TWI582422B - The quality of cement or the manufacturing conditions of the forecast method - Google Patents
The quality of cement or the manufacturing conditions of the forecast method Download PDFInfo
- Publication number
- TWI582422B TWI582422B TW102106395A TW102106395A TWI582422B TW I582422 B TWI582422 B TW I582422B TW 102106395 A TW102106395 A TW 102106395A TW 102106395 A TW102106395 A TW 102106395A TW I582422 B TWI582422 B TW I582422B
- Authority
- TW
- Taiwan
- Prior art keywords
- learning
- data
- cement
- neural network
- clinker
- Prior art date
Links
- 239000004568 cement Substances 0.000 title claims description 168
- 238000004519 manufacturing process Methods 0.000 title claims description 59
- 238000000034 method Methods 0.000 title claims description 51
- 230000013016 learning Effects 0.000 claims description 311
- 238000012544 monitoring process Methods 0.000 claims description 182
- 238000013528 artificial neural network Methods 0.000 claims description 181
- 239000000463 material Substances 0.000 claims description 146
- 238000011156 evaluation Methods 0.000 claims description 112
- 239000000203 mixture Substances 0.000 claims description 99
- 239000002994 raw material Substances 0.000 claims description 92
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 61
- 239000011707 mineral Substances 0.000 claims description 61
- 239000000126 substance Substances 0.000 claims description 56
- 238000010304 firing Methods 0.000 claims description 41
- 239000004570 mortar (masonry) Substances 0.000 claims description 38
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 22
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 22
- 239000004571 lime Substances 0.000 claims description 22
- 238000010298 pulverizing process Methods 0.000 claims description 13
- 230000000704 physical effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004952 furnace firing Methods 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 230000036541 health Effects 0.000 description 41
- 239000011734 sodium Substances 0.000 description 25
- 238000005070 sampling Methods 0.000 description 18
- 239000010440 gypsum Substances 0.000 description 16
- 229910052602 gypsum Inorganic materials 0.000 description 16
- 239000000843 powder Substances 0.000 description 16
- 238000002156 mixing Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 239000011398 Portland cement Substances 0.000 description 11
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 10
- 229910004298 SiO 2 Inorganic materials 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 10
- 238000004898 kneading Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000001354 calcium citrate Substances 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 6
- 230000036571 hydration Effects 0.000 description 6
- 238000006703 hydration reaction Methods 0.000 description 6
- 229910010413 TiO 2 Inorganic materials 0.000 description 5
- 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
- 238000005259 measurement Methods 0.000 description 5
- 229910052759 nickel Inorganic materials 0.000 description 5
- 229910052708 sodium 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
- 229910001593 boehmite Inorganic materials 0.000 description 4
- FNAQSUUGMSOBHW-UHFFFAOYSA-H calcium citrate Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O.[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O FNAQSUUGMSOBHW-UHFFFAOYSA-H 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- FAHBNUUHRFUEAI-UHFFFAOYSA-M hydroxidooxidoaluminium Chemical compound O[Al]=O FAHBNUUHRFUEAI-UHFFFAOYSA-M 0.000 description 4
- 238000000634 powder X-ray diffraction Methods 0.000 description 4
- 235000013337 tricalcium citrate Nutrition 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 239000003513 alkali Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 238000009833 condensation Methods 0.000 description 3
- 230000005494 condensation Effects 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
- 230000008569 process Effects 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
- PMZURENOXWZQFD-UHFFFAOYSA-L Sodium Sulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=O PMZURENOXWZQFD-UHFFFAOYSA-L 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000006114 decarboxylation reaction Methods 0.000 description 2
- 235000012758 dicalcium citrate Nutrition 0.000 description 2
- PFKGDYCESFRMAP-UHFFFAOYSA-L dicalcium citrate Chemical compound [Ca+2].[O-]C(=O)CC(O)(C(=O)O)CC([O-])=O PFKGDYCESFRMAP-UHFFFAOYSA-L 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 229910052938 sodium sulfate Inorganic materials 0.000 description 2
- 235000011152 sodium sulphate Nutrition 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
- 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
- 229910052788 barium Inorganic materials 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 229910001570 bauxite Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000011400 blast furnace cement Substances 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
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000009472 formulation Methods 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
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 229910052902 vermiculite Inorganic materials 0.000 description 1
- 239000010455 vermiculite Substances 0.000 description 1
- 235000019354 vermiculite Nutrition 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- 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)
- General Physics & Mathematics (AREA)
- Ceramic Engineering (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Structural Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
Description
本發明係關於使用神經網路的水泥之品質或製造條件之預測方法。
以往,在評估水泥之品質時,會有耗費成本或時間的問題。例如,砂漿(mortar)的壓縮強度係在將水泥、標準砂及水依據JIS R 5201混練後,將供試體成型,在1天養生後、3天養生後、7天養生後、及28天養生後的各時點,將供試體放在壓縮試驗機來進行測定。亦即,至清楚砂漿的壓縮強度的測定結果為止,會耗費28天,因此水泥出貨時,無法獲得砂漿壓縮強度的預測值。
尤其,在近年的水泥製造中,作為水泥原料或燒成用燃料的產業廢棄物的使用量增加,水泥品質變動的機會變多。因此,為預先防止所出貨的水泥品質異常,水泥品質管理的重要性日益增高。
為解決如上所示之問題,在專利文獻1中記載:將水泥或熟料(clinker)的粉末X線繞射結果,藉由剖面擬合法進行解析,根據由此所得之熟料礦物的結晶資
訊,來預測水泥之品質(具體而言為水泥的凝結時間及砂漿壓縮強度)變化的水泥之品質預測方法。
此外,在專利文獻2中記載一種水泥之品質推定方法,其係在水泥製造工廠的運轉中,將作為品質管理資訊所收集到的水泥中的熟料構成礦物及添加材的量的資訊、熟料構成礦物的結晶構造的資訊、熟料的少量成分的量的資訊、及水泥的粉末度及45μm殘留物的資訊,適用在根據過去所蓄積的該等資訊及砂漿壓縮強度實測資料之間的多重回歸分析所求出的砂漿壓縮強度的推定式,藉此推定砂漿壓縮強度。
但是,在專利文獻1、2的方法中,無法預測砂漿的壓縮強度及凝結時間以外的品質(例如砂漿的流動性等)。此外,影響水泥品質的要因並非侷限於專利文獻1、2所列舉者,由於製造工程中的各條件等、各種要因複雜相關,因此專利文獻1、2的方法並無法謂為精度高的方法。
另一方面,在水泥之製造條件之中,如投入至窯爐瞬前的熟料原料的水硬率,會有預熱器的氣體流量等複數要因複雜相關而難以預測者。
因此,在考慮到各種要因之後,必須要有可以短時間而且高精度預測水泥之品質或製造條件的方法。
專利文獻1:日本特開2005-214891號公報
專利文獻2:日本特開2007-271448號公報
本發明之目的在提供可以短時間而且高精度預測水泥之品質或製造條件的方法。
本發明人等為解決上述課題而精心研究的結果,發現藉由使用學習資料與監測資料,在以成為σ L<σ M(本式之涵義容後說明)之充分大的學習次數進行神經網路的學習後,這次一面減少學習次數,一面反覆神經網路的學習至成為σ L≧σ M為止,而且解析度判定值為未達預先決定的設定值之在神經網路的輸入層輸入特定的監視資料,由上述神經網路的輸出層輸出特定的評估資料的推測值的方法,可達成上述目的,而完成本發明。
亦即,本發明係提供以下〔1〕~〔7〕者。
〔1〕一種水泥之品質或製造條件之預測方法,其係使用具有輸入層及輸出層之神經網路之水泥之品質或製造條件之預測方法,其特徵為:上述輸入層係用以輸入水泥製造中的監視資料的實測值者,上述輸出層係用以輸出與水泥之品質或製造條件的評估相關連的評估資料的推測值者,上述監視資料與上述評估資料的組合係:(i)上述
監視資料係選自關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、及關於熟料的資料之中的一種以上的資料,而且上述評估資料係關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、關於水泥的資料的組合,或者(ii)上述監視資料係關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、及關於水泥的資料,而且上述評估資料係關於水泥含有水硬性組成物的物性的資料的組合,該水泥之品質或製造條件之預測方法係包含:(A)進行學習次數的初期設定的工程;(B)使用複數個監視資料的實測值與評估資料的實測值的組合亦即學習資料,進行神經網路的學習所設定的學習次數的工程;(C)算出將學習資料的監視資料的實測值輸入至最接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測值的平均平方誤差(σL)、及將用以確認神經網路的學習結果的可靠性的監視資料的實測值與評估資料的實測值的組合亦即監測資料之中的監視資料的實測值輸入至最接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與監測資料之中的評估資料的實測值的平均平方誤差(σM),若所被算出的σL與σM的關係為σL≧σM時,實施工程(D),若所被算出的σL與σM的關係為σL<σM時,實施工程(E)的工程;(D)增加所被設定的學習次數,再設定為新的學習次數,再次實施工程
(B)~(C)的工程;(E)將已減少在最接近的神經網路的學習中所被實施的學習次數的學習次數,再設定為新的學習次數的工程;(F)使用在工程(B)中所使用的學習資料,進行神經網路的學習所設定的學習次數的工程;(G)算出將學習資料的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測值的平均平方誤差(σL)、及將監測資料之中的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值與監測資料之中的評估資料的實測值的平均平方誤差(σM),若所被算出的σL與σM的關係為σL≧σM時,實施工程(I),若所被算出的σL與σM的關係為σL<σM時,實施工程(H)的工程;(H)若最接近所進行的工程(F)中的神經網路的學習次數超過預先決定的數值時,再次實施工程(E)~(G),若最接近所進行的工程(F)中的神經網路的學習次數為預先決定的數值以下時,實施工程(K)的工程;(I)使用下述式(1)算出解析度判定值,若該解析度判定值為未達預先決定的設定值時,在上述輸入層輸入水泥製造中的監視資料的實測值,由上述輸出層,輸出與水泥的品質或製造條件的評估相關連的評估資料的推測值工程;及(K)進行學習條件的初期化,再次實施工程(A)~(K)的工程,
(上述式(1)中,學習資料的平均平方誤差(σL)係指將學習資料的監視資料的實測值輸入至學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測值的平均平方誤差(σL);評估資料的推測值的平均值係指將學習資料的監視資料的實測值輸入至學習後的神經網路的輸入層所得之評估資料的推測值的平均值)。
〔2〕如前述〔1〕之水泥之品質或製造條件之預測方法,其中,包含(J)在上述工程(K)之前,進行關於實施工程(A)的次數的大小的判定,若該次數為預先設定的次數以下時,進行學習條件的初期化,再次進行工程(A)~(I),若該次數超過預先設定的次數時,結束神經網路的學習的工程。
〔3〕如前述〔1〕或〔2〕之水泥之品質或製造條件之預測方法,其中,上述解析度判定值的預先決定的設定值為6%以下的值。
〔4〕如前述〔1〕~〔3〕中任一項之水泥之品質或製造條件之預測方法,其中,上述神經網路為在上述輸入層與上述輸出層之間具有中間層的階層型神經網路。
〔5〕如前述〔1〕~〔4〕中任一項之水泥之品質或
製造條件之預測方法,其中,上述監視資料與上述評估資料的組合,監視資料係關於熟料原料的資料、關於燒成條件的資料、及關於熟料的資料,而且,評估資料係關於熟料的資料,監視資料之上述關於熟料原料的資料係指熟料原料的化學組成,上述關於燒成條件的資料係指窯爐落口溫度、窯爐燒成帶溫度、及窯爐平均力矩,上述關於熟料的資料係指熟料的化學組成、及容重,評估資料的關於熟料的資料係指濕式f.CaO(游離石灰)。
〔6〕如前述〔1〕~〔4〕中任一項之水泥之品質或製造條件之預測方法,其中,上述監視資料與上述評估資料的組合,監視資料係關於燒成條件的資料、及關於水泥的資料,而且,評估資料係關於水泥含有水硬性組成物的物性的資料,監視資料之上述關於燒成條件的資料係指窯爐落口溫度、及冷卻器溫度,關於水泥的資料係指水泥的勃氏比表面積、殘留物量、濕式f.CaO、礦物組成、及化學組成,評估資料之上述關於水泥含有水硬性組成物的物性的資料係砂漿的壓縮強度。
〔7〕如前述〔1〕~〔6〕中任一項之水泥之品質或製造條件之預測方法,其中,根據使上述監視資料的值人為變動所得之上述評估資料的推測值,來將水泥的製造條件最適化。
〔8〕如前述〔1〕~〔7〕中任一項之水泥之品質或製造條件之預測方法,其中,定期檢查上述評估資料的推測值、與對應該推測值的實測值的偏差的大小,根據該檢
查結果,更新上述神經網路。
若使用本發明之水泥之品質或製造條件之預測方法,根據在水泥製造過程中所得之各種資料,可以短期間而且高精度預測水泥之品質或製造條件。
此外,可根據所得的推測值來即時管理製造條件,可達成水泥之品質安定化的提升或水泥的製造條件的最適化。
此外,藉由定期更新神經網路,可達成預測精度的提升。
圖1係顯示本發明之預測方法所使用之神經網路之學習方法之一例的流程圖。
圖2係顯示在實施例1中所預測的材齡3天的壓縮強度的推測值與實測值之比較的圖表。
圖3係顯示在實施例1中所預測的材齡7天的壓縮強度的推測值與實測值之比較的圖表。
圖4係顯示在實施例1中所預測的材齡28天的壓縮強度的推測值與實測值之比較的圖表。
圖5係顯示在比較例1中所預測的材齡3天的壓縮強度的推測值與實測值之比較的圖表。
圖6係顯示在比較例1中所預測的材齡7天的壓縮強度的推測值與實測值之比較的圖表。
圖7係顯示在比較例1中所預測的材齡28天的壓縮強度的推測值與實測值之比較的圖表。
圖8係顯示在比較例2中所預測的材齡3天的壓縮強度的推測值與實測值之比較的圖表。
圖9係顯示在比較例2中所預測的材齡7天的壓縮強度的推測值與實測值之比較的圖表。
圖10係顯示在比較例2中所預測的材齡28天的壓縮強度的推測值與實測值之比較的圖表。
圖11係顯示在實施例2中所預測的材齡3天的壓縮強度的推測值與實測值之比較的圖表。
圖12係顯示在實施例2中所預測的材齡7天的壓縮強度的推測值與實測值之比較的圖表。
圖13係顯示在實施例2中所預測的材齡28天的壓縮強度的推測值與實測值之比較的圖表。
圖14係顯示在實施例3中所預測的混練瞬後的流動性的推測值與實測值之比較的圖表。
圖15係顯示在實施例3中所預測的混練30分鐘後的流動性的推測值與實測值之比較的圖表。
圖16係顯示在實施例4中所預測的材齡7天的水合熱的推測值與實測值之比較的圖表。
圖17係顯示在實施例4中所預測的材齡28天的水合熱的推測值與實測值之比較的圖表。
圖18係顯示在實施例5中所預測的凝結時間的開始的推測值與實測值之比較的圖表。
圖19係顯示在實施例5中所預測的凝結時間的終結的推測值與實測值之比較的圖表。
圖20係顯示在實施例6中所預測的熟料中的游離石灰的含有率(%)的推測值與實測值之比較的圖表。
圖21係顯示在比較例3中所預測的熟料中的游離石灰的含有率(%)的推測值與實測值之比較的圖表。
圖22係顯示在實施例7中所預測的熟料中的游離石灰的含有率(%)的推測值與實測值之比較的圖表。
圖23係顯示在實施例8中所預測的水泥中的石膏的半水化率(%)的推測值與實測值之比較的圖表。
圖24係顯示在實施例9中所預測的熟料的品質(C3S/C2S比)的推測值與實測值之比較的圖表。
圖25係顯示在實施例9中所預測的熟料的品質(C4AF/C3A比)的推測值與實測值之比較的圖表。
圖26係顯示在實施例10中所預測之投入至窯爐瞬前的熟料原料的水硬率的推測值與實測值之比較的圖表。
以下詳加說明本發明。
本發明之預測方法係使用神經網路來預測水泥之品質或製造條件的方法,該神經網路係具有:用以輸入水泥製造中的監視資料的實測值的輸入層;及用以輸出與水泥之
品質或製造條件的評估相關連的評估資料的推測值的輸出層。
本發明之神經網路亦可為在輸入層與輸出層之間具有中間層的階層型神經網路。
以上述監視資料與上述評估資料的組合而言,列舉以下(i)或(ii)。
(i)上述監視資料係選自關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、及關於熟料的資料之中的一種以上的資料,而且,上述評估資料係關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、關於水泥的資料的組合
(ii)上述監視資料係關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、及關於水泥的資料,而且,上述評估資料係關於水泥含有水硬性組成物的物性的資料的組合
作為前述(i)之組合中的監視資料之一的「關於熟料原料的資料」係列舉:熟料原料的化學組成、熟料原料的水硬率、殘留物量、勃氏比表面積(粉末度)、強熱減量、由投入至窯爐時為預定時間前的時點(例如5小時前的1個時點、或3小時前、4小時前、5小時前、及6小時前的4個時點般的複數時點)的熟料主原料(例如普通波特蘭水泥用熟料原料般的一般調合原料)的化學組成、由投入至窯爐時為預定時間前的時點(例如5小時前的1個時點、或3小時前、4小時前、5
小時前、及6小時前的4個時點般的複數時點)的熟料主原料(例如普通波特蘭水泥用熟料原料般的一般調合原料)的水硬率、熟料主原料的供給量、由如廢棄物般的特殊原料所成之熟料副原料的供給量、摻混料倉的貯留量(剩餘量)、原料貯藏料倉的貯留量(剩餘量)、位於原料研磨機與摻混料倉之間的旋風分離器的電流值(表示旋風分離器的旋轉數,與通過旋風分離器的原料的速度具有相關關係者)、投入至窯爐瞬前的化學組成、投入至窯爐瞬前的水硬率、投入至窯爐瞬前的勃氏比表面積、投入至窯爐瞬前的殘留物量、投入至窯爐瞬前的脫羧率、投入至窯爐瞬前的水分量等。該等資料係單獨使用1種,或組合使用2種以上。
在此,熟料原料的化學組成係指熟料原料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全鹼)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含有率。
作為前述(i)的組合中的監視資料之一的「關於燒成條件的資料」係列舉:窯爐的窯入CFW、旋轉數、落口溫度、燒成帶溫度、熟料溫度、窯爐平均力矩、O2濃度、NOX濃度、冷卻器溫度、預熱器的氣體的流量(與預熱器的溫度具有相關關係者)等。該等資料係單獨使用1種或組合使用2種以上。
作為前述(i)的組合中的監視資料之一的「關於粉碎條件的資料」係列舉:粉碎溫度、散水量、分離器風
量、石膏添加量、熟料投入量、研磨機的旋轉數、由研磨機所被排出的粉體的溫度、由研磨機所被排出的粉體的量、由研磨機未被排出的粉體的量、被粉碎性等。
作為前述(i)的組合中的監視資料之一的「關於熟料的資料」係列舉:熟料的礦物組成、各礦物的結晶學的性質(晶格常數或結晶子直徑等)、2種以上的礦物組成的比、化學組成、濕式f.CaO(游離石灰)、容重等。該等資料係單獨使用1種或組合使用2種以上。
在此,熟料的礦物組成係指3CaO.SiO2(C3S)、2CaO.SiO2(C2S)、3CaO.Al2O3(C3A)、4CaO.Al2O3.Fe2O3(C4AF)、f.CaO、f.MgO等的含有率。此外,以「2種以上的礦物組成的比」而言,列舉例如C3S/C2S的比。
其中,熟料的礦物組成係可藉由例如Rietveld法而得。
熟料的化學組成係指熟料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全鹼)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含有率。
在前述(i)的組合中,以監視資料而言,亦可僅使用選自關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、及關於熟料的資料之中的任一種資料,但是由提高評估資料的預測精度的觀點來看,以使用該等4種資料之中的2種以上(複數)的資料為佳。
作為前述(i)的組合中的評估資料的「關於熟料原料的資料」、「關於燒成條件的資料」、「關於粉碎條件的資料」、及「關於熟料的資料」係分別與作為上述監視資料的「關於熟料原料的資料」、「關於燒成條件的資料」、「關於粉碎條件的資料」、及「關於熟料的資料」相同。
此外,上述「關於熟料原料及水泥原料的資料」、「關於燒成條件的資料」、及「關於粉碎條件的資料」係可兼做監視資料。
作為前述(i)的組合中的評估資料之一的「關於水泥的資料」係列舉:勃氏比表面積、殘留物、石膏的半水化率、色調L值、色調b值、色調a值等。
在上述(i)的組合之中,亦由以高精度預測水泥之品質或製造條件的觀點來看,各評估資料、與監視資料的種類的較佳組合係下表1~4所示之組合。
例如,作為表4所示之評估資料之一的「關於熟料的資料」之中,以用以高精度預測「濕式f.CaO(游離石灰)」的監視資料與評估資料的組合而言,較佳為監視資料係「關於熟料原料的資料」之中的「熟料原料的化學組成」、「熟料原料的水硬率」、「殘留物量」、「勃氏比表面積」、「強熱減量」、「由投入至窯爐時為預定時間前的時點(例如5小時前的1個時點、或3小時前、4小時前、5小時前、及6小時前的4個時點般的複數時點)的熟料主原料(例如普通波特蘭水泥用熟料原料般的一般
調合原料)的化學組成」、「由投入至窯爐時為預定時間前的時點(例如5小時前的1個時點、或3小時前、4小時前、5小時前、及6小時前的4個時點般的複數時點)的熟料主原料(例如普通波特蘭水泥用熟料原料般的一般調合原料)的水硬率」、「熟料主原料的供給量」、「由如廢棄物般的特殊原料所成之熟料副原料的供給量」、「摻混料倉的貯留量(剩餘量)」、「原料貯藏料倉的貯留量(剩餘量)」、「位於原料研磨機與摻混料倉之間的旋風分離器的電流值(表示旋風分離器的旋轉數,與通過旋風分離器的原料的速度具有相關關係者)」、「投入至窯爐瞬前的化學組成」、「投入至窯爐瞬前的水硬率」、「投入至窯爐瞬前的勃氏比表面積」、「投入至窯爐瞬前的殘留物量」、「投入至窯爐瞬前的脫羧率」、「投入至窯爐瞬前的水分量」,「關於燒成條件的資料」之中的「窯爐的窯入CFW」、「旋轉數」、「落口溫度」、「燒成帶溫度」、「熟料溫度」、「窯爐平均力矩」、「O2濃度」、「NOX濃度」、「冷卻器溫度」、及「預熱器的氣體的流量(與預熱器的溫度具有相關關係者)」,「關於粉碎條件的資料」之中的「石膏投入量」、「熟料投入量」、「研磨機的旋轉數」、「由研磨機所被排出的粉體的溫度」、「由研磨機所被排出的粉體的量」、「由研磨機未被排出的粉體的量」、「被粉碎性」,「關於熟料的資料」之中的「熟料的礦物組成」、「各礦物的結晶學的性質」、「2種以上的礦物組成的
比」、「化學組成」、「容量」,評估資料係「關於熟料的資料」之中的「濕式f.CaO(游離石灰)」。
更佳為監視資料係「關於熟料的資料」之中的「化學組成」、「容重」,「關於燒成條件的資料」之中的「落口溫度」、「窯爐燒成帶溫度」、「窯爐平均力矩」,「關於熟料原料的資料」之中的「熟料原料的化學組成」,評估資料係「關於熟料的資料」之中的「濕式f.CaO(游離石灰)」。
作為前述(ii)的組合中的監視資料的「關於熟料原料的資料」、「關於燒成條件的資料」、「關於粉碎條件的資料」、「關於熟料的資料」係分別與作為前述(i)的組合中的監視資料的「關於熟料原料的資料」、「關於燒成條件的資料」、「關於粉碎條件的資料」、「關於熟料的資料」相同。
作為前述(ii)的組合中的監視資料的「關於水泥的資料」係列舉:水泥的化學組成、水泥的礦物組成、各礦物的結晶學的性質(晶格常數或結晶子直徑等)、濕式f.CaO、強熱減量、勃氏比表面積、粒度分布、殘留物量、色調L值、色調a值、色調b值等。
該等資料係單獨使用1種或組合使用2種以上。
在此,水泥的化學組成係指水泥原料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全鹼)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含有率。
水泥的礦物組成係指3CaO.SiO2(C3S)、2CaO.SiO2(C2S)、3CaO.Al2O3(C3A)、4CaO.Al2O3.Fe2O3(C4AF)、f.CaO、f.MgO、石膏、方解石等的含有率。
其中,水泥的化學組成及礦物組成的資料亦可利用作為前述(i)的組合中的評估資料的「關於熟料的資料」。
作為前述(ii)的組合中的評估資料的「水泥含有水
硬性組成物的物性」係列舉:砂漿的壓縮強度、彎曲強度、流動性(流量值)、水合熱、凝結時間、乾燥收縮率、安定性、水中膨脹、耐硫酸鹽性、中性化、ASR電阻等。
在上述(ii)的組合之中,亦由高精度預測水泥之品質或製造條件的觀點來看,以下述表5所示之監視資料與評估資料的組合為佳。
此外,評估資料的「關於水泥含有水硬性組成物的物性的資料」之中,以用以高精度預測「砂漿的壓縮強度」的監視資料與評估資料的組合而言,較佳為監視資料係「關於熟料原料的資料」之中的「熟料原料的化學組成」、「熟料原料的水硬率」、「殘留物量」、「勃氏比表面積」、「強熱減量」,「關於燒成條件的資料」之中的「窯爐的窯入CFW」、「旋轉數」、「落口溫度」、「燒成帶溫度」、「熟料溫度」、「窯爐平均力矩」、「O2濃度」、「NOX濃度」、「冷卻器溫度」、「預熱器的氣體的流量(與預熱器的溫度具有相關關係者)」,「關於粉碎條件的資料」之中的「粉碎溫度」、「散水量」、「分離器風量」、「石膏投入量」、「熟料投入量」、「研磨機的旋轉數」、「由研磨機所被排出的粉體的溫度」、「由研磨機所被排出的粉體的量」、「由研磨機未被排出的粉體的量」、「被粉碎性」,「關於熟料的資料」之中的「熟料的礦物組成」、「各礦物的結晶學的性質」、「2種以上的礦物組成的比」、「化學組成」、
「容量」,「關於水泥的資料」之中的「水泥的化學組成」、「水泥的礦物組成」、「各礦物的結晶學的性質(晶格常數或結晶子直徑等)」、「濕式f.CaO」、「強熱減量」、「勃氏比表面積」、「粒度分布」、「殘留物量」、「色調L值」、「色調a值」、「色調b值」,評估資料係「關於水泥含有水硬性組成物的物性的資料」之中的「砂漿的壓縮強度」。
更佳為監視資料係「關於水泥的資料」之中的「勃氏比表面積」、「32μm殘留物量」、「濕式f.CaO」、「各礦物的量」、「化學組成(MgO、SO3、a2O、K2O、P2O5)」,「關於燒成條件的資料」之中的「落口溫度」、「冷卻器溫度」,評估資料係「關於水泥含有水硬性組成物的物性的資料」之中的「砂漿的壓縮強度」。
在本發明之水泥之品質或製造條件之預測方法中,作為對象的水泥並未特別限定,列舉例如普通波特蘭水泥、早強波特蘭水泥、中庸熱波特蘭水泥、低熱波特蘭水泥等各種波特蘭水泥、或高爐水泥、飛灰水泥等混合水泥、或在波特蘭水泥添加石灰石粉末或矽土煙等混合材的水泥等。
波特蘭水泥的製造工程係大致區分為原料調製工程、燒成工程、精整工程等3個工程。原料調製工程係將石灰石、黏土、矽石、氧化鐵原料等水泥原料以適當比例調合,以原料研磨機進行微粉碎,而得原料混合物的工程。燒成工程係將原料混合物經由懸吊預熱器等而供給至旋轉窯爐,在充分燒成後,進行冷卻而得熟料的工程。精整工程係在熟料添加適量的石膏等,以水泥研磨機進行微粉碎而得波特蘭水泥的工程。
在本發明中,較佳為由以下場所採取監視資料用的試料。
熟料較佳為由儘可能接近窯爐落口,而且熟料充分被冷卻的場所(通常為熟料冷卻器的中途)採取。其中,為了掌握熟料的平均品質資料,較佳為採取1kg以上的熟料,藉由縮分而得代表試料。水泥較佳為由水泥研磨機出口進行取樣。其中,為了避免水泥風化,較佳為由取樣儘可能未空出時間來進行分析。
為了掌握評估資料的變動,監視資料用試料的採集間隔係以儘可能短為佳。但是,若縮短採取間隔,勞力等會
增大。因此,在實用上,採取間隔較佳為15分鐘~1小時。
在本發明中,根據使監視資料(例如水泥的礦物組成)的值作人為變動而得之評估資料的推測值(例如凝結時間),可將水泥的製造條件最適化。
在本發明中,將水泥製造中的監視資料、及與水泥之品質或製造條件的評估相關連的評估資料的關係,藉由神經網路而預先學習,使用該學習結果,僅根據上述監視資料,預測上述評估資料。
圖1係神經網路之學習方法之一例。
以下詳加說明神經網路之學習方法。
在工程(A)中,實施學習次數的初期設定。所設定的學習次數並未特別限定,較佳為以發生神經網路之過學習(over learning)的程度,為充分大的次數。具體而言,通常為5千~100萬次,較佳為1萬~10萬次。
在工程(A)中,較佳為設定發生神經網路的過學習的學習次數,具體而言為σL<σM(詳容後述)的學習次數,但是在之後的工程中,由於進行學習次數的增減,因此在工程(A)中最初所設定的學習次數係即使使用在神經網路的學習中一般所進行的學習次數,亦不成問題。
工程(A)結束後,實施工程(B)。
在工程(B)中,係使用複數個學習用監視資料的實測值與評估資料的實測值的組合(以下亦稱為「學習資料」),來進行神經網路的學習所被設定的學習次數。上述組合數為例如10以上。上述組合數的上限並未特別限定,例如1000。
具體而言,準備學習用的複數試樣,測定該試樣的監視資料的實測值、及目的評估資料的實測值,將該等作為學習資料來使用。該學習資料之中,將監視資料的實測值輸入至神經網路的輸入層,進行所被設定的學習次數之將由輸出層所被輸出的評估資料的推測值、與對應該評估資料的推測值的學習資料的評估資料的實測值進行比較評估而修正神經網路,藉此進行神經網路的學習。
其中,變更學習次數而進行神經網路的再學習時,獲得前次學習結果的神經網路係被初期化而再次進行學習。
工程(B)結束後,實施工程(C)。
在工程(C)中算出σL與σM。由σL與σM的大小關係,可判斷學習是否以發生神經網路之過學習的程度為充分大的次數進行。
具體而言,算出將學習資料的監視資料的實測值輸入至在最接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測
值的平均平方誤差(σL)。接著,算出將監測資料的監視資料的實測值輸入至在最接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與監測資料的評估資料的實測值的平均平方誤差(σM)。之後,將所算出的σL與σM的數值進行比較,藉此可判斷神經網路的學習是否以充分大的次數進行。
在此,監測資料係指由有別於為了獲得學習資料所使用的試樣的其他試樣所得之監視資料的實測值及評估資料的實測值的組合,用以確認神經網路之可靠性的資料。
監測資料(監視資料的實測值及評估資料的實測值的組合)的數係學習資料的數之較佳為5~50%,更佳為10~30%。
若在工程(C)中所算出的σL與σM的關係為σL≧σM時(圖1的過學習判定中的「No」),最接近所進行過的工程(B)的學習次數係可判斷為非為充分大的次數。此時,實施工程(D)。若在工程(C)中所算出的σL與σM的關係為σL<σM時(圖1的過學習判定中的「Yes」),最接近所進行過的工程(B)的學習次數係可判斷為充分大的次數。此時,實施工程(E)。
在工程(D)中,係增加所設定的學習次數,再設定為新的學習次數(例如將對在最接近的工程(B)中所實施的學習次數乘以2.0後的數,設定為新的學習次數)。
再設定新的學習次數後,再次實施工程(B)~(C)。
在工程(E)中,將已減少在最接近的神經網路的學習中所被實施的學習次數的學習次數,再設定為新的學習次數(例如將對在最接近的工程(B)或工程(F)所被實施的學習次數乘以0.95後的數,設定為新的學習次數)。
其中,最接近的神經網路的學習係指在較為接近的過去所被實施的學習。具體而言,指在工程(B)或者後述的工程(F)之中,在較為接近的過去所被實施的學習。
工程(E)結束後,實施工程(F)。
在工程(F)中係使用複數個在工程(B)中所使用的學習資料,進行神經網路的學習所被設定的學習次數。
上述學習次數係在最接近的工程(E)中新設定的學習次數。在工程(F)中所實施的內容係除了進行神經網路的學習在工程(E)中新設定的學習次數以外,係與工程(B)相同。
工程(F)結束後,實施工程(G)。
在工程(G)中,使用在最接近的工程(F)中所得
之神經網路來進行結束判定。具體而言,算出將學習資料的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值、與學習資料的評估資料的實測值的平均平方誤差(σL)、及將監測資料之中的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值、與監測資料之中的評估資料的實測值的平均平方誤差(σM),若所被算出的σ L與σ M的關係為σL≧σM時(圖1的結束判定中的「Yes」),最接近所進行的工程(F)的學習次數係可判斷為已經非為充分大的次數。此時,實施後述的工程(I)。若所被算出的σL與σM的關係為σL<σM時(圖1的結束判定中的「No」),最接近所進行的工程(F)的學習次數係可判斷為尚未為充分大的次數。此時,實施後述的工程(H)。
在工程(H)中,實施最接近所進行的工程(F)中的神經網路的學習次數是否超過預先決定的數值的判定。工程(H)係為了回避無限反覆工程(E)至工程(G)而進行。在工程(H)中,若最接近所進行的工程(F)中的神經網路的學習次數超過預先決定的數值時(圖1中的「Yes」)係再次實施工程(E)~(G)。在工程(H)中,若最接近所進行的工程(F)的學習次數為預先決定
的數值以下時(圖1中的「No」),係實施後述的工程(J)或(K)。
其中,上述預先決定的數值並未特別限定,列舉例如在工程(E)中所設定的學習次數的100分之1的數值以下,或者1以下或0以下等。
在工程(I)中,係可依解析度判定值是否未達預先決定的設定值,來進行解析度的判定。解析度判定值係使用下述式(1)來算出。
上述式(1)中,學習資料的平均平方誤差(σL)係與在最接近的工程(G)所被算出的平均平方誤差(σL)為相同。評估資料的推測值的平均值係指將學習資料的監視資料的實測值輸入至在最接近的工程(F)中所得之神經網路的輸入層所得之評估資料的推測值的平均值。
使用藉由進行該解析度判定來進行學習的神經網路,可判斷是否可以高精度來進行水泥之品質等的預測。
若解析度判定值為未達預先決定的設定值(圖1的解析度判定中的「Yes」),解析係被判斷為充分,神經網路的學習即結束。所得之學習完畢的神經網路係被使用在本發明之預測方法。若解析度判定值為預先決定的設定值
以上(圖1的解析度判定中的「No」),使用利用學習資料來進行學習的神經網路,判斷為並無法以高精度進行水泥之品質等的預測,因此實施工程(J)或(K)。
預先決定的設定值並未特別限定,較佳為6%以下,更佳為5%以下,尤佳為3%以下的值。
以防止無限進行工程(A)至工程(I)的目的,亦可在後述工程(K)之前,設置判定實施工程(A)的次數的大小的工程(J)。次數的判定係判定工程(A)的實施次數是否超過預先設定的次數者。例如,若工程(A)的實施次數超過預先設定的次數(例如5次)時(圖1的次數判定中的「Yes」),判斷為無法由所使用的學習資料來進行解析,且結束神經網路的學習。若工程(A)的實施次數為預先設定的次數以下時,實施工程(K)。
在工程(K)中進行學習條件的初期化。
以學習條件的初期化的方法而言,列舉例如隨機變更構成神經網路的單元的臨限值或將單元加以結合的權重之後,再輸入學習資料的方法;在增加用以獲得學習資料的試樣數、增加所使用的監視資料的種類、或將不適當的學習資料除外等之後,輸入新的學習資料的方法等。
在進行學習條件的初期化後,再次進行工程(A)~
(K)。
若使用滿足上述過學習判定及解析度判定的條件之經由上述工程(A)~(K)所得之學習完畢的神經網路,可以更高精度預測水泥之品質或製造條件。
在本發明中,神經網路的學習係在最初以充分大的學習次數(成為σL<σM的程度的學習次數)進行學習後,一面減少學習次數,一面反覆神經網路的學習至成為σL≧σM為止。藉由該方法,即使在因評估資料在學習資料中為不足時等要因而在σL、σM的數值有不均的情形下,亦可修正該不均,且可適當進行神經網路的學習。
神經網路係為了進行精度更高的預測,較佳為定期檢查評估資料的推測值、與對應該推測值的實測值的偏差的大小,且根據該檢查結果,來更新神經網路。更新周期在前述(i)的組合(關於熟料的礦物組成等的預測的神經網路)中,較佳為1小時一次,更佳為30分鐘一次。在前述(ii)的組合(關於水泥含有水硬性組成物的物性的預測的神經網路)中,較佳為1個月一次,更佳為1週一次,尤佳為1天一次。
根據本發明之水泥之品質或製造條件之預測方法,藉由使用神經網路,僅輸入監視資料,即可在1小時以內得到熟料的礦物組成、或水泥含有水硬性組成物(例如砂漿)的壓縮強度等評估資料的推測值。
此外,可根據所得之評估資料的推測值,在水泥製造途中,早期察覺水泥之品質異常,進行原料調製工程、燒
成工程及精整工程中的各條件的最適化,藉此製造適當品質的水泥。
具體而言,若在熟料的礦物組成的推測值被發現異常時,藉由進行原料的調合、燒成條件的調整等,可將熟料的礦物組成形成為目的者。
此外,亦可根據評估資料的推測值來修正製造上的目標。
例如,若砂漿的壓縮強度被預測為未達目標值時,解析使用在學習的監視資料(因子)與砂漿的壓縮強度的關係,來確認最適水泥的處方,藉此可將水泥之品質形成為目的者。
此外,亦可藉由連接控制水泥製造的電腦、及用以實施本發明之水泥之品質或製造條件之預測方法所使用的電腦,來將用以根據評估資料來使監視資料人為變動的控制系統自動化。
在本發明中,以用以進行藉由神經網路所為之運算的軟體而言,列舉例如OLSOFT公司製的「Neural Network Library」(商品名)等。
以下藉由實施例,說明本發明。
以學習用試樣而言,將取樣時間不同的28個水泥,依據「JIS R 5201」進行混練,測定養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度而設為學習資料(評估資料的實測值)。
此外,測定上述28個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2o5)、窯爐落口溫度、冷卻器溫度而設為學習資料(監視資料的實測值)。其中,各礦物的量係以粉末X線繞射裝置,在測定範圍:2 θ=10~65°的範圍進行測定,藉由Rietveld解析軟體所被計算出的C3S、C2S、C4AF、C3A、石膏類、方解石的量(其中,以下實施例中的各礦物的量亦與此同)。
此外,以監測用試樣而言,使用取樣時間與前述28個試樣為不同的2個水泥,將養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度與學習資料同樣地測定而設為監測資料(評估資料的實測值)。此外,將上述2個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度、冷卻器溫度與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σ L與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值為未達2%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測養生3天後、養生7天後、及養生28天後的砂漿的壓縮強度。將其結果顯示於圖2~圖4。
使用與上述試樣為不同的水泥A,依據「JIS R 5201」進行混練,測定養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度。結果,養生3天後為32.0N/mm2、養生7天後為43.5N/mm2、養生28天後為58.1N/mm2。
另一方面,在上述所得的神經網路,輸入水泥A的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度、冷卻器溫度所得之養生3天後、養生7天後、及養生28天後的砂漿壓縮強度的推測值分別為31.8N/mm2、43.7N/mm2、58.0N/mm2,實測值與推測值係大致相一致。
按照日本特開2005-214891號公報的實施例的方法,進行砂漿的壓縮強度試驗。
具體而言,採取且縮分在實施例1中所使用的試樣資料的熟料,藉由振動研磨機而細微粉碎,製作出粉末X線繞射用的試樣。
以粉末X線繞射裝置,在測定範圍:2 θ=10~65°的範圍測定該試樣。
藉由Rietveld解析軟體,計算所得之X線繞射峰形(profile),而得各熟料礦物的結晶資訊的參數。
藉由上述解析所得之參數之中,藉由各礦物的量、晶格常數(a、b、c、β等)或晶格體積,掌握因少量/微量成分所致之熟料礦物的結晶資訊的變化,使用藉由多重回歸分析所求出的多重回歸式來進行水泥之品質預測。
以水泥的品質而言,預測砂漿的壓縮強度時所使用之上述多重回歸式之較佳一例顯示於以下。
砂漿壓縮強度(材齡3天)(N/mm2)=A×(矽酸三鈣量;量%)+B×(鋁酸鹽相量;質量%)+C×(矽酸三鈣的晶格體積;Å3)+D×(硫酸鹼量;質量%)+E
在此,係數A~E為A=0.6、B=0.3、C=0.6、D=2、E=60。
砂漿壓縮強度(材齡7天)(N/mm2)=材齡3天的預測值+A×(矽酸三鈣的晶格體積;Å3)+B×(硫酸鹼量;質量%)+C
在此,係數A~C為A=-1、B=-80、C=32。
砂漿壓縮強度(材齡28天)(N/mm2)=材齡7天的預測值+A×(矽酸三鈣的晶格體積;Å3)+B×(矽酸二鈣量;質量%)+C×(矽酸二鈣的晶格體積;Å3)+D×(硫酸鹼量;質量%)+E×(肥粒鐵相量;質量%)+F×(肥粒鐵相的晶格體積;Å3)+G
在此,係數A~G為A=-2、B=4、C=0.6、D=-80、E=-0.2、F=-2、G=47。
將材齡3天、材齡7天、材齡28天的砂漿的壓縮強度的推測值與實測值的圖表顯示於圖5~圖7。
如圖5~圖7所示,在日本特開2005-214891號的方法中係被認為推測值與實測值的相關係數(R2)變低,且推測值的精度亦變低。
使用在實施例1中所使用的學習資料及監測資料,進行神經網路的學習。
神經網路的學習係使學習次數由1次依序增加至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。結果,在第1次學習中,成為σL≧σM而結束學習。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測養生3天後、養生7天後、及養生28
天後的砂漿的壓縮強度。將其結果顯示於圖8~圖10。
使用與上述試樣為不同的水泥A,依據「JIS R 5201」進行混練,測定養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度。結果,養生3天後為32.0N/mm2、養生7天後為43.5N/mm2、養生28天後為58.1N/mm2。
另一方面,在上述所得的神經網路,輸入水泥A的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度、冷卻器溫度所得之養生3天後、養生7天後、及養生28天後的砂漿壓縮強度的推測值分別為38.3N/mm2、48.6N/mm2、68.3N/mm2,實測值與推測值的差大於實施例。
以學習用試樣而言,將取樣時間不同的28個水泥,依據「JIS R 5201」進行混練,測定養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度而設為學習資料(評估資料的實測值)。
此外,測定上述28個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、熟料主原料的供給量、摻混料倉的貯蓄量(剩餘量)、原料貯藏料倉的貯蓄量(剩餘量)而設為學習資料(監視資料的實測值)。
此外,以監測用試樣而言,使用取樣時間與前述28個試樣為不同的2個水泥,將養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度與學習資料同樣地測定而設為監測資料(評估資料的實測值)。此外,將上述2個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、熟料主原料的供給量、摻混料倉的貯蓄量(剩餘量)、原料貯藏料倉的貯蓄量(剩餘量)與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值為未達2%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測養生3天後、養生7天後、及養生28天後的砂漿的壓縮強度。將其結果顯示於圖11~圖13。
使用與上述試樣為不同的水泥A,依據「JIS
R 5201」進行混練,測定養生3天後、養生7天後、及養生28天後的各時點的砂漿的壓縮強度。結果,養生3天後為32.0N/mm2、養生7天後為43.5N/mm2、養生28天後為58.1N/mm2。
另一方面,在上述所得的神經網路,輸入水泥A的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度、冷卻器溫度所得的養生3天後、養生7天後、及養生28天後的砂漿壓縮強度的推測值係分別為35.2N/mm2、40.4N/mm2、66.0N/mm2。
以學習用試樣而言,將取樣時間不同的20個水泥,實施使用高性能減水劑的水泥的流動性試驗(使用以JIS A1171-2000所規定的鋼製坍度錐及刺棒、500mm×500mm的丙烯平板、以JIS R5201-1997所規定的勺匙及砂漿標準砂)而設為學習資料(評估資料的實測值)。其中,流動性的測定係在混練瞬後及經過30分鐘後進行。
此外,測定上述20個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、及各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、熟料的粉碎溫度、散水量而設為學習資料(監視資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,以監測用試樣而言,使用取樣時間與前述20
個試樣為不同的2個水泥,將混練瞬後及經過30分鐘後的流動性與學習資料同樣地測定而設為監測資料(評估資料的實測值)。此外,將上述2個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、熟料的粉碎溫度、散水量與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σ L≧σ M為止。
進行上述學習至解析度判定值為未達2%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測混練瞬後及經過30分鐘後的各時點的流動性。將其結果顯示於圖14及圖15。
使用與上述試樣為不同的水泥A,與上述同樣地測定混練瞬後的流動性。其結果為266mm。
另一方面,在上述所得的神經網路,輸入水泥A的勃
氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度、冷卻器溫度所得的混練瞬後的流動性為263mm,實測值與推測值係大致相一致。
以學習用試樣而言,將取樣時間不同的22個水泥,按照「JIS R 5203」,測定7天後、及28天後的水合熱而設為學習資料(評估資料的實測值)。
此外,測定上述22個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度而設為學習資料(監視資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,以監測用試樣而言,使用取樣時間與前述22個試樣為不同的2個水泥,將7天後、及28天後的水合熱與學習資料同樣地測定而設為監測資料(評估資料的實測值)。此外,將上述2個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資
料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值為未達2%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測出7天後、及28天後的水合熱。將其結果顯示於圖16及圖17。
以學習用試樣而言,將取樣時間不同的20個水泥的凝結時間的開始/終結,依據「JIS R 5201」來進行測定而設為學習資料(評估資料的實測值)。
此外,測定上述20個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度而設為學習資料(監視資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,以監測用試樣而言,使用取樣時間與前述20個試樣為不同的2個水泥,將凝結時間的開始/終結與學
習資料同樣地測定而設為監測資料(評估資料的實測值)。此外,將上述2個水泥的勃氏比表面積、32μm殘留物量、濕式f.CaO、各礦物的量、及化學組成(MgO、SO3、Na2O、K2O、P2O5)、窯爐落口溫度與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值為未達2%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測凝結時間(開始及終結)。將其結果顯示於圖18及圖19。
以學習用試樣而言,將取樣時間不同的116個熟料,根據其礦物組成,算出熟料中的游離石灰(f.CaO)的含
有率(%)而設為學習資料(評估資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,將上述116個熟料的投入至窯爐瞬前的熟料原料的化學組成、容重、窯爐落口溫度、窯爐燒成帶溫度、窯爐平均力矩、及上述熟料的化學組成設為學習資料(監視資料的實測值)。
此外,以監測用試樣而言,使用取樣時間與前述116個試樣為不同的5個熟料,將熟料中的游離石灰(f.CaO)的含有率(%)與學習資料同樣地算出而設為監測資料(評估資料的實測值)。此外,將上述5個熟料的投入至窯爐瞬前的熟料原料的化學組成、容重、窯爐落口溫度、窯爐燒成帶溫度、窯爐平均力矩、及上述熟料的化學組成設為監測資料(監視資料的實測值)。
其中,在上述學習資料及監測資料中,熟料原料的化學組成係指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、F的含有量。熟料的化學組成係指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、F的含有量。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM
的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值成為未達3%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測熟料中的游離石灰(f.CaO)的含有率(%)。將其結果顯示於圖20。
使用與上述試樣為不同的熟料A,與上述同樣地測定熟料中的游離石灰(f.CaO)的含有率(%)。其結果為0.35%。
另一方面,在上述所得的神經網路,熟料A的投入至窯爐瞬前的熟料原料的化學組成、容重、窯爐落口溫度、窯爐燒成帶溫度、窯爐平均力矩、及上述熟料的化學組成所得的熟料中的游離石灰(f.CaO)的含有率(%)為0.42%,實測值與推測值係大致相一致。
使用在實施例5中所使用的學習資料及監測資料來進行神經網路的學習。
神經網路的學習係使學習次數由1次依序增加至使用
學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。結果,在第1次的學習中成為σL≧σM而結束學習。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測熟料中的游離石灰(f.CaO)的含有率(%)。將其結果顯示於圖21。
使用與上述試樣為不同的熟料A,與上述同樣地測定熟料中的游離石灰(f.CaO)的含有率(%)。其結果為0.35%。
另一方面,在上述所得的神經網路,輸入熟料A的投入至窯爐瞬前的熟料原料的化學組成、容重、窯爐落口溫度、窯爐燒成帶溫度、窯爐平均力矩、及上述熟料的化學組成所得的熟料中的游離石灰(f.CaO)的含有率(%)為1.2%,實測值與推測值的差係大於實施例。
以學習用試樣而言,將取樣時間不同的116個熟料,根據其礦物組成,算出熟料中的游離石灰(f.CaO)的含有率(%)而設為學習資料(評估資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,將上述116個熟料的投入至窯爐瞬前的熟料原料的化學組成、容重、粉碎溫度、散水量、分離器風量、
及窯爐平均力矩設為學習資料(監視資料的實測值)。
此外,以監測用試樣而言,使用取樣時間與前述116個試樣為不同的5個熟料,將熟料中的游離石灰(f.CaO)的含有率(%)與學習資料同樣地算出而設為監測資料(評估資料的實測值)。此外,將上述5個熟料的投入至窯爐瞬前的熟料原料的化學組成、容重、粉碎溫度、散水量、分離器風量、及窯爐平均力矩設為監測資料(監視資料的實測值)。
其中,在上述學習資料及監測資料中,熟料原料的化學組成係與實施例5相同。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值成為未達3%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測熟料中的游離石灰(f.CaO)的含有率(%)。將其結果顯示於圖22。
使用與上述試樣為不同的熟料A,與上述同樣地測定熟料中的游離石灰(f.CaO)的含有率(%)。其結果為0.35%。
另一方面,在上述所得的神經網路,輸入熟料A的投入至窯爐瞬前的熟料原料的化學組成、容重、粉碎溫度、散水量、分離器風量、及窯爐平均力矩所得的熟料中的游離石灰(f.CaO)的含有率(%)為0.89%。
以學習用試樣而言,將取樣時間不同的47個水泥,根據其礦物組成,算出水泥中的石膏的半水化率(%)而設為學習資料(評估資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,將上述47個水泥的熟料的投入量、熟料的容重、熟料的礦物組成、石膏的添加量、散水量、研磨機的旋轉數、及由研磨機所被排出的粉體的溫度設為學習資料(監視資料的實測值)。
此外,以監測用試樣而言,使用取樣時間與前述47個試樣為不同的3個水泥,算出水泥中的石膏的半水化率(%)而設為監測資料(評估資料的實測值)。此外,將上述3個水泥的熟料的投入量、熟料的容重、熟料的礦物組成、石膏的添加量、散水量、研磨機的旋轉數、及由研磨機所被排出的粉體的溫度設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值成為未達3%為止。
以神經網路而言,使用具有輸入層、中間層及輸出層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測水泥中的石膏的半水化率(%)。將結果顯示於圖23。
使用與上述試樣為不同的水泥A,與上述同樣地測定水泥中的石膏的半水化率(%)。其結果為67%。
另一方面,在上述所得的神經網路輸入熟料的投入量、熟料的容重、熟料的礦物組成、石膏的添加量、散水量、研磨機的旋轉數、及由研磨機所被排出的粉體的溫度所得之水泥中的石膏的半水化率(%)為63%,實測值與推測值係大致相一致。
以學習用試樣而言,測定取樣時間不同的200個熟料的各礦物的量。其中,各礦物的量係與實施例1同樣地算出。由該結果,實際測定C3S/C2S比、及C4AF/C3A比而設為學習資料(評估資料的實測值)。
此外,將上述200個熟料原料的化學組成、窯爐的燒成帶溫度、窯爐落口溫度、及冷卻器溫度等設為學習資料(監視資料的實測值)。其中,熟料原料的化學組成係指SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、TiO2、P2O5、MnO的含有量。
此外,以監測用試樣而言,與學習用資料同樣地測定取樣時間與前述200個試樣為不同的5個熟料的各礦物的量。由該結果,實際測定C3S/C2S比、及C4AF/C3A比而設為監測資料(評估資料的實測值)。此外,將上述5個熟料的原料的化學組成、窯爐的燒成帶溫度、窯爐落口溫度、及冷卻器溫度等與學習資料同樣地測定而設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值成為未達3%為止。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測C3S/C2S比、及C4AF/C3A比。將該結果顯示於圖24(C3S/C2S比)及圖25(C4AF/C3A比)。
以學習用試樣而言,將投入至窯爐瞬前之取樣時間不同的40個熟料原料,根據其礦物組成來算出水硬率而設為學習資料(評估資料的實測值)。其中,各礦物的量係與實施例1同樣地算出。
此外,將由上述40個熟料原料取樣時為3小時前、4小時前、5小時前、及6小時前的各時點的原料研磨機內的熟料主原料(調合原料)的水硬率、熟料主原料的供給量、3種熟料副原料(廢棄物)的各供給量、摻混料倉的剩餘量、原料貯藏料倉的剩餘量、位於原料研磨機與摻混料倉之間的旋風分離器的電流值、預熱器的氣體的流量、熟料原料的勃氏比表面積(粉末度)、及熟料原料的強熱減量設為學習資料(監視資料的實測值)。
此外,以監測用試樣而言,使用取樣時間與前述40個試樣為不同的3個熟料原料,與學習用資料同樣地算出水硬率而設為監測資料(評估資料的實測值)。此外,將由上述3個熟料原料取樣時為3小時前、4小時前、5小時前、及6小時前的各時點的原料研磨機內的熟料主原料
(調合原料)的水硬率、熟料主原料的供給量、3種熟料副原料(廢棄物)的各供給量、摻混料倉的剩餘量、原料貯藏料倉的剩餘量、位於原料研磨機與摻混料倉之間的旋風分離器的電流值、預熱器的氣體的流量、熟料原料的勃氏比表面積(粉末度)、及熟料原料的強熱減量設為監測資料(監視資料的實測值)。
使用上述學習資料,進行神經網路的學習。
神經網路的學習係在最初使用上述學習資料與監測資料來進行1萬次。使用所得的神經網路,來算出σL與σM的結果,σL與σM的關係為σL<σM。
之後,將神經網路初期化,使用上述學習資料與監測資料,反覆將神經網路的學習進行對前述學習次數乘以0.95的數的學習次數,至使用學習後的神經網路所被算出的σL與σM的關係成為σL≧σM為止。
進行上述學習至解析度判定值成為未達3%為止。
以神經網路而言,係使用具有中間層的階層型神經網路。
學習結束後,根據上述學習資料及監測資料的監視資料的實測值,預測投入至窯爐瞬前的熟料原料的水硬率。將其結果顯示於圖26。
Claims (8)
- 一種水泥之品質或製造條件之預測方法,其係使用具有輸入層及輸出層之神經網路之水泥之品質或製造條件之預測方法,其特徵為:上述輸入層係用以輸入水泥製造中的監視資料的實測值者,上述輸出層係用以輸出與水泥之品質或製造條件的評估相關連的評估資料的推測值者,上述監視資料與上述評估資料的組合係:(i)上述監視資料係選自關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、及關於熟料的資料之中的一種以上的資料,而且上述評估資料係關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、或關於水泥的資料的組合,或者(ii)上述監視資料係選自關於熟料原料的資料、關於燒成條件的資料、關於粉碎條件的資料、關於熟料的資料、及關於水泥的資料之中的一種以上的資料,而且上述評估資料係關於水泥含有水硬性組成物的物性的資料的組合,該水泥之品質或製造條件之預測方法係包含:(A)進行學習次數的初期設定的工程;(B)使用複數個監視資料的實測值與評估資料的實測值的組合亦即學習資料,進行神經網路的學習所設定的學習次數的工程;(C)算出將學習資料的監視資料的實測值輸入至最 接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測值的平均平方誤差(σL)、及將用以確認神經網路的學習結果的可靠性的監視資料的實測值與評估資料的實測值的組合亦即監測資料之中的監視資料的實測值輸入至最接近的工程(B)中進行學習後的神經網路的輸入層所得之評估資料的推測值與監測資料之中的評估資料的實測值的平均平方誤差(σM),若所被算出的σL與σM的關係為σL≧σM時,實施工程(D),若所被算出的σL與σM的關係為σL<σM時,實施工程(E)的工程;(D)增加所被設定的學習次數,再設定為新的學習次數,再次實施工程(B)~(C)的工程;(E)將已減少在最接近的神經網路的學習中所被實施的學習次數的學習次數,再設定為新的學習次數的工程;(F)使用在工程(B)中所使用的學習資料,進行神經網路的學習所設定的學習次數的工程;(G)算出將學習資料的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值與學習資料的評估資料的實測值的平均平方誤差(σL)、及將監測資料之中的監視資料的實測值輸入至在最接近的工程(F)中進行學習後的神經網路的輸入層所得之評估資料的推測值與監測資料之中的評估資料的實測值的平均平方誤差(σM),若所被算出 的σL與σM的關係為σL≧σM時,實施工程(I),若所被算出的σL與σM的關係為σL<σM時,實施工程(H)的工程;(H)若最接近所進行的工程(F)中的神經網路的學習次數超過預先決定的數值時,再次實施工程(E)~(G),若最接近所進行的工程(F)中的神經網路的學習次數為預先決定的數值以下時,實施工程(K)的工程;(I)使用下述式(1)算出解析度判定值,若該解析度判定值為未達預先決定的設定值時,在上述輸入層輸入水泥製造中的監視資料的實測值,由上述輸出層,輸出與水泥的品質或製造條件的評估相關連的評估資料的推測值,若解析度判定值為預先決定的設定值以上時,實施工程(K)的工程;及(K)進行學習條件的初期化,再次實施工程(A)~(K)的工程,
- 如申請專利範圍第1項之水泥之品質或製造條件之預測方法,其中,包含(J)在上述工程(K)之前,進行關於實施工程(A)的次數的大小的判定,若該次數為預先設定的次數以下時,進行學習條件的初期化,再次進行工程(A)~(I),若該次數超過預先設定的次數時,結束神經網路的學習的工程。
- 如申請專利範圍第1項之水泥之品質或製造條件之預測方法,其中,上述解析度判定值的預先決定的設定值為6%以下的值。
- 如申請專利範圍第1項之水泥之品質或製造條件之預測方法,其中,上述神經網路為在上述輸入層與上述輸出層之間具有中間層的階層型神經網路。
- 如申請專利範圍第1項之水泥之品質或製造條件之預測方法,其中,上述監視資料與上述評估資料的組合,監視資料係關於熟料原料的資料、關於燒成條件的資料、及關於熟料的資料,而且,評估資料係關於熟料的資料,監視資料之上述關於熟料原料的資料係指熟料原料的化學組成,上述關於燒成條件的資料係指窯爐落口溫度、窯爐燒成帶溫度、及窯爐平均力矩,上述關於熟料的資料係指熟料的化學組成、及容重,評估資料的關於熟料的資料係指濕式f.CaO(游離石灰)。
- 如申請專利範圍第1項之水泥之品質或製造條件之 預測方法,其中,上述監視資料與上述評估資料的組合,監視資料係關於燒成條件的資料、及關於水泥的資料,而且,評估資料係關於水泥含有水硬性組成物的物性的資料,監視資料之上述關於燒成條件的資料係指窯爐落口溫度、及冷卻器溫度,關於水泥的資料係指水泥的勃氏比表面積、殘留物量、濕式f.CaO、礦物組成、及化學組成,評估資料之上述關於水泥含有水硬性組成物的物性的資料係砂漿的壓縮強度。
- 如申請專利範圍第1項至第6項中任一項之水泥之品質或製造條件之預測方法,其中,根據使上述監視資料的實測值人為變動所得之上述評估資料的推測值,來將水泥的製造條件最適化。
- 如申請專利範圍第1項至第6項中任一項之水泥之品質或製造條件之預測方法,其中,定期檢查上述評估資料的推測值、與對應該推測值的實測值的偏差的大小,根據該檢查結果,更新上述神經網路。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012123654 | 2012-05-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201403065A TW201403065A (zh) | 2014-01-16 |
TWI582422B true TWI582422B (zh) | 2017-05-11 |
Family
ID=49672918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW102106395A TWI582422B (zh) | 2012-05-30 | 2013-02-23 | The quality of cement or the manufacturing conditions of the forecast method |
Country Status (7)
Country | Link |
---|---|
US (1) | US9679244B2 (zh) |
KR (1) | KR101993493B1 (zh) |
CN (1) | CN104350021B (zh) |
HK (1) | HK1201815A1 (zh) |
PH (1) | PH12014502650B1 (zh) |
TW (1) | TWI582422B (zh) |
WO (1) | WO2013179702A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101993493B1 (ko) * | 2012-05-30 | 2019-06-26 | 다이헤이요 세멘토 가부시키가이샤 | 시멘트 품질 또는 제조 조건의 예측 방법 |
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 |
JP6208403B1 (ja) * | 2016-09-30 | 2017-10-04 | 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 |
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 |
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 |
BR112021008525A2 (pt) | 2018-11-02 | 2021-08-03 | Gcp Applied Technologies Inc. | produção de cimento |
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 |
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 |
CN117405867A (zh) * | 2023-10-14 | 2024-01-16 | 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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0383155A (ja) * | 1989-08-28 | 1991-04-09 | Fujitsu Ltd | 学習制御装置 |
JPH05250164A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 学習方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2007046297A1 (ja) * | 2005-10-17 | 2007-04-26 | Taiheiyo Cement Corporation | セメント添加材及びセメント組成物 |
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 |
KR101993493B1 (ko) * | 2012-05-30 | 2019-06-26 | 다이헤이요 세멘토 가부시키가이샤 | 시멘트 품질 또는 제조 조건의 예측 방법 |
-
2013
- 2013-02-22 KR KR1020147023592A patent/KR101993493B1/ko active IP Right Grant
- 2013-02-22 WO PCT/JP2013/054623 patent/WO2013179702A1/ja active Application Filing
- 2013-02-22 CN CN201380028407.9A patent/CN104350021B/zh active Active
- 2013-02-22 US US14/403,753 patent/US9679244B2/en active Active
- 2013-02-23 TW TW102106395A patent/TWI582422B/zh active
-
2014
- 2014-11-27 PH PH12014502650A patent/PH12014502650B1/en unknown
-
2015
- 2015-03-05 HK HK15102223.8A patent/HK1201815A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0383155A (ja) * | 1989-08-28 | 1991-04-09 | Fujitsu Ltd | 学習制御装置 |
JPH05250164A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 学習方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
KR101993493B1 (ko) | 2019-06-26 |
TW201403065A (zh) | 2014-01-16 |
KR20150014430A (ko) | 2015-02-06 |
HK1201815A1 (zh) | 2015-09-11 |
PH12014502650A1 (en) | 2015-01-21 |
US9679244B2 (en) | 2017-06-13 |
PH12014502650B1 (en) | 2015-01-21 |
WO2013179702A1 (ja) | 2013-12-05 |
CN104350021A (zh) | 2015-02-11 |
CN104350021B (zh) | 2017-03-01 |
US20150186772A1 (en) | 2015-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI582422B (zh) | The quality of cement or the manufacturing conditions of the forecast method | |
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 | |
Cassagnabère et al. | Impact of metakaolin characteristics on the rheological properties of mortar in the fresh state | |
CN105259335B (zh) | 水泥熟料性能的评价方法及煅烧工艺优化方法 | |
Torres et al. | Assessing the pozzolanic activity of sugarcane bagasse ash using X-ray diffraction | |
JP6639988B2 (ja) | セメントクリンカーの製造条件の予測方法 | |
Mejeoumov | Improved cement quality and grinding efficiency by means of closed mill circuit modeling | |
JP2018069487A (ja) | コンクリートの配合条件の予測方法 | |
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 | |
Oh et al. | The importance of the network-modifying element content in fly ash as a simple measure to predict its strength potential for alkali-activation | |
Terzić et al. | Prediction model based on artificial neural network for pyrophyllite mechano-chemical activation as an integral step in production of cement binders | |
JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
JP2007137722A (ja) | セメント組成物 | |
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 | |
CN105143137A (zh) | 水泥原料用高炉水淬炉渣及其筛选方法 | |
JP5323290B1 (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 | |
JP6639987B2 (ja) | セメントの品質または製造条件の予測方法 | |
JP2011209022A (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終局の断熱温度上昇量の予測方法 | |
Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
WO2018061239A1 (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 | |
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 | |
JP6208403B1 (ja) | セメントの品質または製造条件の予測方法 |