网站大量收购独家精品文档,联系QQ:2885784924

基于Nadam优化器的全连接神经网络在水泥3 d及28 d抗压强度预测中的应用实践.docx

基于Nadam优化器的全连接神经网络在水泥3 d及28 d抗压强度预测中的应用实践.docx

  1. 1、本文档共9页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

水泥抗压强度值是衡量水泥质量的一个重要指标,也是确定水泥标号的一个主要依据,在实际的生产过程中起到重要的作用,它是一个典型的非线性、多变量、不确定、多时滞的复杂系统。目前,国内外学者对水泥抗压强度预测进行了多方面的研究,崔运美通过线性回归分析及非线性回归分析建立了1d抗压强度和28d抗压强度模型;张大鹏等通过多元回归分析方法建立28d抗压强度模型;林远煌通过使用BP神经网络建立了水泥配料各组分掺入量与28d抗压强度的模型。由于该系统的非线性、多变量、多时滞等特性,导致传统的预测方法准确性较差,难以在实际生产过程中普遍推广和应用。近些年来一些研究者将人工智能算法应用到了水泥强度预测方面,取得了一定的效果。随着深度学习技术近些年的快速发展,在非线性回归分析中得到了较好的效果,针对以上水泥抗压强度预测存在的问题,本文基于TensorFlow深度学习框架,采用Python编程语言,使用Nadam优化器的全连接神经网络深度学习算法,实现了对水泥3d抗压强度和28d抗压强度的预测。

1、TensorFlow及Keras深度学习框架

TensorFlow是Google开源的基于数据流图的机器学习框架,支持Python和C++语言。广泛应用在图像分类、物体检测、模型预测等领域。

Keras是基于TensorFlow和Theano的深度学习库,包括由Python编写而成的高级神经网络API,使用Keras可以快速实现对TensorFlow的再次封装,大幅减少纯粹使用TensorFlow实现深度学习的代码量。

本文中的环境包括Anaconda及Pycharm,在Anaconda中配置了Python3.7虚拟环境供Pycharm使用,TensorFlow版本为2.3.0。

Pycharm是由JetBrains打造的一款PythonIDE,本文采用Pycharm2020.3,其环境设置见图1。

图1Python虚拟环境

2、特征参数选取及数据预处理

水泥强度的影响因素较多,其主要影响因素有熟料的质量、SO3含量、混合材的掺入量及粉磨细度等。熟料的矿物组成及其结构决定了熟料的质量,对水泥强度的增长起决定性作用,水泥28d强度基本依赖于C3S的含量,C3S含量高早期强度增长率高,在28d时已基本发挥出最高强度的绝大部分;C2S主要影响水泥后期强度;C3A主要对1d、3d等早期强度影响大;C4AF对水泥强度无较大的影响。因此,合理、稳定的矿物组成是确保水泥强度及其增长率的重要因素。水泥中SO3含量主要来源于石膏,其含量的变化影响硅酸盐水泥的水化,尤其是C3A的早期水化。混合材的掺入量对水泥性能有一定的影响,采用烧失量取代石灰石掺入量作为特征较直观。粉磨细度对水泥各龄期强度有一定的影响,粉磨越细、颗粒级配越窄,水泥水化反应速度越快,强度越高,尤其对早期强度的影响最为显著。

样本数据包括某厂12个月759组P·O42.5数据,部分数据见表1。

表1样本原始数据

模型选取细度、比表面积、初凝、终凝、烧失量、CaO、SO3、1d抗压强度共计8个参数作为输入特征参数,3d抗压强度及28d抗压强度分别作为3d及28d强度预测神经网络输出特征进行模型辨识。

数据预处理主要包括误差处理和数据变换,由于样本数据有不同的工程单位,且在数值上相差很大,直接使用这些未经过数据变换(归一化)的原始数据容易引起计算误差增大和计算的不确定,影响学习速度及精度,为了加快神经网络的学习速度和模型精度,样本数据必须经过归一化处理才能作为训练样本输入。归一化使用sklearn的MinMaxScaler函数进行[0,1]区间的归一。需要重点说明数据归一化在深度学习中在实践过程中发现十分关键,直接影响模型精度,不可忽视。

计算公式如下:

3、神经网络模型训练及预测

Momentum(动量)算法是计算梯度的指数加权平均数,并利用该值来更新参数值,可有效解决局部最优问题(如鞍点问题)。

RMSProp(RootMeanSquareProp)算法是在对梯度进行指数加权平均的基础上,引入平方和平方根,有助于减少抵达最小值路径上的摆动,并允许使用一个更大的学习率,从而加快算法学习速度。

Adam是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重,可以看作是修正后的Momentum+RMSProp算法,相对传统的SGD随机梯度下降优化器,Adam对超参数的鲁棒性更好。

Nadam类似于带有Nesterov动量项的Adam。公式如下:

一般而言,在想使用带动量的RMSprop,或者Adam的地方,大多可以使用Nadam取得更好的效果。?

全连接神经网络包括输入层、隐含层及输出层,具备前向传播计算损失及反向传播更新参数的特性,其

文档评论(0)

***** + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档