La présente invention concerne les domaines de la science des matériaux et de l'informatique, et en particulier un modèle pour prédire les propriétés du clinker de ciment sur la base de l'apprentissage profond et son application.The present invention relates to the fields of materials science and computer science, and in particular to a model for predicting the properties of cement clinker based on deep learning and its application.
Le ciment est un matériau de base de l'industrie de la construction dans notre pays, ses propriétés déterminent directement la qualité et la durée de vie de la construction d'ingénierie. Le clinker de ciment sert de composant clé du ciment, ses propriétés de gélification affectent non seulement directement la quantité de matériau de mélange, mais déterminent également le développement des propriétés du béton de ciment final. Cependant, en tant qu'indicateur de propriété mécanique le plus critique du clinker de ciment, la résistance à la compression à 28 jours est également le principal fondement de mesure de la classe du ciment dans la norme nationale en vigueur sur le ciment Portland, et il faut au moins 28 jours pour la mesurer et déterminer. Cette méthode de détection à long cycle et à grand décalage de temps réduit non seulement l'efficacité de la production et de l'application d'ingénierie, augmente l'incertitude et le risque dans la construction d'ingénierie, mais rend également plus difficile le contrôle de la qualité des matières premières dans la construction d'ingénierie.Cement is a basic material in the construction industry in our country, and its properties directly determine the quality and service life of engineering construction. Cement clinker serves as a key component of cement, and its gelling properties not only directly affect the amount of mixing material, but also determine the development of the properties of the final cement concrete. However, as the most critical mechanical property indicator of cement clinker, the 28-day compressive strength is also the main measurement basis for cement grade in the current national Portland cement standard, and it takes at least 28 days to measure and determine. This long-cycle and large time lag detection method not only reduces the efficiency of engineering production and application, increases the uncertainty and risk in engineering construction, but also makes it more difficult to control the quality of raw materials in engineering construction.
Les chercheurs nationaux et étrangers ont mené de nombreuses recherches sur les méthodes de détermination rapide des propriétés du clinker de ciment, mais aucun résultat fiable n'a été obtenu. Depuis les années 1980, le domaine de la science des matériaux a fixé une grande attention sur la prédiction des propriétés du ciment par des méthodes mathématiques, et de nombreuses études ont utilisé des statistiques mathématiques pour établir des méthodes de formules empiriques afin de prédire les propriétés du clinker de ciment. Par exemple, la méthode statistique traditionnelle de régression linéaire unitaire ou multiple a été adoptée pour simplifier la relation non linéaire entre les propriétés du ciment et chaque valeur de détection en une relation fonctionnelle linéaire. Cependant, en raison de la complexité et de la multidimensionnalité des facteurs affectant les propriétés du clinker, ainsi que de la limitation de la quantité de données et des techniques d'analyse, il était difficile d'obtenir les résultats idéaux. Avec l'arrivée de l'ère de l'information du quatrième paradigme, les méthodes d'apprentissage automatique émergent rapidement, favorisant le changement de mode de recherche et de développement des matériaux, qui passe de « l'expérience + l'essai et l'erreur » à un mode « axé sur les données ». Les recherches existantes utilisent des méthodes d'apprentissage automatique pour établir un modèle complexe multidimensionnel entre la composition du matériau, le processus et la performance, ce qui permet de prédire avec précision la composition, la structure, l'organisation et la performance du matériau. Néanmoins, comme le modèle dépend fortement de la stabilité des paramètres du processus, il a tendance à avoir une faible capacité de généralisation, ce qui entraîne que la prédiction des propriétés s'écarte sévèrement de la réalité lorsque les paramètres inconnus du processus fluctuent ou même lorsque les conditions de travail changent complètement.Researchers at home and abroad have conducted extensive research on methods for rapidly determining cement clinker properties, but no reliable results have been obtained. Since the 1980s, the field of materials science has focused great attention on predicting cement properties using mathematical methods, and many studies have used mathematical statistics to establish empirical formula methods to predict cement clinker properties. For example, the traditional statistical method of unitary or multiple linear regression was adopted to simplify the nonlinear relationship between cement properties and each detection value into a linear functional relationship. However, due to the complexity and multidimensionality of factors affecting clinker properties, as well as the limitation of data amount and analysis techniques, it was difficult to obtain ideal results. With the arrival of the fourth paradigm information age, machine learning methods are rapidly emerging, promoting the change of materials research and development mode from "experience + trial and error" to "data-driven". Existing research uses machine learning methods to establish a complex multidimensional model between material composition, process, and performance, which can accurately predict the composition, structure, organization, and performance of the material. However, because the model is highly dependent on the stability of process parameters, it tends to have poor generalization ability, resulting in property prediction severely deviating from reality when unknown process parameters fluctuate or even when working conditions change completely.
Exposé de l'invention :Description of the invention:
L'invention fournit un modèle pour prédire les propriétés du clinker de ciment sur la base de l'apprentissage profond et son application, qui adopte des données de signal brutes, telles que les données de diffraction XRD, qui contiennent des informations sur la composition et la structure du matériau, pour les transformer et les utiliser comme données d'entrée afin de construire un modèle de prédiction des propriétés du clinker de ciment et de réaliser une prédiction rapide et précise des propriétés du clinker de ciment.The invention provides a model for predicting cement clinker properties based on deep learning and its application, which adopts raw signal data, such as XRD diffraction data, which contains information on the composition and structure of the material, to transform and use them as input data to construct a cement clinker property prediction model and realize rapid and accurate prediction of cement clinker properties.
Le plan technique de l’invention est le suivant : un modèle pour prédire les propriétés du clinker de ciment sur la base de l'apprentissage profond, comprenant les étapes suivantes :The technical outline of the invention is as follows: a model for predicting the properties of cement clinker based on deep learning, comprising the following steps:
S1. Préparation des données : recueillir les données de diffraction XRD d'un grand nombre d'échantillons de clinker de ciment, y compris les angles de balayage et les intensités de pic correspondantes, et, en même temps, recueillir les résistances des échantillons de clinker de ciment ;S1. Data preparation: Collect XRD diffraction data of a large number of cement clinker samples, including scanning angles and corresponding peak intensities, and at the same time collect the strengths of the cement clinker samples;
S2. Prétraitement des données : normaliser les données de diffraction XRD et les transformer ensuite en une forme matricielle bidimensionnelle ;
S2. Data preprocessing: normalize the XRD diffraction data and then transform it into a two-dimensional matrix form;
S3. Construction du modèle : pour les données transformées et traitées sur la composition et les propriétés de résistance des échantillons, un modèle de réseau neuronal profond est adopté pour leur apprentissage et leur entraînement, et leur calcul des poids est effectué par multiplication vectorielle (produit de points), de manière à construire un modèle de prédiction des propriétés du ciment. À l'étape S1, la surface spécifique dudit échantillon de clinker de ciment est contrôlée à ±50m2/kg ;
S3. Model construction: For the transformed and processed data on the composition and strength properties of the samples, a deep neural network model is adopted for their learning and training, and their weight calculation is performed by vector multiplication (point product), so as to construct a cement property prediction model. In step S1, the specific surface area of said cement clinker sample is controlled within ±50m2 /kg;
Le diffractomètre XRD est étalonné à l'aide d'un étalon externe, les pics de l'angle de balayage étant compris entre ±0,0025° et ±0,0125° de sa valeur standard, et ledit étalon externe est l'oxyde d'aluminium et l'oxyde de silicium.The XRD diffractometer is calibrated using an external standard, with the scanning angle peaks being within ±0.0025° to ±0.0125° of its standard value, and said external standard is aluminum oxide and silicon oxide.
À l'étape S1, pour les données avec moins de 500 groupes d'échantillons, il est demandé que le pic le plus fort des pics de diffraction XRD des échantillons testés n’est pas inférieur à 10 000 points de comptage.In step S1, for data with less than 500 sample groups, it is required that the strongest peak of the XRD diffraction peaks of the tested samples is not less than 10,000 counting points.
Une vitesse de balayage de 0,01~0,02°/step et de 0,01s/step~100s/step est adoptée pour effectuer le test XRD des échantillons.A scanning speed of 0.01~0.02°/step and 0.01s/step~100s/step is adopted to perform XRD test of samples.
À l'étape S2, les données collectées sont nettoyées et prétraitées pour éliminer les données contenant des valeurs manquantes ou des valeurs anormales évidentes ;In step S2, the collected data are cleaned and preprocessed to eliminate data containing missing values or obvious abnormal values;
En même temps, les données de diffraction XRD sont normalisées avec l'intensité du pic de diffraction le plus fort comme 100, et les données sont segmentées et transformées par convolution pour former une matrice.At the same time, the XRD diffraction data are normalized with the intensity of the strongest diffraction peak as 100, and the data are segmented and transformed by convolution to form a matrix.
À l'étape S3, le modèle de réseau neuronal profond est un réseau neuronal convolutif (CNN) ou un réseau neuronal récurrent (RNN).In step S3, the deep neural network model is a convolutional neural network (CNN) or a recurrent neural network (RNN).
Il comprend également l’étape S4, Évaluation du modèle : effectuer l'évaluation du modèle prédictif à l'aide d'indicateurs d'évaluation ;It also includes step S4, Model Evaluation: perform the evaluation of the predictive model using evaluation indicators;
À l'étape S4, lesdites indicateurs d'évaluation sont l'erreur absolue moyenne en pourcentage (MAPE) et l'erreur quadratique moyenne (RMSE).In step S4, said evaluation indicators are the mean absolute percentage error (MAPE) and the root mean square error (RMSE).
Les exigences de prédiction sont satisfaites lorsque l'erreur absolue moyenne en pourcentage est < 1,5 et que l'erreur quadratique moyenne est < 1,5.The prediction requirements are met when the mean absolute percentage error is < 1.5 and the root mean square error is < 1.5.
L'étape S1 comprend en outre la collecte de la taille des particules et du volume dans la plage de l'échantillon de clinker de cimentStep S1 further includes collecting particle size and volume in the range of the cement clinker sample
L'étape S2 consiste en outre en l’ajout des informations relatives à la taille des particules au volume dans la plage.Step S2 further consists of adding the particle size information to the volume in the range.
L’application d'un modèle pour prédire les propriétés du clinker de ciment sur la base de l'apprentissage profond, appliquant un modèle de prédiction bien entraîné à une tâche de prédiction réelle, en entrant des données de diffraction XRD d'un échantillon de clinker inconnu pour prédire les propriétés du clinker de ciment.Application of a model to predict cement clinker properties based on deep learning, applying a well-trained prediction model to a real prediction task, by inputting XRD diffraction data of an unknown clinker sample to predict the properties of cement clinker.
L'invention combine les données de diffraction XRD pour construire un modèle de prédiction des propriétés du ciment, et applique le modèle développé pour réaliser une prédiction rapide et précise des propriétés du ciment.The invention combines XRD diffraction data to construct a cement property prediction model, and applies the developed model to achieve rapid and accurate prediction of cement properties.
L'invention présente les avantages suivants :The invention has the following advantages:
1. Prédiction rapide : l'utilisation du modèle d'apprentissage profond permet de réaliser une prédiction rapide de la résistance à la compression à 28 jours du clinker, de sorte à réduire considérablement le temps nécessaire aux méthodes de test expérimentales traditionnelles.1. Fast prediction: The use of deep learning model can achieve fast prediction of clinker's 28-day compressive strength, so as to greatly reduce the time required by traditional experimental testing methods.
2. Haute précision : en construisant un modèle d'apprentissage profond basé sur les données des paramètres des propriétés intrinsèques du matériau, il est possible de réaliser une prédiction précise de la résistance du clinker et de réduire l'erreur de prédiction.2. High accuracy: By building a deep learning model based on the material intrinsic property parameter data, it is possible to achieve accurate prediction of clinker strength and reduce the prediction error.
3. Réduction des coûts : cette approche peut réduire les matériaux, l'équipement et le temps requis par rapport aux essais physiques traditionnels, baissant ainsi les coûts.3. Cost Reduction: This approach can reduce the materials, equipment and time required compared to traditional physical testing, thus lowering costs.
4. Large applicabilité : cette méthode peut être appliquée non seulement à des matériaux ou produits spécifiques, mais elle peut également être étendue à la prédiction de la résistance d'autres types de matériaux ou produits, ce qui offre une forte large applicabilité.4. Wide applicability: This method can be applied not only to specific materials or products, but also can be extended to the strength prediction of other types of materials or products, which provides strong wide applicability.
5. Intégration de plus de caractéristiques : outre les données issues de la technique de diffraction XRD, plus de caractéristiques supplémentaires, telles que la finesse, peuvent être ajoutées, ce qui fournit une possibilité pour obtenir des prévisions de résistance plus complètes et plus précises.5. Integration of more features: Besides the data from XRD diffraction technique, more additional features, such as fineness, can be added, which provides a possibility to obtain more comprehensive and accurate strength predictions.
6. Automatisation et numérisation : cette méthode fournit un soutien technique pour réaliser l'automatisation et la numérisation de la prédiction de la résistance du clinker, ce qui est conforme aux tendances de la fabrication intelligente moderne et de l'industrie 4,0.6. Automation and digitalization: This method provides technical support to realize the automation and digitalization of clinker strength prediction, which is in line with the trends of modern intelligent manufacturing and Industry 4.0.
La
There
La
L'invention s’agit, comme illustré à la
The invention is, as illustrated in the
S1. Préparation des données : recueillir les données de diffraction XRD d'un grand nombre d'échantillons de clinker de ciment, y compris les angles de balayage (2θ) et les intensités de pic correspondantes (I), entre autres, pour les données avec moins de 500 groupes d'échantillons, il est demandé que le pic le plus fort des pics de diffraction XRD des échantillons testés n’est pas inférieur à 10 000 points de comptage. Parallèlement, collecter les performances mesurées de ces échantillons de clinker pour servir de données de la fonction objective.S1. Data preparation: Collect XRD diffraction data of a large number of cement clinker samples, including scanning angles (2θ) and corresponding peak intensities (I), among others, for data with less than 500 sample groups, it is required that the strongest peak of the XRD diffraction peaks of the tested samples is not less than 10,000 counting points. At the same time, collect the measured performances of these clinker samples to serve as the objective function data.
Recueillir une grande quantité d'échantillons de poudre de clinker de ciment (par exemple clinker de ciment Portland) dont la surface spécifique est contrôlée à ±50m2/kg.Collect a large quantity of cement clinker powder samples (e.g. Portland cement clinker) with a specific surface area controlled to ±50m2 /kg.
Le diffractomètre XRD est étalonné à l'aide d'étalons externes tels que l'alumine et l'oxyde de silicium, et la position du pic 2θ (Cu Kα) est comprise entre ±0,0025° et ±0,0125° de sa valeur standard.The XRD diffractometer is calibrated using external standards such as alumina and silicon oxide, and the position of the 2θ (Cu Kα) peak is within ±0.0025° to ±0.0125° of its standard value.
L'unification des étalons et l'uniformité des variables dans l'environnement expérimental sont assurées en contrôlant l'ajustement de la surface spécifique et l'étalonnage du diffractomètre.Unification of standards and uniformity of variables in the experimental environment are ensured by controlling the adjustment of the specific surface area and the calibration of the diffractometer.
Une vitesse de balayage de 0,01~0,02°/step et de 0,01s/step~100s/step est adoptée pour effectuer le test XRD des échantillons, le temps de séjour de chaque pas devant être tel que le point de comptage le plus fort des pics de diffraction de l’atlas XRD n’est pas inférieur à 10 000 points de comptage.A scanning speed of 0.01~0.02°/step and 0.01s/step~100s/step is adopted to carry out XRD test of the samples, the dwell time of each step should be such that the strongest counting point of diffraction peaks in the XRD atlas is not less than 10,000 counting points.
L’invention exige que, pour les données avec moins de 500 groupes d'échantillons, le pic le plus fort des pics de diffraction XRD n’est pas inférieur à 10 000 points de comptage. Ainsi : 1. Amélioration du rapport signal/bruit ; assurer un nombre suffisant de points de comptage, ce qui permet d'élever le rapport entre le signal et le bruit, de manière à obtenir un atlas de diffraction plus clair et plus fiable. 2. Uniformité des données ; en fixant une limite inférieure de points de comptage, il est possible d'assurer que les données sont comparables entre différents échantillons, en particulier lors des analyses quantitatives. 3. Eviter les erreurs ; des points de comptage élevés peuvent réduire les erreurs introduites par l'instrumentation, la préparation des échantillons ou d'autres conditions expérimentales. 4. Optimiser l'analyse des données ; un nombre suffisant de points de comptage peut aider à déterminer la position, la largeur et l'intensité des pics avec plus de précision au cours des phases ultérieures de traitement et d'analyse des données, améliorant ainsi la précision de l'analyse.The invention requires that, for data with less than 500 sample groups, the strongest peak of the XRD diffraction peaks is not less than 10,000 counting points. Thus: 1. Improved signal-to-noise ratio; ensure a sufficient number of counting points, thereby raising the signal-to-noise ratio, so as to obtain a clearer and more reliable diffraction atlas. 2. Data uniformity; by setting a lower limit of counting points, it is possible to ensure that data are comparable between different samples, especially in quantitative analyses. 3. Avoid errors; high counting points can reduce errors introduced by instrumentation, sample preparation, or other experimental conditions. 4. Optimize data analysis; A sufficient number of counting points can help determine the position, width, and intensity of peaks more accurately during subsequent phases of data processing and analysis, thereby improving the accuracy of the analysis.
Ces exigences visent à garantir que les données XRD collectées sont de haute qualité et se prêtent à une analyse et à une recherche approfondies.These requirements are intended to ensure that the XRD data collected is of high quality and suitable for in-depth analysis and research.
Dans le même temps, les données de performance de résistance à 28 jours des échantillons de clinker sont testées ou collectées, de sorte à obtenir des données sur l'angle de balayage (2θ) et l'intensité des pics (I) des échantillons de clinker, ainsi que des données sur la performance de résistance.At the same time, the 28-day strength performance data of the clinker samples are tested or collected, so as to obtain scanning angle (2θ) and peak intensity (I) data of the clinker samples, as well as strength performance data.
S2. Prétraitement des données : Lorsque le nombre d'échantillons est inférieur à 1 000, les données de diffraction XRD sont normalisées puis transformées en une forme matricielle bidimensionnelle. Objectif principal de la normalisation : éliminer l'influence des données provenant de différentes sources en raison des différences de mesure ou d'instrumentation et de conditions de test. Lorsque le nombre d'échantillons est supérieur à 1 000, le traitement de normalisation peut ne pas être effectué.S2. Data preprocessing: When the number of samples is less than 1000, the XRD diffraction data are normalized and then transformed into a two-dimensional matrix form. The main purpose of normalization: to eliminate the influence of data from different sources due to differences in measurement or instrumentation and test conditions. When the number of samples is more than 1000, normalization processing may not be performed.
Les données collectées sont nettoyées et prétraitées pour éliminer les données contenant des valeurs manquantes ou des valeurs anormales évidentes. En même temps, les données de diffraction à d'autres angles de balayage (2θ) sont normalisées avec l'intensité du pic de diffraction le plus fort comme 100, et les données sont segmentées et transformées par convolution pour former une matrice.The collected data are cleaned and preprocessed to eliminate data containing missing values or obvious abnormal values. At the same time, the diffraction data at other scanning angles (2θ) are normalized with the intensity of the strongest diffraction peak as 100, and the data are segmented and transformed by convolution to form a matrix.
L'intensité du pic de diffraction le plus fort est fixée à 100 afin de normaliser les données et de simplifier le traitement ultérieur des données. L'utilisation de 100 comme référence permet de faire en sorte que les intensités des autres pics soient toutes des valeurs relatives par rapport aux pics les plus forts, ce qui aide à comparer et à identifier les caractéristiques de chaque pic. La méthode de normalisation contribue à maintenir l’uniformité et la précision du traitement des données.The intensity of the strongest diffraction peak is set to 100 to normalize the data and simplify further data processing. Using 100 as a reference ensures that the intensities of other peaks are all relative values to the strongest peaks, which helps compare and identify the characteristics of each peak. The normalization method helps maintain the consistency and accuracy of data processing.
Une série de transformations et de traitements doit être effectuée avant l’entrée des données. L'entrée du modèle est un vecteur de séquence unidimensionnel et, afin d'injecter des informations de position dans la séquence, les données relatives à l'angle de balayage (2θ) sont combinées avec les intensités de pic correspondantes (I) pour former une matrice. En outre, dans l'exemple 2, l'information sur la finesse est assemblée dans la matrice originale d'une manière similaire afin d'améliorer la capacité prédictive du modèle.A series of transformations and processing must be performed before data input. The input to the model is a one-dimensional sequence vector, and in order to inject positional information into the sequence, the scan angle (2θ) data is combined with the corresponding peak intensities (I) to form a matrix. Furthermore, in Example 2, the finesse information is assembled into the original matrix in a similar manner to improve the predictive ability of the model.
En utilisant un mode de l’entrée d’une matrice de données multidimensionnelle, l’invention permet non seulement d'économiser des ressources et du temps de calcul, mais aussi de conserver l'intégrité des données. Si l’atlas de diffraction complet est directement entré, cela pourrait entraîner des calculs considérables et prendra beaucoup de temps. De plus, l’entrée des seules informations de diffraction des phases minérales clés pourrait ignorer certaines informations importantes sur les grains, ce qui affectera la précision de la prédiction.By using a multidimensional data matrix input mode, the invention not only saves resources and computational time, but also maintains data integrity. If the complete diffraction atlas is directly input, it could result in considerable computational effort and will be time-consuming. In addition, inputting only the diffraction information of key mineral phases could ignore some important grain information, which will affect the prediction accuracy.
Par conséquent, l’utilisation de cette méthode de traitement des données permet non seulement de réduire efficacement la charge de calcul, mais aussi de maintenir une intégrité suffisante des données afin d’améliorer la précision de la prédiction.Therefore, using this data processing method not only effectively reduces the computational load, but also maintains sufficient data integrity to improve prediction accuracy.
S3. Construction du modèle :S3. Model construction:
Un modèle de réseau neuronal profond, tel qu'un réseau neuronal convolutif (CNN) ou un réseau neuronal récurrent (RNN), est utilisé pour apprendre et former les données transformées et traitées sur la relation entre la composition et les propriétés des échantillons, afin de construire un modèle pour la prédiction des propriétés du ciment.A deep neural network model, such as a convolutional neural network (CNN) or a recurrent neural network (RNN), is used to learn and train the transformed and processed data on the relationship between the composition and properties of the samples, in order to build a model for the prediction of cement properties.
S4. Évaluation du modèle : Le modèle de prédiction est évalué à l'aide d'indicateurs d'évaluation tels que l'erreur absolue moyenne en pourcentage (MAPE) ou l'erreur quadratique moyenne (RMSE), plus l'erreur est petite, mieux c'est. En général, lorsque MAPE est < 1,5 et que RMSE est < 1,5, le modèle peut être appliqué au processus de production réel, et cela garantit que le modèle présente une précision et une capacité de généralisation assez élevées.S4. Model evaluation: The prediction model is evaluated using evaluation indicators such as mean absolute percentage error (MAPE) or root mean square error (RMSE), the smaller the error, the better. Generally, when MAPE is < 1.5 and RMSE is < 1.5, the model can be applied to the actual production process, and this ensures that the model has fairly high accuracy and generalization ability.
La prise en compte de l'effet de la finesse de l'échantillon de clinker sur sa résistance rend la prédiction plus précise. L'étape S1 comprend en outre la collecte de la taille des particules et du volume dans la plage de l'échantillon de clinker de ciment.Considering the effect of clinker sample fineness on its strength makes the prediction more accurate. Step S1 further includes collecting particle size and volume within the range of the cement clinker sample.
L'étape S2 consiste en outre en l’ajout des informations relatives à la taille des particules au volume dans la plage, de sorte à obtenir une nouvelle matrice.Step S2 further consists of adding the particle size information to the volume in the range, so as to obtain a new matrix.
L’application d'un modèle pour prédire les propriétés du clinker de ciment sur la base de l'apprentissage profond, appliquant un modèle de prédiction bien entraîné à une tâche de prédiction réelle, en entrant des données de diffraction XRD d'un échantillon de clinker inconnu pour prédire les propriétés du clinker de ciment.Application of a model to predict cement clinker properties based on deep learning, applying a well-trained prediction model to a real prediction task, by inputting XRD diffraction data of an unknown clinker sample to predict the properties of cement clinker.
Dans l'application spécifique,In the specific application,
Plus de 600 échantillons de poudre de clinker de ciment Portland provenant de près de 10 cimenteries nationales ont été collectés avec une surface spécifique contrôlée à 350m2/kg. Le diffractomètre XRD a été étalonné à l'aide d'étalons externes tels que l'alumine et l'oxyde de silicium, et la position du pic 2θ (Cu Kα) se situait à 0,01° de sa valeur standard. Une vitesse de balayage de 0,01~0,02°/step et de 0,01s/step~100s/step a été adoptée pour effectuer le test XRD des échantillons, le temps de séjour de chaque pas devant être tel que le point de comptage le plus fort des pics de diffraction de l’atlas XRD n’était pas inférieur à 10 000 points de comptage. En même temps, les données de performance de résistance à 28 jours de ces échantillons de clinker ont été testées ou collectées, et les données relatives à l'angle de balayage (2θ) et à l'intensité des pics (I), ainsi que les données de performance de résistance de 602 groupes d'échantillons de clinker ont été obtenues.More than 600 samples of Portland cement clinker powder from nearly 10 domestic cement plants were collected with a specific surface area controlled at 350m2 /kg. The XRD diffractometer was calibrated using external standards such as alumina and silicon oxide, and the position of the 2θ (Cu Kα) peak was within 0.01° of its standard value. A scanning speed of 0.01~0.02°/step and 0.01s/step~100s/step was adopted to conduct the XRD test of the samples, with the residence time of each step being such that the strongest counting point of the diffraction peaks in the XRD atlas was not less than 10,000 counting points. At the same time, the 28-day strength performance data of these clinker samples were tested or collected, and the scanning angle (2θ) and peak intensity (I) data, as well as the strength performance data of 602 groups of clinker samples were obtained.
Les données collectées ont été nettoyées et prétraitées pour éliminer les données contenant des valeurs manquantes ou des valeurs anormales évidentes. En même temps, les données de diffraction XRD ont été normalisées avec l'intensité du pic de diffraction le plus fort d'environ 2θ = 32,235 comme 100, et les données ont été segmentées et transformées par convolution pour former une matrice de 7285x128.The collected data were cleaned and preprocessed to eliminate data containing missing values or obvious abnormal values. At the same time, the XRD diffraction data were normalized with the intensity of the strongest diffraction peak of about 2θ = 32.235 as 100, and the data were segmented and transformed by convolution to form a 7285x128 matrix.
Les données ont été divisées en un ensemble d'entraînement et un ensemble de test dans un rapport de 7:3, et transformer a été utilisé pour construire le modèle de prédiction des propriétés du ciment.The data were divided into a training set and a test set in a ratio of 7:3, and transform was used to build the cement property prediction model.
Les éléments suivants ont été inclus : La projection des données XRD dans un espace à haute dimension pour améliorer la capacité de caractérisation du modèle et réduire la redondance des données par le biais d'un sous-échantillonnage. La construction d'un graphe entièrement connecté sur l'espace séquentiel unidimensionnel d'origine, où chaque position angulaire est un nœud. Les nœuds sont interconnectés et les relations entre les nœuds sont représentées par des bords pondérés, les poids sont calculés par multiplication vectorielle (produit point) pour obtenir la matrice d'adjacence, les informations d'intégration globale seront comprimées dans un scalaire unidimensionnel par un décodeur. Le décodeur contient plusieurs couches convolutives unidimensionnelles pour compresser progressivement les données de haute dimension à une seule dimension, et pour mapper finalement les valeurs de sortie sont mappées dans la plage de 48 à 72.The following were included: Projecting XRD data into a high-dimensional space to improve the model characterization capability and reduce data redundancy through downsampling. Constructing a fully connected graph on the original one-dimensional sequential space, where each angular position is a node. The nodes are interconnected and the relationships between nodes are represented by weighted edges, the weights are calculated by vector multiplication (dot product) to obtain the adjacency matrix, the global embedding information will be compressed into a one-dimensional scalar by a decoder. The decoder contains multiple one-dimensional convolutional layers to gradually compress the high-dimensional data to a single dimension, and to finally map the output values are mapped in the range of 48 to 72.
Le modèle prédictif construit a été évalué sur l'ensemble d'entraînement. En général, lorsque le critère d'évaluation du modèle est que le MAPE est inférieur à 1,5 MPA et que le RMSE est inférieur à 1,5 MPa, ce qui indique que le modèle de prédiction a le potentiel d'être appliqué à des processus de production réels et garantit sa grande précision et sa capacité de généralisation.The constructed predictive model was evaluated on the training set. Generally, when the model evaluation criterion is that the MAPE is less than 1.5 MPa and the RMSE is less than 1.5 MPa, which indicates that the prediction model has the potential to be applied to real production processes and ensures its high accuracy and generalization ability.
Pour le modèle de prédiction actuel, sa valeur MAPE sur l'ensemble d'entraînement est de 0,00021 MPA et RMSE de 0,0016 MPa. En synthétisant ces indicateurs d'évaluation, le modèle de prédiction répond aux exigences standard des applications de production et démontre une excellente capacité de prédiction.For the current prediction model, its MAPE value on the training set is 0.00021 MPa and RMSE is 0.0016 MPa. By synthesizing these evaluation indicators, the prediction model meets the standard requirements of production applications and demonstrates excellent prediction ability.
Après une série d'entraînements, le modèle de prédiction a été déployé avec succès dans un environnement de détection réel. Lors de l’entrée de nouvelles données d'échantillon de clinker, le modèle de prédiction est en mesure de produire la valeur prédictive de résistance du clinker correspondante. Actuellement, l'erreur de prédiction a été contrôlée dans la plage de 0,65 MPA, ce qui indique que le modèle de prédiction a une précision de prédiction relativement élevée.After a series of trainings, the prediction model was successfully deployed in a real detection environment. When new clinker sample data is input, the prediction model is able to output the corresponding clinker strength predictive value. Currently, the prediction error has been controlled within the range of 0.65 MPA, indicating that the prediction model has a relatively high prediction accuracy.
La performance de prédiction du modèle de prédiction dans les applications pratiques nécessite une surveillance et une maintenance continues. Pendant le fonctionnement du modèle, il faut non seulement se concentrer sur les résultats de la prédiction, mais aussi les comparer aux valeurs de résistance réelles pour évaluer leur précision.The prediction performance of the prediction model in practical applications requires continuous monitoring and maintenance. During model operation, one should not only focus on the prediction results, but also compare them with actual resistance values to assess their accuracy.
Afin d'optimiser davantage la capacité prédictive du modèle, ses résultats de la prédiction ainsi que les valeurs de résistance réelles correspondantes seront régulièrement collectés au cours de l'application réelle. La comparaison de ces données contribuera à identifier les écarts potentiels du modèle et à procéder aux ajustements nécessaires des paramètres ou de la structure en conséquence. Ce mécanisme de rétroaction et d'optimisation en continu contribuera à garantir la stabilité et la précision de la prédiction du modèle dans les applications à long terme.To further optimize the model's predictive capability, its prediction results along with the corresponding actual resistance values will be regularly collected during actual application. Comparing these data will help identify potential model deviations and make necessary parameter or structure adjustments accordingly. This continuous feedback and optimization mechanism will help ensure the stability and accuracy of the model's prediction in long-term applications.
Les étapes ci-dessus permettent de réaliser une prédiction rapide et précise de la résistance du clinker de ciment, ce qui améliore l'efficacité de la production et réduit également les coûts de production.The above steps can achieve rapid and accurate prediction of cement clinker strength, which improves production efficiency and also reduces production costs.
La description détaillée de l’invention peut être ajustée et optimisée en fonction des besoins réels, par exemple en améliorant l'algorithme, en élargissant l'ensemble de données, etc. afin d'améliorer la précision et la praticité de la prédiction.The detailed description of the invention can be adjusted and optimized according to actual needs, for example, by improving the algorithm, expanding the data set, etc. to improve the accuracy and practicality of prediction.
L'invention fournit aux entreprises de production de clinker une méthode de prédiction de la résistance rapide, précise, intelligente et indépendante des variations de processus, contribuant à améliorer le niveau de contrôle de la qualité du clinker et à réduire les coûts de production.The invention provides clinker production enterprises with a fast, accurate, intelligent and process variation-independent strength prediction method, helping to improve the level of clinker quality control and reduce production costs.
Exemple 2Example 2
Plus de 500 échantillons de poudre de clinker de ciment Portland et leurs distributions granulométriques correspondantes ont été collectés auprès de près de sept cimenteries nationales. Le diffractomètre XRD a été étalonné à l'aide d'étalons externes tels que l'alumine et l'oxyde de silicium, et la position du pic 2θ (Cu Kα) se situait à 0,01° de sa valeur standard. D'une part, une vitesse de balayage de 0,01~0,02°/step et de 0,01s/step~100s/step a été utilisée pour effectuer des tests XRD sur les échantillons, le temps de séjour de chaque pas devant être tel que le point de comptage le plus fort des pics de diffraction de l’atlas XRD XRD n’était pas inférieur à 10 000 points de comptage. D'autre part, les échantillons ont été testés pour l'analyse granulométrique à l'aide de l'Hydro 2000MU(A), en utilisant de l'alcool comme dispersant, la plage d'analyse étant de 0,020-2000 (μm).Et les données de performance de résistance à 28 jours de ces échantillons de clinker ont été testées ou collectées, et les données d'angle de balayage (2θ) et d'intensité de pic (I), les données de taille de particules (μm) et de volume dans la plage (%), et les données de performance de résistance ont été obtenues pour 712 groupes d'échantillons de clinker.More than 500 Portland cement clinker powder samples and their corresponding particle size distributions were collected from nearly seven domestic cement plants. The XRD diffractometer was calibrated using external standards such as alumina and silicon oxide, and the position of the 2θ (Cu Kα) peak was within 0.01° of its standard value. On the one hand, a scanning speed of 0.01~0.02°/step and 0.01s/step~100s/step was used to conduct XRD tests on the samples, with the residence time of each step being such that the strongest counting point of the diffraction peaks in the XRD atlas was not less than 10,000 counting points. On the other hand, the samples were tested for particle size analysis using Hydro 2000MU(A), using alcohol as dispersant, the analysis range was 0.020-2000 (μm).And the 28-day strength performance data of these clinker samples were tested or collected, and the scanning angle (2θ) and peak intensity (I) data, particle size (μm) and volume data within the range (%), and strength performance data were obtained for 712 groups of clinker samples.
Les données collectées ont été nettoyées et prétraitées pour éliminer les données contenant des valeurs manquantes ou des valeurs anormales évidentes. Les données collectées ont été divisées en un ensemble d'entraînement et un ensemble de test dans un rapport de 8:2, et l'ensemble d'entraînement a été utilisé pour entraîner le modèle de prédiction.The collected data were cleaned and preprocessed to remove data containing missing values or obvious abnormal values. The collected data were divided into a training set and a test set in a ratio of 8:2, and the training set was used to train the prediction model.
Sur la base de l'exemple 1, une séquence de 106 dimensions de distributions de tailles de particules a été ajoutée pour être connectée à la séquence d'origine et, de même, pour incorporer les informations sur la taille des particules dans la séquence, les informations sur la taille des particules (μm) ont été ajoutées au volume dans la plage (%), de sorte à obtenir une matrice de (7285+106)x2 dimensions. Sur la base de cette dimension renforcée, un modèle CNN a été utilisé pour construire un modèle de prédiction des propriétés du ciment en effectuant des calculs de poids par multiplication vectorielle (produit de points).Based on Example 1, a 106-dimensional sequence of particle size distributions was added to connect to the original sequence, and similarly, to incorporate the particle size information into the sequence, the particle size information (μm) was added to the volume in the range (%), so that a matrix of (7285+106)x2 dimensions was obtained. Based on this enhanced dimension, a CNN model was used to build a cement property prediction model by performing weight calculations through vector multiplication (dot product).
Au cours de la phase d'évaluation du modèle, l'erreur quadratique moyenne (RMSE) sur l'ensemble d'entraînement n'était que de 0,0005 MPa, ce qui montre que l'effet d’ajustement du modèle sur l'ensemble d'entraînement est remarquable. Tandis que sur l'ensemble de test, le modèle montre également d'excellentes performances de prédiction avec une erreur de prédiction de 0,54 MPa, cette erreur étant bien inférieure au seuil standard de 1,5 MPa, indiquant que le modèle a le potentiel d'application dans la production réelle.During the model evaluation phase, the root mean square error (RMSE) on the training set was only 0.0005 MPa, which shows that the model's fitting effect on the training set is remarkable. While on the test set, the model also shows excellent prediction performance with a prediction error of 0.54 MPa, which is well below the standard threshold of 1.5 MPa, indicating that the model has the potential for application in real production.
Sur la base des résultats d'évaluation ci-dessus, le modèle est prêt à être déployé dans un environnement de détection réel. Lorsque de nouvelles données d'échantillon de clinker sont entrées dans un environnement réel, le modèle est capable de produire rapidement la valeur de prédiction de la résistance du clinker, et l'erreur de prédiction peut être contrôlée à moins de 0,6 MPa, ce qui fournit un support technique fiable pour la prise de décision en matière de production.Based on the above evaluation results, the model is ready to be deployed in a real detection environment. When new clinker sample data is input into a real environment, the model is able to quickly output the clinker strength prediction value, and the prediction error can be controlled within 0.6 MPa, which provides reliable technical support for production decision-making.
Sur la base de l'exemple 1, l'influence de la finesse de l'échantillon de clinker sur sa résistance est prise en compte, ce qui rend la prédiction plus précise. La finesse servant de paramètre de processus important, son ajout fournit des informations plus riches au modèle d'apprentissage profond, ce qui permet peut-être d'améliorer davantage la précision de la prédiction du modèle.Based on Example 1, the influence of clinker sample fineness on its strength is considered, making the prediction more accurate. Since fineness serves as an important process parameter, its addition provides richer information to the deep learning model, which may further improve the model's prediction accuracy.
Exemple 3Example 3
Dans le cadre du modèle construit sur la base de l'exemple 1, deux groupes d'échantillons de clinker ont été spécialement prélevés dans une cimenterie pour des tests XRD et des tests de résistance à 28 jours afin de vérifier la précision et la robustesse du modèle. La plage des balayages de l'angle 2θ de XRD de ces deux groupes d'échantillons allait de 5° à 80° et de 5° à 65°, respectivement. Les résultats des données XRD pour les deux groupes d'échantillons A et B sont présentés dans les figures 2, 2a et 2b, respectivement. Pour simuler une variété de cas possibles dans les applications pratiques, les données de diffraction d'entrée ont été autorisées à être des fragments continus et il n'y avait aucune restriction sur leurs intervalles et leurs plages d'échantillonnage, mais afin d'assurer que les caractéristiques critiques étaient capturées avec précision, chaque entrée contenait au moins une gamme de segments de pics critiques avec un 2θ de 10-55°.Under the model constructed based on Example 1, two groups of clinker samples were specially collected from a cement plant for XRD testing and 28-day strength testing to verify the accuracy and robustness of the model. The range of XRD 2θ angle scans of these two groups of samples was from 5° to 80° and from 5° to 65°, respectively. The XRD data results for the two groups of samples A and B are shown in Figures 2, 2a, and 2b, respectively. To simulate a variety of possible cases in practical applications, the input diffraction data were allowed to be continuous fragments and there were no restrictions on their sampling intervals and ranges, but to ensure that critical features were accurately captured, each input contained at least a range of critical peak segments with a 2θ of 10-55°.
Après le traitement normalisé des données XRD mesurées et la transformation matricielle, l'entrée directe a été effectuée pour la prédiction des propriétés de résistance à 28 jours. Les résultats de prédiction des propriétés de résistance à 28 jours pour les deux groupes d'échantillons A et B étaient respectivement de 57,16 MPA et 58,33 MPa, et les résultats réels mesurés étaient respectivement de 57,38 MPA et 58,20 MPa. Les erreurs de résistance de prédiction pour les deux groupes d'échantillons étaient de 0,22 MPA et -0,13 MPa, ce qui était bien meilleur que les indicateurs d'évaluation du modèle, démontrant la grande précision et la fiabilité du modèle de performance. En outre, cela démontre l'énorme potentiel des méthodes d'apprentissage automatique dans la prédiction du traitement de propriétés de ces matériaux complexes.After the measured XRD data were normalized and matrix transformed, direct input was performed for the prediction of 28-day strength properties. The prediction results of 28-day strength properties for the two groups of samples A and B were 57.16 MPa and 58.33 MPa, respectively, and the actual measured results were 57.38 MPa and 58.20 MPa, respectively. The prediction strength errors for the two groups of samples were 0.22 MPa and -0.13 MPa, which were much better than the model evaluation indicators, demonstrating the high accuracy and reliability of the performance model. In addition, this demonstrates the enormous potential of machine learning methods in predicting the processing properties of these complex materials.
L’invention construit un modèle d'apprentissage profond avancé basé sur l'entrée de tableau bidimensionnel par diffraction des rayons X afin de prédire les propriétés du clinker de ciment. L’atlas de diffraction XRD couvre les informations de base sur la composition et la structure qui déterminent les propriétés du clinker de ciment, telles que la composition de la phase cristalline, les paramètres du réseau cristallin, la teneur amorphe, la cristallinité et la taille des grains, etc. Les données brutes de diffraction collectées par XRD servent d'entrée par le traitement des modifications, ce qui évite des situations telles que la perte de signaux, causée par divers processus de traitement tels que l'extraction d'informations de données, et les erreurs qui en découlent.The invention constructs an advanced deep learning model based on the two-dimensional array input by X-ray diffraction to predict the properties of cement clinker. The XRD diffraction atlas covers the basic composition and structure information that determine the properties of cement clinker, such as the composition of the crystal phase, crystal lattice parameters, amorphous content, crystallinity and grain size, etc. The raw diffraction data collected by XRD is used as input by the modification processing, which avoids situations such as signal loss, caused by various processing processes such as data information extraction, and the resulting errors.
Sur cette base, l'invention permet non seulement de résoudre efficacement le problème de la prédiction des propriétés provoqué par les fluctuations du processus ou les changements du mode de fonctionnement dans la technologie existante, mais aussi d'ajuster et de contrôler de manière ciblée la quantité de mélange du matériau de mélange, afin de parvenir à un contrôle stable de la qualité du ciment.On this basis, the invention not only effectively solves the problem of property prediction caused by process fluctuations or changes in operation mode in existing technology, but also can targetably adjust and control the mixing amount of the mixing material, so as to achieve stable control of cement quality.
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311441180.2ACN117787079A (en) | 2023-11-01 | 2023-11-01 | A model for predicting cement clinker properties based on deep learning and its application |
| CN202311441180.2 | 2023-11-01 |
| Publication Number | Publication Date |
|---|---|
| FR3154833A1true FR3154833A1 (en) | 2025-05-02 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2404826APendingFR3154833A1 (en) | 2023-11-01 | 2024-05-08 | A model for predicting cement clinker properties based on deep learning and its application |
| Country | Link |
|---|---|
| CN (1) | CN117787079A (en) |
| DE (1) | DE102024111341A1 (en) |
| FR (1) | FR3154833A1 (en) |
| ZA (1) | ZA202403250B (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095111B (en)* | 2024-04-28 | 2024-07-16 | 中国建筑科学研究院有限公司 | A combined pretreatment and application method for recycled aggregates from solid waste in industrial parks |
| CN119202572A (en)* | 2024-08-16 | 2024-12-27 | 湖大粤港澳大湾区创新研究院(广州增城) | A prediction method for dielectric properties of modified perovskites based on deep learning ensemble model |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929936A (en)* | 2019-11-25 | 2020-03-27 | 华润水泥技术研发（广西）有限公司 | Cement clinker performance prediction method |
| US20210256422A1 (en)* | 2020-02-19 | 2021-08-19 | Google Llc | Predicting Machine-Learned Model Performance from the Parameter Values of the Model |
| CN111950697A (en)* | 2020-07-01 | 2020-11-17 | 燕山大学 | A method for predicting specific surface area of finished cement products based on gated cyclic unit network |
| Publication number | Publication date |
|---|---|
| CN117787079A (en) | 2024-03-29 |
| ZA202403250B (en) | 2025-01-29 |
| DE102024111341A1 (en) | 2025-05-08 |
| Publication | Publication Date | Title |
|---|---|---|
| FR3154833A1 (en) | A model for predicting cement clinker properties based on deep learning and its application | |
| US20220253734A1 (en) | Machine learning methods to optimize concrete applications and formulations | |
| CN110610061B (en) | Concrete slump high-precision prediction method fusing multi-source information | |
| CN105510195B (en) | A kind of granularity particle shape online test method for stacking aggregate | |
| CN106767687A (en) | A kind of method of utilization remote sensing moisture measurement beach elevation | |
| Sapkota et al. | Prediction of the compressive strength of normal concrete using ensemble machine learning approach | |
| CN103344530B (en) | A soft measurement method for ball mill cement raw meal particle size | |
| CN112712519B (en) | Non-contact intelligent real-time detection method and device for machine-made sand and gravel powder content | |
| CN112684156A (en) | Concrete strength prediction method based on deep learning | |
| CN110232342A (en) | Sea situation level determination method and device based on convolutional neural networks | |
| CN115936177B (en) | A photovoltaic output power prediction method and system based on neural network | |
| Xiao et al. | Research on defect detection method of powder metallurgy gear based on machine vision | |
| CN113408644A (en) | Satellite data reconstruction method and method for detecting response of upper ocean to typhoon | |
| CN107563420B (en) | Polarimetric SAR Image Classification Method Based on Scattered Energy and Stack Autoencoder | |
| CN110321528B (en) | A semi-supervised geospatial regression analysis-based assessment method for soil heavy metal concentrations in hyperspectral images | |
| Ji et al. | A Bayesian deep learning approach for rheological properties prediction of asphalt binders considering uncertainty of output | |
| Li et al. | The prediction of cement compressive strength based on gray level images and neural network | |
| Rahman et al. | MoistNet: Machine vision-based deep learning models for wood chip moisture content measurement | |
| CN105740617B (en) | The balancing method of integrated antenna-feeder system quality degree | |
| CN118747279B (en) | Calculation method and device for time downscaling of river material flux, and electronic equipment | |
| CN111242909B (en) | A rapid identification method of building spoil particle size distribution based on convolutional neural network | |
| CN113808681A (en) | ABO (abnormal noise) rapid prediction based on SHAP-Catboost3Method and system for specific surface area of perovskite material | |
| Chen et al. | A LiDAR-fused DenseNet framework for automated sand particle size distribution analysis | |
| CN111898314A (en) | Lake water parameter testing method, device, electronic equipment and storage medium | |
| CN114724005A (en) | Solid brewing granular raw material doping identification method based on deep neural network |
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment | Year of fee payment:2 |