胶结强度神经网络预测模型`.docVIP

胶结强度神经网络预测模型 　　摘要： 胶结强度的主要影响因素有：级配、胶结剂含量、胶结料浆浓度等。神经网络具有大规模并行处理，分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具。因此，在一定实验基础下，利用神经网络建立级配、胶结剂含量、胶结料浆浓度与胶结强度4者的神经网络模型，可以有效地模拟预测胶结强度，为矿山充填胶结强度的计算提供指导作用 Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling. 关键词： 神经网络；胶结强度；预测模型 Key words： neural network；cementing strength；prediction model 中图分类号：TD803 文献标识码：A 文章编号：1006-4311（2016）03-0092-03 0 引言 矿山普遍使用废石和尾砂的混合料进行充填。[1]由于指导充填料级配的理论不完善，矿山大多用经验法选择充填料，易造成粗细骨料的配合比不合理，胶结强度达不到最优。因此作者通过统计大红山铁矿的大量资料，采用神经网络这种非线性计算方法对大红山铁矿的胶结强度建立模型 1 影响胶结强度的因素 大量的研究和实验表明影响胶结充填的主要因素有：充填料级配，胶结剂添加量，以及充填料浆浓度等。[2] 本文实验中所使用的废石及尾砂均由大红山铁矿提供，实验中选用42.5MPa普通硅酸盐水泥作为胶结剂 表1为大红山铁矿废石与尾砂粒径分布表，从表可以看出大红山铁矿尾砂较细，尾砂最细粒径达到0.003mm，并且细粒径所占的频度较高。废石平均粒径为3.92mm，尾砂的平均粒径为0.073mm 不同级配的粒径分布一般用混合料的堆积密实度来表示，大红山铁矿不同废石含量堆积密实度见表2 目前大多数研究结果表明，胶结强度是多种因素共同作用的结果。在相同胶结剂使用量的情况下，级配在胶结强度中起着至关重要的作用 水灰比（胶结剂含量）同样也是影响胶结强度的主要因素之一，图1为不同凝期胶结强度与水灰比关系散点图 对于水灰比与胶结强度的关系，很多学者做了深刻详细的研究，通过大量的实验分析得出，统一凝期的情况下，胶结强度与水灰比呈负幂指数关系 图2为相同凝期（7天）体积浓度与胶结强度关系散点图 由图2可知，统一凝期与胶结剂含量的情况下，胶结强度与体积浓度呈指数关系。随着体积浓度的增加，胶结强度也增加。因为体积浓度是质量浓度的反映，随着质量浓度增加，颗粒分布更加均匀，可以改善胶结强度然而胶结强度是水灰比，体积浓度，级配。等相互独立的多种因素共同作用的结果，只有同时多种因素进行考量才能预测胶结强度的值。神经网络的出现无疑对胶结强度的预测提供了宝贵的工具 2 充填体强度的神经网络模型 2.1 神经网络模型的建立 人工神经网络（neural network，NN）是对人脑若干基本特征的抽象和模拟，具有大规模并行处理、分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具[3-4]。因此作者采用人工神经网络模型研究并建立胶结充填料级配的堆积密实度、水灰比、体积浓度三者的模型 作者对大红山铁矿的胶结强度数据进行统计与分析。分别计算出矿山级配的堆积密实度，以及相对应的水灰比x1，体积浓度x2，做出相应的试件并分别用三轴私服液压力机实验该充填料在凝期3天，7天以及28天的强度值P。共得到1881组数据。用矿山级配的堆积密实度s，水灰比x1，体积浓度x2作为输入变量，充填体强度P作为输