一种基于集成学习算法的屈服应力预测方法及系统技术方案

本发明专利技术公开了一种基于集成学习算法的屈服应力预测方法及系统，所述方法包括：基于Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型(DT、SVM、KNN、RF等)来构建膏体屈服应力预测模型，利用膏体中废石/尾砂比值、水泥量、质量浓度等多种因素影响，将实验数据进行剔除异常值、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，提高预测效率和预测准确性。提高预测效率和预测准确性。提高预测效率和预测准确性。

【技术实现步骤摘要】
一种基于集成学习算法的屈服应力预测方法及系统


[0001]本专利技术涉及矿山充填领域，尤其涉及一种基于集成学习算法的屈服应力预测方法及系统。

技术介绍

[0002]矿业是国家的工业命脉，是发展国民经济、保障国家安全的重要基础。我国矿产资源虽较为丰富，但呈现贫矿多、大型矿床少、开发利用难等特点。近年来，对矿产资源进行大量开发，浅层矿产资源日渐枯竭，逐步转向深地矿产资源开采。随之涌现出矿山安全事故、矿区生态环境破坏、固体废弃物大量堆放等一系列问题。因此，对矿产资源开采中安全生产、环境保护、资源利用等方面提出了更高要求，强调发展循环经济，绿色开采成为采矿业发展的必然趋势。膏体充填法因其安全、经济、环保、高效等突出特点，成为未来采矿业的发展方向。
[0003]在膏体充填工艺流程中，输送作为最后一个核心工艺，膏体料浆输送质量直接决定充填效果。为保证充填效果，膏体料浆不能泌水、不能离析，需要保持适宜的流平度。膏体屈服应力作为流变性能的关键参数，是判断膏体料浆输送质量的重要方式。目前，主要通过桨式流变仪操作方法检测膏体屈服应力，再引入塌落度屈服应力理论进行检验和校正。此方法需要进行多组实验，操作相对复杂且需花费大量时间，不适合实际生产场景。
[0004]然而，现有技术中存在Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题得以解决。

技术实现思路

[0005]本专利技术的目的是提供一种基于集成学习算法的屈服应力预测方法及系统，用以解决现有技术中的Stacking集成学习算法的预测模型依赖于大量原始数据进行学习，随着海量样本训练的增多，使得前期对膏体屈服应力测量的方法复杂、费时、预测准确性相对较低的技术问题得以解决。
[0006]鉴于上述问题，本专利技术提供了一种基于集成学习算法的屈服应力预测方法及系统。
[0007]第一方面，本专利技术提供了一种基于集成学习算法的屈服应力预测方法，所述方法通过一种基于集成学习算法的屈服应力预测系统实现，其中，所述方法包括：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；对所述原始实验数据集进行预处理，获得第一训练数据集；将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；基于所述屈服应力模型预测值和所述目标物的屈服
应力实际测量值，训练所述屈服应力预测模型；将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。
[0008]另一方面，本专利技术还提供了一种基于集成学习算法的屈服应力预测系统，用于执行如第一方面所述的一种基于集成学习算法的屈服应力预测方法，其中，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；第一采集单元，所述第一采集单元用于基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；第一处理单元，所述第一处理单元用于对所述原始实验数据集进行预处理，获得第一训练数据集；第一输入单元，所述第一输入单元用于将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；第二输入单元，所述第二输入单元用于将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；第一训练单元，所述第一训练单元用于基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；第三输入单元，所述第三输入单元用于将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。
[0009]第三方面，本专利技术还提供了一种基于集成学习算法的屈服应力预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
[0010]第四方面，一种电子设备，其中，包括处理器和存储器；
[0011]该存储器，用于存储；
[0012]该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。
[0013]第五方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
[0014]本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0015]通过Stacking集成学习算法的膏体屈服应力预测方法以大量实验数据为基础，采用Stacking模型融合算法集成多种回归模型(DT、SVM、KNN、RF等)来构建膏体屈服应力预测模型，利用膏体中废石/尾砂比值、水泥量、质量浓度等多种因素影响，将实验数据进行剔除异常数据、无量纲化等预处理得到训练集，来训练屈服应力Stacking集成模型，提高预测效率和预测准确性。本专利技术可大大提高膏体屈服应力预测的准确性和便利性。
[0016]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0017]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获
得其他的附图。
[0018]图1为本专利技术一种基于集成学习算法的屈服应力预测方法的流程示意图；
[0019]图2为本专利技术一种基于集成学习算法的屈服应力预测方法中获得所述初始屈服应力预测值集合的流程示意图；
[0020]图3为本专利技术一种基于集成学习算法的屈服应力预测方法中获得所述屈服应力模型预测值的流程示意图；
[0021]图4为本专利技术一种基于集成学习算法的屈服应力预测系统的结构示意图；
[0022]图5为本专利技术示例性电子设备的结构示意图。
[0023]附图标记说明：
[0024]第一搭建单元11，第一采集单元12，第一处理单元13，第一输入单元14，第二输入单元15，第一训练单元16，第三输入单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习算法的屈服应力预测方法，其特征在于，所述方法包括：搭建屈服应力预测模型，其中，所述屈服应力预测模型包括第一层基学习器模型和第二层元学习器模型；基于大数据，采集获得目标物的原始实验数据集，所述原始实验数据集包含所述目标物的多特征集合；对所述原始实验数据集进行预处理，获得第一训练数据集；将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，获得所述目标物的初始屈服应力预测值集合；将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，获得所述目标物的屈服应力模型预测值；基于所述屈服应力模型预测值和所述目标物的屈服应力实际测量值，训练所述屈服应力预测模型；将第一待预测目标物的多特征实验数据集输入训练好的所述屈服应力预测模型，进行预测训练，获得所述第一待预测目标物的第一预测屈服应力结果，且对所述第一预测屈服应力结果进行相对误差分析。2.如权利要求1所述的方法，其特征在于，所述将所述第一训练数据集输入至所述第一层基学习器模型进行模型训练，包括：所述第一层基学习器模型嵌入决策树模型、支持向量机模型以及邻近算法模型；将所述第一训练数据集输入至所述决策树模型，获得第一模型预测结果；将所述第一训练数据集输入至所述支持向量机模型，获得第二模型预测结果；将所述第一训练数据集输入至所述邻近算法模型，获得第三模型预测结果；对所述第一模型预测结果、所述第二模型预测结果以及所述第三模型预测结果进行数据融合，获得所述初始屈服应力预测值集合。3.如权利要求1所述的方法，其特征在于，所述将所述初始屈服应力预测值集合输入所述第二层元学习器模型进行修正训练，包括：所述第二层元学习器模型嵌入随机森林回归模型；将所述初始屈服应力预测值集合划分为第一分训练集、第二分训练集直至第N分训练集；基于所述第一分训练集，获得第一预测结果，基于所述第二分训练集，获得第二预测结果，以此类推，基于所述第N分训练集，获得第N预测结果；对所述第一预测结果、所述第二预测结果直至所述第N预测结果的权重进行平均计算，获得所述屈服应力模型预测值。4.如权利要求1所述的方法，其特征在于，所述对所述原始实验数据集进行预处理，包括：根据所述原始实验数据集，获得第一特征数据集；对所述第一特征数据集进行中心化处理，获得第二特征数据集；获得所述第二特征数据集的第一协方差矩阵；对所述第一协方差矩阵进行运算，获得所述第一协方差矩阵的第一特征值和第一特征向量；
将所述第一特征数据集投影到所述第一特征向量，获得第一降维数据集，其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。5.如权利要求4所述的方法，其特征在于，所述方法包括：根据所述第一降维数据集，获得所述第一训练数据集；基于K折交叉验证法，将所述第一训练...

【专利技术属性】
技术研发人员：程海勇，刘泽民，吴顺川，牛永辉，耿晓杰，夏志远，孙俊龙，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：