金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质与流程

摘要: 本技术涉及充填碱激发材料,尤其涉及一种金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质。背景技术:1、碱激发胶凝材料以工业固废为主要原料,具备早期强...
金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质与流程

本技术涉及充填碱激发材料,尤其涉及一种金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质。

背景技术:

1、碱激发胶凝材料以工业固废为主要原料,具备早期强度高、体积稳定性可调、耐化学侵蚀能力突出等优势,现已成为金属矿山矿硐充填专用材料的优选方案。然而,矿硐充填用碱激发胶凝材料的抗压强度、微膨胀性能及耐硫酸盐腐蚀性能,受水胶比、采矿废石掺量、高炉矿渣掺量、粉煤灰掺量、碱掺量、水玻璃模数、养护温度、养护龄期等初始制备参数集耦合作用影响,各项性能之间还存在相互制约的关系。传统配合比设计依赖大量试配试验,周期长、成本高、效率低,难以适配现场快速调参需求。

技术实现思路

1、为了克服现有技术的不足,本发明提供一种金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质,可同步预判矿山矿硐充填碱激发材料多项核心性能,减少传统重复试配试验,高效完成参数优化,从而高效的制得用于矿山矿硐充填的碱激发料浆。

2、本技术的第一方面提供一种金属矿山矿硐充填碱激发材料参数配比优化方法,所述方法包括:

3、获取矿山矿硐充填碱激发材料的初始制备参数集;

4、调用训练完成的多任务机器学习预测模型基于所述初始制备参数集进行预测,得到多项性能预测结果;

5、将每项性能预测结果与对应的预设工程标准进行比较;

6、当任一项性能预测结果不满足对应的预设工程标准时,调用贝叶斯优化算法在预设制备参数空间内对至少一项初始制备参数进行迭代调整;其中,在每次迭代调整中,将所述贝叶斯优化算法生成的候选制备参数集输入所述多任务机器学习预测模型,得到所述候选制备参数集对应的多项性能预测结果,并以所述多项性能预测结果均满足各自对应的预设工程标准为优化约束,以对各项性能预测结果进行无量纲化处理后加权得到的综合性能评价值为优化目标,基于所述候选制备参数集对应的多项性能预测结果更新所述贝叶斯优化算法的优化状态,并基于更新后的优化状态生成新的候选制备参数集;

7、将所述多项性能预测结果均满足各自对应的预设工程标准的初始制备参数集或候选制备参数集作为目标制备参数集并输出。

8、可选的,方法还包括:

9、根据所述目标制备参数集生成制备控制指令,并基于所述制备控制指令控制配料装置及混合装置制得用于矿山矿硐充填的碱激发料浆。

10、可选的,所述调用贝叶斯优化算法在预设制备参数空间内对至少一项初始制备参数进行迭代调整包括:

11、获取一个或多个不满足对应的预设工程标准的性能预测结果,作为待改善性能预测结果;

12、针对每一待改善性能预测结果,分别计算所述初始制备参数集中各项制备参数对应的沙普利加性解释值;

13、根据所述沙普利加性解释值的绝对值,确定各项制备参数对所述待改善性能预测结果的贡献程度;

14、根据所述贡献程度,从各项制备参数中确定至少一项待优化制备参数;

15、将所述待优化制备参数提供给所述贝叶斯优化算法,以使所述贝叶斯优化算法在所述待优化制备参数的有效取值范围内生成候选制备参数集。

16、可选的,所述方法还包括:

17、每次将候选制备参数集输入所述多任务机器学习预测模型进行性能预测时,获取所述候选制备参数集对应的输入特征,并计算所述输入特征在所述多任务机器学习预测模型的训练集中各训练样本输入特征所形成的特征分布中的覆盖密度,根据所述覆盖密度计算所述候选制备参数集对应的预测置信度;

18、将所述预测置信度与预设置信度阈值进行比较;

19、当所述预测置信度低于所述预设置信度阈值时,确定所述输入特征位于所述特征分布中的稀疏区域,生成对应于所述候选制备参数集的补充试验提示信息;

20、接收对按照所述候选制备参数集制备的材料试样进行性能检测所得的抗压强度实测结果、限制膨胀率实测结果和硫酸盐侵蚀强度损失率实测结果;

21、将所述候选制备参数集与对应的所述抗压强度实测结果、所述限制膨胀率实测结果和所述硫酸盐侵蚀强度损失率实测结果进行关联,生成新增训练样本;

22、将所述新增训练样本加入所述多任务机器学习预测模型的训练集,并基于加入所述新增训练样本后的训练集对所述多任务机器学习预测模型进行迭代更新。

23、可选的,多任务机器学习预测模型为基于xgboost构建的多输出回归模型,所述多输出回归模型包括三个性能预测分支;

24、所述三个性能预测分支均接收基于所述初始制备参数集或候选制备参数集生成的特征向量,并分别通过由多棵cart决策树构成的boosting集成对对应性能进行回归预测;

25、其中,第一性能预测分支用于输出抗压强度预测结果,第二性能预测分支用于输出限制膨胀率预测结果,第三性能预测分支用于输出硫酸盐侵蚀强度损失率预测结果。

26、可选的,在对所述多任务机器学习预测模型进行超参数优化时,根据三个性能预测分支对应的预测损失的加权和确定候选超参数组合的综合评价损失,并基于所述综合评价损失确定所述多任务机器学习预测模型的模型超参数。

27、可选的,所述方法还包括:

28、将所述目标制备参数集与对应的所述抗压强度预测结果、所述限制膨胀率预测结果、所述硫酸盐侵蚀强度损失率预测结果进行关联存储,生成矿山矿硐充填碱激发材料的性能-参数匹配记录;

29、将所述性能-参数匹配记录导出为预设格式的电子文件,以完成数据留存归档。

30、本技术第二方面提供一种金属矿山矿硐充填碱激发材料参数配比优化装置,所述装置包括:

31、参数获取模块,用于获取矿山矿硐充填碱激发材料的初始制备参数集;

32、性能预测模块,用于调用训练完成的多任务机器学习预测模型基于所述初始制备参数集进行预测,得到多项性能预测结果;

33、结果比较模块,用于将每项性能预测结果与对应的预设工程标准进行比较;

34、迭代调整模块,用于当任一项性能预测结果不满足对应的预设工程标准时,调用贝叶斯优化算法在预设制备参数空间内对至少一项初始制备参数进行迭代调整;其中,在每次迭代调整中,将所述贝叶斯优化算法生成的候选制备参数集输入所述多任务机器学习预测模型,得到所述候选制备参数集对应的多项性能预测结果,并以所述多项性能预测结果均满足各自对应的预设工程标准为优化约束,以对各项性能预测结果进行无量纲化处理后加权得到的综合性能评价值为优化目标,基于所述候选制备参数集对应的多项性能预测结果更新所述贝叶斯优化算法的优化状态,并基于更新后的优化状态生成新的候选制备参数集;

35、目标输出模块,用于将所述多项性能预测结果均满足各自对应的预设工程标准的初始制备参数集或候选制备参数集作为目标制备参数集并输出。

36、本技术第三方面提供一种电子设备,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,所述处理器执行所述计算机程序时实现所述金属矿山矿硐充填碱激发材料参数配比优化方法的步骤。

37、本技术第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述金属矿山矿硐充填碱激发材料参数配比优化方法的步骤。

38、综上所述,本技术提供的金属矿山矿硐充填碱激发材料参数配比优化方法、装置、设备及介质,通过获取初始制备参数集后调用多任务机器学习预测模型同步输出抗压强度、微膨胀性能及耐硫酸盐腐蚀性能三项核心指标的预测结果,并将各项预测结果与预设工程标准逐一比对,在不达标时触发贝叶斯优化算法在预设参数空间内对制备参数进行迭代调整,且在每一轮迭代中以三项性能全部达标为约束更新优化状态并生成新的候选参数集,直至输出满足全部工程标准的目标制备参数集,从而实现对多参数耦合影响下三项相互制约性能的同步预测与协同优化。本技术依托智能化模型预测与闭环迭代调参机制,无需开展大量重复性物理试配试验,从根源上降低配合比设计成本、缩短研发调试周期,能够快速完成制备参数优化匹配,有效平衡多参数耦合作用下各项性能相互制约的问题,快速获取适配矿硐充填工程的最优参数组合,满足矿山充填现场快速调参需求,进而快速制得用于矿山矿硐充填的碱激发料浆,适配复杂矿山工况下的充填作业。