申请/专利权人：昆明理工大学

申请日：2024-01-26

公开（公告）日：2024-04-09

公开（公告）号：CN117637080B

主分类号：G16C60/00

分类号：G16C60/00;G06F18/2135;G06F18/21;G06F18/2411;G06F18/2413;G06F18/243;G06F18/27;G06N20/20;G06N5/01;G16C20/70

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明公开了一种基于充填料浆差异性分析的屈服应力预测方法，涉及矿山膏体充填技术领域。该方法包括：采集多座不同类型且差异性显著的矿山充填料浆特征数据，构建特征数据集；对充填料浆开展差异性分析，获取差异性分析结果；对特征数据集内的各项参数进行正态性检验和相关性分析，并结合差异性分析结果，构建主成分分析降维数据集；构建充填料浆屈服应力预测模型；将测试数据集输入应力预测模型，获取膏体屈服应力预测结果。本发明解决了现有技术中膏体屈服应力检测效率低、检测准确性低的技术问题，是一种简单快捷，能够灵活适应不同矿山充填料浆变化的屈服应力预测方法，达到了灵活适应不同矿山充填料浆变化的技术效果。

主权项：1.一种基于充填料浆差异性分析的屈服应力预测方法，其特征在于，所述方法包括：采集多座不同类型且差异性显著的矿山充填料浆特征数据，构建特征数据集，其中，所述特征数据集包括M项变量，M为大于1的正整数；具体包括：从不同类型且差异性显著的矿山尾砂的基本物理属性中选取密度、松散孔隙率、密实孔隙率、平均粒径、不均匀系数、曲率系数、比表面积7个参数；从配比设计中选取质量浓度、砂灰比2个参数；从流动性实验选取坍落度、扩展度2个参数；从流变实验选取屈服应力1个参数；共计12项变量水平共同构成所述特征数据集；对所述充填料浆开展物理特征、流动行为和流变规律的差异性分析，获取差异性分析结果；具体包括：所述物理特征的差异性分析包括不同矿山尾矿密度、粒径分布、颗粒群体特性的差异性分析，具体包括：计算代表密度、粒径分布、颗粒群体的特征数据均值的置信水平为1~α的置信区间，包括如下计算公式： ；其中，为样本均值，为服从自由度为n−1的t分布在处的分位数值，S为样本方差，n为样本数；通过所述计算公式计算不同矿种物理性质的置信区间，根据计算结果评价不同矿山尾砂密度、粒径分布、颗粒群体的差异性，若在置信区间外，则与其他矿种的物理性质存在明显差异性；所述流动行为的差异性分析包括结合Kruskal-Wallis检验和Mann-WhitneyU检验，分析不同矿山充填料浆坍落度和扩展度差异性；所述流变规律差异性分析包括结合Kruskal-Wallis检验和Mann-WhitneyU检验，分析不同矿山充填料浆屈服应力差异性；其中，流动行为和流变规律的差异性分析以效应量Cohen'sd值作为差异性的评价指标，当Cohen'sd为0时表示无差异，当Cohen'sd在0~0.5时表示弱差异，当Cohen'sd在0.5~0.8时表示中差异，当Cohen'sd0.8时表示强差异，所述效应量Cohen'sd计算公式如下： ；其中，A和B表示两种充填料浆样本的均值，表示标准差；对所述特征数据集内的各项参数进行正态性检验和相关性分析，获取正态性检验结果和相关性分析结果；具体包括：使用Shapiro-Wilk检验方法，对特征数据集进行正态性检验，获取特征数据集对应的中位数、平均值、标准差、偏度和峰值的正态性描述结果，以S-W检验值的显著性水平作为是否满足正态分布的依据，获取所述正态性检验结果；使用Spearman相关系数，对特征数据集进行相关性分析，比较各变量与屈服应力之间的相关性程度，以相关性系数R值作为变量与屈服应力之间的相关程度的判断依据，R的绝对值越接近1，变量与屈服应力之间的线性相关性越强，获取所述相关性分析结果；基于所述差异性分析结果、所述正态性检验结果和所述相关性分析结果，开展所述特征数据集中差异性显著的M-1项变量的主成分分析，构建主成分分析降维数据集；具体包括：使用主成分分析方法，将充填料浆屈服应力的M-1项差异性显著的影响因素所组成的高维数据映射到低维空间中，包括，进行KMO和Bartlett检验，KMO值和显著性P值作为是否可以进行主成分分析的判断指标；结合方差解释表格和碎石图，选择特征值下降明显的地方作为确定保留主成分的数量；通过分析保留的主成分载荷系数与热力图，分析每个主成分中隐变量的重要性；通过分析成分矩阵表，得出主成分的成分公式与权重；使用5-折交叉验证，结合贝叶斯优化算法，构建基于BOP-Stacking集成学习的充填料浆屈服应力预测模型；具体包括：以最近邻KNN、支持向量机SVM、决策树DT算法为第一层基础学习器，随机森林RF算法为第二层元学习器，构建两层Stacking集成模型；5-折交叉验证结束后，通过3个基学习器生成新的数据集，元学习器使用该数据集进行训练；贝叶斯优化BOP算法优化KNN、SVM、DT、RF模型参数，构建BOP-Stacking集成学习模型；以主成分分析降维数据集作为BOP-Stacking模型的输入指标，屈服应力作为输出指标，进行模型训练；将测试数据集输入所述应力预测模型，获取膏体屈服应力预测结果，通过标注各模型预测值与真实值的绝对误差分布情况，评估各模型的预测稳定性。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于充填料浆差异性分析的屈服应力预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD