基于3D卷积神经网络的膏体屈服应力预测

膏体流变性能是膏体充填技术重要指标,是金属矿膏体充填工艺流程的重要工程参数.本文提出一种基于3D卷积神经网络的膏体屈服应力预测方法,通过制定图像采集标准并研发图像采集装置采集图像数据集.经Sobel算子实现膏体边缘检测、全图缩小等预处理,得到膏体图像数据集.采用十折交叉验证方法划分数据集,避免因单次随机划分造成的偶然误差.以膏体图像–屈服应力数据集为基础,利用3D卷积神经网络模型提取膏体纹理特征和时序信息等,又通过引入直方图均衡化算法的图像增强策略减少环境因素干扰,提高模型稳健性.利用预处理后的数据集在3D卷积神经网络模型上做训练和测试,得到模型损失值曲线图和混淆矩阵.将屈服应力模型预测结果进行分析,又引入卷积注意力机制嵌入到卷积神经网络实现模型优化,并对模型参数进行调整,模型预测平均准确率从93.26%提升至98.19%,论证了基于3D卷积神经网络的膏体屈服应力预测方法可行性.经图像增强处理的数据集应用到各模型中,模型预测平均准确率均提升3%以上.相比传统膏体流变测量方式,解决了传统膏体屈服应力测量操作复杂、外部因素扰动大、工程现场难以开展等问题.

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式.充填料浆质量的研究至关重要.它是一典型的多输入、多输出、非线性的模糊模型.一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力.该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据.另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比.

神经网络在膏体充填质量模型中的应用

煤矿膏体充填质量受多因素影响,且具有非线性特性,用数理统计的方法直接建立充填质量模型很困难。为了减少试验次数、降低试验费用,通过神经网络建立的膏体材料充填质量模型明显优于传统的回归分析法,利用膏体充填材料塌落度与主要影响因素浓度、胶结料用量、细集料用量的关系模型,可以有效预测膏体充填材料的塌落度。