基于深度信念网络的磷石膏充填材料强度预测

张安安， 邓芳明

(1.江西省科学院能源研究所，南昌 330029；2.华东交通大学电气与自动化工程学院，南昌 330013)

近年来，随着绿色开采技术的发展，充填材料作为该项技术核心部分，中外研究人员对此开展了研究，如膏体充填材料[1-2]、未分级尾矿材料胶结充填材料[3]、高水充填材料[4]和似膏体充填材料[5]。这些材料中，成本低、流动性好、强度高、污染低的膏体型充填材料最为流行。尹博等[6]对掺入粉煤灰的膏体充填材料水化过程各阶段变化特征进行分析；膏体充填材料的强度主要取决于他的配合比，因此，需得到较高的强度则需要找到最佳的混合比例。

然而，传统计算最佳配比是采取正交试验以及运用理论模型来确定，Ren等[7]采用正交试验设计方法，进行了RPC(reactive powder concrete)配合比设计研究。然而这些实验方法缺点是成本高、耗时长。随着机器学习[8]技术的发展，人工智能算法开始被应用于建筑和矿业工程领域。常庆粮等[9]运用神经网络建立充填材料质量的预测模型；董越等[10]通过正交实验并结合BP神经网络建立充填体强度预测模型；王春雷等[11]针对锂电池基于改进RVM进行寿命预测；张静等[12]采用粒子群算法优化支持向量机对混凝土强度进行预测。但这些方法预测精度较低，需要大量的训练数据和测试数据，导致预测速度较慢。与支持向量机相比，关联向量机的框架更稀疏，核函数约束更少，预测时间更短，当处理具有不确定连接的参数，RVM(relevance vector machine)的预测精度较差。然而相对于RVM、BP(back propagation)神经……