1。介绍gydF4y2Ba
巩固了粘贴回填(CPB)被广泛用于在地下金属矿山采矿业务,在尾矿通常使用为主要骨料和它们与胶结材料和水混合gydF4y2Ba
1gydF4y2Ba ]。体通常被填入地下采场,因此,它起着至关重要的作用在支持屋顶和围岩段脱水和整合gydF4y2Ba
2gydF4y2Ba - - - - - -gydF4y2Ba
5gydF4y2Ba ]。体与其他回填材料相比,我是一个环保和经济综合由于最大负荷我的浪费,这些年来吸引了太多的关注(gydF4y2Ba
6gydF4y2Ba - - - - - -gydF4y2Ba
11gydF4y2Ba ]。gydF4y2Ba
充填强度是最重要的机械参数影响充填质量,和无侧限抗压强度(UCS)是最基本和关键参数对充填体强度(gydF4y2Ba
12gydF4y2Ba ]。一般来说,心脏在实验室获得的UCS类似于混凝土的强度评价。然而,当多个参数相关UCS的心脏,实验测量是一个乏味的、费时和昂贵的方法(gydF4y2Ba
13gydF4y2Ba ,gydF4y2Ba
14gydF4y2Ba ]。许多学者已经提出了许多方法来预测心脏等的强度经验公式估算、数值模拟和弹性力学分析(gydF4y2Ba
15gydF4y2Ba ,gydF4y2Ba
16gydF4y2Ba ]。应该指出,心脏是一个多相复合和提到的方法通常不能获得准确的预测结果。准确预测心脏的UCS,有必要提出简单、可靠的方法。gydF4y2Ba
最近,机器学习方法被广泛用于预测建筑材料的力学性能(gydF4y2Ba
12gydF4y2Ba ,gydF4y2Ba
17gydF4y2Ba - - - - - -gydF4y2Ba
23gydF4y2Ba ]。人工智能体的强度的评估方法也被提出。例如,人工神经网络(ANN)考虑影响心脏已经被用于模型的变量(输入和输出之间的关系gydF4y2Ba
24gydF4y2Ba ,gydF4y2Ba
25gydF4y2Ba ]。此外,安的进化方法,即ANN-based方法,提出了估算CPB的UCS的hyperparameters如神经元的数量和安的结构进行了优化,一些全局优化算法,即。粒子群优化(PSO)和萤火虫算法(FA)。同样,其他正常使用机器学习方法如随机森林算法(RF)和RF-based模型在文献中报道也用于预测心脏的UCS [gydF4y2Ba
26gydF4y2Ba ]。虽然上面的人工智能方法(安,ANN-based,射频和RF-based)应用于体强度的预测,它们在计算效率上是有限的和不确定的结构。此外,没有智能体模型预测的UCS考虑整体效果cement-coarse尾矿比率,solids-water比率,细粒尾矿百分比,和固化时间。gydF4y2Ba
因此,在本文中,机器学习算法,支持向量机(SVM)的完美的回归和分类能力,和一个优秀的全局优化算法,甲虫天线搜索算法(BAS)用于选择hyperparameters SVM的组合。因此,进化支持向量机模型(BSVM)提出。几个对文学的贡献可以总结如下:gydF4y2Ba
(1)gydF4y2Ba
支持向量机(SVM)和甲虫天线搜索(BAS)算法相结合建立进化支持向量机模型;gydF4y2Ba
(2)gydF4y2Ba
体的强度特性进行实验分析考虑的关键影响变量,即。,cement-coarse尾矿比率,solids-water比细粒尾矿的百分比,和固化时间gydF4y2Ba
(3)gydF4y2Ba
心脏的UCS直接估计考虑四个关键影响变量的综合效应gydF4y2Ba
(4)gydF4y2Ba
提到影响变量的敏感分析CBP最初的分析和讨论gydF4y2Ba
2。材料和方法gydF4y2Ba
2.1。机械测试gydF4y2Ba
心脏标本准备尾矿粒度分布和矿物组合是必要的,以确定。因此,激光衍射分析仪是用于确定粗尾矿和细粒尾矿的大小分布。从图我们可以看出gydF4y2Ba
1gydF4y2Ba ,有两种不同的各种大小的尾矿。分析体细尾矿的强度的影响是至关重要的。硅酸盐水泥的P。O 32.5 r作为粘结剂应用。我获得的水在这个用作混合水。根据现场试验测试,粗tailings-cement比值(T / C)被设置为4、6、8、10和solids-water比值(S / W)被设置为0.68,0.70和0.72。细粒尾矿是作为掺合料,其百分比(FTP)设置为0%,10%,15%,20%。布林德和骨料混合使用混合器(UJZ-15) 5分钟。然后,准备的混合物倒进模具(70.1毫米×70.1毫米×70.1毫米)。本研究设置为7中的固化时间,28岁,而60天。 The detailed statistics of variables of CPB are given in Table
1gydF4y2Ba 。共有435个标本完成,他们被用于获得UCS值进行无侧限抗压测试根据ASTM C 39。gydF4y2Ba
图1gydF4y2Ba
粗和细尾矿粒度分布。gydF4y2Ba
表1gydF4y2Ba
影响变量的统计数据。gydF4y2Ba
变量gydF4y2Ba
最小值gydF4y2Ba
马克斯gydF4y2Ba
的意思是gydF4y2Ba
标准偏差gydF4y2Ba
粗tailings-cement比值(T / C)gydF4y2Ba
4gydF4y2Ba
10gydF4y2Ba
7gydF4y2Ba
2。2gydF4y2Ba
Solids-water比(S / W)gydF4y2Ba
0.68gydF4y2Ba
0.72gydF4y2Ba
0.7gydF4y2Ba
0.02gydF4y2Ba
细粒尾矿百分比(FTP)gydF4y2Ba
0gydF4y2Ba
0.2gydF4y2Ba
0.11gydF4y2Ba
0.07gydF4y2Ba
固化时间gydF4y2Ba
7gydF4y2Ba
60gydF4y2Ba
31.6gydF4y2Ba
21.8gydF4y2Ba
2.2。模型的进化支持向量机(BSVM)gydF4y2Ba
2.2.1。支持向量机(SVM)gydF4y2Ba
支持向量机通常是申请分类超平面的样品(gydF4y2Ba
26gydF4y2Ba ]。当在两类,超平面可以大幅超平面的向量对应于支持向量。支持向量机的原理图如图gydF4y2Ba
2gydF4y2Ba 。gydF4y2Ba
图2gydF4y2Ba
支持向量机的图。gydF4y2Ba
一般来说,超平面方程如下:gydF4y2Ba
(1)gydF4y2Ba
fgydF4y2Ba
xgydF4y2Ba
=gydF4y2Ba
wgydF4y2Ba
TgydF4y2Ba
ggydF4y2Ba
xgydF4y2Ba
+gydF4y2Ba
bgydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
wgydF4y2Ba 意味着一个m维向量;gydF4y2Ba
bgydF4y2Ba 表示词的偏好;当gydF4y2Ba
wgydF4y2Ba 和gydF4y2Ba
bgydF4y2Ba 得到了,gydF4y2Ba
xgydF4y2Ba 可以分类的标志吗gydF4y2Ba
fgydF4y2Ba (x)。gydF4y2Ba
对于线性可分的数据,下列方程可以得出结论如下:gydF4y2Ba
(2)gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
wgydF4y2Ba
TgydF4y2Ba
ggydF4y2Ba
xgydF4y2Ba
+gydF4y2Ba
bgydF4y2Ba
−gydF4y2Ba
1gydF4y2Ba
≥gydF4y2Ba
0。gydF4y2Ba
超平面的支持向量:gydF4y2Ba
(3)gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
wgydF4y2Ba
TgydF4y2Ba
ggydF4y2Ba
xgydF4y2Ba
+gydF4y2Ba
bgydF4y2Ba
=gydF4y2Ba
1。gydF4y2Ba
为w为降到最低gydF4y2Ba2gydF4y2Ba 可以发现,超平面(为w为w的欧几里得范数)。gydF4y2Ba
2.2.2。甲虫天线搜索(BAS)gydF4y2Ba
BAS是一个非常著名的metaheuristic算法,提出了最近[gydF4y2Ba
20.gydF4y2Ba ]。它可以用于全局优化问题。如今,BAS已广泛运用于获得hyperparameters在机器学习算法gydF4y2Ba
20.gydF4y2Ba ,gydF4y2Ba
21gydF4y2Ba ]。在这个算法,模拟了甲虫”行为,其天线的目的是找到与高浓度的气味。BAS的典型流程图如图gydF4y2Ba
3gydF4y2Ba 。gydF4y2Ba
图3gydF4y2Ba
BAS的流程图。gydF4y2Ba
在这项研究中,支持向量机的hyperparameters (C,惩罚系数和gydF4y2Ba
γgydF4y2Ba 内核参数)调整了BAS代替试错的方法。gydF4y2Ba
2.3。绩效评估gydF4y2Ba
根据先前的研究的建议,训练数据集和测试数据集,数据集数据集分为70%和30%分别。一个10倍交叉验证方法应用。相关系数(gydF4y2Ba
RgydF4y2Ba )和均方根误差(RMSE)建立的性能评价模型定义如下:gydF4y2Ba
(4)gydF4y2Ba
RgydF4y2Ba
=gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
∗gydF4y2Ba
−gydF4y2Ba
ygydF4y2Ba
∗gydF4y2Ba
¯gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
−gydF4y2Ba
ygydF4y2Ba
¯gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
∗gydF4y2Ba
−gydF4y2Ba
ygydF4y2Ba
∗gydF4y2Ba
¯gydF4y2Ba
2gydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
−gydF4y2Ba
ygydF4y2Ba
¯gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
RMSEgydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
∑gydF4y2Ba
我gydF4y2Ba
=gydF4y2Ba
1gydF4y2Ba
NgydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
∗gydF4y2Ba
−gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
2gydF4y2Ba
,gydF4y2Ba
在哪里gydF4y2Ba
NgydF4y2Ba 意味着数字数据集;gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba
∗gydF4y2Ba
和gydF4y2Ba
ygydF4y2Ba
我gydF4y2Ba 预期值和实际值,分别;和gydF4y2Ba
ygydF4y2Ba
¯gydF4y2Ba
和gydF4y2Ba
ygydF4y2Ba
∗gydF4y2Ba
¯gydF4y2Ba
显示平均预测值和实际值,分别。gydF4y2Ba
3所示。结果与讨论gydF4y2Ba
3.1。UCS的体外循环的结果gydF4y2Ba
图gydF4y2Ba
4gydF4y2Ba 显示了心脏的UCS结合不同变量在不同养护时间。可以看出,粗tailings-cement比主索引确定心脏的力量。与粗tailings-cement比率的增加,心脏的UCS明显增加。同样,UCS solids-water CPB改进与提高的比率。然而,在细尾矿比例对心脏的影响力量,它取决于solids-water比率。具体来说,当solids-water比率在68%和70%之间,与细尾矿比例的增加,缅共的UCS高峰值增加,然后下降。solids-water比例为72%时,UCS CPB下降略细尾矿的增加百分比。固化时间的增长发挥了积极影响心脏的力量,这是与以往的研究一致。gydF4y2Ba
图4gydF4y2Ba
UCS测试结果的缅共4 d:(一)7天;(b) 28天;(c) 60天。gydF4y2Ba
(一)gydF4y2Ba
(b)gydF4y2Ba
(c)gydF4y2Ba
3.2。结果Hyperparameter调优gydF4y2Ba
在这项研究中,BAS应用于优化hyperparameters SVM的训练集,RMSE是选为目标函数。图gydF4y2Ba
5gydF4y2Ba 显示了RMSE与迭代曲线。可以看出,RMSE显著降低,稳定在15迭代,表明在调优hyperparameters BAS是有效的。SVM的最终hyperparameters列在下表中gydF4y2Ba
2gydF4y2Ba 。gydF4y2Ba
图5gydF4y2Ba
RMSE和迭代。gydF4y2Ba
表2gydF4y2Ba
射频的hyperparameters获得。gydF4y2Ba
参数gydF4y2Ba
经验范围gydF4y2Ba
最初的gydF4y2Ba
结果gydF4y2Ba
CgydF4y2Ba
(0.1,1000)gydF4y2Ba
14gydF4y2Ba
65年gydF4y2Ba
ΓgydF4y2Ba
(0.001,100)gydF4y2Ba
14gydF4y2Ba
1.01gydF4y2Ba
3.3。建立评估模型gydF4y2Ba
图gydF4y2Ba
6gydF4y2Ba 显示了预测UCS值和实际UCS值之间的相关性在训练集和测试集。观察到近线性关系gydF4y2Ba
RgydF4y2Ba 值0.9701和0.973的训练集和测试集,分别表明提出的SVM模型之间的关系可以建立CPB及其影响变量的UCS成功。此外,低和类似的RMSE值(0.1798)的训练和测试(0.2674)表明,没有underfitting或过度拟合现象产生。gydF4y2Ba
图6gydF4y2Ba
UCS值的比较。(一)训练数据集。(b)测试数据集。gydF4y2Ba
(一)gydF4y2Ba
(b)gydF4y2Ba
3.4。分析变量的重要性gydF4y2Ba
计算输入变量的相对重要性使用全局敏感性研究,如图gydF4y2Ba
7gydF4y2Ba 。它可以观察到,粗tailings-cement比率最重要影响UCS的心脏影响得分是4.46,其次是固化时间(3.178)和solids-water比(0.23),而细粒尾矿比例是最敏感的变量影响得分为0.088。这个结果也与之前的研究。应该注意,重要性得分是通过本文中使用的数据集。可以获得更准确的结果如果更多的样本数据包含在未来的数据集。gydF4y2Ba
图7gydF4y2Ba
变量的重要性,重点基于BSVM。gydF4y2Ba