 공정(E)에서 설정된 학습 횟수의 100분의 1의 수치 이하, 혹은 1 이하 또는 0 이하 등을 들 수 있다.
［공정(I)］
공정(I)에서는 해석도 판정치가 미리 정한 설정치 미만인지 아닌지에 의해 해석도의 판정을 수행할 수 있다. 해석도 판정치는 아래 식(1)을 이용하여 산출된다.
[수학식 2]
상기 식(1) 중 학습 데이터의 평균 2승 오차(σL)란 바로 직전 공정(G)에서 산출된 평균 2승 오차(σL)와 동일하다. 평가 데이터 추측치의 평균치란 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(F)에서 얻어진 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치의 평균치이다.
상기 해석도 판정을 수행하는 것으로서 학습을 수행한 뉴럴 네트워크를 이용하여 시멘트 품질 등의 예측을 고 정밀도로 수행할 수 있는지 를 판단할 수 있다.
해석도 판정치가 미리 정한 설정치 미만(도 1의 해석도 판정에서의 "Yes")이면 해석은 충분하다고 판단되어 뉴럴 네트워크 학습을 종료한다. 얻어진 학습 종료 뉴럴 네트워크는 본 발명의 예측 방법으로 사용된다. 해석도 판정치가 미리 정한 설정치 이상(도 1의 해석도 판정에서의 "No")이면 학습 데이터를 이용하여 학습을 수행한 뉴럴 네트워크를 이용하고 시멘트 품질 등의 예측을 고 정밀도로 수행할 수 없다고 판단되기 때문에 공정(J) 또는 (K)를 실시한다.
미리 정한 설정치는 특별히 한정하지 않으나 바람직하게는 6% 이하, 더욱 바람직하게는 5% 이하, 특히 바람직하게는 3% 이하의 값이다.
［공정(J)］
공정(A)에서 공정(I)이 무한 수행되는 것을 막을 목적으로 후술하는 공정(K) 전에서 공정(A)을 실시한 횟수의 크기를 판정하는 공정(J)을 마련해도 좋다. 횟수의 판정은 공정(A)의 실시 횟수가 미리 설정한 횟수를 초과하는지를 판정하는 것이다. 예를 들면, 공정(A)의 실시 횟수가 미리 설정한 횟수(예를 들면, 5회)를 초과한 경우(도 1의 횟수 판정에서의 "Yes"), 사용한 학습 데이터로부터 해석은 불가능하다고 판단하고 뉴럴 네트워크 학습을 종료한다. 공정(A)의 실시 횟수가 미리 설정한 횟수 이하인 경우 공정(K)을 실시한다.
［공정(K)］
공정(K)에서는 학습 조건의 초기화를 수행한다.
학습 조건의 초기화 방법으로서는 예를 들면, 뉴럴 네트워크를 구성하는 유닛의 문턱 값이나 유닛을 결합하는 중점을 무작위로 변경한 다음 학습 데이터를 재입력하는 방법, 학습 데이터를 얻기 위한 샘플 수를 늘리거나 사용하는 감시 데이터의 종류를 늘리거나 부적절한 학습 데이터를 제외하는 것을 수행한 다음 새로운 학습 데이터를 입력하는 방법 등을 들 수 있다.
학습 조건의 초기화를 수행한 후 다시 공정 (A)~(K)를 수행한다.
상기 과 학습 판정 및 해석도 판정의 조건을 만족하는 상술한 공정(A)~(K)를 거쳐서 얻어진 학습 종료 뉴럴 네트워크를 이용하면 보다 고 정밀도로 시멘트 품질 또는 제조 조건을 예측할 수 있다.
본 발명에서 뉴럴 네트워크 학습은 최초로 충분히 많은 학습 횟수(σL＜σM이 될 정도의 학습 횟수)로 학습을 수행한 후, 학습 횟수를 줄이면서 뉴럴 네트워크 학습을σL≥σM이 될 때까지 반복한다. 이 방법에 의하면 학습 데이터에서 평가 데이터가 부족한 경우 등의 요인에 의해 σL, σM의 수치에 오차가 있는 경우라도 이 오차를 수정할 수 있고 뉴럴 네트워크 학습을 적절히 수행할 수 있다.
뉴럴 네트워크는 보다 고 정밀도의 예측을 하기 위해서 평가 데이터 추측치와 이 추측치에 대응하는 실측치의 괴리 크기를 정기적으로 점검하고 그 점검결과에 의하여 뉴럴 네트워크를 갱신하는 것이 바람직하다. 갱신의 주기는 상기(i) 조합(클링커의 광물 조성 등의 예측에 관한 뉴럴 네트워크)에서는 바람직하게는 1시간에 1회, 더욱 바람직하게는 30분간에 1회이다. 상기(ii) 조합(시멘트 함유 수경성 조성물의 물성 예측에 관한 뉴럴 네트워크)에서는 바람직하게는 1개월에 1회, 더욱 바람직하게는 1주간에 1회, 특히 바람직하게는 1일에 1회이다.
본 발명의 시멘트 품질 또는 제조 조건의 예측 방법에 의하면 뉴럴 네트워크를 이용하는 것에 의해 감시 데이터를 입력하는 것만으로 클링커의 광물 조성이나, 시멘트 함유 수경성 조성물(예를 들면, 모르타르)의 압축 강도 등의 평가 데이터 추측치를 1시간 이내에 얻을 수 있다.
또, 얻어진 평가 데이터 추측치에 의하여 시멘트 제조 도중에서 시멘트 품질 이상을 조기에 감지하고 원료 조제 공정, 소성 공정 및 마무리 공정에서의 제반 조건의 최적화를 수행함으로써 적정한 품질의 시멘트를 제조할 수 있다.
구체적으로는 클링커의 광물 조성의 추측치에 이상이 인정되었을 경우, 원료의 조합, 소성 조건의 조정 등을 수행함으로써 클링커의 광물 조성을 목적으로 할 수 있도록 했다.
또, 평가 데이터 추측치에 의해 제조상의 목표를 수정하는 것도 가능하다.
예를 들면, 모르타르의 압축 강도가 목표치에 미달할 것으로 예측한 경우, 학습에 사용한 감시 데이터(인자)와 모르타르의 압축 강도와의 관계를 해석하여 최적의 시멘트 처방을 확인함으로써 시멘트 품질을 목적으로 할 수 있도록 했다.
한층 더 시멘트 제조를 제어하는 컴퓨터와 본 발명의 시멘트 품질 또는 제조 조건의 예측 방법을 실시하기 위해 사용하는 컴퓨터를 접속함으로써 평가 데이터에 의해 감시 데이터를 인위적으로 변동시키기 위한 제어 시스템을 자동화할 수도 있다. 예를 들면, OLSOFT 회사제품의 "Neural Network Library" 상품명)) 등을 들 수 있다.
[실시예]
이하 실시예에 의해 본 발명을 설명한다.
［A. 시멘트 함유 수경성 조성물의 물성에 관한 데이터 예측］
［실시예 1］
학습용 샘플로서 샘플링 시간이 서로 다른 28개의 시멘트를 "JIS R5201"에 준해 혼련하고 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 각 시점에서의 모르타르의 압축 강도를 측정하여 학습 데이터(평가 데이터 실측치)로 했다.
또, 상기 28개의 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양, 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 측정하여 학습 데이터(감시 데이터 실측치)로 했다. 또한, 각 광물의 양은 분말 X선 회절 장치에서 측정 범위：2θ=10~65° 범위로 측정을 수행하고 리트벨트 해석 소프트로 계산된 C3S, C2S, C4AF, C3A, 석고류, 캘사이트의 양이다(또한, 이후의 실시예에서의 각 광물의 양도 이것과 동일하다).
또, 모니터용의 샘플로서 상기 28개의 샘플과는 샘플링 시간이 다른 2개의 시멘트를 이용하여 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후인 각 시점에서의 모르타르의 압축 강도를 학습 데이터와 동일하게 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 2개의 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 분 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 2% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 사용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해서 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후 모르타르의 압축 강도를 예측했다. 그 결과를 도 2~도 4에 나타냈다.
상기 샘플과는 다른 시멘트 A를 이용하여 "JIS R5201"에 준해 혼련하고 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후 각 시점에서의 모르타르 압축 강도를 측정했다. 그 결과 3일간 양생 후는 32.0N/mm2, 7일간 양생 후는 43.5N/mm2, 28일간 양생 후는 58.1N/mm2였다.
한편, 상기로 얻어진 뉴럴 네트워크에 시멘트 A의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 입력해서 얻어진 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 모르타르 압축 강도의 추측치는 각각 31.8N/mm2, 43.7N/mm2, 58.0N/mm2며 실측치와 추측치는 거의 일치했다.
［비교예 1］
일본특허출원공개공보 2005－214891의 실시 예의 방법에 따라 모르타르 압축 강도의 시험을 수행했다.
구체적으로는 실시예 1에서 사용된 샘플 데이터의 클링커를 채취·축분(縮分)하고 진동 밀에 의해 세밀하게 분쇄하여 분말 X선 회절용의 샘플을 제작했다.
이 샘플을 분말 X선 회절 장치에서 측정 범위：2θ=10~65° 범위에서 측정했다.
얻어진 X선 회절 프로파일을 리트벨트 해석 소프트로 계산하고 각 클링커 광물의 결정 정보의 파라미터를 얻었다.
상기 해석으로 얻어진 파라미터 중 각 광물의 양, 격자 정수(a, b, c, β 등) 또는 격자 체적에 의해 소량·미량 성분에 의한 클링커 광물의 결정 정보의 변화를 파악하고 중회귀 분석으로 구한 중회귀 식을 이용하여 시멘트 품질의 예측을 수행했다.
시멘트 품질로서 모르타르 압축 강도를 예측하는 경우에 이용되는 상기 중회귀 식의 바람직한 일례를 이하에 나타냈다.
모르타르 압축 강도(재령 3일)(N/mm2)=A×(앨라이트량；질량 %)＋B×(알루미네이트 상량；질량 %)＋C×(앨라이트의 격자 체적；Å3)＋D×(황산 알칼리량；질량 %)＋E
여기서 계수 A~E는 A=0.6, B=0.3, C=0.6, D=2, E=60이다.
모르타르 압축 강도(재령 7일)(N/mm2)=재령 3일의 예측치＋A×(앨라이트의 격자 체적；Å3)＋B×(황산 알칼리량；질량 %)＋C
여기서 계수 A~C는 A=－1, B=－80, C=32이다.
모르타르 압축 강도(재령 28일)(N/mm2)=재령 7일의 예측치＋A×(앨라이트의 격자 체적；Å3)＋B×(벨라이트량；질량 %)＋C×(벨라이트의 격자 체적；Å3)＋D×(황산 알칼리량；질량 %)＋E×(페라이트 상량；질량 %)＋F×(페라이트 상의 격자 체적；Å3)＋G
여기서 계수 A~G는 A=－2, B=4, C=0.6, D=－80, E=－0.2, F=－2, G=47이다.
재령 3일, 재령 7일, 재령 28일의 모르타르 압축 강도의 추측치와 실측치의 그래프를 도 5~도 7에 나타냈다.
도 5~도 7에 나타낸 바와 같이 일본특허출원공개공보 2005－214891의 방법에서는 추측치와 실측치의 상관계수(R2)가 낮고 추측치의 정도도 낮아진 것으로 생각할 수 있다.
［비교예 2］
실시예 1에서 이용한 학습 데이터 및 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 학습 횟수를 1회에서 순서로 증가시켰다. 그 결과, 1회째의 학습에서 σL≥σM이 되어 학습을 종료했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 모르타르 압축 강도를 예측했다. 그 결과를 도 8 내지 도 10에 나타냈다.
상기 샘플과는 다른 시멘트 A를 이용하여 "JIS R5201"에 준해 혼련하고 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후 각 시점에서의 모르타르 압축 강도를 측정했다. 그 결과 3일간 양생 후는 32.0N/mm2, 7일간 양생 후는 43.5N/mm2, 28일간 양생 후는 58.1N/mm2였다.
한편, 상기로 얻어진 뉴럴 네트워크에 시멘트 A의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양, 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 입력하여 얻어진 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 모르타르 압축 강도의 추측치는 각각 38.3N/mm2, 48.6N/mm2, 68.3N/mm2며 실측치와 추측치의 차이가 실시예보다 컸다.
［실시예 2］
학습용 샘플로서 샘플링 시간이 서로 다른 28개의 시멘트를 "JIS R5201"에 준해 혼련하고 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 각 시점에서의 모르타르 압축 강도를 측정하여 학습 데이터(평가 데이터 실측치)로 했다.
또, 상기 28개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 클링커 주원료의 공급량, 브랜딩 사일로의 저축량(잔량), 원료 스토리지 사일로의 저축량(잔량)을 측정하여 학습 데이터(감시 데이터 실측치)로 했다.
또, 모니터용의 샘플로서 상기 28개의 샘플과는 샘플링 시간이 다른 2개의 시멘트를 이용하여 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 각 시점에서의 모르타르 압축 강도를 학습 데이터와 동일하게 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 2개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 클링커 주원료의 공급량, 브랜딩 사일로의 저축량(잔량), 원료 스토리지 사일로의 저축량(잔량)을 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 2% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후 모르타르의 압축 강도를 예측했다. 그 결과를 도 11 내지 도 13에 나타냈다.
상기 샘플과는 다른 시멘트 A를 이용하여 "JIS R5201"에 준해 혼련하여 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 각 시점에서의 모르타르 압축 강도를 측정했다. 그 결과 3일간 양생 후는 32.0N/mm2, 7일간 양생 후는 43.5N/mm2, 28일간 양생 후는 58.1N/mm2였다.
한편, 상기로 얻어진 뉴럴 네트워크에 시멘트 A의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 입력하여 얻어진 3일간 양생 후, 7일간 양생 후 및 28일간 양생 후의 모르타르 압축 강도의 추측치는 각각 35.2N/mm2, 40.4N/mm2, 66.0N/mm2였다.
［실시예 3］
학습용 샘플로서 샘플링 시간이 서로 다른 20개의 시멘트를 고성능 감수제를 이용한 시멘트의 유동성 시험(JIS A1171－2000으로 규정되는 강철 제품의 슬럼프 콘 및 다짐 봉, 500mm×500mm의 아크릴 평판, JIS R5201－1997로 규정되는 스푼 및 모르타르 표준모래를 사용했다.)을 실시하여 학습 데이터(평가 데이터 실측치)로 했다. 또한, 유동성 측정은 혼련 직후 및 30분 경과 후에 수행했다.
또, 상기 20개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO 및 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 클링커의 분쇄 온도, 살수량을 측정하여 학습 데이터(감시 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 모니터용 샘플로서 상기 20개의 샘플과는 샘플링 시간이 다른 2개의 시멘트를 이용하여 혼련 직후 및 30분 경과 후의 유동성을 학습 데이터와 동일하게 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 2개의 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양, 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 클링커의 분쇄 온도, 살수량을 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 2% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 혼련 직후 및 30분 경과 후의 각 시점의 유동성을 예측했다. 그 결과를 도 14 및 도 15에 나타냈다.
상기 샘플과는 다른 시멘트 A를 이용하여 상기와 동일하게 혼련 직후의 유동성을 측정했다. 그 결과는 266mm이었다.
한편, 상기로 얻어진 뉴럴 네트워크에 시멘트 A의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도, 쿨러 온도를 입력하여 얻어진 혼련 직후의 유동성은 263mm이며 실측치와 추측치는 거의 일치했다.
［실시예 4］
학습용 샘플로서 샘플링 시간이 서로 다른 22개의 시멘트를 "JIS R5203"에 따라서 7 일 후 및 28 일 후의 수화열을 측정하여 학습 데이터(평가 데이터 실측치)로 했다.
또, 상기 22개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도를 측정하여 학습 데이터(감시 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 모니터용 샘플로서 상기 22개의 샘플과는 샘플링 시간이 다른 2개의 시멘트를 이용하여 7 일 후 및 28 일 후의 수화열을 학습 데이터와 동일하게 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 2개의 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도를 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 2% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 7 일 후 및 28 일 후의 수화열을 예측했다. 그 결과를 도 16 및 도 17에 나타냈다.
［실시예 5］
학습용 샘플로서 샘플링 시간이 서로 다른 20개 시멘트의 응결 시간의 시발·종결을 "JIS R5201"에 준해 측정하여 학습 데이터(평가 데이터 실측치)로 했다.
또, 상기 20개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도를 측정하여 학습 데이터(감시 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 모니터용 샘플로서 상기 20개의 샘플과는 샘플링 시간이 다른 2개의 시멘트를 이용하여 응결 시간의 시발·종결을 학습 데이터와 동일하게 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 2개 시멘트의 브레인 비표면적, 32μm 잔분량, 습식 f.CaO, 각 광물의 양 및 화학 조성(MgO, SO3, Na2O, K2O, P2O5), 킬른 낙구 온도를 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 2% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 응결 시간(시발 및 종결)을 예측했다. 그 결과를 도 18및 도 19에 나타냈다.
［B. 클링커 또는 시멘트에 관한 데이터 예측］
［실시예 6］
학습용 샘플로서 샘플링 시간이 서로 다른 116개의 클링커를 그 광물 조성으로 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 산출하여 학습 데이터(평가 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 상기 116개의 클링커 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 킬른 낙구 온도, 킬른 소성대 온도, 킬른 평균 토르크 및 상기 클링커의 화학 조성을 학습 데이터(감시 데이터 실측치)로 했다.
또, 모니터용 샘플로서 상기 116개의 샘플과는 샘플링 시간이 다른 5개의 클링커를 이용하여 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 학습 데이터와 동일하게 산출하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 5개의 클링커 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 킬른 낙구 온도, 킬른 소성대 온도, 킬른 평균 토르크 및 상기 클링커의 화학 조성을 모니터 데이터(감시 데이터 실측치)로 했다.
또한, 상기 학습 데이터 및 모니터 데이터에서 클링커 원료의 화학 조성이란 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, Na2Oeq, TiO2, P2O5, MnO, Cl, T－Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F의 함유량이다. 클링커의 화학 조성이란 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, Na2Oeq, TiO2, P2O5, MnO, Cl, T－Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F의 함유량이다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 3% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 예측했다. 그 결과를 도 20에 나타냈다.
상기 샘플과는 다른 클링커 A를 이용하여 상기와 동일하게 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 측정했다. 그 결과는 0.35%이었다.
한편, 상기로 얻어진 뉴럴 네트워크에 클링커 A의 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 킬른 낙구 온도, 킬른 소성대 온도, 킬른 평균 토르크 및 상기 클링커의 화학 조성을 입력해서 얻어진 클링커 중의 프리 라임(f.CaO)의 함유율(%)은 0.42%이며 실측치와 추측치는 거의 일치했다.
［비교예 3］
실시예 5에서 이용한 학습 데이터 및 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 학습 횟수를 1회에서 순서로 증가시켰다. 그 결과, 1회째의 학습에서 σL≥σM이 성립하여 학습을 종료했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 예측했다. 그 결과를 도 21에 나타냈다.
상기 샘플과는 다른 클링커 A를 이용하여 상기와 동일하게 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 측정했다. 그 결과는 0.35%이었다.
한편, 상기로 얻어진 뉴럴 네트워크에 클링커 A의 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 킬른 낙구 온도, 킬른 소성대 온도, 킬른 평균 토르크 및 상기 클링커의 화학 조성을 입력해서 얻어진 클링커 중의 프리 라임(f.CaO)의 함유율(%)은 1.2%이며 실측치와 추측치의 차이는 실시예보다 컸다.
［실시예 7］
학습용 샘플로서 샘플링 시간이 서로 다른 116개의 클링커를 그 광물 조성으로 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 산출하여 학습 데이터(평가 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 상기 116개의 클링커의 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 분쇄 온도, 살수량, 세퍼레이터 풍량 및 킬른 평균 토르크를 학습 데이터(감시 데이터 실측치)로 했다.
또, 모니터용 샘플로서 상기 116개의 샘플과는 샘플링 시간이 다른 5개의 클링커를 이용하여 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 학습 데이터와 동일하게 산출하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 5개의 클링커의 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 분쇄 온도, 살수량, 세퍼레이터 풍량 및 킬른 평균 토르크를 모니터 데이터(감시 데이터 실측치)로 했다.
또한, 상기 학습 데이터 및 모니터 데이터에서 클링커 원료의 화학 조성이란 실시예 5와 동일하다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 3% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 예측했다. 그 결과를 도 22에 나타냈다.
상기 샘플과는 다른 클링커 A를 이용하여 상기와 동일하게 클링커 중의 프리 라임(f.CaO)의 함유율(%)을 측정했다. 그 결과는 0.35%이었다.
한편, 상기로 얻어진 뉴럴 네트워크에 클링커 A의 킬른에의 투입 직전의 클링커 원료의 화학 조성, 용중, 분쇄 온도, 살수량, 세퍼레이터 풍량, 및 킬른 평균 토르크를 입력하여 얻어진 클링커 중의 프리 라임(f.CaO)의 함유율(%)은 0.89%이었다.
［실시예 8］
학습용 샘플로서 샘플링 시간이 서로 다른 47개의 시멘트를 그 광물 조성으로 시멘트 중의 석고 반 수화율(%)을 산출하여 학습 데이터(평가 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 상기 47개의 시멘트의 클링커의 투입량, 클링커의 용중, 클링커의 광물 조성, 석고의 첨가량, 살수량, 밀의 회전수 및 밀로부터 배출되는 분체 온도를 학습 데이터(감시 데이터 실측치)로 했다.
또, 모니터용 샘플로서 상기 47개의 샘플과는 샘플링 시간이 다른 3개의 시멘트를 이용하여 시멘트 중의 석고 반 수화율(%)을 산출하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 3개 시멘트의 클링커의 투입량, 클링커의 용중, 클링커의 광물 조성, 석고의 첨가량, 살수량, 밀의 회전수 및 밀로부터 배출되는 분체 온도를 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 3% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 입력층, 중간층 및 출력층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 시멘트 중의 석고 반 수화율(%)을 예측했다. 그 결과를 도 23에 나타냈다.
상기 샘플과는 다른 시멘트 A를 이용하여 상기와 동일하게 시멘트 중의 석고의 반 수화율(%)을 측정했다. 그 결과는 67%이었다.
한편, 상기로 얻어진 뉴럴 네트워크에 클링커의 투입량, 클링커의 용중, 클링커의 광물 조성, 석고의 첨가량, 살수량, 밀의 회전수 및 밀로부터 배출되는 분체 온도를 입력하여 얻어진 시멘트 중의 석고 반 수화율(%)은 63%이며 실측치와 추측치는 거의 일치했다.
［실시예 9］
학습용 샘플로서 샘플링 시간이 서로 다른 200개의 클링커의 각 광물의 양을 측정했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다. 그 결과로 C3S/C2S비 및 C4AF/C3A비를 실제로 측정하여 학습 데이터(평가 데이터 실측치)로 했다.
또, 상기 200개의 클링커 원료의 화학 조성, 킬른의 소성대 온도, 킬른 낙구 온도 및 쿨러 온도 등을 학습 데이터(감시 데이터 실측치)로 했다. 또한, 클링커 원료의 화학 조성이란 SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O, K2O, TiO2, P2O5, MnO의 함유량이다.
또, 모니터용 샘플로서 상기 200개의 샘플과는 샘플링 시간이 다른 5개의 클링커의 각 광물의 양을 학습용 데이터와 동일하게 측정했다. 그 결과로 C3S/C2S비 및 C4AF/C3A비를 실제로 측정하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 5개의 클링커 원료의 화학 조성, 킬른의 소성대 온도, 킬른 낙구 온도 및 쿨러 온도 등을 학습 데이터와 동일하게 측정하여 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 3% 미만이 될 때까지 수행했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 C3S/C2S비 및 C4AF/C3A비를 예측했다. 그 결과를 도 24(C3S/C2S비) 및 도 25(C4AF/C3A비)에 나타냈다.
［클링커 원료에 관한 데이터 예측］
［실시예 10］
학습용 샘플로서 킬른에의 투입 직전의 샘플링 시간이 서로 다른 40개의 클링커 원료를 그 광물 조성으로 수경율을 산출하여 학습 데이터(평가 데이터 실측치)로 했다. 또한, 각 광물의 양은 실시예 1과 동일하게 산출했다.
또, 상기 40개의 클링커 원료의 샘플링 시부터 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 각 시점에서의 원료 밀 내의 클링커 주원료(조합 원료)의 수경율, 클링커 주원료의 공급량, 3종의 클링커 부원료(폐기물)의 각 공급량, 브랜딩 사일로의 잔량, 원료 스토리지 사일로의 잔량, 원료 밀과 브랜딩 사일로 간에 위치하는 사이클론의 전류치, 프리 히터의 가스 유량, 클링커 원료의 브레인 비표면적(분말도) 및 클링커 원료의 강열 감량을 학습 데이터(감시 데이터 실측치)로 했다.
또, 모니터용 샘플로서 상기 40개의 샘플과는 샘플링 시간이 다른 3개의 클링커 원료를 이용하여 수경율을 학습용 데이터와 동일하게 산출하여 모니터 데이터(평가 데이터 실측치)로 했다. 또한, 상기 3개의 클링커 원료의 샘플링 시부터 3시간 전, 4시간 전, 5시간 전 및 6시간 전의 각 시점에서의 원료 밀 내의 클링커 주원료(조합 원료)의 수경율, 클링커 주원료의 공급량, 3종의 클링커 부원료(폐기물)의 각 공급량, 브랜딩 사일로의 잔량, 원료 스토리지 사일로의 잔량, 원료 밀과 브랜딩 사일로 간에 위치하는 사이클론의 전류치, 프리 히터의 가스 유량, 클링커 원료의 브레인 비표면적(분말도) 및 클링커 원료의 강열 감량을 모니터 데이터(감시 데이터 실측치)로 했다.
상기 학습 데이터를 이용하여 뉴럴 네트워크 학습을 수행했다.
뉴럴 네트워크 학습은 최초로 상기 학습 데이터와 모니터 데이터를 이용하여 1만 회 수행했다. 얻어진 뉴럴 네트워크를 이용하여 σL과 σM을 산출한 결과 σL과 σM의 관계는 σL＜σM이었다.
그 후, 뉴럴 네트워크를 초기화하고 상기 학습 데이터와 모니터 데이터를 이용하여 뉴럴 네트워크 학습을 상기 학습 횟수에 0.95를 곱한 수의 학습 횟수 수행을 학습 후의 뉴럴 네트워크를 이용하여 산출된 σL과 σM의 관계가 σL≥σM이 될 때까지 반복했다.
상기 학습을 해석도 판정치가 3% 미만이 될 때까지 수행했다.
뉴럴 네트워크로서는 중간층을 가지는 계층형의 뉴럴 네트워크를 이용했다.
학습 종료 후 상기 학습 데이터 및 모니터 데이터의 감시 데이터 실측치에 의해 킬른에의 투입 직전의 클링커 원료의 수경율을 예측했다. 그 결과를 도 26에 나타냈다.
Claims (8)
- 입력층 및 출력층을 가지는 뉴럴 네트워크를 이용한 시멘트 품질 또는 제조 조건의 예측 방법에 있어서,
상기 입력층은 시멘트 제조에서의 감시 데이터 실측치를 입력하기 위한 것이고 상기 출력층은 시멘트 품질 또는 제조 조건의 평가와 관련하는 평가 데이터 추측치를 출력하기 위한 것이며,
상기 감시 데이터와 상기 평가 데이터의 조합이,
(i) 상기 감시 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터 및 클링커에 관한 데이터 중에서 선택되는 한 종 이상의 데이터이면서 또한, 상기 평가 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터, 또는 시멘트에 관한 데이터인 조합, 또는,
(ii) 상기 감시 데이터가 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터, 분쇄 조건에 관한 데이터, 클링커에 관한 데이터 및 시멘트에 관한 데이터 중에서 선택되는 일종 이상의 데이터이면서 또한, 상기 평가 데이터가 시멘트 함유 수경성 조성물의 물성에 관한 데이터인 조합이며,
(A) 학습 횟수의 초기설정을 수행하는 공정과,
(B) 감시 데이터 실측치와 평가 데이터 실측치의 조합인 학습 데이터를 복수 이용하여 뉴럴 네트워크 학습을 설정된 학습 횟수 수행하는 공정과,
(C) 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL) 및 뉴럴 네트워크 학습 결과의 신뢰성을 확인하기 위한 감시 데이터 실측치와 평가 데이터 실측치의 조합인 모니터 데이터 중의 감시 데이터 실측치를 바로 직전 공정(B)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터 중의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출하고 산출된 σL과 σM의 관계가 σL≥σM인 경우, 공정(D)을 실시하고 산출된 σL과 σM의 관계가 σL＜σM인 경우, 공정(E)을 실시하는 공정과,
(D) 설정된 학습 횟수를 늘려 새로운 학습 횟수로서 재설정하고 다시 한 번 공정(B)~(C)를 실시하는 공정과,
(E) 바로 직전의 뉴럴 네트워크 학습에서 수행한 학습 횟수를 줄인 학습 횟수를 새로운 학습 횟수로서 재설정하는 공정과,
(F) 공정(B)에서 사용된 학습 데이터를 이용하여 뉴럴 네트워크 학습을 설정된 학습 횟수 수행하는 공정과,
(G) 학습 데이터의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL) 및 모니터 데이터 중의 감시 데이터 실측치를 바로 직전 공정(F)에서 학습이 수행된 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 모니터 데이터 중의 평가 데이터 실측치와의 평균 2승 오차(σM)를 산출하고 산출된 σL과 σM의 관계가 σL≥σM인 경우, 공정(I)을 실시하고 산출된 σL과 σM의 관계가 σL＜σM인 경우, 공정(H)을 실시하는 공정과,
(H) 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치를 초과한 경우, 다시 한 번 공정(E)~(G)를 실시하여 직전에 수행한 공정(F)에서의 뉴럴 네트워크 학습 횟수가 미리 정한 수치 이하인 경우, 공정(K)을 실시하는 공정과,
(I) 아래 식(1)을 이용하여 해석도 판정치를 산출하고 이 해석도 판정치가 미리 정한 설정치 미만인 경우, 상기 입력층에 시멘트 제조에서의 감시 데이터 실측치를 입력하여 상기 출력층으로부터 시멘트 품질 또는 제조 조건의 평가에 관련하는 평가 데이터 추측치를 출력하고 해석도 판정치가 미리 정한 설정치 이상인 경우, 공정(K)을 실시하는 공정과,
(K) 학습 조건의 초기화를 수행하여 다시 한 번 공정(A)~(K)를 실시하는 공정을 포함하는 것을 특징으로 하는 시멘트 품질 또는 제조 조건의 예측 방법.
[수학식1]
(상기 식(1) 중, 학습 데이터의 평균 2승 오차(σL)란 학습 데이터의 감시 데이터 실측치를 학습 후의 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치와 학습 데이터의 평가 데이터 실측치와의 평균 2승 오차(σL)이다. 평가 데이터 추측치의 평균치란 학습 데이터의 감시 데이터 실측치를 학습 후의 뉴럴 네트워크의 입력층에 입력해서 얻어진 평가 데이터 추측치의 평균치이다.) - 제1항에 있어서,
(J) 상기 공정(K) 전에 공정(A)을 실시한 횟수 크기에 대한 판정을 수행하고 이 횟수가 미리 설정한 횟수 이하인 경우, 학습 조건의 초기화를 수행하여 다시 한 번 공정(A)~(I)를 수행하고 이 횟수가 미리 설정한 횟수를 초과한 경우, 뉴럴 네트워크 학습을 종료하는 공정을 포함하는 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항에 있어서,
상기 해석도 판정치의 미리 정한 설정치가 6% 이하의 값인 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항에 있어서,
상기 뉴럴 네트워크가 상기 입력층과 상기 출력층 간에 중간층을 가지는 계층형의 뉴럴 네트워크인 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항 내지 제4항의 어느 한 항에 있어서,
상기 감시 데이터와 상기 평가 데이터의 조합이 감시 데이터는 클링커 원료에 관한 데이터, 소성 조건에 관한 데이터 및 클링커에 관한 데이터이면서 또한 평가 데이터는 클링커에 관한 데이터이고,
감시 데이터의 상기 클링커 원료에 관한 데이터란 클링커 원료의 화학 조성이며, 상기 소성 조건에 관한 데이터란 킬른 낙구 온도, 킬른 소성대 온도 및 킬른 평균 토르크이며, 상기 클링커에 관한 데이터란 클링커의 화학 조성 및 용중이며, 평가 데이터의 클링커에 관한 데이터란 습식 f.CaO(프리 라임)인 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항 내지 제4항의 어느 한 항에 있어서,
상기 감시 데이터와 상기 평가 데이터의 조합이 감시 데이터는 소성 조건에 관한 데이터 및 시멘트에 관한 데이터이면서 또한 평가 데이터는 시멘트 함유 수경성 조성물의 물성에 관한 데이터이고,
감시 데이터의 상기 소성 조건에 관한 데이터란 킬른 낙구 온도 및 쿨러 온도이며, 시멘트에 관한 데이터란 시멘트의 브레인 비표면적, 잔분량, 습식 f.CaO, 광물 조성 및 화학 조성이며, 평가 데이터의 상기 시멘트 함유 수경성 조성물의 물성에 관한 데이터는 모르타르의 압축 강도인 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항 내지 제4항의 어느 한 항에 있어서,
상기 감시 데이터의 실측값을 인위적으로 변동하여 얻어진 상기 평가 데이터 추측치에 의해 시멘트의 제조 조건을 최적화하는 시멘트 품질 또는 제조 조건의 예측 방법. - 제1항 내지 제4항의 어느 한 항에 있어서,
상기 평가 데이터 추측치와 이 추측치에 대응하는 실측치 괴리 크기를 정기적으로 점검하고 그 점검결과에 의해 상기 뉴럴 네트워크를 갱신하는 시멘트 품질 또는 제조 조건의 예측 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2012-123654 | 2012-05-30 | ||
| JP2012123654 | 2012-05-30 | ||
| PCT/JP2013/054623 WO2013179702A1 (ja) | 2012-05-30 | 2013-02-22 | セメントの品質または製造条件の予測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150014430A KR20150014430A (ko) | 2015-02-06 |
| KR101993493B1 true KR101993493B1 (ko) | 2019-06-26 |
Family
ID=49672918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020147023592A KR101993493B1 (ko) | 2012-05-30 | 2013-02-22 | 시멘트 품질 또는 제조 조건의 예측 방법 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9679244B2 (ko) |
| KR (1) | KR101993493B1 (ko) |
| CN (1) | CN104350021B (ko) |
| HK (1) | HK1201815A1 (ko) |
| PH (1) | PH12014502650A1 (ko) |
| TW (1) | TWI582422B (ko) |
| WO (1) | WO2013179702A1 (ko) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013179702A1 (ja) * | 2012-05-30 | 2013-12-05 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
| JP6249160B2 (ja) * | 2013-12-27 | 2017-12-20 | 三菱マテリアル株式会社 | 石英結晶子径に基づいて遊離石灰量を制御したクリンカーの製造方法 |
| JP5900808B1 (ja) * | 2014-11-13 | 2016-04-06 | 住友大阪セメント株式会社 | セメントクリンカ及びセメント組成物 |
| JP5907446B1 (ja) * | 2014-11-13 | 2016-04-26 | 住友大阪セメント株式会社 | セメントクリンカ及びセメント組成物 |
| KR101554165B1 (ko) * | 2014-12-19 | 2015-09-21 | 한국건설기술연구원 | 화재손상 콘크리트 구조물의 잔존수명 예측 시스템 및 그 방법 |
| JP6639987B2 (ja) * | 2016-03-29 | 2020-02-05 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
| JP6639988B2 (ja) * | 2016-03-29 | 2020-02-05 | 太平洋セメント株式会社 | セメントクリンカーの製造条件の予測方法 |
| WO2018061239A1 (ja) * | 2016-09-30 | 2018-04-05 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
| MY191427A (en) * | 2016-09-30 | 2022-06-27 | Taiheiyo Cement Corp | Prediction method for cement quality or manufacturing conditions |
| CN106570244B (zh) * | 2016-10-25 | 2019-07-30 | 浙江邦业科技股份有限公司 | 一种预测水泥回转窑熟料质量的一维仿真方法 |
| JP6794039B2 (ja) * | 2016-10-26 | 2020-12-02 | 太平洋セメント株式会社 | コンクリートの配合条件の予測方法 |
| US11384114B2 (en) * | 2016-12-09 | 2022-07-12 | Warsaw Orthopedic, Inc. | Polymorphic forms of an oxysterol and methods of making them |
| KR102035389B1 (ko) * | 2017-09-29 | 2019-10-23 | 전자부품연구원 | 히스토리 데이터 기반 뉴럴 네트워크 학습을 통한 공정 제어 방법 및 시스템 |
| EP3873672A4 (en) * | 2018-11-02 | 2022-08-10 | GCP Applied Technologies Inc. | CEMENT MANUFACTURE |
| CN109583087B (zh) * | 2018-11-30 | 2023-05-30 | 重庆邮电大学 | 一种基于多方位融合的回转窑表面温度补偿方法 |
| JP6638842B1 (ja) * | 2019-03-29 | 2020-01-29 | 住友大阪セメント株式会社 | セメント組成物及びセメント組成物の製造方法 |
| CN110322014A (zh) * | 2019-07-10 | 2019-10-11 | 燕山大学 | 一种基于bp神经网络的水泥成品比表面积预测方法 |
| CN112149342B (zh) * | 2020-08-21 | 2022-07-12 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
| ES2908114B2 (es) * | 2020-10-26 | 2022-12-02 | Univ Sevilla | Herramienta para gestionar la incorporacion eficiente de combustibles alternativos en plantas de cemento |
| 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 |
| TWI782620B (zh) * | 2021-07-12 | 2022-11-01 | 國產建材實業股份有限公司 | 混凝土用粒料檢測的方法 |
| CN113659833B (zh) * | 2021-08-24 | 2022-05-17 | 哈尔滨工业大学 | 一种并联直流-直流变换器的寿命延长方法 |
| US20230193720A1 (en) * | 2021-12-22 | 2023-06-22 | Halliburton Energy Services, Inc. | Cementing Lab Data Validation based On Machine Learning |
| CN117405867B (zh) * | 2023-10-14 | 2024-06-25 | 四川德胜集团水泥有限公司 | 一种用于水泥熟料生产过程的物料离析程度自动检测系统 |
| CN117172553B (zh) * | 2023-10-30 | 2024-02-06 | 泸州聚购科技发展有限公司 | 基于arima模型的重晶石粉生产中控系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2847395B2 (ja) * | 1989-08-28 | 1999-01-20 | 富士通株式会社 | 学習制御装置 |
| JPH05250164A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 学習方法 |
| JP4336591B2 (ja) | 2004-01-30 | 2009-09-30 | 三菱マテリアル株式会社 | セメントの品質予測方法およびセメントの製造管理システム |
| US8133317B2 (en) * | 2005-10-17 | 2012-03-13 | Taiheiyo Cement Corporation | Cement additive and cement composition |
| JP2007271448A (ja) | 2006-03-31 | 2007-10-18 | Sumitomo Osaka Cement Co Ltd | セメントの品質推定方法及びそれを用いた品質管理方法 |
| WO2013179702A1 (ja) * | 2012-05-30 | 2013-12-05 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
-
2013
- 2013-02-22 WO PCT/JP2013/054623 patent/WO2013179702A1/ja active Application Filing
- 2013-02-22 KR KR1020147023592A patent/KR101993493B1/ko active IP Right Grant
- 2013-02-22 US US14/403,753 patent/US9679244B2/en active Active
- 2013-02-22 CN CN201380028407.9A patent/CN104350021B/zh active Active
- 2013-02-23 TW TW102106395A patent/TWI582422B/zh active
-
2014
- 2014-11-27 PH PH12014502650A patent/PH12014502650A1/en unknown
-
2015
- 2015-03-05 HK HK15102223.8A patent/HK1201815A1/xx unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN104350021A (zh) | 2015-02-11 |
| PH12014502650B1 (en) | 2015-01-21 |
| WO2013179702A1 (ja) | 2013-12-05 |
| HK1201815A1 (en) | 2015-09-11 |
| CN104350021B (zh) | 2017-03-01 |
| TW201403065A (zh) | 2014-01-16 |
| US9679244B2 (en) | 2017-06-13 |
| US20150186772A1 (en) | 2015-07-02 |
| TWI582422B (zh) | 2017-05-11 |
| KR20150014430A (ko) | 2015-02-06 |
| PH12014502650A1 (en) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101993493B1 (ko) | 시멘트 품질 또는 제조 조건의 예측 방법 | |
| JP6636358B2 (ja) | フライアッシュセメントの品質または製造条件の予測方法 | |
| WO2012086754A1 (ja) | セメントの品質または製造条件の予測方法 | |
| JP6794039B2 (ja) | コンクリートの配合条件の予測方法 | |
| JP6782867B2 (ja) | 生コンクリートの品質予測方法 | |
| JP2017087716A (ja) | コンクリートの品質またはコンクリートの配合条件の予測方法 | |
| JP6639988B2 (ja) | セメントクリンカーの製造条件の予測方法 | |
| JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
| JP6793864B1 (ja) | 生コンクリートの品質予測方法 | |
| JP2007271448A (ja) | セメントの品質推定方法及びそれを用いた品質管理方法 | |
| JP4336591B2 (ja) | セメントの品質予測方法およびセメントの製造管理システム | |
| JP6354373B2 (ja) | 高炉スラグの選別方法及び高炉セメントの製造方法 | |
| JP6642916B2 (ja) | フライアッシュの活性度指数予測方法、およびフライアッシュ混合セメントの製造方法 | |
| JP5323290B1 (ja) | セメントの品質または製造条件の予測方法 | |
| CN105143137A (zh) | 水泥原料用高炉水淬炉渣及其筛选方法 | |
| CN110950557B (zh) | 优化水泥原料调整量的方法和系统 | |
| JP6639987B2 (ja) | セメントの品質または製造条件の予測方法 | |
| JP6364918B2 (ja) | 高炉スラグの選別方法及び高炉セメントの製造方法 | |
| WO2018061239A1 (ja) | セメントの品質または製造条件の予測方法 | |
| Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
| JP6208403B1 (ja) | セメントの品質または製造条件の予測方法 | |
| JP2018168021A (ja) | セメントの品質または製造条件の予測方法 | |
| JP2011209024A (ja) | モルタル又はコンクリートの製造方法、及びモルタル又はコンクリートの断熱温度上昇速度の予測方法 | |
| JP6644605B2 (ja) | セメントクリンカーの製造条件の予測方法 | |
| JP6697974B2 (ja) | セメントの水和熱の予測方法、及びセメントの製造管理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |