【技术实现步骤摘要】
本专利技术属于固废处置、交通工程和计算机的交叉领域，具体涉及一种低强度可调控赤泥路用材料的配合比设计方法及装置。
技术介绍
1、赤泥是一种碱性大宗工业固体废物，寻找解决赤泥不当处置与堆存所带来的环境污染和安全隐患的治本之策是保护环境的重要路径。将赤泥经改性处治后应用于公路工程，是赤泥等典型固体工业废弃料的规模化综合利用的一条有效技术路径。
2、赤泥作为路用材料的形式包括路基土工填料和路面基层半刚性无机结合料稳定材料，由于赤泥来源不同，工程项目和路用型式不同，其强度要求和材料配合比也不尽相同。目前，对于低强度赤泥路用材料的配合比大多通过确定粉煤灰、水泥、快硬水泥等材料的最佳掺加比例，通过击实试验确定赤泥路用材料的最大干密度和最优含水量，并参考《建筑砂浆基本性能试验方法标准》中的抗压强度试验方法来测试其力学性能以确定最终配合比。但是该种试验方法对于试件、养护条件以及操作都有着一定的要求，步骤繁多，耗费时间长，其配合比设计无法根据实际工程的不同强度需要得到及时地调控。
3、随着大数据信息技术的发展，数据挖掘和机器学习在混凝土性能预测方面取得了较大的进展。例如，公开号为cn113836811a的中国专利公开了一种混凝土配合比多目标控制优化方法，该方法使用遗传算法优化神经网络建立预测模型与目标函数，通过粒子群优化，迭代寻优，来找到符合目标的配合比。公开号为cn111027117b的中国专利公开了一种胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法，该方法将箱线图和bp循环神经网络相结合，以配合比的关键参数
4、目前，由于不同地区和工厂生产的赤泥成分组成和含水率等特征不同，不同道路工程等级和填料型式对强度的要求不同，尚且没有对低强度赤泥路用材料配合比进行调控的方法。
技术实现思路
1、针对当前尚且没有一种方法可以较快较准地实现赤泥在低强度路用材料应用中配合比的设计与调控，本专利技术提出了一种低强度可调控赤泥路用材料的配合比设计方法及装置，基于深度学习，以多年多地区赤泥路用材料的实验数据为基础，建立最佳预测模型，根据具体情况调控配合比，可以用以解决由于赤泥材料来源差异大、工程实际强度需求不同而造成的配合比难以设计的问题。同时，该方法提出的低强度可调控赤泥路用材料实现了对赤泥的资源化利用，有着良好的社会效益和环境效益。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种低强度可调控赤泥路用材料的配合比设计方法，包括以下步骤：
4、依托多地赤泥路用材料工程实施的试验数据，获取多个赤泥路用材料样本的数据集，其中，每个赤泥路用材料样本的数据集包括：抗压强度真实值和多个材料配合比的特征参数；
5、采用深度学习方法，建立基于材料配合比的赤泥路用材料的无侧限抗压强度预测模型，利用多个赤泥路用材料样本的数据集对所述无侧限抗压强度预测模型进行不断训练，得到最佳预测模型；
6、根据不同道路工程对赤泥路用材料的强度要求以及各材料组分的约束条件，通过所述最佳预测模型预估出强度配合比集合；
7、建立路用材料成本最低化的目标规划模型，基于所述目标规划模型，在所述强度配合比集合中优选出最经济的配合比。
8、优选的，采用深度学习方法，建立基于材料配合比的赤泥路用材料的无侧限抗压强度预测模型的方法包括：
9、采用bp神经网络作为所述无侧限抗压强度预测模型的建模载体，其中，所述bp神经网络建立三层神经网络结构，设置输入层、隐含层和输出层神经元个数，隐含层神经元个数满足如下表达式：
10、
11、式中，n为输入层节点数；l为隐含层节点数；m为输出层节点数；a为0～10之间的常数；
12、对初始输入数据进行归一化处理，样本数据满足如下表达式：
13、
14、式中，h为输入的原始数据，hmin为输入数据中的最小值，hmax为输入数据中的最大值，hn为归一化后的值；
15、选择tan-sigmoid函数作为隐含层神经元的传递函数，满足如下表达式：
16、
17、其中,hi和yj分别为输入值与输出值；ωij和biasj分别为权值和阈值；
18、选择purelin线性函数作为输出层神经元的传递函数，满足如下表达式：
19、
20、式中，wi代表对应于该神经元第i个输入hi的权重参数，b代表该神经元的阈值，f(h)为神经元的激活函数。
21、优选的，利用多个赤泥路用材料样本的数据集对所述无侧限抗压强度预测模型进行不断训练，得到最佳预测模型的方法包括：
22、设定性能评价指标及其对应的目标误差ε，采用trainlm算法作为bp神经网络训练算法，通过不断训练，计算每组权重wi和阈值b对应的性能评价指标的误差εm，若满足εm<ε，则将该组权重wi和阈值b作为所述无侧限抗压强度预测模型的参数，获得最佳预测模型。
23、优选的，根据不同道路工程对赤泥路用材料的强度要求以及各材料组分的约束条件，通过所述最佳预测模型预估出强度配合比集合的方法包括：
24、确定强度设计要求值y设计，利用所述最佳预测模型预估出强度配合比集合h＝[h1,h2…hn]，其中hn＝[h1,h2,h3,h4,h5,h6]，满足约束条件：
25、
26、其中，h1为高分子复合固化材料占比，h2为粉煤灰占比，h3为水泥占比，h4为快硬水泥占比，h5为养护龄期，h6为赤泥含水率。
27、优选的，建立路用材料成本最低化的目标规划模型，基于所述目标规划模型，在所述强度配合比集合中优选出最经济的配合比的方法包括：
28、基于工程经济指标与市场行情，考虑低强度赤泥路用材料各原材料价格，建立一个以成本最低为目标的规划模型，表达式为：z＝850h1+20h2+290h3+900h4+0h5+250(35％-h6)；
29、将预估出的强度配合比集合中的每组配合比分别代入到所述规划模型的目标函数中，计算得出每组配合比的赤泥路用材料所需成本；
30、选出成本低于预设要求且满足约束条件的一组配合比作为最终配合比，该最终配合比满足工程实际强度要求且性价比最优，选作为低强度赤泥路用材料的最佳配合比。
31、本专利技术还提供了一种低强度可调控赤泥路用材料的配合比设计装置，包括：有依次通信连接的数据获取模块、网络创建和训练模块、预估模块和配合比优选模块；
32、所述数据获取模块用于依托多地赤泥路用材料工程实施的试验数本文档来自技高网...
【技术保护点】
1.一种低强度可调控赤泥路用材料的配合比设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，采用深度学习方法，建立基于材料配合比的赤泥路用材料的无侧限抗压强度预测模型的方法包括：
3.根据权利要求2所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，利用多个赤泥路用材料样本的数据集对所述无侧限抗压强度预测模型进行不断训练，得到最佳预测模型的方法包括：
4.根据权利要求3所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，根据不同道路工程对赤泥路用材料的强度要求以及各材料组分的约束条件，通过所述最佳预测模型预估出强度配合比集合的方法包括：
5.根据权利要求1所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，建立路用材料成本最低化的目标规划模型，基于所述目标规划模型，在所述强度配合比集合中优选出最经济的配合比的方法包括：
6.一种低强度可调控赤泥路用材料的配合比设计装置，其特征在于，包括：有依次通信连接的数据获取模块、网络创建和训练模块
7.根据权利要求6所述的低强度可调控赤泥路用材料的配合比设计装置，其特征在于，网络创建模块包括：建模载体构建单元、归一化处理单元、隐含层神经元传递单元和输出层神经元传递单元；
8.根据权利要求7所述的低强度可调控赤泥路用材料的配合比设计装置，其特征在于，网络训练模块包括：输出向量计算单元、误差计算单元和判断单元；
9.根据权利要求8所述的低强度可调控赤泥路用材料的配合比设计装置，其特征在于，根据不同道路工程对赤泥路用材料的强度要求以及各材料组分的约束条件，通过所述最佳预测模型预估出强度配合比集合的过程包括：
10.根据权利要求6所述的低强度可调控赤泥路用材料的配合比设计装置，其特征在于，所述配合比优选模块包括：规划模型构建单元、成本计算单元和最佳配合比选择单元；
...【技术特征摘要】
1.一种低强度可调控赤泥路用材料的配合比设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，采用深度学习方法，建立基于材料配合比的赤泥路用材料的无侧限抗压强度预测模型的方法包括：
3.根据权利要求2所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，利用多个赤泥路用材料样本的数据集对所述无侧限抗压强度预测模型进行不断训练，得到最佳预测模型的方法包括：
4.根据权利要求3所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，根据不同道路工程对赤泥路用材料的强度要求以及各材料组分的约束条件，通过所述最佳预测模型预估出强度配合比集合的方法包括：
5.根据权利要求1所述的低强度可调控赤泥路用材料的配合比设计方法，其特征在于，建立路用材料成本最低化的目标规划模型，基于所述目标规划模型，在所述强度配合比集合中优选出最经济的配合比的方法包括：
...【专利技术属性】
技术研发人员：纪巧玲，贾秀茹，蒋娜，程钰，陈国强，靳露，程冠军，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。