基于NNGA模型的纤维膏体充填复合材料强度预测.pdf

第2 1卷第4期2023年8 月工程纵横基于NNGA模型的纤维膏体充填复合材料强度预测矿业工程Mining Engineering65张，黄湛焕，聂华伟（1.贵州装备制造职业学院，贵州贵阳55140 0；2.贵州交通职业技术学院，贵州贵阳55140 0）摘要：为了更快更准确获取添加聚丙烯纤维情况下不同配合比对矿山膏体充填材料强度的影响，构建了一种基于遗传算法反向传播神经网络NNGA模型，利用模型对纤维增强膏体充填材料的3 d、7 d 和2 8 d龄期的抗压强度进行预测和分析，R值为0.9 8 3 17，7 d样本中绝对误差最小达到了0.0 0 8 0 8 0，两个模型的最大相对误差下降了约44.18%，对比NNGA和BPNN模型的预测结果表明，NNGA混合模型预测的泛化能力更强，波动程度更小和稳定性更好，在工程实际中更具有可行性。关键词：纤维；抗压强度；膏体充填；预测中图分类号：X705；T D 8 2 3.70引言胶结充填技术是一种用于矿山废弃物处理的方法，它能够解决尾矿在地表的堆积，并减弱深部矿山采空区的潜在危险。充填料浆在泵送至采空区后，经过一段时间的水化反应后，充填材料的力学性能得到加强，充填材料在支撑采空区和保障井下工作人员安全等方面发挥着至关重要的作用，胶结充填材料中尾矿、水泥和水是必不可少的原材料，添加纤维、粉煤灰和高炉矿渣等材料增强充填体性能。通常将胶结体的单轴抗压强度作为评价充填体材料的性能指标2。探究不同原材料成分对抗压强度的影响，需要大量的力学试验，试验则需要较高的时间和经济成本。因而，很多学者利用人工智能模型研究不同成分对充填材料强度的影响，在这些方法中，基于神经网络的模型在充填材料的强度上表现出很好的预测性能3-4然而对于纤维增强膏体充填材料的强度预测却少有研究，因此利用混合神经网络模型能有效的预测分析不同成分对纤维增强膏体充填材料强度的影响规律。本文利用GA算法的全局寻优特点优化NNBP算法，结合两种算法优势，建立NNGA模型强度预测模型用来预测纤维增强收稿日期：2 0 2 2-0 7-0 4基金项目：贵州省科技厅科学技术基金（黔科合基础【2 0 2 0】1Y280)。作者简介：张（19 9 4），男（布依族），贵州关岭人，贵州装备制造职业学院硕士研究生。文献标识码：A膏体充填材料的强度，研究为智能算法在矿山安全上的利用提供一定的理论指导。1实验数据来源此次研究数据库来源于试验和其他学者纤维复合膏体材料的研究数据，由54种不同配比的纤维复合充填材料数据组成，共有16 2 组抗压强度值用来检验模型在3 d，7 d 和2 8 d不同龄期材料抗压强度预测的准确性5。试验所用聚丙烯是由聚丙烯聚合而成的高分子化合物，是一种结构规整的结晶性聚合物，乳白色、无味、无臭、无毒、质轻，是一种热塑性塑料。聚丙烯纤维的主要参数见表1，试验采用三种长度3、6 m m 和9 mm的聚丙烯纤维见图1。表1纤维的主要参数纤维类型抗酸碱性导热性抗低温性抗拉强度束状单丝极高弹性模量纤维直径吸水性拉伸极限4.8GPa1um2GA算法和NNGA模型2.1 GA 算法遗传算法（GA）是一种全局反馈式优化技术，采用随机搜索方法求解高维、非线性和去噪问题。GA算法的基本原理是对具体问题的迭代优化过程，以一个目标函数（适合度函数）的形式表示，该函数基于求解的总体情况，每一次迭代或繁殖，都会产生一个染色体数目相文章编号：16 7 1-8 550（2 0 2 3）0 4-0 0 6 5-0 4极低无强486MPa15%66同的新群体，新的群体能更好的去“适应”环境，它们都由适应度函数表示。选择最佳染色体是遗传算法的第一步，在该操作期间，选择相关系数对函数进行优化；交叉算法（见图2）矿业工程用于被选择为“父代”的两个染色体产生两个新的“子代”染色体上；变异操作（见图3）是指从群体中任选一个个体，选择染色体中的一点进行变异以产生更优秀的个体。第2 1卷第4期(b）纤维长度：6 mm(a）纤维长度：3 mm图1三种长度的聚丙烯纤维A：110001B:1A：110 001000B:1A：1A：12.2NNGA 模型神经网络（ANN）是由一组相互连接的神经元组成的系统，反向传播多层感知器（BPM L P）是最常用的神经网络模型，由三个相邻层组成：输入层、隐层和输出层，每一层包含几个神经元（见图4）。神经网络通过呈现一组相关联的基于学习或训练过程的输入输出数据来训练，训练过程中可在输入层和输出层之间开发扩展ANN算法。一般而言，在训练过程中从外部数据库（x，x，x）输人层接收神经元并将其传送给隐含层中的神经元，这些神经元能反馈出涉及到关联权重（w，w i，12.w）、偏差（b，b，b ）和输人值间简单及有用的数学计算结果。隐层的神经元结果通过一个阈值或激活函数，在每个神经元（处理单元）中，将神经元输出限制在一个最小和最(c）纤维长度：9 mm1100交叉操作0一1图2交叉操作00000图3变异操作1011变异操作01大允许的范围内。NNGA混合模型的过程分成三个阶段：第一阶段提出NN体系的结构，并确定学习参数以获得期望的性能，参数见表2；第二阶段通过应用GA算法优化提出体系结构，遗传算法相关参数见表3；第三阶段为专门用于选择和评估优化后的NNGA混合模型的性能（见图5），通过将混合NNGA模型与使用相同体系结构的NN模型相比较来进行灵敏度分析，对不同的指标（或误差）进行比较，特别是均方误差MSE和拟合系数R（见公式1和2），一般情况下，较低的误差和较高的R表明模型性能良好。110隐含层输入层W纤维掺量纤维长度一粉煤灰掺量质量浓度一Xn学习过程中，选取3 5个数据集作为训练集，11个数据集作为验证集。测试过程中，剩余的8 个数据集作为测试集。每个数据集都包含：固体质量浓度、粉煤灰掺量、尾砂掺量、纤维长度、水泥质量浓度和纤维掺量。Z.(t.-0.)2R?=Z-(t,-0.)2MSE：SWk输出层一单轴抗压强度Ym图4神经元(1)(2)2023年第4期数据预处理初始GA参数适应度优化结束GA优化权值，阅值南数选择操作交叉操作变异操作NO图5混合模型流程图表2NN网络参数设置名称取值net.trainParam.goal0.01net.trainParam.epochs1 000net.trainParam.show20net.trainParam.lr0.01net.trainParam.mc0.95表3 GA算法参数设置名称取值送代次数100种群规模20交叉概率0.5变异概率0.85染色体长度1113预测结果对比评价3.1NN模型对强度的预测达到设定的NN模型中训练集的试验和预测抗压强度对比图（见图6），从图中可知试验得到的抗压强度与所建立的NN模型所预测的强度有很好的相关性，R值达到了0.9 6 0 0 4，标准误差时为2 次送代，此时MSE值为0.0 7 43 2。BPNN模型的训练误差图（见图7），8 个测试集中的3d、7 d 和2 8 d模型的两种抗压强度对比值，其中第2 和第7 个样本明显的出现误差偏离，也说明张等基于NNGA模型的纤维膏体充填复合材料强度预测开始输人数据初始BP神经网络参数BP训练参数评价NO实验验证67尽管R系数值符合经验值范围但误差的波动性还比较大，模型的泛化能力还有待提升。Training:R=0.96004Data1E:0-+108.L 80Fit0.5Y=T0jndno-0.5-1图6NN模型训练线性回归图8一0 一3 d实测值7一0 一7 d实测值一2 8 d实测值6米-3 d预测值7d预测值*28d预测值432101图7NN模型训练误差曲线图3.2NNGA混合模型对强度的预测NNGA混合模型中平均和最佳适应度曲线见图8，随着进化次数的增加，整体上平均适应度呈下降趋势，在进化次数50 次前最佳适应度值有明显的4次峰值，在大于进化次数9 0 之后数值呈稳定趋势，因此可将函数解码进行下一阶段的操作。图9 可看出MSE值为0.0 0 9 9 3 14下降明显且波动较小，图11中表明混合模型的R值为0.98317，相比NN模型也得到了增加，图中的拟合直线与试验的抗压强度值点靠近率更高。网络训练结束后，从图11中看出红色实线与黑色虚线8 个样本的数据几乎是完全重合，其中3 d样本中绝对误差最小为0.0 3 13 9，7 d样本中绝对误差最小为0.0 0 8 0 8 0，2 8 d样本中绝对误差最小为0.2 16 6。其中两个模型的最大相对误差下降了44.18%，误差百分比波动幅度、范围减小较明显，回归系数更接近1，因此可看出NNGA混合模型的预测效果稳定性更佳，泛化能力更强。-12345样本-0.5Target06780.51本文结合GA与NNGA算法的特点，提出两种算法混合建立NNGA模型，并利用模型对6853210图8NNGA模型适应度曲线Tarining:R=0.983170.8Data0.6E10:0+108EL.960=0.40.2indino0.2-0.40.60.8-0.88-0.6-0.4-0.20Target图10NNGA模型线性回归图8-0-3d实测值70一7 d实测值428d实测值6*-3d预测值7d预测值2 8 d 预测值54321012图11NNGA模型训练误差曲线图Strength Prediction of Fiber Cemented Paste Backfill CompositeZHANG Tan,HUANG Zhanying,Nie Huawei?(1.Guizhou Equipment Manufacyuring Vocational College,Guiyang 551400,China;2.Guizhou Communication Vocational College,Guiyang 551400,China)Abstract:In order to more quickly and accurately obtain the effect of different mix ratios on the strength of the mine paste fillingmaterial under the condition of adding polypropylene fibers,a back-propagation neural network NNGA model based on geneticalgorithm was created,and the model was used to predict and analyze the compressive strength of fiber-reinforced paste fllingmaterials at 3d,7d and 28d age.The R2 value was 0.98317,the R2 value was 0.98317,and the minimum absolute error in the 7dsample reached 0.008080 and the maximum relative error decreased by about 44.18%.Comparing the prediction results of NNGA andBPNN models,it shows that NNGA hybrid model has stronger generalization ability,less fluctuation and better stability,and is morefeasible in engineering practice.Key words:fiber;compressive strength;cemented paste filling;prediction矿业工程Best Training Performanceis 0.0099314at epoch17100均适应度最佳适应度2030405060708090100进化代数图9NNGA混合模型误差曲线图680.20.40.60.81-34样本第2 1卷第4期-Train4结语BeatGoal10210%26.841012141617Epochgs5678based on NNGA Model纤维膏体充填复合材料3 d、7 d 和2 8 d的强度进行预测研究。1）提出了一种基于ANN网络的GA智能混合优化算法的开发与应用的概念，将GA算法的优点集成在NN网络连接的权重和偏差两个方面来达到优化网络结构的目的。2）通过实验进一步验证了该混合模型的有效性，与NNBP模型相比，NNGA混合模型的性能指标MSE、误差值和回归系数R表现的更出色，混合算法泛化能力更强，波动程度更小和稳定性更好。3）NNG A 混合模型可很好地推广应用在实际试验中，能获取更多的纤维膏体充填复合材料不同配比的龄期强度值。参考文献：1董越，杨志强，高谦正交试验协同BP神经网络模型预测充填体强度J材料导报，2 0 18，3 2（6）：10 3 2-10 3 6.2张金胶结充填体强度特性试验研究J矿业研究与开发，2 0 2 1(2):12 4-12 9.3刘团结，赵象卓，韩永亮，等.基于CRA-BP神经网络的固体废弃物充填体强度预测J煤矿安全，2 0 2 1，52（9）：8.4Qi C,Tang X,Dong X,et al.Towards Intelligent Mining forBackfll:A genetic programming-based method for strengthforecasting of cemented paste backfill J.M i n e r a l sEngineering,2019,133:69-79.5Chen X,Shi X,Zhou J,et al.Compressive behavior andmicrostructural properties of tailings polypropylene fibre-reinforced cemented paste backfill J.Co n s t r u c t i o n a n dBuilding Materials,2018,190:211-221.