一种绿色热再生沥青混合料智能配比系统及方法与流程
本发明涉及计算材料科学,尤其涉及一种绿色热再生沥青混合料智能配比系统及方法。
背景技术:
1、随着我国公路交通事业的快速发展,大量沥青路面进入养护维修阶段,产生了数量庞大的废旧沥青混合料(rap)。热再生技术通过将rap与新集料、新沥青及再生剂按一定比例重新拌合,实现了废旧资源的循环利用。然而,rap物料的来源复杂,其沥青含量、老化程度、颗粒级配及含水率等关键指标差异显著,导致热再生混合料质量稳定性难以保证。传统的配比设计多采用批次抽样结合离线调整的模式,试配周期长、资源浪费严重,且无法根据每盘rap的状态差异进行逐盘动态调整,难以满足绿色低碳施工对智能化与精准化的需求。
2、近年来,神经网络等机器学习模型已被尝试应用于材料性能预测,并结合遗传算法、粒子群优化等经典启发式算法进行配比反向寻优。然而,常规智能优化算法在高维、多约束、多目标的配比优化问题中易陷入局部最优,且预测模型与优化过程之间缺乏深层耦合,模型内部的变量贡献度信息未能有效反馈至优化器以引导搜索方向。
技术实现思路
1、为了弥补以上不足,本发明提供了一种绿色热再生沥青混合料智能配比系统及方法,旨在改善现有配比设计中因rap物料变异性大导致的逐盘动态调整困难、常规启发式算法在高维约束空间中易陷入局部最优的问题。
2、第一方面,本发明提供了如下技术方案,一种绿色热再生沥青混合料智能配比系统,包括:
3、在线检测模块,用于获取rap物料的多源检测数据,所述多源检测数据至少包括rap的沥青含量、老化程度、颗粒级配和含水率;
4、量子化建模模块,用于根据所述多源检测数据与目标性能需求确定配比优化问题,并将所述配比优化问题转化为伊辛模型,确定解空间及二进制变量编码方式,并以所述解空间初始化候选配比方案;
5、正向预测模块,包括神经网络单元和可解释性分析单元,所述神经网络单元用于根据候选配比方案输出热再生沥青混合料的性能预测值,所述可解释性分析单元用于输出各配比变量对性能预测指标的贡献度及影响方向;
6、逆向优化模块,用于调用所述正向预测模块进行性能预测评估,并接收所述可解释性分析单元输出的所述贡献度及影响方向以引导解空间搜索,输出最优配比方案;
7、实时执行模块,用于将所述最优配比方案下发至配料秤和计量系统;
8、知识库模块,包括配方数据库和主动学习单元,所述配方数据库用于存储历史配比方案及对应的实测性能数据,为所述神经网络单元提供训练数据,所述主动学习单元用于评估所述神经网络单元对候选配比方案预测结果的预测不确定性,并根据所述预测不确定性筛选推荐验证方案;
9、控制器,控制各模块协同运行。
10、优选地,在量子化建模模块,以所述解空间初始化候选配比方案,包括:
11、将各配比变量离散化为二进制变量,将配比约束条件以罚函数形式纳入目标函数,将目标性能需求编码为所述伊辛模型的能量函数,并以所述伊辛模型的基态对应于所述配比优化问题的最优解;
12、根据所述伊辛模型的变量数量确定解空间维度,根据各配比变量的取值范围确定每一位二进制变量的编码区间,完成解空间及编码方式的确定;
13、在各配比变量的取值范围内随机赋值,生成n组二进制编码并映射为n个候选配比方案,以所述n个候选配比方案作为初始种群,完成候选配比方案的初始化。
14、优选地,在正向预测模块中,所述可解释性分析单元采用shap方法,包括:
15、对训练后的神经网络单元进行局部解释分析,计算各配比变量对每一性能预测指标的shap值及shap符号,以所述shap值表征贡献度大小,以所述shap符号表征影响方向。
16、优选地,在逆向优化模块中,求解单元输出最优配比方案,包括:
17、步骤一:将候选配比方案分别输入所述神经网络单元,获得各候选配比方案对应的性能预测值;
18、步骤二:根据所述性能预测值与目标性能需求的偏差,计算各候选配比方案的适应度;
19、步骤三:根据所述适应度,结合所述可解释性分析单元输出的各配比变量的贡献度及影响方向,更新候选配比方案;
20、步骤四:重复步骤一至步骤三,直至满足收敛条件,输出适应度最优的候选配比方案作为最优配比方案。
21、优选地,更新候选配比方案,包括:
22、对于shap符号为正的配比变量,将其对应的二进制编码中代表高权重的比特位置1;对于shap符号为负的配比变量,将其对应的二进制编码中代表高权重的比特位置0;
23、根据各配比变量的shap绝对值大小确定对应二进制编码的比特翻转概率,以作为搜索步长,其中shap绝对值越大,所述比特翻转概率越高或允许翻转的变异比特位权重越高。
24、优选地,所述目标性能需求包括高温稳定性、低温抗裂性、水稳定性和经济性成本;所述逆向优化模块采用帕累托前沿搜索策略处理多目标优化问题,在所述伊辛模型的解空间中搜索互不支配的候选配比方案,输出帕累托最优解集。
25、优选地,在知识库模块,所述主动学习单元预测不确定性筛选推荐验证方案,包括:
26、通过蒙特卡洛dropout方法,估计所述神经网络单元对各候选配比方案预测结果的不确定性,以预测方差量化所述预测不确定性;
27、按照预测不确定性从高到低对候选配比方案进行排序,筛选排序前k位的候选配比方案作为所述推荐验证方案。
28、优选地,所述知识库模块接收所述推荐验证方案经外部试验验证后反馈的验证数据,将所述验证数据存入所述配方数据库,并触发所述神经网络单元的增量学习。
29、第二方面,本发明提供以下技术方案,一种绿色热再生沥青混合料智能配比方法,包括:
30、s1:获取rap物料的多源检测数据,所述多源检测数据至少包括rap的沥青含量、老化程度、颗粒级配和含水率;
31、s2:根据所述多源检测数据与目标性能需求确定配比优化问题,并将所述配比优化问题转化为伊辛模型,确定解空间及二进制变量编码方式,并在所述解空间中初始化候选配比方案;
32、s3:将候选配比方案输入神经网络,获得热再生沥青混合料的性能预测值;通过可解释性分析单元对预测结果进行解释分析,输出各配比变量对性能预测指标的贡献度及影响方向;
33、s4:调用所述神经网络进行性能预测评估,并接收所述贡献度及影响方向以引导解空间搜索,输出最优配比方案;
34、s5:将所述最优配比方案下发至配料秤和计量系统;
35、s6:存储历史配比方案及对应的实测性能数据,为所述神经网络提供训练数据;评估所述神经网络对候选配比方案预测结果的预测不确定性,并根据所述预测不确定性筛选推荐验证方案。
36、本发明具有如下有益效果:
37、1、本发明通过量子化建模将配比优化问题映射为伊辛模型基态搜索,以二进制编码表征配比变量,以罚函数处理多约束条件,将多目标性能需求统一编码为能量函数,使高维多约束组合优化难题转化为物理模型可解的基态搜索问题,有效增强了全局寻优能力,避免了常规启发式算法易陷局部最优的缺陷,显著提升了配比方案的性能指标,同时提高了逆向优化求解的计算效率。
38、2、本发明利用shap可解释性分析提取各配比变量对性能预测指标的贡献度与影响方向,以shap值量化贡献大小、以shap符号表征影响正负,并将该信息反馈至逆向优化过程以引导量子搜索的更新方向与步长,使得量子优化求解单元在解空间中的搜索更具方向性,有效减少了无效搜索,加快了收敛速度,在提升配比精度的同时进一步缩短了优化耗时。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com