智能方法在水泥性能分析中的应用研究

论文摘要

水泥材料不但大量应用于工业与民用建筑，还广泛应用于交通、城市市政建设、农村水利以及海洋工程。水泥材料作为重要的原材料之一，一直受到人们的重视。根据预测，从本世纪以至更长时间，水泥以及其他胶凝材料制品仍然是主要的建筑材料。随着材料科学的发展，人们对水泥材料的认识正在发生新的深刻的变化。这种变化的特点和趋势是：1．对水泥材料本身的认识方面正在逐渐深化，从宏观到微观并逐渐揭示其性能与内部结构的关系，从而为发展新品种，扩大应用领域提供理论基础；2．对水泥材料生产过程的规律和水化、硬化过程的规律，人们的认识正在从经验上升到理论，从现象到本质，从而为有效地控制水泥材料与制品的生产过程以及采用新工艺、新技术提供理论基础。要想正确反应水泥水化过程中诸多复杂因素与水泥的性能，需要大量的试验与数据分析，目前国内外的研究技术多集中在试验、数学模型分析以及用神经网络做数据预测等方面。很显然，试验的方法需要花费很大的人力、物力，数学模型分析方法主要是依据实验数据及经验建立相应的数学模型，再进行分析，误差存在是难以避免的。而人工神经网络是一种智能信息处理技术，力图模拟人类处理问题的方式去理解和利用信息。神经网络控制可通过对网络结构及权值处理的自动调整而实现非生物神经网络系统的部分功能，能处理高维数、强干扰难建模的复杂工业过程。因此为模拟复杂条件下的水泥水化、硬化过程提供了另一种可行的方法。但是，神经网络的应用中存在的主要问题是学习中不具备全局搜索能力、易陷入局部极小。而遗传算法是借鉴生物界自然选择和自然遗传机制的随机搜索算法，这种全局搜索能力可以优化神经网络的结构和学习规则。因此，将神经网络与遗传算法融合可有效提高神经网络的学习能力。但传统的BP-GA存在迭代次数多的缺陷。因此，本文提出一种改进的BP-GA融合算法，以解决传统BP-GA算法收敛速度慢的问题。提高了网络的学习性能，有效拓宽应用领域。每一种算法都有它的应用局限性，本文研究的另一种算法是粒子群优化算法。它是基于群体智能理论的优化算法，是一种种群的全局搜索策略。它是通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。因此，将神经网络与粒子群算法融合也可有效克服神经网络学习的可靠性低的问题。但传统BP-PSO算法一般只训练网络的权值和阈值，存在冗余度高、收敛速度慢的缺陷。因此，本文采用一种动态惯性因子并精简网络结构的改进BP-PSO算法，有效解决这些问题。本论文拟用计算机智能分析方法，其中主要是神经网络、遗传算法、粒子群算法等一系列改进优化算法加以融合，建立神经网络学习的模型，在分析大量水泥水化、硬化过程的实验数据的基础上，综合考虑诸多复杂影响因素，得出水泥材料组分、细度、外加剂与性能（力学性能、强度、凝结时间、标准稠度需水量）之间的关系，并进行仿真输出，为高性能水泥的制备寻求一条有效的决策依据。

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 本文研究背景
• 1.2 目前水泥水化过程的研究方法、水平
• 1.3 本文研究的目的和意义
• 1.4 本文研究的内容
• 第2章 BP神经网络改进
• 2.1 人工神经网络的概述
• 2.2 人工神经网络的模型
• 2.3 人工神经网络的特点
• 2.4 BP神经网络
• 2.4.1 BP算法的数学描述
• 2.4.2 BP算法存在问题及一般改进方法
• 2.5 本章小结
• 第3章 BP神经网络与遗传算法（GA）的融合技术
• 3.1 遗传算法概述
• 3.2 遗传算法的基本思想和数学描述
• 3.2.1 遗传算法基本思想
• 3.2.2 遗传算法的数学描述
• 3.3 遗传算法的主要操作
• 3.3.1 遗传编码
• 3.3.2 适应度函数
• 3.3.3 遗传算子
• 3.3.4 遗传算法运行参数的选择
• 3.4 遗传算法的特点及其优化方法
• 3.5 BP网络与遗传算法的融合（BP—GA）思想及其性能分析
• 3.5.1 BP与GA融合的基本思想
• 3.5.2 动态智能学习算法
• 3.5.3 计算机仿真
• 3.6 本章小结
• 第4章 BP神经网络与粒子群优化算法（PSO）的融合技术
• 4.1 粒子群优化算法概述
• 4.2 粒子群优化算法基本思想和数学描述
• 4.2.1 粒子群优化算法的基本思想
• 4.2.2 粒子群优化算法的数学描述
• 4.2.3 粒子群优化算法的参数设置
• 4.2.4 粒子群优化算法的一般改进方法
• 4.3 BP神经网络与粒子群优化算法融合（BP—PSO）的基本思想
• 4.3.1 传统的BP—PSO算法
• 4.3.2 改进的BP—PSO算法
• 4.4 改进BP—PSO与传统BP—PSO算法的性能比较分析
• 4.5 改进的BP—GA算法与改进的BP—PSO算法的比较
• 4.5.1 Iris分类问题
• 4.5.2 样本空间分布对改进BP—GA算法与改进BP—PSO算法的影响
• 4.6 本章小结
• 第5章 融合算法在水泥水化过程中的应用
• 5.1 概述
• 5.2 煤矸石颗粒分布对水泥水化性能的影响
• 5.2.1 煤矸石颗粒分布水泥水化之后水泥扩展度的影响
• 5.2.2 煤矸石颗粒分布对水泥水化之后水泥标准稠度用水量、凝结时间的影响
• 5.2.3 煤矸石颗粒分布对水泥水化之后水泥强度的影响
• 5.2.4 实验总结
• 5.3 低水胶比下工业废渣的掺量对水化结合水的影响
• 5.3.1 粉煤灰的掺量对水泥水化过程中结合水的影响
• 5.3.2 煤矸石的掺量对水泥水化过程中结合水的影响
• 5.3.3 刚玉粉的掺量对水泥水化过程中结合水的影响
• 5.3.4 实验总结
• 5.4 粉煤灰颗粒级配对水泥强度的影响
• 5.5 粉煤灰掺量、石膏掺量、激发剂掺量对粉煤灰水泥强度的影响
• 5.5.1 粉煤灰的掺量对粉煤灰水泥强度的影响
• 5.5.2 石膏的掺量对粉煤灰水泥强度的影响
• 5.5.3 激发剂的掺量对粉煤灰水泥强度的影响
• 5.5.4 实验总结
• 5.6 多粉煤灰复合水泥对水化性能的影响
• 5.6.1 各成分的不同配比对复合水泥标准稠度需水量、凝结时间的影响
• 5.6.2 各成分的不同配比对复合水泥抗折强度、抗压强度的影响
• 5.6.3 实验总结
• 5.7 水泥水化性能分析仿真
• 5.8 本章小结
• 第6章 总结与展望
• 参考文献
• 攻读博士学位期间发表的学术论文
• 致谢词