一种利用机器学习预测充填材料强度参数的方法技术

本发明专利技术公开了一种利用机器学习预测充填材料强度参数的方法，包括步骤：建立数据集，数据集预处理，根据数据集建立充填材料强度参数预测模型，并利用该预测模型进行未知充填材料的强度预测。本发明专利技术基于已知充填材料强度参数及其影响因素，利用机器学习预测未知充填材料的强度参数，具有工作量小、成本低、精度高、可靠性高等优点，可用于不同矿山的不同尾矿，大大提高了后续充填设计的效率。

【技术实现步骤摘要】
一种利用机器学习预测充填材料强度参数的方法
本专利技术涉及矿山充填
，具体涉及一种利用机器学习预测充填材料强度参数的方法。
技术介绍
矿山采空区的充填是地下采矿中的重要环节，有利于增加开采后围岩体的稳定性，提高矿物开采率，降低地表沉降，提高开采的安全性。为实现以上目标，充填材料必须具有一定的强度参数，比如一定的单轴抗压抗拉强度。大量关于充填材料强度参数的实验研究已经开展，使得我们对充填材料强度参数与其影响因素的关系有了初步了解。尽管如此，由于不能根据已有数据进行合理预测，目前的研究结果依然难以满足矿山开采的实际需求。这是因为每个矿山的尾砂具有其特殊性，在充填前依然需要有针对性地进行大量实验研究，不仅消耗了大量的人力和物力，同时积累的实验数据难以实现再利用。为此，迫切需要提出切实可行的新方法，深入、系统地挖掘已有的充填材料数据，实现充填材料强度参数的预测。
技术实现思路
针对现有矿山充填技术存在的上述不足，本专利技术基于充填材料强度参数的影响因素，提出了一种利用机器学习预测充填材料强度参数的方法，不仅能准确预测出充填材料的强度参数，而且精准度和准确度较高，能够广泛应用于工程实际，为后续充填材料的设计提供依据。为实现上述目的，本专利技术采用以下技术方案：一种利用机器学习预测充填材料强度参数的方法，包括步骤：S1、收集已知充填材料的强度参数，确定对应的影响因素，建立数据集；S2、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；S3、确定机器学习算法，在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；S4、利用目标预测模型对未知充填材料进行强度预测。优选的，所述步骤S1包括步骤：S11、选取已知充填材料，确定充填实验方案；S12、根据上述实验方案制备充填材料试样，并测量其强度参数；S13、确定影响因素，并整理成数据集。优选的，所述影响因素包括原材料性质、配比、质量浓度以及养护时间。优选的，所述数据集划分的方法为随机划分或Kennard-Stone划分。优选的，所述步骤S2中，所述训练集与所述测试集的比例通过收敛性计算得到。优选的，所述步骤S3包括步骤：S31、选择机器学习算法；S32、利用训练集确定机器学习算法的超参数；S33、用确定超参数后的机器学习算法在整个训练集上建立充填材料强度参数的初始预测模型，并在测试集上测试该预测模型的可靠性，直至预测精度满足要求，得到对应的目标预测模型。优选的，所述机器学习算法为决策树、随机森林、神经网络、逻辑回归或支持向量机。优选的，所述步骤S3中，可靠性的评价指标包括相关系数R或均方根差RMSE，其中，相关系数R计算公式如下：均方根差RMSE计算公式如下：式中，N和n均为样本数目，yi与yi*为第i个样本的实验值与预测值，为相应数据集中所有样本实验值的平均值。本专利技术的有益效果：本专利技术基于已知充填材料强度参数及其影响因素，利用机器学习预测未知充填材料的强度参数，与传统充填设计中需要对每种尾砂进行大量的实验研究方法相比，节省了大量的人力物力，具有工作量小、成本低、精度高、可靠性高等优点，可极大提高后续充填设计的效率，而且普适性强，可应用于不同矿山的不同尾矿。附图说明图1为本专利技术具体实施方式的方法流程图。图2为本专利技术具体实施方式的神经网络模型在训练集上的预测情况。图3为本专利技术具体实施方式中测试集的充填材料单轴抗压强度实验值与其预测值的分布图。具体实施方式下面结合附图及具体实施方式对本专利技术进行详细说明，但本专利技术的实施方式不限于此。本专利技术的构思为：在收集已知充填材料的强度参数及其影响因素的基础上，建立数据集，然后对数据集中的所有数据进行归一化处理，处理后的数据集划分为训练集和测试集两部分，再采用一定的机器学习算法在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型。该目标预测模型可以对未知充填材料进行准确的强度预测。与传统充填设计中需要对每种尾砂进行大量的实验研究方法相比，采用所述目标预测模型进行预测可以节省大量的人力物力，不仅工作量小、成本低、精度高、可靠性高、效率高，而且普适性强，可应用于不同矿山的不同尾矿。本专利技术对数据集中的数据来源没有特别限定，可以通过实验或者已发表文章获得，因此能很好地利用已积累的实验数据，简化工作流程。以下以一种实施方式为例，说明该方法的应用。如图1所示，为本专利技术利用机器学习预测充填材料强度参数的方法流程图，具体地说，包括以下步骤：步骤一：建立数据集本专利技术对数据集的样本数没有特别限定，以下仅以不同矿山的三种尾砂为例(分别标记为T1,T2和T3)进行说明。尾砂性质主要包括比重、粒径和化学组成，其中，采用MalvernMastersizer2000粒径分析仪测量尾砂粒径；使用BrukerAXSD8AdvanceDiffractometer测量尾砂的X光衍射图，再利用Rietveld方法从中获取尾砂的化学组分。购买国标325型号水泥，根据矿山实际，确定灰砂比为1：4，1：6，1：8和1：10，质量浓度根据矿山的实际需要进行调整，不同配比的浆料养护时间均为3、7和28天。将充填用原材料搅拌均匀，倒入直径×高度为50mm×100mm的养护磨具中，并放入养护箱中进行养护。养护过程中使用加湿器和空调保证实验室内湿度大于90％，室内温度25℃左右。养护结束后，拆除养护装置，采用WDW-2000压力机测试试样的单轴抗压强度值。每一种实验方案至少准备三个试样，最终的单轴抗压强度值为该实验方案下所有试样单轴抗压强度值的平均值。根据工程实例需要确定本实施例的影响因素为尾砂性质、灰砂比、质量浓度和养护时间，其与对应的单轴抗压强度值一起，形成本实施方式的数据集。步骤二：数据集预处理使用独热编码对数据集中的尾砂类型进行处理。将数据根据其最大值与最小值进行归一化处理，使得所有数据处于(0，1)范围中。本实例使用随机划分方法将整个数据集划分为训练集与测试集，二者比例通过收敛性测试确定。本实例中，训练集占总数据集的80％，测试集占总数据集的20％。步骤三：建立充填材料强度参数预测模型本实例选取神经网络作为充填材料单轴抗压强度的预测方法，采用相关系数R作为判断预测精度的标准，其计算公式如下：其中，n为样本数目，yi与yi*为第i个样本的实验值与预测值，为测试集的实验值平均值。利用10折交叉验证，粒子群算法和均方误差确定神经网络的隐含层层数以及每层神经元的个数。神经网络的隐含层层数确定为2层，其中第一层神经元个数为14，第二层神经元个数为2。使用整个训练集训练最优的神经网络，并检验该神经网络模型在该训练集上的表现，其结果如图2所示。经计算，在训练集上使用该神经网络预测的单轴抗压强度与实验值之间的相关系数高达0.97，说明该模型在训练集上可行。在实际应用中，交叉验证的折数、超参数优化的方法以及判别标准可以根据数据集的改变进行调整。步骤四：充填材料强度预测本实例选取测试集中的实验数据作为未知充填材料，使用训练后的神经网络模型对测试集中的充填材料的单轴抗压强度进行预测，经计算，在测试集上使用该神经网络预测的单轴抗压本文档来自技高网...

【技术保护点】
1.一种利用机器学习预测充填材料强度参数的方法，其特征在于，包括步骤：S1、收集已知充填材料的强度参数，确定对应的影响因素，建立数据集；S2、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；S3、确定机器学习算法，在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；S4、利用目标预测模型对未知充填材料进行强度预测。

【技术特征摘要】
1.一种利用机器学习预测充填材料强度参数的方法，其特征在于，包括步骤：S1、收集已知充填材料的强度参数，确定对应的影响因素，建立数据集；S2、对所有数据进行归一化处理，然后将处理后的数据集划分为训练集和测试集两部分；S3、确定机器学习算法，在整个训练集上建立充填材料强度参数的初始预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；S4、利用目标预测模型对未知充填材料进行强度预测。2.根据权利要求1所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述步骤S1包括步骤：S11、选取已知充填材料，确定充填实验方案；S12、根据上述实验方案制备充填材料试样，并测量其强度参数；S13、确定影响因素，并整理成数据集。3.根据权利要求1或2所述的利用机器学习预测充填材料强度参数的方法，其特征在于，所述影响因素包括原材料性质、配比、质量浓度以及养护时间。4.根据权利要求1所述的利用机器学习预测充填材料强度参数...

【专利技术属性】
技术研发人员：齐冲冲，陈秋松，张钦礼，唐小琳，王浩，冯岩，贺严，黄照东，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43