(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211301241.0 (22)申请日 2022.10.24 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市梦溪路2号 (72)发明人 王逊　刘璞　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 蒯建伟 (51)Int.Cl. G16C 20/30(2019.01) G16C 20/70(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 一种水泥28天抗压强度的快速预测方法 (57)摘要 本发明属于计算智能领域， 具体的说， 是一 种水泥28天抗压强度的快速 预测方法， 该方法从 水泥构成成分信息出发， 并同时考量了石灰饱和 系数对结果的影响， 利用水泥3天抗压强度对水 泥28天抗压强度进行修正； 构建了BP神经网络与 GM(1， N)子预测模 块， 利用IMODE算 法进行模 块权 重优化， 以强化模型的泛化性能； 不依赖荷兰权 重成熟度对生产环境的要求， 考虑到不同生产厂 家自身的独特的生产条件与加工差异， 从而自适 应地修正预测偏差。 本发明可在水泥生产过程中 提供指导作用， 并有效提升 水泥28天抗压强度的 预测精度、 帮助缩短检测周期。 权利要求书3页 说明书8页 附图1页 CN 115497575 A 2022.12.20 CN 115497575 A 1.一种水泥28天抗压强度的快速预测方法， 其特 征在于， 包括以下步骤： S1： 加载构建预测水泥28天抗压强度模型所需的抗压强度数据库， 数据库中每种水泥 样本为一行数据， 其数据条目包括多个水泥主要成分条目、 石灰饱和系 数、 水泥3天抗压强 度、 水泥28天抗压强度； S2： 构建BP神经网络模型作 为抗压强度预测模块， 将多个水泥主要成分数据、 石灰饱和 系数、 水泥3天抗压强度作为输入， 将水泥28天抗压强度作为输出， 使用tr ainbfg训练算法 进行模型训练， 最后计算出BP神经网络模型的均方误差； S3： 构建GM(1， N)模型这一抗压强度预测模块， 利用水泥主要成分数据、 石灰饱和系数、 水泥3天抗压强度、 水泥28天抗压强度数据构建GM(1， N)模 型， 执行级比检验， 建立28天抗压 强度数据时间序列， 求出级比并进行级比判断， 随后 构造数据矩阵及数据向量， 最后对各水 泥主要成分、 石 灰饱和系数、 水泥3天抗压强度进行关联度的计算， 最后计算出GM(1， N)模 型 的均方误差； S4： 构建GM(1， N)优化BP神经网络的抗压强度预测模型， 使用IMODE算法优化GM(1， N)优 化BP神经网络的抗压强度预测模 型中的BP神经网络模 型与GM(1， N)模 型这两个抗压强度预 测模块的权重， 优化完成后， 利用优化后的模型计算待预测的水泥样本的水泥28天抗压强 度的预测值； S5： 检测待预测的水泥样本的水泥28天抗压强度的真实值， 将该水泥样本的个水泥主 要成分数据、 石灰饱和系数、 水泥3天抗压强度、 水泥28天抗压强度信息存入历史运行数据 库， 其中水泥主要成分条目包括水泥样本的SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 SO3、 C3S、 C2S、 C3A、 C4AF的质量百分数。 2.根据权利要求1所述的水泥28天抗压强度的快速预测方法， 其特征在于， 所述步骤S1 中， 根据以下步骤加载构建预测水泥28天抗压强度模型 所需的抗压强度数据库： 步骤1‑1： 从历史运行数据库中载入抗压强度数据库， 若无历史运行数据库， 则构建抗 压强度数据库空表， 抗压强度数据库中每种 水泥样本为一行数据， 其数据条目包括多个水 泥主要成分条目、 石灰饱和系数、 水泥3天抗压强度、 水泥28天抗压强度， 其中， 所加载的多 个水泥主要成分条目包括SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 SO3、 C3S、 C2S、 C3A、 C4AF， 每个水泥主要 成分条目对应的值代 表该成分的质量百分数； 步骤1‑2： 检查抗压强度数据库中的数据行数， 当其小于30时转步骤1 ‑3， 否则转步骤1 ‑ 7； 步骤1‑3： 使用水泥主要成分， 构建一种与抗压强度数据库中的任意水泥样本的主要成 分条目的值不完全相同的水泥样本， 将其插入到抗压强度数据库的第一行， 此时， 其他已有 数据自动下移一行， 在抗压强度数据库的第一行的多个水泥主要成分条目中存入该水泥样 本的SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 SO3、 C3S、 C2S、 C3A、 C4AF的质量百分数， 并对多个水泥主要成 分条目的数据执行归一化操作， 将归一化操作的结果乘以100， 使得多个水泥主要成分条目 均为正值且和为10 0； 步骤1‑4： 计算这一水泥样本的石灰饱和系数， 其用于表示熟料中二氧化硅被氧化钙饱 和成硅酸 三钙的程度； 步骤1‑5： 使用 《水泥强度快速检验方法》 JC/T738 ‑2004的现有设备， 按GB/T17671 ‑1999 《水泥胶砂强度检验方法(ISO)》 的强度检验方法， 检测当前水泥样本的水泥3天抗压强度、权　利　要　求　书 1/3 页 2 CN 115497575 A 2水泥28天抗压强度； 步骤1‑6： 将当前水泥样本的石灰饱和系数、 水泥3天抗压强度、 水泥28天抗压强度存储 到抗压强度数据库的第一行 的对应数据条目下， 检查抗压强度数据库中的数据行数， 当其 小于30时转步骤1‑3， 否则转 步骤1‑7； 步骤1‑7： 在抗压强度数据库的第一行插入一个空行， 此时， 其他已有数据自动下移一 行， 将需要 预测水泥28天抗压强度的值的水泥样本的成分信息多个水泥主要成分条目的数 据存入抗压强度数据库的第一行的相应位置， 按步骤1 ‑4的方法为该水泥样本计算石灰饱 和系数， 按步骤1 ‑5的方法为该水泥样 本测定水泥3天抗压强度， 将石 灰饱和系数和水泥3天 抗压强度的值存 入抗压强度数据库的第一行的相应位置， 将水泥28天抗压强度的值置空。 3.根据权利要求2所述的水泥28天抗压强度的快速预测方法， 其特征在于， 所述步骤1 ‑ 4中， 根据以下公式计算石灰饱和系数： KH＝(CaO ‑1.65Al2O3‑0.35Fe2O3)/2.8SiO2 其中， KH表示石灰饱和系数， CaO、 Al2O3、 Fe2O3、 SiO2分别为熟料中相应氧化物的质量百 分数。 4.根据权利要求1所述的水泥28天抗压强度的快速预测方法， 其特征在于， 所述步骤S2 中， 根据以下步骤构建BP神经网络模型组作为 抗压强度预测模块： 步骤2‑1： 构建一个BP神经网络模型， 其具体结构为包含10个神经元的单隐含层BP神经 网络模型， 使用sigmo id激活函数； 步骤2‑2： 检查抗压强度数据库， 仅选取不存在空值的数据行用于BP神经网络模型的构 建， 将所有可用的数据行按8 0％与20％的比例随机划分为2个集合， 称占比为80％的集合为 训练集， 称占比为20％的集 合为检验集； 步骤2‑3： 每个数据行包括多个水泥主要成分条目、 石灰饱和系数、 水泥3天抗压强度、 水泥28天抗压强度， 其中水泥主要成分条目包括水泥样本的SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 SO3、 C3S、 C2S、 C3A、 C4AF的质量 百分数， 为BP神经网络模型构建输入层和输出层， 其中， 输入层 为包括12个输入节点的单层结构， 其12个输入节点中， 前10个输入节点与SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 SO3、 C3S、 C2S、 C3A、 C4AF的质量 百分数一一对应， 第11个与12个输入节点分别与石灰 饱和系数与水泥3天抗压强度一一对应， BP神经网络模型的输出层为包括 1个输出节点的单 层结构， 其中， 第1个输出节点与水泥28天抗压强度对应； 步骤2‑4： 使用训练集对所构建的BP神经网络模型进行训练， 并使用检验集对该模型进 行检验。 训练过程中， 使用tr ainbfg训练算法进行模型训练。 训练完成后， 计算出BP神经网 络模型的均方误差 。 5.根据权利要求1所述的水泥28天抗压强度的快速预测方法， 其特征在于， 所述步骤S4 中， 根据以下步骤构建 GM(1， N)优化BP神经网络的抗压强度预测模型： 步骤4‑1： 导出步骤S2、 步骤S3中构建的BP神经网络模型、 GM(1， N)模型这两个抗压强度 预测模块对抗压强度数据库中各 水泥样本的水泥28天抗压强度的预测值； 步骤4‑2： 构建基于IMODE算法的优化模型； 步骤4‑3： 优化IMODE算法； 将IMODE算法的参数设置为： 种群最小值minN＝4、 外部存档与种群规模的比值 aRate＝ 2.6， 优化过程中， 按以下参数初始化IMODE算法： 种群规模N＝50， 最大评价次数maxFE＝权　利　要　求　书 2/3 页 3 CN 115497575 A 3