用于评估水泥粘贴回填强度的合奏智能模型的开发

摘要

粘贴回填（CPB）是一种环保复合材料，含有矿井废物或尾矿，并已广泛用作地下停止的建筑材料。在该领域中，CPB的单轴抗压强度（UCS）是关键的，因为它与止动件的稳定性密切相关。使用传统数学模型预测CPB的UCS由于UCS和大量影响变量之间的高度非线性关系而导致的令人满意。为了解决这个问题，本研究使用支持向量机（SVM）来预测CPB的UC。使用甲虫天线搜索（BAS）算法调整SVM模型的超参数;然后，该模型称为BSVM。然后将BSVM培训在从实验结果中收集的数据集上培训。为了向CPB的UCS上解释每个输入变量的重要性，使用与BSVM的灵敏度研究作为目标函数，获得变量重要性。结果表明，所提出的BSVM在具有高相关系数（0.97）和低根均方误差（0.27MPa）的测试集上具有高预测精度。所提出的模型可以在采矿过程中指导CPB的设计。

1.介绍

水泥浆料回填（CPB）广泛用于地下金属矿山的采矿操作，其中尾矿通常用作主要聚集体，它们与水泥材料和水混合[1]。CPB通常填充到地下突起中，因此，在一定时期的脱水和整合后，它在支持屋顶和周围岩体中起着关键作用[2-5.]。与其他回填材料相比，CPB是由于矿井废物的最大利用率，这是一种环保的经济矿山复合材料，这对这些年来吸引了很多关注[6.-11.]。

填充强度是影响填充质量的最重要的机械参数，无凝结的抗压强度（UCS）是评估CPB填充强度的最基本和关键参数[12.]。通常，CPB的UC在实验室中获得，类似于混凝土的强度评估。但是，当多个参数与CPB的UC相关时，实验测量是一种繁琐，耗时和昂贵的方法[13.那14.]。许多学者提出了许多方法来预测CPB的强度，如经验公式估计，数值模拟和弹性力学分析[15.那16.]。应该指出的是，CPB是多相复合材料，并且所提到的方法通常不能获得精确的预测结果。为了准确预测CPB的UC，必须提出简单可靠的方法。

最近，机器学习方法已被广泛用于预测建筑材料的机械性能[12.那17.-23.]。还提出了通过人工智能方法对CPB强度进行评估。例如，考虑到CPB的影响变量的人工神经网络（ANN）已被用于模拟输入和输出之间的关系[24.那25.]。Furthermore, the evolutionary ANN method, namely, ANN-based methods, was proposed for estimating the UCS of CPB, by which the hyperparameters such as the number of neurons and the structure of ANN are optimized by some global optimization algorithms, i.e., particle swarm optimization (PSO) and firefly algorithm (FA). Similarly, other normally used machine learning methods such as the random forest algorithm (RF) and RF-based models reported in the literature are also used for predicting the UCS of CPB [26.]。尽管在CPB的强度预测中，应用了上述人工智能方法（基于ANN，基于ANN，基于ANN，基于RF和RF的），但它们是有限的计算效率和不确定的结构。此外，考虑到水泥 - 粗尾比，固体水比，细尾百分比和固化时间的整体效果，没有智能模型。

因此，在本文中，机器学习算法，支持向量机（SVM）具有回归和分类的完美能力，以及用于选择SVM的超参数的甲虫天线搜索算法（BAS）的优异全局优化算法，合并。因此，提出了一种进化支持向量机模型（BSVM）。可以结束对文献的几项贡献，如下：（1）将支持向量机(SVM)算法与甲虫触角搜索(BAS)算法相结合，建立进化支持向量机模型;（2）以灰粗比、固水比、细尾砂率、养护时间为主要影响变量，通过试验分析了CPB的强度特性（3）通过考虑四个关键影响变量的组合效应，直接估计CPB的UCS（4）首先对上述影响因素的敏感性分析进行了分析和讨论

2。材料和方法

2.1。机械测试

为了制备CPB标本，必需尾矿和矿物学组合物的晶粒尺寸分布以确定。因此，激光衍射分析仪用于确定粗尾和细尾矿的尺寸分布。正如我们从图中看到的那样1，有两种不同的各种尺寸的尾矿。分析细尾对CPB强度的影响至关重要。Portland水泥P.O 32.5R作为粘合剂施用。在该矿井中获得的水用作混合水。根据现场试验试验，将粗尾水泥比（T / C）设定为4,6,8和10，固体水比（S / W）设定为0.68,0.70和0.72。细尾状物作为混合物，其百分比（FTP）设定为0％，10％，15％和20％。通过使用混合器（UJZ-15）混合粉碎机和聚集体5分钟混合。然后，将制备的混合物倒入模具中（70.1mm×70.1mm×70.1mm）。本研究中的固化时间设定为7,28和60天。表中给出了CPB变量的详细统计1．总共完成了435个试件，根据ASTM C 39进行无侧限压缩试验，用于获得单轴抗压强度值。

2.2。进化支持向量机（BSVM）模型

2.2.1。支持向量机(SVM)

支持向量机通常用于超平面对样本进行分类[26.]。当超平面在两类中都有较大的边界时，超平面对应的向量为支持向量。支持向量机原理图如图所示2．

通常，超平面方程如下： 在哪里W.指m尺寸向量;B.表示偏见术语;什么时候W.和B.得到了,X可以通过签字来分类F（X）。

对于线性可分离数据，可以如下结束以下等式：

支持向量在超平面上：

最小化‖w‖²，可以找到过平面（‖w‖是w的欧几里德标准）。

2.2.2。甲壳虫天线搜索（BAS）

BAS是一种非常着名的成群质算法，最近提出了[20.]。它可以用于全局优化问题。目前，BAS已广泛应用于机器学习算法的超参数获取[20.那21.]。在该算法中，它模拟了甲虫的行为，其天线的目的是找到高浓度的气味。图中显示了典型流程图3.．

在这项研究中，SVM的近似数指（C，罚款系数和γ(内核参数)通过BAS而不是试错方法进行调优。

2.3。绩效评估

根据先前研究中的建议，训练数据集和测试数据集分别分别分为70％数据集和30％数据集。应用了10倍的交叉验证方法。相关系数（R.）和用于评估已建立模型性能的根均方误差（RMSE）定义如下： 在哪里N表示数据集中的数字;和y_一世是预期值和实值;和和表示平均值值和平均实际值。

3.结果与讨论

3.1。CPB UC的结果

数字4.为CPB在不同固化时间下不同变量组合的UCS。可见，粗尾砂水泥比是决定CPB强度的主要指标。随着粗尾砂灰比的增加，CPB的单轴抗压强度明显提高。同样，CPB的单轴抗压强度随着固水比的增加而提高。而细尾掺量对CPB强度的影响则取决于固水比。当固水比为68% ~ 70%时，随着细尾砂百分比的增加，CPB的单抗强度先上升到峰值后下降。当固水比为72%时，随着细尾掺量的增加，CPB的单抗强度略有降低;固化时间对CPB强度的增加有积极的影响，这与前人的研究一致。

3.2。封闭式调谐的结果

在本研究中，BAS应用于训练集上的SVM的HyperParameters。RMSE被选为目标函数。数字5.显示RMSE与迭代曲线。可以看出，RMSE在15次迭代后显着降低，表明BAS在调谐超参数中有效。SVM的最终封面在表中列出2．

3.3。评估既定模型

数字6.显示训练和测试集上的预测UCS值与实际UCS值之间的相关性。观察到几乎线性的关系R.0.9701和0.973的培训和测试集的值分别表示所提出的SVM模型可以建立CPB的UC与其影响变量成功的关系。此外，训练上的低价和类似的RMSE值（0.1798）和测试（0.2674）套装表明，没有产生底层或过度的现象。

3.4。变量重要性分析

使用全局敏感性研究计算输入变量的相对重要性，如图所示7.．可以观察到粗尾水泥比对CPB的UCS的影响最大，影响得分为4.46，然后固化时间（3.178）和固体水比（0.23），而细尾百分比是最小敏感变量，影响得分为0.088。这结果与前一项研究同意。应该注意的是，本文中使用的数据集获得了重要性分数。如果在将来的数据集中包含更多数据样本，可以获得更准确的结果。

4。结论

本研究使用BSVM预测CPB的UC。SVM的超级参数由BAS调整。BSVM可以建立CPB的UC与其影响变量的关系成功，由训练（0.97）的高相关系数和测试（0.973）集。此外，通过灵敏度分析计算的变量重要性显示粗略尾矿 - 水泥比是UCS最重要的变量。

在将来的工作中，将通过包括更多影响变量和样本来扩大数据集，以提高所提出的模型的概括性。此外，将实现图形用户界面以促进模型在设计CPB混合中的使用。

数据可用性

用于支持本研究结果的Microsoft Excel工作表数据可从通讯作者(liguichen@cumt.edu.cn.） 根据要求。

利益冲突

作者声明没有利益冲突。

致谢

本研究经济上由“国家重点研究和发展计划（授予号码：2016YFC0600901）”和“中国国家自然科学基金会（授予号码：51574224和51704277）”。作者感谢淮北矿业（集团）有限公司。作者谢谢Zuqi Wang博士的鼓励和帮助。

参考

1. C. QI和A. Fourie，“矿物尾矿管理的粘贴浆料回填：审查和未来的观点，”矿物工程，卷。144，p。106025,2019。视图:出版商网站|谷歌学术
2. Y. Sun，G. Li和J. Zhang，“巷道控制时间依赖变形的喷射灌浆支持策略调查”能源科学与工程，卷。8，不。4，pp。1-8,2020。视图:出版商网站|谷歌学术
3. Y. Sun，G. Li，J. Zhang和D. Qian，“对地下煤矿道路变形的新型支持系统的实验和数值调查”能源科学与工程，卷。8，不。2，pp。490-500,2020。视图:出版商网站|谷歌学术
4. Y. Sun，G. Li，J. Zhang和D.Qian，“稳定控制流变巷道中的新型地下地下煤矿的高效喷射灌浆技术”可持续性，第11卷，第2期。22, p. 6494, 2019。视图:出版商网站|谷歌学术
5. H. Basarir，Y. Sun和G. Li，“通过全球局部建模方法的网关稳定性分析”国际岩石力学与采矿科学杂志，卷。113，pp。31-40,2019。视图:出版商网站|谷歌学术
6. Y. Sun，G. Li和J. Zhang，“开发混合机械学习模型，用于估算喷射灌浆复合材料的无束缚的抗压强度：比较研究”应用科学，卷。10，不。5，p。1612,2020。视图:出版商网站|谷歌学术
7. Q.陈，Q.张，C.Qi，A. Fourie和C. Xiao，回收磷光膏和建筑拆除废物，用于水泥浆料回填及其环境影响，“清洁生产杂志，卷。186，PP。418-429,2018。视图:出版商网站|谷歌学术
8. 陈倩，张倩，傅立英，“磷石膏和磷尾矿用于胶结体回填的研究”，环境管理杂志，第201卷，第19-27页，2017。视图:出版商网站|谷歌学术
9. Q.-S。陈,Q.-L。张福瑞，陈旭明，陈旭明。“类似采场模型下水泥膏体充填体强度特性及其机理的试验研究”，建筑和建筑材料，卷。154，pp。34-43,2017。视图:出版商网站|谷歌学术
10. C.-c.QI，“矿业大数据管理”，国际矿物，冶金和材料杂志，第27卷，第2期。2，pp.131-139,2020。视图:出版商网站|谷歌学术
11. 王丹，张倩，陈琪，冯勇，肖聪，“尾矿絮凝沉降温度变化特性及其机理研究”，国际矿物，冶金和材料杂志2020年。视图:出版商网站|谷歌学术
12. C.齐，A. Fourie，Q.. Chen和Q. Zhen，“使用人工智能回收废物尾矿的力量预测模型作为粘贴回填”清洁生产杂志，卷。183，pp。566-578,2018。视图:出版商网站|谷歌学术
13. Z. Zhang，E. Wang和N.LI，“基于单轴群落岩石中的声发射事件的分形特征”混乱，孤子＆分形， vol. 104, pp. 298-306, 2017。视图:出版商网站|谷歌学术
14. Z. Zhang，E. Wang，Y. Zhang等，“单轴装载下煤超声波波形时频特性分析”分形，第27卷，第2期。06，页1950100-1950123,2019。视图:出版商网站|谷歌学术
15. S. Xu，F.T. Suorineni，K. Li和Y. Li，“泡沫水泥浆料回填的强度和超声物性能评估”国际采矿，垦区和环境杂志，卷。31，不。8，pp。544-557,2017。视图:出版商网站|谷歌学术
16. 徐伟，田晓，曹鹏，“基于电阻率测量的胶结膏体水化过程和力学性能评价”，无损检测与评价，卷。33，不。2，pp。198-212,2018。视图:出版商网站|谷歌学术
17. Zhang j, Ma g, Huang y, sun j, F. Aslani, and B. Nener，“基于随机森林回归的轻量化自密实混凝土单轴抗压强度建模”，建筑和建筑材料，第210卷，713-719页，2019年。视图:出版商网站|谷歌学术
18. 陈琪，陈琪，“基于神经网络和粒子群算法的胶结充填体无侧限抗压强度预测”，建筑和建筑材料，卷。159，pp。473-478,2018。视图:出版商网站|谷歌学术
19. J. Sun，J. Zhang，Y.Gu，Y.Huang，Y. Sun和G. Ma，“使用进化支持向量回归使用进化的支持释放渗透性和无束缚的抗压强度”，“建筑和建筑材料，第207卷，440-449页，2019年。视图:出版商网站|谷歌学术
20. Y. Sun，J. Zhang，G. Li，Y. Wang，J. Sun和C.江，“使用甲虫天线的优化神经网络寻求预测喷射灌浆煤炭的无束缚的抗压强度”地质力学中数值和分析方法的国际杂志，卷。43，不。4，pp。801-813,2019。视图:出版商网站|谷歌学术
21. Y. Sun，J. Zhang，G. Li等，“使用智能模型的射门灌浆煤的幼小模量”，“工程地质学，卷。252，第43-53,2019。视图:出版商网站|谷歌学术
22. J. Zhang，D. Li，Y. Wang，“朝智能施工：使用基于树的模型预测制造 - 砂混凝土的力学性能”清洁生产杂志，卷。258，物品ID 120665,2020。视图:出版商网站|谷歌学术
23. Y. Sun，G. Li，J. Zhang和D.Qian，“通过进化的随机林模型预测橡胶混凝土的强度”，土木工程进展，第5198583号，7页，2019年。视图:出版商网站|谷歌学术
24. L. orejarena和M.下降，“使用人工神经网络来预测硫酸盐攻击对水泥浆料的强度”的影响，“工程地质与环境公报，卷。69，没有。4，pp。659-670，2010。视图:出版商网站|谷歌学术
25. L. Orejarena和M. Fall，“基于人工神经网络的硫酸盐和温度对胶结膏体强度耦合效应的建模”，加拿大土木工程学报，卷。38，不。1，pp。100-109，2011。视图:出版商网站|谷歌学术
26. C. Qi，Q.陈，A. Fourie和Q. Zhang，“巩固浆料回填的机械性能智能建模框架”矿物工程，卷。123，pp。16-27,2018。视图:出版商网站|谷歌学术

版权

版权所有©2020 Yuantian Sun等人。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。