一种建筑垃圾再生RPC最优配合比预测方法及相关系统技术方案

本发明专利技术公开了一种建筑垃圾再生RPC最优配合比预测方法及相关系统，本发明专利技术采用配合比预测模型预测多个配合比，基于制备成本，从预测的配合比中选择若干成本较低的配合比，根据成本较低的配合比制备RPC，根据RPC能耗，确定最优的配合比，为实现最优的建筑垃圾再生RPC提供数据支撑，并且本发明专利技术采用变分自编码器扩充训练样本集，无需进行大量的试验，降低了配置RPC的成本。RPC的成本。RPC的成本。

【技术实现步骤摘要】
一种建筑垃圾再生RPC最优配合比预测方法及相关系统


[0001]本专利技术涉及一种建筑垃圾再生RPC最优配合比预测方法及相关系统，属于建筑垃圾再生领域。

技术介绍

[0002]随着城镇化快速发展和基础设施推进，需要积极开展建筑垃圾资源化利用。目前常用的方式之一是利用建筑垃圾制备活性粉末混凝土(RPC,reactive powder concrete)，即建筑垃圾再生RPC，但是如何确定RPC最优配合比是急需解决的问题。

技术实现思路

[0003]本专利技术提供了一种建筑垃圾再生RPC最优配合比预测方法及相关系统，解决了
技术介绍
中披露的问题。
[0004]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0005]一种建筑垃圾再生RPC最优配合比预测方法，包括：
[0006]将预设的能耗重复输入预先训练的配合比预测模型N1次，获得N1个配合比；其中，能耗为建筑垃圾再生RPC能耗；配合比为建筑垃圾再生RPC配合比；在训练配合比预测模型前，采用变分自编码器扩充训练样本集，采样扩充后的训练样本集训练配合比预测模型；
[0007]根据RPC制备成本，从N1个配合比中，选取成本最低的N2个配合比；其中，N2小于N1，N1和N2为预设数量；
[0008]获取N2个RPC的能耗，将最大能耗对应的配合比作为最优配合比；其中，N2个RPC为采用N2个配合比制备的RPC。
[0009]变分自编码器包括编码器部分和解码器部分；
[0010]训练样本集中的训练样本分批次输入编码器部分，生成隐藏变量；其中，训练样本中的变量包括配合比和能耗，隐藏变量记忆了训练样本的特征；
[0011]将最后一批次的隐藏变量输入解码器，生成用以扩充训练样本集的新训练样本。
[0012]编码器部分的最后一层为采样层；
[0013]在变分自编码器训练过程中，一批次训练样本正向传播时，隐藏变量的计算公式为：
[0014][0015]其中，z为隐藏变量，μ为训练样本的均值，ε为服从标准正态分布的随机变量，参数σ为训练样本的标准偏差，μ和σ为采样层的输入。
[0016]在变分自编码器训练过程中，变分自编码器输入和输出的误差沿梯度反向传播时，误差对采样层输入的梯度分别为：
[0017][0018][0019]其中，E为误差，E＝E
rec
+E
reg
，E
rec
为采用二元交叉熵表示的重构误差，，x
ij
为第i批次第j个输入层神经元输入的变量，y
ij
为第i批次第j个输出层神经元输出的变量，h为批次尺寸，m为输入层神经元数量，也是输出层神经元数量，E
reg
为采用二元交叉熵表示的正则化项，n为隐藏变量数量，μ为第i批次第k个隐藏变量对应的均值，σ为第i批次第k个隐藏变量对应的标准偏差。
[0020]一种建筑垃圾再生RPC最优配合比预测系统，包括：
[0021]配合比预测模块，将预设的能耗重复输入预先训练的配合比预测模型N1次，获得N1个配合比；其中，能耗为建筑垃圾再生RPC能耗；配合比为建筑垃圾再生RPC配合比；在训练配合比预测模型前，采用变分自编码器扩充训练样本集，采样扩充后的训练样本集训练配合比预测模型；
[0022]基于成本选取模块，根据RPC制备成本，从N1个配合比中，选取成本最低的N2个配合比；其中，N2小于N1，N1和N2为预设数量；
[0023]最优配合比选取模块，获取N2个RPC的能耗，将最大能耗对应的配合比作为最优配合比；其中，N2个RPC为采用N2个配合比制备的RPC。
[0024]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行建筑垃圾再生RPC最优配合比预测方法。
[0025]一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行建筑垃圾再生RPC最优配合比预测方法的指令。
[0026]本专利技术所达到的有益效果：1、本专利技术采用配合比预测模型预测多个配合比，基于制备成本，从预测的配合比中选择若干成本较低的配合比，根据成本较低的配合比制备RPC，根据RPC能耗，确定最优的配合比，为实现最优的建筑垃圾再生RPC提供数据支撑；2、本专利技术采用变分自编码器扩充训练样本集，无需进行大量的SHPB试验，即可获得大量的训练样本，进行配合比预测模型训练，节约了成本。
附图说明
[0027]图1为建筑垃圾再生RPC最优配合比预测方法的流程图；
[0028]图2为SHPB试验的装置结构图；
[0029]图3为变分自编码器的结构图。
具体实施方式
[0030]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术
的技术方案，而不能以此来限制本专利技术的保护范围。
[0031]如图1所示，一种建筑垃圾再生RPC最优配合比预测方法，包括以下步骤：
[0032]步骤1，将预设的能耗重复输入预先训练的配合比预测模型N1次，获得N1个配合比；其中，能耗为建筑垃圾再生RPC能耗；配合比为建筑垃圾再生RPC配合比；在训练配合比预测模型前，采用变分自编码器扩充训练样本集，采样扩充后的训练样本集训练配合比预测模型。
[0033]步骤2，根据RPC制备成本，从N1个配合比中，选取成本最低的N2个配合比；其中，N2小于N1，N1和N2为预设数量。
[0034]步骤3，获取N2个RPC的能耗，将最大能耗对应的配合比作为最优配合比；其中，N2个RPC为采用N2个配合比制备的RPC。
[0035]上述方法采用配合比预测模型预测多个配合比，基于制备成本，从预测的配合比中选择若干成本较低的配合比，根据成本较低的配合比制备RPC，根据RPC能耗，确定最优的配合比，为实现最优的建筑垃圾再生RPC提供数据支撑。
[0036]在实施上述方法之前，需要建立输入能耗输出配合比的配合比预测模型，拟定建立反向BP网络，输入建筑垃圾再生RPC的能耗，输出配合比，网络设定1个输入层、1个输出层和3个中间层，中间层层数可依据学习精度需要和学习具体情况加深至6～7层。输入层设定1个神经元，对应于能耗，输出层6个神经元，对应于建筑垃圾再生RPC配合比的6个分量，具体为水胶比(W/B)、硅灰(SF/C)、粉煤灰(FA/C)、建筑垃圾(与水泥的比)、标准砂、石英粉，中间层初步设定为15个神经元，根据网络学习情况可适度调整。
[0037]为了训练上述模型，需要通过SHPB试验获得训练样本集，训练样本中的变量包括配合比(具体包括上述的6个分量)和能耗。
[0038]首先制备建筑垃圾再生RPC，可依据配合比，精确称量一定的骨料和胶凝材料，将建筑垃圾磨成不同细度的粉末，以建筑垃本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑垃圾再生RPC最优配合比预测方法，其特征在于，包括：将预设的能耗重复输入预先训练的配合比预测模型N1次，获得N1个配合比；其中，能耗为建筑垃圾再生RPC能耗；配合比为建筑垃圾再生RPC配合比；在训练配合比预测模型前，采用变分自编码器扩充训练样本集，采样扩充后的训练样本集训练配合比预测模型；根据RPC制备成本，从N1个配合比中，选取成本最低的N2个配合比；其中，N2小于N1，N1和N2为预设数量；获取N2个RPC的能耗，将最大能耗对应的配合比作为最优配合比；其中，N2个RPC为采用N2个配合比制备的RPC。2.根据权利要求1所述的一种建筑垃圾再生RPC最优配合比预测方法，其特征在于，变分自编码器包括编码器部分和解码器部分；训练样本集中的训练样本分批次输入编码器部分，生成隐藏变量；其中，训练样本中的变量包括配合比和能耗，隐藏变量记忆了训练样本的特征；将最后一批次的隐藏变量输入解码器，生成用以扩充训练样本集的新训练样本。3.根据权利要求2所述的一种建筑垃圾再生RPC最优配合比预测方法，其特征在于，编码器部分的最后一层为采样层；在变分自编码器训练过程中，训练样本正向传播时，隐藏变量的计算公式为：其中，z为隐藏变量，μ为训练样本的均值，ε为服从标准正态分布的随机变量，参数σ为训练样本的标准偏差，μ和σ为采样层的输入。4.根据权利要求2所述的一种建筑垃圾再生RPC最优配合比预测方法，其特征在于，编码器部分的最后一层为采样层；在变分自编码器训练过程中，变分自编码器输入和输出的误差沿梯度反向传播时，误差对采样层输入的梯度分别为：差对采样层输入的梯度分别为：其中，E为误差，E＝E
rec
+E
reg
，E...

【专利技术属性】
技术研发人员：李业学，王学兵，聂维中，曾刚，
申请(专利权)人：湖北文理学院，
类型：发明
国别省市：