基于集成智能模型的胶结膏体充填体强度评价方法

摘要

胶结回填粘贴（CPB）是一种生态友好的复合材料含有矿废物或尾矿和已被广泛地用作建筑材料在地下采场。在现场，CPB的单轴抗压强度（UCS）是关键的，因为它是密切相关的采场的稳定性。使用传统的数学模型预测CPB的UCS远未到UCS和大量影响变量之间的高度非线性关系满意所致。为了解决这个问题，本研究使用支持向量机（SVM）以预测CPB的UCS。在SVM模型的超参数使用甲虫天线搜索调谐（BAS）算法;然后，该模式被称为BSVM。然后BSVM训练从实验结果收集的数据集。为了解释上CPB的UCS每个输入变量的重要性，使用与BSVM为目标函数灵敏度研究获得变量的重要性。The results show that the proposed BSVM has high prediction accuracy on the test set with a high correlation coefficient (0.97) and low root-mean-square error (0.27 MPa). The proposed model can guide the design of CPB during mining.

一。介绍

胶结回填（CPB）粘贴被广泛地用于在地下金属矿山，其中尾矿通常被用作主要的聚集体采矿作业和它们与水泥质材料和水[混合1个]。CPB通常填入地下采场，经过一定的脱水固结后对顶板及围岩起到关键的支护作用[2个–5个]。与其它回填材料相比，CPB是一种环保型，经济复合矿由于浪费我的最大利用率，从而备受关注这些年[6个–11个]。

充填强度是影响充填质量的最重要的力学参数，无侧限抗压强度(UCS)是评价CPB充填强度的最基本、最关键的参数[德意志北方银行]。一般情况下，在实验室里，类似混凝土的强度评估中获得CPB的UCS。然而，当多个参数与CPB的UCS，实验测量是乏味，费时的，且昂贵的方法[13个,14个]。很多学者提出了许多方法来预测CPB的强度如经验式估计，数值模拟，和弹性力学分析[15个,16个]. 需要指出的是，CPB是一种多相复合材料，上述方法通常不能得到准确的预测结果。为了准确预测体外循环的成功率，有必要提出简单可靠的方法。

最近，机器学习方法已被广泛用于预测建筑材料的机械特性[德意志北方银行,17岁–23个]。通过人工智能方法的CPB的实力的评估也被提出。举例来说，考虑到影响CPB的变量人工神经网络（ANN）已被用于输入和输出之间的关系[建模24个,25个]. 在此基础上，提出了进化神经网络方法，即基于神经网络的方法，通过粒子群优化算法（PSO）和萤火虫算法（FA）等全局优化算法，优化神经元数目和神经网络结构等超参数。类似地，其他常用的机器学习方法，如随机森林算法（RF）和文献中报道的基于RF的模型，也被用于预测CPB的UCS[26个]。尽管上述人工智能方法（ANN，ANN基，RF和RF为基础的）的CPB的强度预测施加，它们在计算效率和不确定的结构的限制。此外，存在用于CPB的UCS的考虑的水泥粗尾矿比，固体 - 水的比率，细尾矿百分比，和固化时间的整体效果预测没有智能模型。

因此，本文将具有完美回归和分类能力的机器学习算法支持向量机(SVM)和用于选择SVM超参数的优秀全局优化算法甲虫触角搜索算法(ba)结合起来。为此，提出了一种进化支持向量机模型(BSVM)。对文献的一些贡献可以总结如下:（一）将支持向量机（SVM）和甲虫天线搜索（BAS）算法相结合，建立了进化支持向量机模型；（2）通过试验研究了水泥粗尾砂比、固水比、细尾砂率、养护时间等关键影响因素对CPB强度性能的影响（3）考虑四个关键影响变量的联合作用，直接估计CPB的UCS（4）本文首先对上述影响因素进行了敏感性分析和讨论

2.材料和方法

2.1。机械测试

为了制备试样CPB，尾矿的粒度分布和矿物成分是必要的，以确定。因此，激光衍射分析仪用于确定粗尾矿，细尾矿的尺寸分布。正如我们可以从图中看到的1个，有各种大小的两个不同的尾矿。为了分析对CPB的强度细尾的影响是至关重要的。硅酸盐水泥32.5R P.O应用作为粘合剂。在此矿井获得的水被用作混合水。根据现场试验试验中，如图4，图6，图8，和图10，将固体水比（S / W）被设定为0.68，0.70，和0.72粗尾矿水泥比（T / C）被设定。的细尾矿是作为混合物，和它的百分比（FTP）设定为0％，10％，15％，和20％。The blinder and aggregates were mixed by using a mixer (UJZ-15) for 5 min. Then, the prepared mixture was poured into the molds (70.1 mm × 70.1 mm × 70.1 mm). The curing time in this study was set as 7, 28, and 60 days. The detailed statistics of variables of CPB are given in Table1个. 共完成435个试样，并根据ASTM C 39进行无侧限抗压试验，以获得UCS值。

2.2。进化支持向量机的模型（BSVM）

2.2.1条。支持向量机

支持向量机通常用于超平面分类[26个]. 当超平面可以在两个类中产生较大的边距时，对应于超平面的向量就是支持向量。支持向量机的原理图如图所示2个.

一般来说，超平面方程如下： 哪里w ^表示m维向量;b表示偏差项；以及w ^和b得到了X可以根据F（X）。

对于线性可分数据，下面的等式可得出结论如下：

支持向量在超平面上:

尽量减少“w”^2个中，超平面可以发现（‖w‖是w的欧几里德范数）。

2.2.2条。甲虫触角搜索（BAS）

BAS是一个非常著名的启发式算法，这是最近提出的[20个]. 它可以用于全局优化问题。目前，BAS在机器学习算法中被广泛应用于获取超参数[20个,21岁]。在这个算法，它模拟了甲虫的行为，其天线的目标是找到与高浓度的气味。BAS的一个典型的流程图显示在图三.

在本研究中，支持向量机的超参数（C，惩罚系数和γ，内核参数）通过BAS进行调整，而不是尝试和错误方法。

2.3。绩效评估

根据以往的研究建议，训练数据集和测试数据集被分成分别为70％，数据集，30％的数据集。施加一个10倍交叉验证方法。的相关系数（右）和根均方误差（RMSE），用于评估所建立的模型的性能被定义如下： 哪里N个表示数据集中的数字;和ÿ_一世分别为预期值和实际值；以及和分别表示预测值和实测值的平均值。

三。结果和讨论

3.1。CPB的UCS结果

数字4个显示了在不同固化时间下，不同变量组合的CPB的UCS。由此可见，粗尾砂水泥比是决定CPB强度的主要指标。随着粗尾砂水泥比的增加，CPB的UCS明显增加。同样，随着固水比的增加，CPB的UCS也随之提高。然而，细尾砂率对CPB强度的影响取决于固水比。具体来说，当固水比在68%～70%之间时，随着细尾砂率的增加，CPB的UCS先上升到峰值后下降。当固水比为72%时，随着细尾砂率的增加，CPB的UCS略有下降。固化时间对CPB强度的提高起到了积极的作用，这与以往的研究是一致的。

3.2。超参数调节的结果

在本研究中，我们利用BAS来调整SVM在训练集上的超参数，选择RMSE作为目标函数。数字5个显示RMSE与迭代曲线。结果表明，经过15次迭代后，RMSE显著降低，且稳定，说明BAS在超参数的调整上是有效的。支持向量机的最终超参数列表2个.

3.3。所建模型的评估

数字6个显示训练集和测试集上预测的UCS值与实际的UCS值之间的相关性。观察到与右在训练集和测试集上分别为0.9701和0.973，说明本文提出的SVM模型能够成功建立CPB的UCS与其影响变量之间的关系。此外，训练集(0.1798)和测试集(0.2674)上较低且相似的RMSE值表明不存在欠拟合或过拟合现象。

3.4条。可变重要性分析

输入变量的相对重要性是通过全局敏感性研究计算出来的，如图所示7个. 结果表明，粗尾砂水泥比对CPB的UCS影响最大，其影响分数为4.46，其次是固化时间（3.178）和固水比（0.23），而细尾砂率对CPB的UCS影响最小，其影响分数为0.088。这一结果与先前的研究结果吻合得很好。需要注意的是，重要性得分是由本文使用的数据集获得的。如果将来在数据集中包含更多的数据样本，则可以获得更精确的结果。

四。结论

本研究使用支持向量机预测CPB的UCS。支持向量机的超参数由BAS进行调整。支持向量机能够成功地建立CPB的UCS与其影响变量之间的关系，训练集和测试集的相关系数都很高，分别为0.97和0.973。通过灵敏度分析计算得到的变重要度表明粗尾砂-水泥比是影响单轴抗压强度的最重要变量。

在以后的工作中，将通过增加影响变量和样本来扩大数据集，以提高模型的可推广性。此外，还将实现图形用户界面，以便于在设计CPB混合物时使用该模型。

数据可用性

用于支持本研究结果的Microsoft Excel工作表数据可从相应的作者处获得(liguichen@cumt.edu.cn)根据要求。

利益冲突

作者声明不存在利益冲突。

致谢

和“中国国家自然科学基金（授权号：51574224和51704277）”：本研究在财政的“国家重点研究发展计划（2016YFC0600901授权号）”的支持。作者非常感谢淮北矿业（集团）有限公司作者感谢祖奇王医生对她的鼓励和帮助。

参考

1. C、 齐和A.Fourie，“尾矿管理用胶结充填体：回顾与未来展望”矿业工程，第144卷，第106025页，2019年。查看位置：出版商网站|谷歌学术搜索
2. 孙源，李国贵，张，“注浆支护技术在巷道变形控制中的应用研究”，能源科学与工程卷。8，没有。4，第1-8页，2020。查看位置：出版商网站|谷歌学术搜索
3. Y、 孙国力、张国强、钱国强，“新型煤矿巷道变形控制支护系统的试验与数值研究”能源科学与工程卷。8，没有。2，第490-500，2020。查看位置：出版商网站|谷歌学术搜索
4. “新型高效喷射注浆技术在煤矿深部流变巷道稳定性控制中的应用”，持续性，第11卷，第22期，第6494页，2019年。查看位置：出版商网站|谷歌学术搜索
5. “利用全球-局部模拟方法进行闸道稳定性分析，”国际岩石力学与采矿科学杂志卷。113，第31-40，2019。查看位置：出版商网站|谷歌学术搜索
6. 孙源、李国和张，“建立复合材料无侧限抗压强度计算的混合机器学习模型:比较研究”，应用科学，第10卷，第5期，第16122020页。查看位置：出版商网站|谷歌学术搜索
7. 陈。张。齐。阿。富里。肖。“水泥膏体回填中磷石膏和建筑拆除废料的回收及其对环境的影响”。清洁生产杂志，第186卷，第418-4292018页。查看位置：出版商网站|谷歌学术搜索
8. Q、 陈、张、傅、辛，「磷石膏及磷尾矿用于膏体胶结充填之应用，」环境管理杂志，第201卷，第19-27页，2017年。查看位置：出版商网站|谷歌学术搜索
9. Q、 -S.Chen，Q.-L.Zhang，A.Fourie，X.Chen和C.-C.Qi，“相似采场模型下水泥浆体充填体强度特性及其机理的试验研究”建筑建材，第154卷，2017年第34-43页。查看位置：出版商网站|谷歌学术搜索
10. C.-C.齐“在采矿业的大数据管理”国际期刊矿产，冶金与材料，第27卷，no。2、第131-139页，2020。查看位置：出版商网站|谷歌学术搜索
11. D、 王，张，陈，齐，冯，肖，“尾矿絮凝沉降的温度变化特征及其机理研究”国际期刊矿产，冶金与材料2020年。查看位置：出版商网站|谷歌学术搜索
12. C、 祁，A。福里，陈，张，“利用人工智能的强度预测模型回收废尾矿作胶结充填体，”清洁生产杂志，第183卷，第566-578页，2018年。查看位置：出版商网站|谷歌学术搜索
13. 张，王，李，“岩石单轴加载过程中基于单链聚类方法的声发射事件分形特征”混沌，孤子和分形，第104卷，第298-306页，2017年。查看位置：出版商网站|谷歌学术搜索
14. Z.张，王E.，Y. Zhang等人，“分析单轴装煤的超声波波形的时频特性”分形，第27卷，第06期，第1950100-1950123页，2019年。查看位置：出版商网站|谷歌学术搜索
15. 徐，李，李，“泡沫-胶结膏体充填体强度与超声性能的评价”，国际中国矿业，复垦和环境卷。31，没有。8，第544-557，2017。查看位置：出版商网站|谷歌学术搜索
16. W、 徐、田、曹，“用电阻率法评估胶结充填体之水化过程及力学性质”无损检验与评估卷。33，没有。2，第198-212，2018。查看位置：出版商网站|谷歌学术搜索
17. J、 Zhang，G.Ma，Y.Huang，J.sun，F.Aslani和B.Nener，“用随机森林回归法模拟轻质自密实混凝土的单轴抗压强度”建筑建材，第210卷，第713-7192019页。查看位置：出版商网站|谷歌学术搜索
18. C、 Qi，A.Fourie和Q.Chen，“预测水泥膏体回填无侧限抗压强度的神经网络和粒子群优化”建筑建材卷。159，第473-478，2018。查看位置：出版商网站|谷歌学术搜索
19. J.孙，张J.，Y.顾，黄Y.，Y.太阳和G马，“渗透性和使用进化支持向量回归透水性混凝土抗压强度的预测，”建筑建材，第207卷，第440-4492019页。查看位置：出版商网站|谷歌学术搜索
20. Y.孙，张J.，G李，Y.王，孙J.和C江，“优化利用甲虫天线搜索预测旋喷coalcretes的无侧限抗压强度的神经网络，”国际地质力学数值分析方法杂志，第43卷，no。4、2019年第801-813页。查看位置：出版商网站|谷歌学术搜索
21. Y、 孙，张，李等，“用智能模型测定喷射灌浆煤岩的杨氏模量”工程地质卷。252，第43-53，2019。查看位置：出版商网站|谷歌学术搜索
22. J、 Zhang，D.Li和Y.Wang，“迈向智能施工：使用基于树的模型预测人造砂混凝土的力学性能”清洁生产杂志，第258卷，第ID 120665条，2020。查看位置：出版商网站|谷歌学术搜索
23. “用随机森林模型预测橡胶混凝土强度之研究”，国立中山大学土木工程研究所硕士论文。土木工程进展，第2019卷，文章编号5198583，7页，2019年。查看位置：出版商网站|谷歌学术搜索
24. 《利用人工神经网络预测硫酸盐侵蚀对胶结膏体充填体强度的影响》工程地质与环境通报卷。69，没有。4，第659-670，2010。查看位置：出版商网站|谷歌学术搜索
25. 五十、 Orejarena和M.Fall，“基于人工神经网络的硫酸盐和温度对胶结膏体回填强度耦合影响的建模”加拿大杂志土木工程卷。38，没有。1，第100-109，2011。查看位置：出版商网站|谷歌学术搜索
26. C.齐，陈问，A福里，和Q张，“骨水泥糊回填的机械性能的智能建模框架”矿业工程卷。123，第16-27，2018。查看位置：出版商网站|谷歌学术搜索

版权

版权所有©2020园田Sun等。这是下发布的开放式访问文章知识共享署名许可协议，它允许在任何媒体中不受限制地使用、分发和复制，前提是正确引用了原始作品。