ng体育官网入口一种机制砂泥粉含量测定方法pdf

　　ng体育官网入口一种机制砂泥粉含量测定方法pdf本发明公开了一种机制砂泥粉含量测定方法，先配制不同粉体占比和不同泥粉占比下的训练用机制砂；然后测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由粉体占比、泥粉占比和亚甲蓝值构成的数据集。将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出。对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测待测机制砂的亚甲蓝值。将待测机制砂的亚甲蓝值和粉体占比输入到检测模型中，检测模型即输出得到泥粉占比。本发明能够检测出机

　　(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 116343938 A (43)申请公布日 2023.06.27 (21)申请号 2.4 (22)申请日 2023.02.16 (71)申请人 重庆茂侨科技有限公司 地址 408200 重庆市丰都县三合街道平都 东路二支路16号B幢1层7号 (72)发明人 罗晖曾伟洪冯永成陈明军 廖枰理 (74)专利代理机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 李海华 (51)Int.Cl. G16C 20/20 (2019.01) G16C 60/00 (2019.01) G16C 20/70 (2019.01) 权利要求书2页 说明书7页 附图5页 (54)发明名称 一种机制砂泥粉含量测定方法 (57)摘要 本发明公开了一种机制砂泥粉含量测定方 法，先配制不同粉体占比和不同泥粉占比下的训 练用机制砂；然后测量配制的所有训练用机制砂 的亚甲蓝值，从而得到若干组由粉体占比、泥粉 占比和亚甲蓝值构成的数据集。将数据集划分为 训练集、测试集和验证集，用于对机制砂泥粉占 比检测模型训练；训练时ng体育下载注册，以亚甲蓝值、粉体占比 作为模型输入，泥粉占比作为模型输出。对待测 机制砂进行筛分，得到待测机制砂中粉体占比 ； 同时检测待测机制砂的亚甲蓝值。将待测机制砂 的亚甲蓝值和粉体占比输入到检测模型中，检测 模型即输出得到泥粉占比。本发明能够检测出机 A 制砂中泥粉占比 ，进而确定其含量，可为混凝土 8 材料组成设计和工作性能调整预案提供重要依 3 9 3 据。 4 3 6 1 1 N C CN 116343938 A 权利要求书 1/2页 1.一种机制砂泥粉含量测定方法，其特征在于：步骤如下， 1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据预先 确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组粉体 占比确定但泥粉占比不同的训练用机制砂； 2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机制砂； 3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干组由 粉体占比、泥粉占比和亚甲蓝值构成的数据集； 4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差； 5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占比检 测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选取训 练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构； 6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制砂的 亚甲蓝值； 7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检测模 型中，机制砂泥粉占比检测模型即输出得到泥粉占比。 2.根据权利要求1所述的一种机制砂泥粉含量测定方法，其特征在于：所述机制砂泥粉 占比检测模型基于Elman神经网络构建得到。 3.根据权利要求2所述的一种机制砂泥粉含量测定方法，其特征在于：所述Elman神经 网络包含输入层、隐含层、承接层和输出层；承接层用于记忆隐含层前一个时间步长的输出 并和输入层一起作为下一个时间步长隐含层的输入； Elman神经网络的非线性状态空间表达式为： 3 y(k)＝g(wx(k)) 1 2 x(k)＝f(wx (k)+w (u(k‑1))) c x (k)＝x(k‑1) c 式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；x为n维反 c 3 2 1 馈状态向量，w为隐含层到输出层的连接权值；w为输入层到隐含层的连接权值；w为承接 层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组合；f (*)为中间层神经元的传递函数。 4.根据权利要求2所述的一种机制砂泥粉含量测定方法，其特征在于：采用麻雀搜寻算 法对Elman神经网络进行优化，对初始的网络权值和阈值进行寻优并赋值，得到优化后的机 制砂泥粉占比检测模型。 5.根据权利要求4所述的一种机制砂泥粉含量测定方法，其特征在于：采用麻雀搜寻算 法对Elman神经网络进行优化的具体步骤为， (1)建立麻雀种群，确定种群个数以及发现者、加入者和预警者比例； (2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数； (3)对麻雀位置进行初始化设置并确定适应度函数； (4)更新发现者、加入者的位置； (5)随机选择预警者并更新预警者位置； (6)判断是否满足终止迭代的条件，满足停止条件则结束，则进入步骤(7)；否则重复步 2 2 CN 116343938 A 权利要求书 2/2页 骤(4)‑(6)； (7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检测模 型。 6.根据权利要求5所述的一种机制砂泥粉含量测定方法，其特征在于：麻雀搜寻算法对 Elman神经网络优化时，达到预先设定的迭代次数即终止迭代。 3 3 CN 116343938 A 说明书 1/7页 一种机制砂泥粉含量测定方法 技术领域 [0001] 本发明涉及混凝土制备原料成分检测，具体涉及一种机制砂泥粉含量测定方法， 属于混凝土技术领域。 背景技术 [0002] 由于机制砂生产工艺的特点，机制砂中泥粉与母岩矿石粉是混合的，并且较低泥 含量就对混凝土的和易性、强度及耐久性方面产生比石粉更大的影响。故机制砂粉体含量 在一定程度上决定了机制砂质量的好坏。一直以来，机制砂的含泥量是通过检测亚甲蓝MB 值来进行评价和衡量的，这在建筑用砂国家标准中对亚甲蓝值、石粉含量及检测方法做了 明确规定。机制砂检测中，亚甲蓝值(MB值)可反映小于0.075mm的细颗粒主要是母岩矿石粉 (比如石灰石机制砂的石灰石粉)还是泥粉，以确定机制砂中是否存在膨胀性粘土矿物(泥 粉)并定性判断其含量大小的指标。 [0003] 机制砂中泥粉含量对于MB值的影响较大。当机制砂MB值过高时，往往意味着泥粉 含量高，混凝土内部的大量自由水和减水剂被泥粉所吸附，且泥粉含量高，易导致混凝土硬 化后内部形成大量的微小裂纹，降低机制砂混凝土的力学性能。控制机制砂泥粉含量对于 机制砂质量控制以及混凝土质量控制有重大意义，如能定量判断机制砂中的泥粉含量，可 为混凝土材料组成设计和工作性能调整预案提供重要依据。 [0004] 工程建设中砂的泥粉含量对工程质量和成本控制都有显著影响，但是，对于机制 砂中泥粉含量的检测，目前常用的亚甲蓝试验测MB值的方法，只能定性反映泥粉含量的相 对大小，无法给出机制砂样品中泥粉含量的量化指标，这对因为机制砂泥粉含量过大而导 致的混凝土性能较差需提前采取相应措施提供不了帮助。因此，有必要对机制砂中泥粉含 量进行定量检测，以为混凝土材料组成设计和工作性能调整预案提供依据。 发明内容 [0005] 针对现有机制砂检测方法只能定性判断泥粉含量，无法定量给出泥粉含量值的不 足，本发明的目的就在于提供一种机制砂泥粉含量测定方法，本发明能够对机制砂中泥粉 占比进行定量检测进而确定其含量。 [0006] 本发明的技术方案是这样实现的： [0007] 一种机制砂泥粉含量测定方法，步骤如下， [0008] 1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据 预先确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组 粉体占比确定但泥粉占比不同的训练用机制砂； [0009] 2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机 制砂； [0010] 3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干 组由粉体占比、泥粉占比和亚甲蓝值构成的数据集； 4 4 CN 116343938 A 说明书 2/7页 [0011] 4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差； [0012] 5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占 比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选 取训练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构； [0013] 6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制 砂的亚甲蓝值； [0014] 7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检 测模型中，机制砂泥粉占比检测模型即输出得到泥粉占比。 [0015] 所述机制砂泥粉占比检测模型基于Elman神经网络构建得到。 [0016] 所述Elman神经网络包含输入层、隐含层、承接层和输出层；承接层用于记忆隐含 层前一个时间步长的输出并和输入层一起作为下一个时间步长隐含层的输入； [0017] Elman神经网络的非线性状态空间表达式为： [0018] 3 y(k)＝g(wx(k)) [0019] 1 2 x(k)＝f(wx (k)+w (u(k‑1))) c [0020] x (k)＝x(k‑1) c [0021] 式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；x为n c 3 2 1 维反馈状态向量，w为隐含层到输出层的连接权值；w为输入层到隐含层的连接权值；w为 承接层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组 合；f(*)为中间层神经元的传递函数。 [0022] 本发明采用麻雀搜寻算法对Elman神经网络进行优化，对初始的网络权值和阈值 进行寻优并赋值，得到优化后的机制砂泥粉占比检测模型。 [0023] 进一步地，采用麻雀搜寻算法对Elman神经网络进行优化的具体步骤为， [0024] (1)建立麻雀种群，确定种群个数以及发现者、加入者和预警者比例； [0025] (2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数； [0026] (3)对麻雀位置进行初始化设置并确定适应度函数； [0027] (4)更新发现者、加入者的位置； [0028] (5)随机选择预警者并更新预警者位置； [0029] (6)判断是否满足终止迭代的条件(迭代次数)，满足停止条件则结束，则进入步骤 (7)；否则重复步骤(4)‑(6)； [0030] (7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检 测模型。 [0031] 本发明基于麻雀优化算法的Elman神经网络算法，建立对机制砂泥粉含量的推定 模型。与现有技术相比，本发明具有以下有益效果： [0032] (1)能够检测出机制砂中泥粉和母岩矿石粉(比如石灰石机制砂的石灰石粉)的含 量及占比，为机制砂中粉体含量的控制边界值提供依据。 [0033] (2)得到机制砂泥粉含量和粉体占比后，方便生产单位提前做好机制砂混凝土工 作性能的调整预案ng体育下载注册，使之满足基本的工作要求，并达到更好的工作状态。 [0034] (3)通过具有高收敛性和较好的局部搜索能力的麻雀搜索算法对Elman神经网络 初始权值和阈值进行优化，通过寻找最佳隐含层，使得检测结果更加精准。 5 5 CN 116343938 A 说明书 3/7页 附图说明 [0035] 图1‑本发明机制砂泥粉含量测定流程图。 [0036] 图2‑本发明SSA优化Elman训练状态图示意图。 [0037] 图3‑本发明SSA进化曲线‑本发明SSA优化前后的Elman预测值和线‑本发明实施例中APP打开界面图。 [0040] 图6‑本发明某实施例APP预测结果图。 [0041] 图7‑本发明麻雀搜寻算法对Elman神经网络优化流程图。 [0042] 图8‑Elman神经网络结构示意图。 具体实施方式 [0043] 为详细说明本发明的技术内容、所实现目的及效果，下面结合附图和具体实施方 式对本发明作进一步详细说明。 [0044] 本发明一种机制砂泥粉含量测定方法，具体步骤如下，参见图1， [0045] 1)配制训练用机制砂；将预先制备的机制砂清洗干净并烘干，得到纯机制砂；根据 预先确定的粉体占比，在纯机制砂中分别加入不同重量的泥粉和母岩矿石粉，得到若干组 粉体占比确定但泥粉占比不同的训练用机制砂；粉体占比是指泥粉和母岩矿石粉两者在机 制砂中的质量占比；泥粉占比是指单独的泥粉在机制砂中的质量占比； [0046] 2)改变粉体占比，重复步骤1)，得到不同粉体占比和不同泥粉占比下的训练用机 制砂； [0047] 3)构建训练用数据集；测量配制的所有训练用机制砂的亚甲蓝值，从而得到若干 组由粉体占比、泥粉占比和亚甲蓝值构成的数据集； [0048] 4)数据预处理；对数据集中的所有数据进行归一化处理以减小计算误差； [0049] 5)检测模型训练；将数据集划分为训练集、测试集和验证集，用于对机制砂泥粉占 比检测模型训练；训练时，以亚甲蓝值、粉体占比作为模型输入，泥粉占比作为模型输出；选 取训练均方误差最小的模型参数确定机制砂泥粉占比检测模型结构； [0050] 6)对待测机制砂进行筛分，得到待测机制砂中粉体占比；同时检测得到待测机制 砂的亚甲蓝值；测粉体占比和亚甲蓝值时，需要将待测机制砂分为两组，一组通过筛分检测 得到待测机制砂中粉体占比，另一组通过检测得到待测机制砂的亚甲蓝值。具体操作时，选 取同一批机制砂，通过四分法分出待测机制砂，粉体占比检测需要称取500g机制砂，而MB值 需要称取200g机制砂。 [0051] 7)将待测机制砂的亚甲蓝值和粉体占比输入到步骤5)确定的机制砂泥粉占比检 测模型中，机制砂泥粉占比检测模型即输出得到泥粉占比。泥粉占比确定后，再结合机制砂 质量，通过简单换算即可得到泥粉含量。 [0052] 本发明机制砂泥粉占比检测模型基于Elman神经网络构建得到。 [0053] 本发明选取的Elman神经网络是一种典型的动态递归神经网络，相比传统BP神经 网络的三层结构，Elman神经网络在隐含层上增加一个承接层，作用是让网络存在记忆功 能，更好地适应数据输入的动态变化，增强了网络的全局稳定性。相比传统的神经网络，其 具有更优的学习能力，可以用来解决快速寻优、拟合、回归预测等问题。 6 6 CN 116343938 A 说明书 4/7页 [0054] Elman结构组成分别包含输入层、隐含层(一层或多层)、承接层、输出层。其中输入 层、隐含层和输出层的链接类似于前馈网络，输入层的单元只传输信号，输出层的单元具有 线性加权的功能；隐含层细胞的传递函数可以是线性函数，也可以是非线性函数；承接层又 称为上下文层或状态层，用于记忆隐含层前一个时间步长的输出并和输入层一起作为下一 个时间步长隐含层的输入；因此可以看作是一步时间延迟算子。图8为Elman神经网络结构 示意图。 [0055] Elman神经网络的非线性状态空间表达式为： [0056] 3 y(k)＝g(wx(k)) [0057] 1 2 x(k)＝f(wx (k)+w (u(k‑1))) c [0058] x (k)＝x(k‑1) c [0059] 式中，y为m维输出结点向量；x为n维隐含层结点单元向量；u为r维输入向量；x为n c 3 2 1 维反馈状态向量，w为隐含层到输出层的连接权值；w为输入层到隐含层的连接权值；w为 承接层到隐含层的连接权值；g(*)为输出神经元的传递函数，是中间隐含层输出的线性组 合；f(*)为中间层神经元的传递函数。 [0060] 与传统的BP神经网络相比，虽然Elman动态神经网络增加了承接层，可以记录动态 信息，具有更好的时变特性，但同样存在的问题就是网络本身权值和阈值初始赋值的随机 性，导致网络训练及预测的误差较大，精度较低。因此本发明采用基于麻雀搜寻算法优化的 Elman神经网络进行模型的预测，从而提高网络的整体预测精度。 [0061] 麻雀搜寻算法(Sparrow Search Algorithm，SSA)是受到麻雀觅食行为和反捕食 行为启发而在2020年提出的一种新型群智能优化算法，该算法新颖，具有寻优能力强，收敛 速度快的特点，较传统的优化算法有一定的优势。 [0062] 麻雀搜索算法的主要来源是在麻雀觅食的过程中，将这个觅食麻雀的种群分为寻 找食物的发现者和加入者，并且为了保证觅食的安全性，在此基础上设置了侦察报警机制， 将一定个体的麻雀设置成侦察报警。发现者在种群中负责寻找食物并为整个麻雀种群提供 觅食区域和方向，而加入者则是利用发现者来获取食物。发现者和加入者的身份并不是固 定的，它们是动态变化的，只要能够寻找更好的食物来源，其他麻雀都可以成为发现者，但 是加入者和发现者在整个种群中的比例是不变的。为了获得食物，保证自己的捕食率，部分 加入者会不断监控发现者，进而去争夺食物资源。此外，当一定个体的侦察报警麻雀意识到 危险，并且这个危险超过较高阈值，则麻雀种群会发生反捕食行为，并更新自己的种群位 置。其算法的基本步骤和公式如下： [0063] 在虚拟试验中，一个由n只麻雀组成的种群可表示为如下形式； [0064] [0065] 其中ng体育下载注册，d表示待优化问题的维数，n表示麻雀的数量，则麻雀的适应度可表示为如下 形式，其中F表示适应度； 7 7 CN 116343938 A 说明书 5/7页 [0066] [0067] 在SSA中，具有较好适应度的麻雀能够在搜寻过程中更好的发现食物。并且，由于 发现者负责整个种群的觅食反向，因此发现者的觅食范围要比加入者的觅食范围大。发现 者的位置更新如下： [0068] [0069] 其中t为麻雀搜索的迭代数，j为问题的维数；iter 是算法中设定的常数。X 表 max i，j 示第i只麻雀在第j维中的位置信息。α是[0,1]中的一个随机数。R和ST是警戒阈值和安全 2 值，取值范围分别是[0,1]和[0.5,1]。Q是服从正态分布的随机数，为[0,1]中的均匀随机，L 为1×d的矩阵。 [0070] 当R ＜ST时，说明此时觅食的麻雀无危险，没有捕食者，发现者可以在周边执行大 2 量的寻找搜索；如果R ≥ST，这表示危险捕食者被发现，与此同时向种群中个体发出了 2 警报，此时所有个体包括发现者和加入者都会飞到相对安全的区域继续进行觅食，该发现 者将按照正态分布随机移动到当前位置附近。 [0071] 在觅食过程中，一些加入者会监视发现者，一旦它们监视到发现者已经找到了更 好的食物，便会放弃现在的觅食区域，去抢夺食物，如果它们赢了，它们就能立刻获得发现 者的食物，因此，加入者的位置更新如下： [0072] [0073] 其中，Xp是发现者占据的最优位置，X 表示整个觅食区域最差的位置，A表示一 worst + T T ‑1 个1xd的矩阵，其中每个元素随机赋值±1，并且A ＝A (AA) 。当in/2时，表明适应度值较 低的第i个加入者没有获得食物，能量很低，需要飞往其他觅食区域，以便获得更多的能量。 [0074] 在麻雀种群中，还有部分的危险预警者，这些麻雀的起始位置是随机的，其位置如 下表达式： [0075] [0076] 其中，X 是最优位置，β为步长控制参数，是服从0，1正态分布的随机数。K是‑1到 best 1之间的一个随机数，f是当前麻雀个体的适应度值，fg和fw分别是当前全局最好和最差的 i 适应度值。 [0077] 本发明采用麻雀搜寻算法对Elman神经网络进行优化，对初始的网络权值和阈值 进行寻优并赋值，得到优化后的机制砂泥粉占比检测模型。具体优化步骤为(同时参见图 7)。 8 8 CN 116343938 A 说明书 6/7页 [0078] (1)建立麻雀种群，确定种群个数以及发现者和预警者比例； [0079] (2)根据Elman神经网络的隐含层数及网络结构，承接层确定问题维数； [0080] (3)对麻雀位置进行初始化设置并确定适应度函数； [0081] (4)更新发现者、加入者的位置； [0082] (5)随机选择预警者并更新预警者位置； [0083] (6)判断是否满足终止迭代的条件，满足停止条件则结束，进入步骤(7)；否则重复 步骤(4)‑(6)；本发明通过适应度值判断是否满足终止迭代的条件； [0084] (7)获取Elman神经网络的最优权值和阈值，从而得到优化后的机制砂泥粉占比检 测模型。 [0085] 本发明通过麻雀算法获取的最优权值和阈值不止一个，在达到最大迭代次数前， 满足条件的最优权值和阈值都会被输出，然后对这些权值阈值排序，计算MSE，更新权值阈 值，达到满足条件(设定的精度要求)的就会保存权值阈值，没满足的就会下一个权值阈值 进去走流程。 [0086] 以下结合实施例进一步对本发明进行说明。 [0087] 本发明首先是数据库的准备。以石灰石机制砂为例，用设计好的若干已知泥粉及 石灰石粉含量的机制砂进行亚甲蓝测试，以MB值、粉体占比(即石粉和泥粉共同构成的粉体 占机制砂的内掺比例)作为输入变量，泥粉占比作为输出变量形成机制砂泥粉占比推定模 型的数据库。用mapminmax函数对数据库中数据进行归一化以减小计算误差，再利用 dividerand函数对数据集进行划分，分成训练集、测试集和验证集，用于机器学习训练。通 过学习训练，确定隐含层的层数。 [0088] 在确定输入和输出参数后，承接层数是确定的，而隐含层数的不同，对预测精度有 很大的影响，为了确定其最佳隐含层数，本发明采用经验公式hiddennum＝sqrt(m+n)+a，m 为输入层节点个数，n为输出层节点个数，a一般取1‑10之间的整数，设计分别当隐含层为3‑ 12层时，对比每次训练集的均方误差大小，最终选取训练均方误差最小的层数对应为最终 网络结构，如表1所示。由表1可知，随着隐含层层数的增加，均方误差呈现先减小再逐渐增 大的趋势，并且当隐含层数为6时，均方误差最小，因此该模型的最佳隐含层数为6，相应的 均方误差为0 [0089] 表1隐含层数确定表 [0090] [0091] Elman神经网络中网络参数的设置，以训练次数设置1000次，训练目标最小误差 0.0001为例。采用麻雀搜索算法，根据其在计算速度和精度等要求下经过模拟运算，确定初 始种群规模为30，最大进化次数为50，设置发现者的比例0.7，预警者的麻雀比重为0.2，安 9 9 CN 116343938 A 说明书 7/7页 全值为0.6。 [0092] 采用标准的Elman神经网络和麻雀搜寻算法优化的Elman神经网络，对初始的网络 权值和阈值进行寻优并赋值，SSA优化后的Elman算法预测误差显著减小(如图2‑图4)。 [0093] 为了方便使用，本发明基于matlab软件开发工具，开发了对应的机制砂泥粉含量 推定方法的APP。图5为本发明实施例中APP打开界面图。 [0094] 通过netload，加载已经训练好的神经网络模型，输入机制砂的已测MB值和筛分出 的0.075mm以下的粉体占比，通过点击预测按钮，可以得到泥粉占比的推定值。图6为本发明 某实施例APP预测结果图。 [0095] 正如上述介绍，依据检测到的MB值与机制砂筛分试验结果中0.075mm以下粉体占 比数据，采用本发明，可以推定出该机制砂中0.075mm以下粉体中泥粉占比。泥粉占比确定 后，再结合机制砂质量，通过简单换算即可得到泥粉含量。机制砂中泥粉占比和含量知晓 后，即可为混凝土材料组成设计和工作性能调整预案提供重要依据。 [0096] 本发明基于MATLAB平台，采用Elman神经网络开发出定量推定机制砂中泥粉含量 的方法。该方法具有以下特点：1、Elman神经网络是典型的动态递归神经网络，其具有较优 的学习能力，可以用来解决快速寻优、拟合、回归预测等问题；2、所用麻雀搜寻算法 (Sparrow SearchAlgorithm,SSA)是新型群智能优化算法，具有寻优能力强，收敛速度快的 特点；3、通过具有高收敛性和较好的局部搜索能力的麻雀搜索算法对其初始权值和阈值优 化，通过寻找最佳隐含层，使其预测结果更加精准，从而达到定量推定机制砂中泥粉含量目 的。 [0097] 最后需要说明的是，本发明的上述实施例仅是为说明本发明所作的举例，而并非 是对本发明实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还 可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本 发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。 10 10 CN 116343938 A 说明书附图 1/5页 图1 图2 11 11 CN 116343938 A 说明书附图 2/5页 图3 图4 12 12 CN 116343938 A 说明书附图 3/5页 图5 图6 13 13 CN 116343938 A 说明书附图 4/5页 图7 14 14 CN 116343938 A 说明书附图 5/5页 图8 15 15

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

　　2023年全国事业单位招考（207人）笔试《行政职业能力测验》模拟试卷（答案详解版）.docx

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者