一种基于机器学习的淤泥固化方法及系统与流程

1.本发明涉及淤泥处理技术领域，具体涉及一种基于机器学习的淤泥固化方法及系统。


背景技术：

2.随着中国环保产业的蓬勃发展，尤其是环境治理重水轻泥的理念逐步向泥水并重的理念转变，大量受污染的河湖相疏浚淤泥如处置不当，如填埋、直接外弃抛海，将带来严重的如占用土地、污染河流、影响海洋生态环境等问题。淤泥固化处理，将淤泥中有毒有害物质封固在晶体结构中，固化处理后的淤泥中自由水减少，透水系数小，使得有害物质很难再次淋滤和溶解，防止其再次释放到环境中，从而避免造成二次污染，淤泥固化处理能够提高环保治理效果，改善环境污染问题。现在固化的手段主要通过固化剂进行处理，具体的操作参数按照经验值进行处理，很难保证处理后的指标是否达到要求，如吸附力、固化抗压强度、回填参数标准等。缺少有效的评估和调整手段，确保固化后的处理效果。


技术实现要素：

3.为了解决上述问题，本技术通过提供了一种基于机器学习的淤泥固化方法及系统，解决了现有技术中缺少有效的评估和调整手段，无法确保固化后的处理效果，存在固化结果不达标的技术问题。达到了通过对固化参数进行针对性调整优化，寻求最优参数，利用最优解进行固化处理，能够保证固化效果，确保固化处理结果达到目标要求的技术效果。
4.鉴于上述问题，本技术提供了一种基于机器学习的淤泥固化方法及系统。
5.一方面，本技术提供了一种基于机器学习的淤泥固化方法，所述方法包括：对淤泥采样进行成分检测，确定淤泥成分参数；获得淤泥固化处理列表，所述淤泥固化处理列表包括处理前参数、固化手段、处理后参数；基于所述淤泥成分参数从所述淤泥固化处理列表中进行处理前参数匹配，确定匹配固化信息，所述匹配固化信息包括匹配固化手段、匹配处理后参数；对所述匹配处理后参数进行处理结果评估，获得评估参数信息，所述评估参数信息包括参数偏差值；根据所述匹配固化手段，确定固化处理参数；基于所述参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数。
6.优选的，所述获得淤泥固化处理列表之前，包括：获得淤泥固化手段信息，分别基于所述淤泥固化手段信息进行历史固化操作数据提取，构建历史淤泥固化数据集，所述历史淤泥固化数据集中历史淤泥固化数据与淤泥固化手段信息具有对应关系；按照淤泥成分对所述历史淤泥固化数据集进行处理数据提取，建立淤泥成分与固化结果的参数关系，并将所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系；基于所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系、所述历史淤泥固化数据与淤泥固化手段信息对应关系，构建所述淤泥固化处理列表。
7.优选的，基于所述参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，
确定淤泥固化寻优参数，包括：步骤1：对所述固化处理参数随机进行参数调整，生成调整固化处理参数，对所述调整固化处理参数进行固化评估，获得固化评估结果；步骤2：根据所述固化评估结果确定参数调整结果，基于所述参数调整结果与所述参数偏差值进行比较，确定调整结果；步骤3：获得调整接受概率，基于所述调整结果利用调整接受概率判断是否接受所述调整固化处理参数，基于判断结果更新当前固化处理参数信息；步骤4：重复执行步骤1-3，直到参数信息不再进行更新，将该参数信息作为所述淤泥固化寻求参数。
8.优选的，对所述调整固化处理参数进行固化评估，包括：构建评价模型，所述评价模型包括多维度数据提取层、多维数据评估层、维度参数权重分析层、固化结果评价层；利用所述历史淤泥固化数据集进行多维度数据分析，分别从淤泥固化结果、淤泥固化成本、淤泥固化速度多维度进行数据标记，划分模型训练集、模型测试集；分别利用所述模型训练集、所述模型测试集对所述评价模型进行训练及测试，确定所述评价模型；将所述淤泥成分参数、所述调整固化处理参数作为输入数据输入所述评价模型中，通过所述多维度数据提取层对所述输入数据进行多维度数据提取，将多维度数据输入所述多维数据评估层进行固化结果评估、固化成本评估、固化速度评估得到多维度评估值，对多维度数据通过维度参数权重分析层进行权重分析确定多维度权重值，根据所述多维度权重值、多维度评估值通过所述固化结果评价层进行综合评价，获得模型输出结果，所述模型输出结果包括综合评价值、多维度评估值。
9.优选的，所述方法还包括：设定调整更新次数，基于所述调整更新次数随机添加参数调整信息对当前固化处理参数进行调节；按照所述调整更新次数对当前固化处理参数进行迭代，确定所述调整固化处理参数。
10.优选的，所述方法还包括：通过公式:p(de)＝exp(de/k)确定所述调整接受概率，其中，k为温度迭代速度系数，exp表示自然指数，de为调整结果且de《0；获得历史处理数据，基于所述历史处理数据对k进行取值特征提取；基于所述取值特征对k进行调整。
11.优选的，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数之后，包括：通过模拟退火算法对固化处理流程进行优化，确定寻优固化流程；将所述淤泥固化寻优参数、寻优固化流程进行合并，生成寻优固化参数设定方案。
12.另一方面，本技术提供了一种基于机器学习的淤泥固化系统，所述系统包括：所述系统包括：检测成分获得单元，所述检测成分获得单元用于对淤泥采样进行成分检测，确定淤泥成分参数；固化处理列表单元，所述固化处理列表单元用于获得淤泥固化处理列表，所述淤泥固化处理列表包括处理前参数、固化手段、处理后参数；匹配固化信息单元，所述匹配固化信息单元用于基于所述淤泥成分参数从所述淤泥固化处理列表中进行处理前参数匹配，确定匹配固化信息，所述匹配固化信息包括匹配固化手段、匹配处理后参数；参数评估单元，所述参数评估单元用于对所述匹配处理后参数进行处理结果评估，获得评估参数信息，所述评估参数信息包括处理参数结果、参数偏差值；固化参数确定单元，所述固化参数确定单元用于根据所述匹配固化手段，确定固化处理参数；参数优化单元，所述参数优化单元用于基于所述处理参数结果、参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数。
13.优选的，所述系统还包括：历史固化数据获得单元，所述历史固化数据获得单元用于获得淤泥固化手段信息，分别基于所述淤泥固化手段信息进行历史固化操作数据提取，
构建历史淤泥固化数据集，所述历史淤泥固化数据集中历史淤泥固化数据与淤泥固化手段信息具有对应关系；数据关系提取单元，所述数据关系提取单元用于按照淤泥成分对所述历史淤泥固化数据集进行处理数据提取，建立淤泥成分与固化结果的参数关系，并将所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系；固化处理列表构建单元，所述固化处理列表构建单元用于基于所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系、所述历史淤泥固化数据与淤泥固化手段信息对应关系，构建所述淤泥固化处理列表。
14.本技术中提供的技术方案，至少具有如下技术效果：
15.本技术提供了一种基于机器学习的淤泥固化方法及系统，通过对淤泥采样进行成分检测，确定淤泥成分参数；获得淤泥固化处理列表，所述淤泥固化处理列表包括处理前参数、固化手段、处理后参数；基于所述淤泥成分参数从所述淤泥固化处理列表中进行处理前参数匹配，确定匹配固化信息，所述匹配固化信息包括匹配固化手段、匹配处理后参数；对所述匹配处理后参数进行处理结果评估，获得评估参数信息，所述评估参数信息包括参数偏差值；根据所述匹配固化手段，确定固化处理参数；基于所述参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数。达到了通过对固化参数进行针对性调整优化，寻求最优参数，利用最优解进行固化处理，能够保证固化效果，确保固化处理结果达到目标要求的技术效果。从而解决了现有技术中缺少有效的评估和调整手段，无法确保固化后的处理效果，存在固化结果不达标的技术问题。
附图说明
16.图1为本技术实施例的一种基于机器学习的淤泥固化方法的流程示意图；
17.图2为本技术实施例的一种基于机器学习的淤泥固化方法中构建淤泥固化处理列表的流程示意图；
18.图3为本技术实施例的一种基于机器学习的淤泥固化方法中确定淤泥固化寻优参数的流程示意图；
19.图4为本技术实施例的一种基于机器学习的淤泥固化系统的结构示意图。
具体实施方式
20.本技术通过提供了一种基于机器学习的淤泥固化方法及系统，用以解决现有技术中缺少有效的评估和调整手段，无法确保固化后的处理效果，存在固化结果不达标的技术问题。
21.下面结合具体的实施例进行本发明方案的详细介绍。
22.实施例一
23.如图1所示，本技术实施例提供了一种基于机器学习的淤泥固化方法，所述方法包括：
24.s10：对淤泥采样进行成分检测，确定淤泥成分参数。
25.具体的，对需要进行处理的淤泥进行采样，通过专业检测结构或者检测器对淤泥样本进行成分检测，确定淤泥样本的成分信息，如通过对河湖底泥检测，得到其烧失量达19.02％，属高有机质含量泥炭质土；其主要化学成分为sio2、al2o3、cao，含量分别高达
56.06％、14.05％和3.8％，此外，含有一定量的fe2o3、mgo、k2o、na2o，以及微量的so3和p2o5，主要矿物成分为硅酸盐和硅铝酸盐。
26.s20：获得淤泥固化处理列表，所述淤泥固化处理列表包括处理前参数、固化手段、处理后参数。
27.进一步的，如图2所示，所述获得淤泥固化处理列表之前，所述方法包括：s701：获得淤泥固化手段信息，分别基于所述淤泥固化手段信息进行历史固化操作数据提取，构建历史淤泥固化数据集，所述历史淤泥固化数据集中历史淤泥固化数据与淤泥固化手段信息具有对应关系；s702：按照淤泥成分对所述历史淤泥固化数据集进行处理数据提取，建立淤泥成分与固化结果的参数关系，并将所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系；s703：基于所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系、所述历史淤泥固化数据与淤泥固化手段信息对应关系，构建所述淤泥固化处理列表。
28.具体的，利用检测获得淤泥的成分在历史数据构建的淤泥固化处理列表中进行当前固化手段的匹配，在淤泥固化处理列表为按照当前的固化手段和固化的历史数据进行数据提取获得的，其中包括了各固化手段对应处理的淤泥成分，得到的固化结果，固化手段包括了固化剂成分、固化流程，固化结果为固化后得到的淤泥的性质参数，如抗压力、吸附力、形态、成分等。
29.利用历史固化数据首先进行固化手段的分类，针对固化手段中对应的固化剂的使用或者过程等差异性进行各种不同参数的对应的固化结果的分析，找到固化手段、固化前的淤泥成分、固化后的结果之间的映射关系，构建淤泥固化处理列表，使得能够按照输入的淤泥成分进行匹配，得到与其具有映射或对应关系的固化参数信息。
30.s30：基于所述淤泥成分参数从所述淤泥固化处理列表中进行处理前参数匹配，确定匹配固化信息，所述匹配固化信息包括匹配固化手段、匹配处理后参数。
31.具体的，针对不同的淤泥成分和固化要求对应了不同的固化剂成分和操作要求，如干土料、软土固化剂等，对于检测到的淤泥成分在淤泥固化处理列表中进行成分匹配，得到对应的固化信息，其中匹配到的固化信息可能包括一种或者几种，可以分别对各匹配固化信息进行评估和固化要求进行比对，得到其中满足固化要求的固化信息，匹配固化信息包括了固化的手段(使用到的固化剂成分、操作流程等)，匹配处理后参数为处理后得到的淤泥固化后的参数如物理特征、结构、硬度、参数等。
32.s40：对所述匹配处理后参数进行处理结果评估，获得评估参数信息，所述评估参数信息包括参数偏差值。
33.具体的，针对匹配到的匹配处理后参数和需求的固化结果进行结果评估，获得固化目标要求，固化目标要求为对固化后的淤泥的结果的参数要求，按照固化的场景和使用需求进行确定，如进行土地填充，则需要对成分、固定的抗压性等进行评估，按照匹配处理后的参数与固化目标要求进行比对后，确定当前的固化处理后参数是否满足了固化目标要求，对于固化要求低的，若满足了则不继续进行固化参数的匹配，直接确定当前的固化手段和流程。本技术实施例主要针对固化要求高、固化参数精细化程度高的淤泥固化场景进行精准分析，以提高固化的水平和效果。按照常规的固化手段和参数设定情况很难满足精细化的固化要求，则需要针对评价结果存在的参数偏差值进行具体调整和分析，以确保固化
后的效果。参数偏差值即为当前匹配处理后的参数与固化目标要求之间的差异值，即需要对哪些值进行调整的要求。
34.s50：根据所述匹配固化手段，确定固化处理参数。
35.具体的，针对没有达到固化目标要求的匹配固化手段进行具体的固化处理参数的确定，针对固化处理参数进行针对性的调整及优化。固定处理参数为当前匹配的固化手段对应的固化剂成分、固化操作流程等，可以通过淤泥固化处理列表中的数据直接匹配确定。
36.s60：基于所述参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数。
37.进一步的，基于所述参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数，如图3所示，所述方法包括：步骤1：对所述固化处理参数随机进行参数调整，生成调整固化处理参数，对所述调整固化处理参数进行固化评估，获得固化评估结果；步骤2：根据所述固化评估结果确定参数调整结果，基于所述参数调整结果与所述参数偏差值进行比较，确定调整结果；步骤3：获得调整接受概率，基于所述调整结果利用调整接受概率判断是否接受所述调整固化处理参数，基于判断结果更新当前固化处理参数信息；步骤4：重复执行步骤1-3，直到参数信息不再进行更新，将该参数信息作为所述淤泥固化寻求参数。
38.具体的，根据确定的匹配固化处理参数和距离目标处理要求的差异参数进行参数的优化，通过模拟退火算法进行具体优化处理，首先，对当前的固化处理参数进行随机调整，可以是任意参数的调整也可以为所有参数的调整，随机进行调整后得到的新的参数重新进行评估，确定调整后的固化处理参数是否能够解决到当前存在效果差异参数的问题，根据评判结果，和前面确定当前的固化处理参数的效果进行比较，得到调整的结果，若调整的结果超过当前的固化处理参数则保留调整后的固化处理参数，对于没有超出当前固化处理参数要求的，则利用设定的调整接受概率进行判断，是否进行调整，为了保证迭代处理的效果，避免进入寻优的死循环不进行处理，将初始概率调整较大，这样以保证进行不断的更新迭代，当满足调整接受概率确定的调整的准则，则接受新的处理参数，即便没有超过当前的固化处理参数的处理效果的，只要满足了调整接受概率的要求，也同样接受，再利用更新后的固化处理参数继续更新，即将调整后的固化参数作为新的参数继续重复随机调整，再评价，更新这个过程，直到找到最优解，即满足了固化目标要求的参数同时不再进行寻优更新的固化参数，则优化完成，另外在进行寻优过程中，会随着寻优的进行将调整接受概率不断降低，以优化寻优的结果，即当达到一定阶段的寻优处理后，只有超出了当前的固化处理参数的效果的调整参数才能取代之前的处理参数，不断的进行优化，直到经过多次调整迭代后依然没有更新固化处理参数为止，则当前的结果为最优解。利用最优解进行固化处理，能够保证固化效果，确保固化处理结果达到目标要求，从而解决了现有技术中缺少有效的评估和调整手段，无法确保固化后的处理效果，存在固化结果不达标的技术问题。达到了通过对固化参数进行针对性调整优化，寻求最优参数，按照优化固化处理参数提升固化效果的技术效果。
39.进一步的，对所述调整固化处理参数进行固化评估，包括：构建评价模型，所述评价模型包括多维度数据提取层、多维数据评估层、维度参数权重分析层、固化结果评价层；利用所述历史淤泥固化数据集进行多维度数据分析，分别从淤泥固化结果、淤泥固化成本、
淤泥固化速度多维度进行数据标记，划分模型训练集、模型测试集；分别利用所述模型训练集、所述模型测试集对所述评价模型进行训练及测试，确定所述评价模型；将所述淤泥成分参数、所述调整固化处理参数作为输入数据输入所述评价模型中，通过所述多维度数据提取层对所述输入数据进行多维度数据提取，将多维度数据输入所述多维数据评估层进行固化结果评估、固化成本评估、固化速度评估得到多维度评估值，对多维度数据通过维度参数权重分析层进行权重分析确定多维度权重值，根据所述多维度权重值、多维度评估值通过所述固化结果评价层进行综合评价，获得模型输出结果，所述模型输出结果包括综合评价值、多维度评估值。
40.具体的，对固化处理参数得到的效果进行评估时，本技术实施例通过构建评价模型进行多维评价，针对不同的固化目标要求进行评价，主要从固化的成本、时间、效果进行评估，对输入的数据按照这三个维度的数据特征进行提取，针对不同的数据特征进行对应的评价，得到固化成本的评估结果、固化时间的评估结果及固化效果的评估结果。通过历史固化数据对构建的多层机器学习模型进行训练和测试，其中包括了多维度数据提取层，针对设定的三个维度进行历史数据特征的分析，得到各维度的数据特征对输入的数据进行特征提取，其中一个数据可以进行多维度的标记，得到多维度数据后通过多维数据评估层对各维度的数据进行分类评估，得到各维度的评估结果，多维数据评估层一方面与输出层连接，直接进行输出，同时与固化结果评价层连接，进行综合评价，多维度数据提取层与维度参数权重分析层连接，针对多维度数据通过权重算法，可选的，如层次分析法，通过权重算法确定与固化结果影响关系的权重值，针对权重值和各维度的评估结果进行加权在固化结果评价层得到综合的评价值，进行输出，这样可以得到综合的评价结果和多维度的各维度评价结果，按照固化目标要求中的设定要求进行对应的匹配，确定评估结果。
41.进一步的，所述方法还包括：设定调整更新次数，基于所述调整更新次数随机添加参数调整信息对当前固化处理参数进行调节；按照所述调整更新次数对当前固化处理参数进行迭代，确定所述调整固化处理参数。
42.进一步的，所述方法还包括：通过公式:p(de)＝exp(de/k)确定所述调整接受概率，其中，k为温度迭代速度系数，exp表示自然指数，de为调整结果且de《0；获得历史处理数据，基于所述历史处理数据对k进行取值特征提取；基于所述取值特征对k进行调整。
43.具体的，在利用模拟退火算法进行参数优化中，优化的结果和速度，受到k为温度迭代速度系数、调整更新次数这两个参数的影响，调整更新次数即为进行迭代处理的频率(马尔科夫链长)，按照设定的频率进行多次迭代，达到迭代次数后确定局部寻优解，更新当前的参数，继续进入下一个迭代的次数循环中，调整更新次数越大则迭代的次数越多，找到全局最优解的概率就越大，但同时会消耗时间较长，因而在继续调整更新次数的确定时，可以历史的经验数据进行调整更新次数的确定，找到符合固化参数处理特征的调整更新次数，如100次，通过100次迭代后则确定该阶段的局部最优解，进入下一个循环次数，依然经过100次循环后找到这个阶段的局部最优解，依次类推，同时为了提高处理的效率，还需要对调整接受概率进行调整，通过k为温度迭代速度系数对调整接受概率进行调整，通过增加k的值，降低调整接受概率的值，以提升寻找全局最优解的速度，以确保优化的固化处理参数能够实现优化固化效果的目标。
44.在进行k为温度迭代速度系数、调整更新次数的确定时，为了确保设定值的可靠
性，利用历史优化的数据进行评估确定，找到符合淤泥固化参数的寻优特征。可选的，通过实验数据进行确定，利用仿真模型进行模拟计算等，通过多次实验和历史数据的模拟计算确定其取值要求，按照取值要求进行设定。
45.进一步的，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数之后，包括：通过模拟退火算法对固化处理流程进行优化，确定寻优固化流程；将所述淤泥固化寻优参数、寻优固化流程进行合并，生成寻优固化参数设定方案。
46.具体的，利用上述同样的方法和过程对固化处理参数进行优化，寻求最优参数后，同样的对固化处理流程进行寻优，找到配合当前固化处理参数的最佳处理流程，通过处理流程的优化，更进一步提升固化处理的效果。由于对于同样的固化参数选择相匹配的流程可以进一步提升固化效果，因而通过确定的固化处理参数后在固化处理参数的基础上对当前的处理流程进行优化调整，寻求最优固化流程以提升整体固化方案，从而提升固化效率及效果。
47.实施例二
48.基于与前述实施例中一种基于机器学习的淤泥固化方法相同的发明构思，本技术实施例提供了一种基于机器学习的淤泥固化系统，如图4所示，所述系统包括：
49.检测成分获得单元，所述检测成分获得单元用于对淤泥采样进行成分检测，确定淤泥成分参数；
50.固化处理列表单元，所述固化处理列表单元用于获得淤泥固化处理列表，所述淤泥固化处理列表包括处理前参数、固化手段、处理后参数；
51.匹配固化信息单元，所述匹配固化信息单元用于基于所述淤泥成分参数从所述淤泥固化处理列表中进行处理前参数匹配，确定匹配固化信息，所述匹配固化信息包括匹配固化手段、匹配处理后参数；
52.参数评估单元，所述参数评估单元用于对所述匹配处理后参数进行处理结果评估，获得评估参数信息，所述评估参数信息包括处理参数结果、参数偏差值；
53.固化参数确定单元，所述固化参数确定单元用于根据所述匹配固化手段，确定固化处理参数；
54.参数优化单元，所述参数优化单元用于基于所述处理参数结果、参数偏差值，通过模拟退火算法对所述固化处理参数进行优化，确定淤泥固化寻优参数。
55.进一步的，所述系统还包括：
56.历史固化数据获得单元，所述历史固化数据获得单元用于获得淤泥固化手段信息，分别基于所述淤泥固化手段信息进行历史固化操作数据提取，构建历史淤泥固化数据集，所述历史淤泥固化数据集中历史淤泥固化数据与淤泥固化手段信息具有对应关系；
57.数据关系提取单元，所述数据关系提取单元用于按照淤泥成分对所述历史淤泥固化数据集进行处理数据提取，建立淤泥成分与固化结果的参数关系，并将所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系；
58.固化处理列表构建单元，所述固化处理列表构建单元用于基于所述淤泥成分与固化结果的参数关系与所述历史淤泥固化数据集中淤泥固化手段信息建立映射关系、所述历史淤泥固化数据与淤泥固化手段信息对应关系，构建所述淤泥固化处理列表。
59.进一步的，所述系统还包括：
60.模型构建单元，所述模型构建单元用于构建评价模型，所述评价模型包括多维度数据提取层、多维数据评估层、维度参数权重分析层、固化结果评价层；
61.数据分析单元，所述数据分析单元用于利用所述历史淤泥固化数据集进行多维度数据分析，分别从淤泥固化结果、淤泥固化成本、淤泥固化速度多维度进行数据标记，划分模型训练集、模型测试集；
62.评价模型确定单元，所述评价模型确定单元用于分别利用所述模型训练集、所述模型测试集对所述评价模型进行训练及测试，确定所述评价模型；
63.模型运算处理单元，所述模型运算处理单元用于将所述淤泥成分参数、所述调整固化处理参数作为输入数据输入所述评价模型中，通过所述多维度数据提取层对所述输入数据进行多维度数据提取，将多维度数据输入所述多维数据评估层进行固化结果评估、固化成本评估、固化速度评估得到多维度评估值，对多维度数据通过维度参数权重分析层进行权重分析确定多维度权重值，根据所述多维度权重值、多维度评估值通过所述固化结果评价层进行综合评价，获得模型输出结果，所述模型输出结果包括综合评价值、多维度评估值；
64.评估参数获得单元，所述评估参数获得单元用于获得固化目标要求，根据所述固化目标要求、所述模型输出结果，获得所述评估参数信息。
65.进一步的，所述参数优化单元包括：
66.参数调整单元，所述参数调整单元用于对所述固化处理参数随机进行参数调整，生成调整固化处理参数，对所述调整固化处理参数进行固化评估，获得固化评估结果；
67.调整结果比较单元，所述调整结果比较单元用于根据所述固化评估结果确定参数调整结果，基于所述参数调整结果与所述参数偏差值进行比较，确定调整结果；
68.参数更新确定单元，所述参数更新确定单元用于获得调整接受概率，基于所述调整结果利用调整接受概率判断是否接受所述调整固化处理参数，基于判断结果更新当前固化处理参数信息；
69.重复执行寻优单元，所述重复执行寻优单元用于重复执行步骤1-3，直到参数信息不再进行更新，将该参数信息作为所述淤泥固化寻求参数。
70.进一步的，所述系统还包括：
71.更新次数设定单元，所述更新次数设定单元用于设定调整更新次数，基于所述调整更新次数随机添加参数调整信息对当前固化处理参数进行调节；
72.调整处理单元，所述调整处理单元用于按照所述调整更新次数对当前固化处理参数进行迭代，确定所述调整固化处理参数。
73.进一步的，所述系统还包括：
74.概率计算单元，所述概率计算单元用于通过公式:p(de)＝exp(de/k)确定所述调整接受概率，其中，k为温度迭代速度系数，exp表示自然指数，de为调整结果且de《0；
75.特征提取单元，所述特征提取单元用于获得历史处理数据，基于所述历史处理数据对k进行取值特征提取；
76.调整参数单元，所述调整参数单元用于基于所述取值特征对k进行调整。
77.进一步的，所述系统还包括：
78.流程优化单元，所述流程优化单元用于通过模拟退火算法对固化处理流程进行优
化，确定寻优固化流程；
79.寻优结果合并单元，所述寻优结果合并单元用于将所述淤泥固化寻优参数、寻优固化流程进行合并，生成寻优固化参数设定方案。
80.本技术实施例提供的一种基于机器学习的淤泥固化系统可实现实施例二的任一过程，请参照实施例二的详细内容，在此不再赘述。
81.本说明书和附图仅仅是本技术的示例性说明，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。