【技術實現步驟摘要】
本專利技術涉及熟料礦相性能預測，具體涉及熟料礦相性能預測模型的訓練方法和熟料礦相設計方法。
技術介紹
1、隨著科技進步，材料科學領域對水泥膠凝材料的性能要求持續提升，熟料礦相作為水泥生產和新材料研發的關鍵因素，其質量和特性直接影響最終產品的性能。然而，傳統熟料礦相設計方法面臨諸多挑戰：傳統方法依賴于實驗室條件和經驗性調整，難以快速響應生產需求和市場變化；在“試錯法”過程中，大量的原材料和能源被用于實驗，導致資源未能得到充分利用；對于熟料礦相活性的預測，傳統技術難以達到高精度的要求，這限制了材料設計的可靠性和成功率。
技術實現思路
1、有鑒于此，本專利技術提供了熟料礦相性能預測模型的訓練方法和熟料礦相設計方法，以解決采用傳統技術對于熟料礦相活性的預測時，預測精度較低以及材料設計的可靠性和成功率受限制的的問題。
2、第一方面，本專利技術提供了一種熟料礦相性能預測模型的訓練方法，所述方法包括：
3、獲取訓練數據集，所述訓練數據集中的樣本數據包括：樣本熟料礦相對應的多種物理參數和性能標簽；
4、將所述多種物理參數中的元素比例確定為第一特征參數，并從所述多種物理參數中確定多個第二特征參數以及各個特征參數對應的權重分配；
5、基于所述訓練數據集中的特征參數和對應的權重分配以及性能標簽，并通過調整第二特征參數的選擇和各個特征參數對應的權重分配對機器學習模型進行訓練，直至所述機器學習模型的性能預測結果符合預設標準，將當前的特征參數和權重分配確定為模型
6、本方法，通過將熟料礦相物理參數中的元素比例確定為模型訓練過程中固定不變的第一特征參數，同時在其他物理參數中確定多個可在訓練過程中調整的第二特征參數，并確定各個特征參數在模型預測時的權重分配，接著在通過訓練數據對機器學習模型進行訓練的過程中，調整第二特征參數的選擇以及各個特征參數的權重分配，最終確定符合標準的模型參數，得到用于熟料礦相性能預測的目標機器學習模型，可以保證機器學習模型在依據最合適的特征參數來進行性能預測，保證熟料礦相性能預測結果。
7、在一種可選的實施方式中，所述機器學習模型為：基于kan網絡架構的機器學習模型；
8、所述基于所述訓練數據集中的特征參數和對應的權重分配以及性能標簽，并通過調整第二特征參數的選擇和各個特征參數對應的權重分配對機器學習模型進行訓練，包括：
9、確定樣本數據中第一特征參數對應的第一參數值和當前的各個第二特征參數對應的第二參數值；
10、將所述第一參數值和第二參數值輸入至所述基于kan網絡架構的機器學習模型，根據當前各個特征參數對應的權重分配計算得到所述樣本數據對應的性能預測值；
11、基于所述樣本數據對應的性能預測值和性能標簽，調整所述第二特征參數的選擇和當前各個特征參數對應的權重分配，以進行后續訓練。
12、本實施方式，通過基于kan算法來構建機器學習模型，可以保證機器學習模型在得到預測結果時的可解釋性，同時在訓練過程中根據每個樣本數據對應的預測結果和性能標簽之間的差異來對第二特征參數和各個特征參數的權重分配進行調整，以保證最終確定的模型參數的有效性。
13、在一種可選的實施方式中，所述基于所述樣本數據對應的性能預測值和性能標簽，調整所述第二特征參數的選擇和當前各個特征參數對應的權重分配，包括：
14、確定所述樣本數據對應的性能預測值和性能標簽之間的差異量；
15、當所述差異量小于第一預設值時，保持當前第二特征參數不變，調整各個特征參數的權重分配；
16、當所述差異量大于第一預設值時，調整所述第二特征參數的選擇，并將各個特征參數的權重分配調整到初始狀態。
17、本實施方式，通過樣本數據對應的預測值和性能標簽之間的具體差異量的大小，來分別對特征選擇和權重分配進行調整，可以保證最終確定的特征參數對于性能預測的有效性，提高預測結果的可解釋性。
18、在一種可選的實施方式中，所述方法還包括：
19、在連續調整預設次數權重分配后，若所述差異量小于第一預設值且大于第二預設值時，執行調整所述第二特征參數的選擇，并將各個特征參數的權重分配調整到初始狀態的步驟。
20、本實施方式，通過在多次調整權重分配后，預測結果仍不符合要求時，執行對第二特征參數選擇的調整，可以避免對權重分配的重復調整，保證模型整體的訓練效率。
21、在一種可選的實施方式中，在將當前的第二特征參數和權重分配確定為模型參數，得到目標機器學習模型后，所述方法還包括：
22、獲取測試數據集，并基于所述測試數據集對所述目標機器學習模型進行性能驗證；
23、根據性能驗證結果對所述目標機器學習模型進行超參優化。
24、本實施方式，通過在確定模型參數，得到目標機器學習模型后，通過測試數據來對機器學習模型做進一步的驗證，從而對模型進行超參優化，可以保證模型后續針對實際的熟料礦相數據進行預測時的預測效果。
25、第二方面，本專利技術提供了一種熟料礦相設計方法，所述方法包括：
26、獲取用戶輸入的期望性能參數，并調用上述任一實施方式所述的熟料礦相性能預測模型的訓練方法訓練得到的目標機器學習模型對所述期望性能參數進行反推運算，得到多組潛在熟料礦相的元素比例；
27、獲取基于所述元素比例制備的潛在熟料礦相所對應的實際第二特征參數；
28、將各組潛在熟料礦相對應的元素比例和對應的實際第二特征參數輸入所述目標機器學習模型，得到各組潛在熟料礦相對應的性能預測值；
29、根據性能預測值符合期望性能的潛在熟料礦相所對應的元素比例和對應的實際第二特征參數，確定熟料礦相的設計方案。
30、本方面提供的方法，通過訓練好的機器學習模型來對熟料礦相的預期性能參數進行反推，得到多組可能符合要求的潛在熟料礦相的元素比例，從而根據該元素比例制備實際的熟料礦相并采集對應的特征參數，以通過目標機器學習模型預測對應性能，以便于從中選擇實際符合期望性能要求的熟料礦相的元素比例和第二特征參數，確定熟料礦相的設計方案，簡化工作人員對熟料礦相進行設計時的工作量。
31、第三方面，本專利技術提供了一種熟料礦相性能預測模型的訓練裝置裝置，所述裝置包括：
32、訓練數據獲取模塊，用于獲取訓練數據集，所述訓練數據集中的樣本數據包括：樣本熟料礦相對應的多種物理參數和性能標簽；
33、初始參數確定模塊，用于將所述多種物理參數中的元素比例確定為第一特征參數，并從所述多種物理參數中確定多個第二特征參數以及各個特征參數對應的權重分配；
34、模型訓練調整模塊，用于基于所述訓練數據集中的特征參數和對應的權重分配以及性能標簽，并通過調整第二特征參數的選擇和各個特征參數對應的權重分配對機器學習模型進行訓練，直至所述機器學習模型的性能本文檔來自技高網...
【技術保護點】
1.一種熟料礦相性能預測模型的訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述機器學習模型為：基于KAN網絡架構的機器學習模型；
3.根據權利要求2所述的方法，其特征在于，所述基于所述樣本數據對應的性能預測值和性能標簽，調整所述第二特征參數的選擇和當前各個特征參數對應的權重分配，包括：
4.根據權利要求3所述的方法，其特征在于，所述方法還包括：
5.根據權利要求1所述的方法，其特征在于，在將當前的第二特征參數和權重分配確定為模型參數，得到目標機器學習模型后，所述方法還包括：
6.一種熟料礦相設計方法，其特征在于，所述方法包括：
7.一種熟料礦相性能預測模型的訓練裝置，其特征在于，所述裝置包括：
8.一種熟料礦相設計裝置，其特征在于，所述裝置包括：
9.一種計算機設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機指令，所述計算機指令用于使計算機執行權利要求1至5中任一項所述的熟料礦相性能
...【技術特征摘要】
1.一種熟料礦相性能預測模型的訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述機器學習模型為：基于kan網絡架構的機器學習模型；
3.根據權利要求2所述的方法，其特征在于，所述基于所述樣本數據對應的性能預測值和性能標簽，調整所述第二特征參數的選擇和當前各個特征參數對應的權重分配，包括：
4.根據權利要求3所述的方法，其特征在于，所述方法還包括：
5.根據權利要求1所述的方法，其特征在于，在將當前的第二特征參數和權重分配確...
【專利技術屬性】
技術研發人員：郅曉，張文生，葉家元，任雪紅，顏景華，張洪滔，翟牧楠，吳彤，夏凌風，高霖，
申請(專利權)人：中國建筑材料科學研究總院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。