一种配比生成方法、系统及全固废自激发胶凝材料技术方案

本发明专利技术提出了一种配比生成方法、系统及全固废自激发胶凝材料，涉及配比生成技术领域，具体方案包括：生成随机配比向量；将随机配比向量输入到训练后的对抗生成网络模型中，输出最优配比结果；其中，所述对抗生成网络模型由生成器和评估器组成，用获取的真实小样本数据对评估器进行预学习，得到参数最优的评估器；通过生成器和参数最优的评估器的生成对抗学习，对对抗生成网络模型进行训练；本发明专利技术通过少量实验产生的小样本数据进行基于递归神经网络的对抗生成网络训练，最终得到全固废自激发胶凝材料的最优配比数据及相应的预测性能数据，提高配比生成的准确性。提高配比生成的准确性。提高配比生成的准确性。

【技术实现步骤摘要】
一种配比生成方法、系统及全固废自激发胶凝材料


[0001]本专利技术属于配比生成
，尤其涉及一种配比生成方法、系统及全固废自激发胶凝材料。

技术介绍

[0002][0003][0004]目前，碱激发胶凝材料可替代水泥，虽原材料使用固体废弃物，但需要采用氢氧化钠、水玻璃等化学工业产品进行激发，不能达到节能减排的目的；有些碱激发胶凝原材料需要进行预处理且养护条件苛刻，不利于大规模推广。
[0005]目前，胶凝材料的配比需要通过预实验确定，实验过程耗费大量的人工、材料和时间成本；而且基于实验的方法只能获得可行的配比而不是最优配比；传统预测力学性能的方法主要基于线性和非线性回归方程的统计分析，但回归方程无法建立高度非线性关系，从而导致预测结果不准确。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种配比生成方法、系统及全固废自激发胶凝材料，通过少量实验产生的小样本数据进行基于递归神经网络的对抗生成网络训练，最终得到全固废自激发胶凝材料的最优配比数据及相应的预测性能数据，降低人工、材料和时间成本，提高配比生成的准确性。
[0007]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0008]本专利技术第一方面提供了一种配比生成方法；
[0009]一种配比生成方法，包括：
[0010]生成随机配比向量；
[0011]将随机配比向量输入到训练后的对抗生成网络模型中，输出最优配比结果；
[0012]其中，所述对抗生成网络模型由生成器和评估器组成，用获取的真实小样本数据对评估器进行预学习，得到参数最优的评估器；
[0013]通过生成器和参数最优的评估器的生成对抗学习，对对抗生成网络模型进行训练。
[0014]进一步的，所述真实小样本数据的获取方法为：
[0015]通过正交试验设计材料配比；
[0016]将原材料按照设计的材料配比，混合均匀得到全固废自激发胶凝材料；
[0017]在标准养护环境下，将得到的全固废自激发胶凝材料，养护至相应天数进行性能评估测试，得到材料配比在相应养护天数下的性能评估数据。
[0018]进一步的，所述小样本数据，包括材料配比、养护天数及对应的性能评估数据；
[0019]所述养护天数包括：3天、7天、14天、21天、28天；
[0020]所述性能评估数据，包括：抗压强度、抗折强度、抗拉强度、劈拉强度、初凝时间、终凝时间。
[0021]进一步的，所述生成器，基于递归神经网络架构设计，包含筛选层、输入层、输出层，输入的材料配比向量，经递归神经网络筛选和增强，输出增强后的材料配比向量。
[0022]进一步的，所述评估器，基于递归神经网络架构设计，包含筛选层、输入层、输出层，输入的材料配比向量，经递归神经网络非线性计算，输出性能评估向量。
[0023]进一步的，所述生成器和参数最优的评估器的生成对抗学习，具体为：
[0024]生成器以真实小样本数据为输入，生成材料配比向量，输入到预学习后的评估器中，进行生成对抗学习，学习的优化目标为：真实小样本数据中的正样本配比数据预测性能正确的概率最大化，真实小样本数据中的负样本配比数据预测性错误的概率最小化。
[0025]进一步的，所述将随机配比向量输入到训练后的对抗生成网络模型中，输出最优配比结果，具体为：
[0026]将随机配比向量输入到生成器中，生成材料配比向量；
[0027]通过评估器，对生成的材料配比向量进行性能评估，得到预测性能评估值；
[0028]根据预测性能评估值、预设性能评估值与设定阈值进行性能比较，选择符合条件的材料配比向量，作为最优配比结果。
[0029]本专利技术第二方面提供了一种配比生成系统。
[0030]一种配比生成系统，包括随机配比生成模块和最优配比生成模块：
[0031]随机配比生成模块，被配置为：生成随机配比向量；
[0032]最优配比生成模块，被配置为：将随机配比向量输入到训练后的对抗生成网络模型中，输出最优配比结果；
[0033]其中，所述对抗生成网络模型由生成器和评估器组成，用获取的真实小样本数据对评估器进行预学习，得到参数最优的评估器；
[0034]通过生成器和参数最优的评估器的生成对抗学习，对对抗生成网络模型进行训练。
[0035]本专利技术第三方面提供了一种全固废自激发胶凝材料，以原状电石渣、高炉矿渣、粉煤灰、磷石膏为原材料，按照本专利技术第一方面提供的生成方法生成的材料配比，混合均匀后得到全固废自激发胶凝材料。
[0036]进一步的，所述原状电石渣是电石水解制取乙烯的副产物；
[0037]所述高炉矿渣是炼铁过程中产生的废渣；
[0038]所述粉煤灰是燃煤电厂袋式收尘器收集的飞灰；
[0039]所述磷石膏是磷酸生产过程中磷矿石与硫酸反应得到的以CaSO4·
nH2O为主要成分的工业副产物石膏。
[0040]以上一个或多个技术方案存在以下有益效果：
[0041]本专利技术通过少量实验产生的小样本数据，构建连续递归神经网络的对抗生成网络模型，训练和生成全固废自激发胶凝材料配比；极大地减少了胶凝材料配比的研制过程中的试验数量，降低了人工、材料和时间成本。
[0042]本专利技术考虑到胶凝材料的反应使具有时间递归性的，将递归神经网络作为生成器和评估器架构，利用基于递归神经网络的对抗生成网络进行配比生成及力学性能预测结果
更为精确。
[0043]本专利技术利用工业固体废弃物制备全固废自激发胶凝材料，可利用工业固体废弃物、减少对天然资源的开发使用；能够有效缓解和降低固体废弃物造成的环境污染和安全隐患。
[0044]本专利技术胶凝材料反应过程无需额外添加激发剂即可完成自激发反应，达到节能减排的目的；且标准养护条件养护即可，制备简单可大面积推广使用。
[0045]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0046]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0047]图1为第一个实施例的方法流程图。
[0048]图2为第一个实施例中对抗生成网络模型生成最优配比结果的方法流程图。图3为第二个实施例的系统结构图。
具体实施方式
[0049]下面结合附图与实施例对本专利技术作进一步说明。
[0050]实施例一
[0051]本实施例公开了一种配比生成方法，通过少量实验产生的小样本数据进行基于递归神经网络的对抗生成网络训练，最终得到全固废自激发胶凝材料的最优配比数据及相应的预测性能数据。
[0052]如图1所示，一种配比生成方法，包括：
[0053]步骤S1：生成随机配比向量。
[0054]研究人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配比生成方法，其特征在于，包括：生成随机配比向量；将随机配比向量输入到训练后的对抗生成网络模型中，输出最优配比结果；其中，所述对抗生成网络模型由生成器和评估器组成，用获取的真实小样本数据对评估器进行预学习，得到参数最优的评估器；通过生成器和参数最优的评估器的生成对抗学习，对对抗生成网络模型进行训练。2.如权利要求1所述的一种配比生成方法，其特征在于，所述真实小样本数据的获取方法为：通过正交试验设计材料配比；将原材料按照设计的材料配比，混合均匀得到全固废自激发胶凝材料；在标准养护环境下，将得到的全固废自激发胶凝材料，养护至相应天数进行性能评估测试，得到材料配比在相应养护天数下的性能评估数据。3.如权利要求1所述的一种配比生成方法，其特征在于，所述小样本数据，包括材料配比、养护天数及对应的性能评估数据；所述养护天数包括：3天、7天、14天、21天、28天；所述性能评估数据，包括：抗压强度、抗折强度、抗拉强度、劈拉强度、初凝时间、终凝时间。4.如权利要求1所述的一种配比生成方法，其特征在于，所述生成器，基于递归神经网络架构设计，包含筛选层、输入层、输出层，输入的材料配比向量，经递归神经网络筛选和增强，输出增强后的材料配比向量。5.如权利要求1所述的一种配比生成方法，其特征在于，所述评估器，基于递归神经网络架构设计，包含筛选层、输入层、输出层，输入的材料配比向量，经递归神经网络非线性计算，输出性能评估向量。6.如权利要求1所述的一种配比生成方法，其特征在于，所述生成器和参数最优的评估器的生成对抗学习，具体为：生成器以真实小样本数据为输入，生成材料配比向量，输入到预学习后的评估器中，进行生成对抗学习，学习的...

【专利技术属性】
技术研发人员：刘涛，郝琪，苏秀婷，余刘成，张恒根，田哲泉，张艳，邓声贵，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：