全级配大数据驱动的废石骨料高致密堆积状态寻优方法与流程

本发明涉及建筑材料与人工智能交叉领域，尤其是涉及一种全级配大数据驱动的废石骨料高致密堆积状态寻优方法。

背景技术：

1、废石骨料作为建筑固废资源化利用的重要方向，其堆积密实度直接影响混凝土的力学性能、耐久性与经济性。颗粒级配是决定骨料堆积密实度的核心因素——大粒径颗粒构成骨架、中粒径颗粒填充大颗粒间隙、细粒径颗粒填充次级空隙，三级逐级填充可实现最紧密堆积状态。因此，通过优化废石骨料的颗粒级配以提升其堆积密实度，对降低胶凝材料用量、提高混凝土强度、降低工程成本具有重要意义。

2、目前，骨料级配优化领域已发展出多种技术路线：

3、（一）基于经典堆积理论的级配优化方法。以andreasen-andersen模型、fuller曲线、泰波级配理论等为代表的最紧密堆积理论被广泛应用于骨料级配设计。在此基础上，可压缩堆积模型（cpm）通过引入“虚拟堆积密实度”“松动效应”“壁效应”等参数，能够较为准确地预测多粒级颗粒混合体系的堆积密实度。然而，cpm模型假设骨料颗粒为理想球体，未充分考虑废石骨料因破碎工艺导致的棱角突出、扁平率高等不规则形状特征。虽有部分研究尝试引入形状参数对堆积模型进行修正，但多采用单一平均形状系数进行全局修正，无法反映不同粒级间形状差异对堆积行为的差异化影响。

4、（二）基于传统试验与统计分析的级配优化方法。通过系统试验探索废石骨料级配对堆积密度的影响规律，结合响应面法（rsm）等统计方法建立骨料配比与性能之间的关系模型。这类方法虽然结果可靠，但试验工作量大、周期长，且所建立的统计模型泛化能力有限，难以适应不同来源废石骨料的级配优化需求。

5、（三）基于机器学习的骨料性能预测方法。已有研究采用bp神经网络、高斯过程回归等方法建立骨料或混凝土性能预测模型。近年来，还出现了基于生成对抗网络（gan）生成骨料级配优化方案、采用贝叶斯优化进行配合比寻优等技术方案。然而，现有机器学习方法多采用纯数据驱动模式，未充分利用堆积物理机制的先验知识，导致模型在小样本条件下泛化能力不足、预测结果缺乏物理可解释性。

6、（四）优化空间处理与工程落地方面的不足。级配向量各分量之和恒为100%且非负，属于典型的成分数据。现有优化方法多忽视这一数学约束，直接在高维欧氏空间中优化，导致候选级配在实际中不可执行。此外，现有预测模型多为一次性训练、固化部署，当废石来源或破碎工艺发生变化时，预测精度显著下降，缺乏有效的增量学习策略以适应数据分布漂移。更关键的是，现有方法多止步于输出最优级配方案，未建立从优化结果到多料仓配料系统等生产执行设备的闭环映射，导致“优化方案在纸面上可行、在现场无法执行”的普遍困境。

7、综上所述，现有技术中缺乏一种既能充分利用物理机制先验知识、又能发挥数据驱动模型学习能力，同时兼顾成分数据数学约束、模型可持续进化以及优化-执行闭环贯通的废石骨料级配优化方法。

技术实现思路

1、本发明的目的是提供一种全级配大数据驱动的废石骨料高致密堆积状态寻优方法，旨在解决物理模型忽视骨料真实形态、数据驱动方法缺乏物理约束、优化空间处理不严谨、模型更新机制僵化、优化与执行脱节五大技术问题，实现废石骨料级配的高精度预测与高效率优化。

2、为实现上述目的，本发明提供了一种全级配大数据驱动的废石骨料高致密堆积状态寻优方法，包括以下步骤：

3、步骤1、采集废石骨料的全级配多源数据并构建标准化数据库，全级配多源数据至少包括各粒级质量占比、表观密度、吸水率、压碎指标值、针片状颗粒含量，以及不同级配组合下对应的堆积密实度实测值；其中，表观密度、吸水率、压碎指标值和针片状颗粒含量作为输入特征，堆积密实度实测值作为模型训练的目标变量，不作为输入特征；

4、步骤2、构建混合堆积密度预测模型，混合堆积密度预测模型由物理机制子模型和数据驱动子模型协同构成；

5、物理机制子模型为可压缩堆积模型，通过三维激光扫描或图像分析法获取各粒级的骨料颗粒球度系数平均值作为形状修正系数，对可压缩堆积模型中的虚拟堆积密实度进行粒级差异化修正：

6、；

7、其中，为形状耗散系数，表征颗粒形状不规则性导致的堆积密实度折减程度，采用网格搜索结合交叉验证法以标准化数据库中堆积密度预测值与实测值之间的均方误差最小为目标进行标定；

8、数据驱动子模型以物理机制子模型的预测残差为训练目标进行训练；

9、混合堆积密度预测模型的输出为物理机制子模型的预测值与数据驱动子模型的预测值之和；

10、步骤3、以各粒级质量占比为决策变量，定义概率单纯形空间为寻优空间，通过等距对数比变换将概率单纯形空间中的级配向量映射至无约束实数空间，以混合堆积密度预测模型为目标函数，采用贝叶斯优化算法进行全局寻优，获得最优级配方案；

11、步骤4、按照最优级配方案配制废石骨料试样并进行堆积密度验证试验，若预测值与实测值的相对偏差满足预设合格条件，则输出最优级配方案；若相对偏差满足预设增量学习触发条件，则将验证试验数据纳入标准化数据库，触发增量学习更新，并重新执行步骤3；

12、步骤5：将最优级配方案映射为多料仓电子秤配料系统的各料仓配料比例，生成给料速率调整指令，发送至plc控制器执行。

13、优选的，步骤1中，各粒级质量占比通过按照jgj 52-2006标准进行多级筛分获得，筛孔尺寸至少包括31.5mm、26.5mm、19.0mm、16.0mm、9.5mm、4.75mm、2.36mm七个粒级。

14、优选的，步骤2中，数据驱动子模型包括梯度提升决策树分支和深度神经网络分支；

15、梯度提升决策树分支以物理机制子模型的预测残差为训练目标，采用xgboost或lightgbm算法实现；

16、深度神经网络分支以物理机制子模型的预测值、级配向量、表观密度、吸水率、压碎指标值和针片状颗粒含量共同作为输入特征，以堆积密实度实测值为训练目标，采用端到端方式进行训练；深度神经网络分支的输入特征明确排除松散堆积密度和紧密堆积密度；

17、梯度提升决策树分支与深度神经网络分支的预测结果通过加权平均融合为数据驱动子模型的输出；

18、当标准化数据库的样本量小于300组时，关闭深度神经网络分支。

19、优选的，步骤2中，形状耗散系数的物理取值范围为，标定过程中网格搜索步长为0.001，评价指标为标准化数据库中历史数据的堆积密度预测值与实测值之间的均方误差。

20、优选的，步骤3中，等距对数比变换之前，对级配向量进行零值预处理：若存在零值粒级，以预设极小正值替换零值，其中的取值范围为1×10-10至1×10-6；完成后续所有逆变换后执行归一化处理以恢复概率单纯形约束。

21、优选的，步骤3中，当级配向量维度时，在经等距对数比变换后的维实数空间中进一步进行主成分分析，提取累计贡献率大于95%的前m个主成分，在m维潜变量空间中进行贝叶斯寻优，其中；寻优完成后经主成分逆变换及等距对数比逆变换依次还原，并对还原后的级配向量进行归一化处理，获得最优级配方案粗解；

22、以该最优级配方案粗解在等距对数比空间中的坐标点为初始点，在原始维等距对数比空间中执行局部贝叶斯精细化搜索，以弥补主成分分析降维过程中丢失的信息；局部贝叶斯精细化搜索的目标函数评估次数不超过20次，搜索邻域半径限定为该最优级配方案粗解在各维度坐标值的±5%范围内。

23、优选的，步骤3中，贝叶斯优化算法以高斯过程为代理模型、以期望改进为采集函数进行迭代寻优，终止条件为：达到最大迭代次数50~100次，或连续10次迭代中最优预测值的提升幅度小于0.1%，或期望改进采集函数的最大值小于0.001。

24、优选的，步骤s4中，预设合格条件为：预测值与实测值的相对偏差≤3.0%；

25、预设增量学习触发条件为：单次验证试验的相对偏差>3.0%，或连续三次验证试验的相对偏差平均值>2.5%；

26、增量学习更新执行解耦策略：冻结物理机制子模型的参数，仅对数据驱动子模型进行增量更新；当数据库扩充累计达到初始数据量的20%时，触发离线全量重训练，同时重新标定物理机制子模型的参数并重置数据驱动子模型进行全量训练。

27、优选的，步骤5中，将最优级配方案映射为多料仓电子秤配料系统的各料仓配料比例，具体为：以最优级配方案为目标，以各料仓固有级配向量为基向量，求解线性规划问题：

28、；

29、其中，为料仓数量，，为第个料仓的配料比例；

30、求解线性规划问题后，执行可行性判定：

31、若所得混合级配与目标级配之间的偏差范数预设阈值，则判定为可行，根据配料比例与当前配料比例的偏差生成各料仓给料速率调整指令，发送至plc控制器执行；

32、若该偏差范数预设阈值，则判定当前料仓配置无法精确合成目标级配，输出偏差报告并提示人工干预，同时将各料仓固有级配向量及当前配料能力约束回传至步骤3，作为新增约束条件纳入贝叶斯优化框架，重新求解在现有配料能力下可达的最优级配。

33、优选的，偏差范数预设阈值0.03至0.10。

34、优选的，步骤3中，在获得最优级配方案后，在最优级配方案附近对各粒级含量进行±5%范围内的小范围扰动，计算各粒级含量变化对混合堆积密度预测模型输出的影响程度，将影响程度最大的前三个粒级识别为关键控制粒级，用于指导生产过程中的质量重点监控。

35、本发明还提供了一种全级配大数据驱动的废石骨料高致密堆积状态寻优系统，包括：

36、数据采集模块，用于执行步骤1中的数据采集与数据库构建功能；

37、混合预测模型模块，内置步骤2中的物理机制子模型和数据驱动子模型，用于接收级配向量输入并输出堆积密实度预测值；

38、全局优化模块，用于执行步骤3中的等距对数比变换与贝叶斯优化寻优功能；

39、验证与增量学习模块，用于执行步骤4中的验证试验比较与增量学习触发功能；

40、闭环执行模块，用于执行步骤5中的配料比例映射与plc指令下发功能；

41、各模块之间按顺序耦合，形成“数据采集→预测建模→优化决策→验证反馈→执行控制”的完整闭环。

42、因此，本发明一种全级配大数据驱动的废石骨料高致密堆积状态寻优方法，具有以下有益效果：

43、（1）本发明通过三维激光扫描获取各粒级骨料颗粒的球度系数平均值作为形状修正系数，对可压缩堆积模型中的虚拟堆积密实度进行粒级差异化修正，克服了传统cpm模型假设颗粒为理想球体或仅采用单一平均形状系数修正的局限性，使物理模型对废石骨料堆积密度的预测精度显著提升。形状耗散系数具有明确的摩擦耗散物理含义，并通过网格搜索结合交叉验证法以历史数据标定，兼具物理机制支撑与数据驱动标定的双重优势。

44、（2）本发明构建的混合预测模型中，梯度提升决策树分支拟合物理模型的预测残差，深度神经网络分支以物理模型预测值作为输入特征进行端到端训练，两分支通过加权平均融合。该架构既降低了模型对数据量的依赖，又保证预测结果始终以物理机制为锚点，克服了纯数据驱动模型泛化能力不足、结果缺乏物理可解释性的缺陷。同时，深度神经网络分支的输入特征明确排除松散堆积密度和紧密堆积密度，避免了目标变量信息泄露导致的过拟合风险。

45、（3）本发明采用等距对数比（ilr）变换将级配向量从概率单纯形空间映射至无约束实数空间，严格保持了概率单纯形约束。针对工业数据中可能存在的零值粒级，以预设极小正值替换零值并在逆变换后归一化处理，确保ilr变换的无条件可计算性。通过“pca潜变量空间粗搜+ilr原空间精搜”的两阶段优化策略，兼顾了高维寻优效率与最终解精度，克服了现有方法忽视成分数据数学约束或采用pca线性降维破坏aitchison几何结构的缺陷。

46、（4）本发明采用“冻结物理、更新数据”的解耦增量学习策略，以连续多次偏差超阈值触发更新，避免单次噪声干扰导致的频繁抖动。增量更新时冻结物理机制子模型参数，仅更新数据驱动子模型，在适应原料变化的同时维护物理基础的稳定性；定期全量重训练保证长期精度不衰减，克服了现有技术中模型固化部署无法适应数据分布漂移的缺陷。

47、（5）本发明通过“最优级配→配料比例反算→可行性判定→可执行时下发plc/不可行时回传重寻优”的五步闭环机制，实现了从理论优化到产线执行的鲁棒映射。当料仓配置无法精确合成目标级配时，系统自动将料仓约束回传至优化模块重新求解，确保在任何料仓配置条件下均能输出可执行的最优方案，克服了现有技术中优化结果与生产执行脱节的普遍困境。

48、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。