JP2023056609A - Cement quality prediction method - Google Patents
Cement quality prediction methodDownload PDFInfo
- Publication number
- JP2023056609A JP2023056609AJP2021165916AJP2021165916AJP2023056609AJP 2023056609 AJP2023056609 AJP 2023056609AJP 2021165916 AJP2021165916 AJP 2021165916AJP 2021165916 AJP2021165916 AJP 2021165916AJP 2023056609 AJP2023056609 AJP 2023056609A
- Authority
- JP
- Japan
- Prior art keywords
- data
- cement
- learning
- prediction
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
Translated fromJapanese特許法第３０条第２項適用申請有り 第７５回セメント技術大会 講演要旨 ２０２１、発行日：２０２１年４月３０日 第７５回セメント技術大会、開催日：２０２１年５月２６日Applied for Article 30,
本発明は、セメントの品質予測方法に関する。 The present invention relates to a cement quality prediction method.
セメントの重要な品質項目として、例えば、「ＪＩＳ Ｒ ５２０１（セメントの物理試験方法）」に準拠した材齢２８日におけるモルタルの圧縮強さ等が挙げられる。しかし、上記モルタルの圧縮強さ等の材齢を要素とする品質項目は、品質試験結果が判明するまでに長期の時間を要するため、品質試験結果を確認した後にセメントを出荷することが困難であるという問題があった。
このため、セメントの製造現場では、セメントクリンカーの組成（化学組成や鉱物組成）やセメントの粉末度等の製造工程での品質管理項目を設定し、材齢を要素とする品質項目が所定の管理基準値を満足するように、それら製造工程での品質管理項目に、経験に基づいた管理基準値を設定している。Important quality items of cement include, for example, the compressive strength of mortar at 28 days of material age based on "JIS R 5201 (physical test method for cement)". However, it takes a long time to obtain quality test results for quality items such as the compressive strength of mortar that are based on material age, so it is difficult to ship cement after confirming quality test results. There was a problem.
For this reason, at cement manufacturing sites, quality control items such as cement clinker composition (chemical composition and mineral composition) and cement fineness are set for the manufacturing process. In order to satisfy the standard values, we set control standard values based on experience for quality control items in the manufacturing process.
セメントの品質又は製造条件を高い精度で予測する方法として、例えば、特許文献１には、セメント製造における監視データの実測値を入力するための入力層、及び、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するための出力層を有するニューラルネットワークを用いて、セメントの品質または製造条件を予測するための方法であって、上記ニューラルネットワークは、上記監視データの実測値と上記評価データの実測値の組み合わせである学習データを複数用いて、予め学習を行った学習済みのニューラルネットワークであり、上記学習済みのニューラルネットワークを用いた、上記入力層への上記監視データの実測値の入力、および、上記出力層からの上記評価データの推測値の出力を行ないつつ、定期的間隔で、上記評価データにおける推測値と実測値との差の絶対値を算出し、上記絶対値が、上記学習データを構成する監視データの実測値を上記学習済みのニューラルネットワークの入力層に入力して得られた評価データの推測値と、上記学習データを構成する評価データの実測値との平均２乗誤差（σＬ）に、１．３を乗じた数値以上である場合が、上記定期的間隔の中で連続し、かつ、これら連続した複数の絶対値の各々と上記平均２乗誤差（σＬ）との比（絶対値／平均２乗誤差（σＬ））の合計の値に、上記定期的間隔（日）を乗じて得られる値が、１２（日）以上となった場合に、上記学習済みのニューラルネットワークの再学習を行い、得られたニューラルネットワークを、新たな学習済みのニューラルネットワークとして用いることを特徴とするセメントの品質または製造条件の予測方法が記載されている。As a method of predicting cement quality or production conditions with high accuracy, for example,
ニューラルネットワーク等の機械学習を用いて作成された予測モデルを用いてセメントの品質を予測する場合、予測モデル（例えば、学習済みのニューラルネットワーク）を作成する際に、目的変数への影響が小さい説明変数が多数存在すると、予測の精度が低下するとともに、解析時間が長くなるという問題がある。
このため、設定した目的変数に応じて、説明変数を適切に選択する必要があるが、説明変数を適切に選択することは困難であり、また、該選択には時間がかかるという問題がある。
本発明の目的は、セメントの品質について、短時間でかつ高い精度で予測することができる方法を提供することである。When predicting cement quality using a predictive model created using machine learning such as a neural network, an explanation that the effect on the objective variable is small when creating a predictive model (for example, a trained neural network) If there are many variables, there is a problem that the accuracy of prediction is lowered and the analysis time is lengthened.
Therefore, it is necessary to appropriately select the explanatory variable according to the set objective variable, but it is difficult to appropriately select the explanatory variable, and there is a problem that the selection takes time.
SUMMARY OF THE INVENTION An object of the present invention is to provide a method capable of predicting the quality of cement in a short period of time with high accuracy.
本発明者は、上記課題を解決するために鋭意検討した結果、Ｌａｓｓｏ回帰によって作成された第一の予測モデル及び第二の予測モデルを用いてセメントの品質を予測するための方法であって、第二の予測モデルを作成する際に、Ｌａｓｓｏ回帰で用いられるチューニングパラメータαが、（Ａ）チューニングパラメータαの数値を変化させて、変化させたチューニングパラメータαの数値毎に、Ｌａｓｓｏ回帰によって第一の予測モデルを複数作成する工程と、（Ｂ）複数の第一の予測モデルの各々について、第一の予測モデルを用いて得られる予測値とテスト用出力データの実測値を用いて決定係数（Ｒ２）を算出する工程と、（Ｃ）決定係数（Ｒ２）の数値が最も大きい第一の予測モデルの作成に用いられたチューニングパラメータαを、第二の予測モデルの作成に用いられるチューニングパラメータαに定める工程によって定められたものであるセメントの品質予測方法によれば、上記目的を達成できることを見出し、本発明を完成した。
すなわち、本発明は、以下の［１］～［５］を提供するものである。As a result of intensive studies to solve the above problems, the present inventors have found a method for predicting the quality of cement using a first prediction model and a second prediction model created by Lasso regression, When creating the second predictive model, the tuning parameter α used in Lasso regression is (A) changed the numerical value of the tuning parameter α, and for each changed numerical value of the tuning parameter α, the first by Lasso regression (B) For each of the plurality of first prediction models, the coefficient of determination ( R2 ), and (C) the tuning parameter α used to create the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is tuned to be used to create the second prediction model. The inventors have found that the above object can be achieved by a cement quality prediction method determined by the process defined by the parameter α, and completed the present invention.
That is, the present invention provides the following [1] to [5].
［１］ 第一の予測モデル及び第二の予測モデルを用いて、セメントの品質を予測するための方法であって、上記第二の予測モデルは、第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって作成されたものであり、上記Ｌａｓｓｏ回帰で用いられるチューニングパラメータαが、以下の（Ａ）～（Ｃ）工程によって定められたものであり、予測用入力データの実測値を、上記第二の予測モデルに入力し、上記第二の予測モデルからセメントの品質に関する予測用出力データの予測値を出力して、該予測用出力データの予測値を用いてセメントの品質を予測することを特徴とするセメントの品質予測方法。
（Ａ） 上記チューニングパラメータαの数値を、任意に定めた数値範囲及び数値間隔で変化させて、変化させた上記チューニングパラメータαの数値毎に、第一の学習用入力データの実測値とセメントの品質に関する第一の学習用出力データの実測値の組み合わせである第一の学習データを複数用いたＬａｓｓｏ回帰によって、上記第一の予測モデルを作成して、上記チューニングパラメータαの数値と同数である、上記第一の予測モデルを得る、第一の予測モデル作成工程
（Ｂ） 上記（Ａ）工程で得られた複数の上記第一の予測モデルの各々について、テスト用入力データの実測値とセメントの品質に関するテスト用出力データの実測値の組み合わせであるテストデータを複数用いて、（ｂ１）上記テスト用入力データの実測値を上記第一の予測モデルに入力することで得られるセメントの品質に関するテスト用出力データの予測値と、（ｂ２）上記テスト用出力データの実測値から、決定係数（Ｒ２）を算出する、決定係数算出工程
（Ｃ） 上記（Ｂ）工程で得られた複数の上記決定係数（Ｒ２）のうち、上記決定係数（Ｒ２）の数値が最も大きい第一の予測モデルの作成に用いられたチューニングパラメータαの数値を、上記第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定める、チューニングパラメータ決定工程[1] A method for predicting the quality of cement using a first prediction model and a second prediction model, wherein the second prediction model is a second learning input data measured value and It is created by Lasso regression using a plurality of second learning data, which is a combination of actual values of second learning output data related to cement quality, and the tuning parameter α used in the Lasso regression is as follows. It is determined by the steps (A) to (C), the actual values of the input data for prediction are input to the second prediction model, and the output data for prediction regarding the quality of cement from the second prediction model. and predicting the quality of cement using the predicted value of output data for prediction.
(A) The numerical value of the tuning parameter α is changed within an arbitrarily determined numerical range and numerical interval, and for each changed numerical value of the tuning parameter α, the actual measurement value of the first learning input data and the cement Create the first prediction model by Lasso regression using a plurality of first learning data, which is a combination of actual values of the first learning output data related to quality, and have the same number as the numerical value of the tuning parameter α , obtaining the first prediction model, the first prediction model creation step (B) For each of the plurality of first prediction models obtained in the step (A), the measured values of test input data and cement Using a plurality of test data that is a combination of the actual measurement values of the test output data related to the quality of (b1) the cement quality obtained by inputting the actual measurement values of the test input data into the first prediction model Coefficient of determination calculation step (C) of calculating the coefficient of determination (R2 ) from the predicted value of the test output data and (b2) the measured value of the test output data; Among the coefficients of determination (R2 ), the numerical value of the tuning parameter α used to create the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is used to create the second prediction model. Tuning parameter determination process, which is determined by the numerical value of the tuning parameter α
［２］ 上記第一の学習用入力データが複数の種類のデータからなり、上記決定係数（Ｒ２）の数値が最も大きい第一の予測モデルについて、該第一の予測モデルの作成に用いた上記第一の学習用入力データを構成するデータの種類毎の標準偏回帰係数を算出し、該標準偏回帰係数の数値に基づいて、上記第二の学習用入力データを構成するデータの種類を定める前記［１］に記載のセメントの品質予測方法。
［３］ 上記第一の学習用入力データを構成するデータのうち、上記標準偏回帰係数の数値が０である種類のデータを除いた種類のデータを、上記第二の学習用入力データを構成するデータに定める前記［２］に記載のセメントの品質予測方法。
［４］ 上記（Ａ）工程において、上記任意に定めた数値範囲が、０を超え、１０以下の数値範囲内で任意に定められる数値範囲であり、上記任意に定めた数値間隔が、０．０００１～０．０１の数値範囲内で任意に定められる数値間隔である前記［１］～［３］のいずれかに記載のセメントの品質予測方法。
［５］ 上記第一の学習用入力データ、上記第二の学習用入力データ、上記テスト用入力データ、及び上記予測用入力データが、セメントに関するデータ、セメントと水を混練してなるセメント組成物を構成するセメント以外の材料に関するデータ、上記セメント組成物の配合条件に関するデータ、上記セメント組成物の練り混ぜの手段及び方法に関するデータ、上記セメント組成物の練り混ぜ時の環境に関するデータ、及び上記セメント組成物の運搬に関するデータからなる群より選ばれる１種以上のデータであり、上記第一の学習用出力データ、上記第二の学習用出力データ、上記テスト用出力データ、及び上記予測用出力データが、上記セメント組成物の品質に関するデータである前記［１］～［４］のいずれかに記載のセメントの品質予測方法。[2] The first input data for learning consists of a plurality of types of data, and the first prediction model having the largest coefficient of determination (R2 ) was used to create the first prediction model. Calculate a standard partial regression coefficient for each type of data that constitutes the first input data for learning, and determine the type of data that constitutes the second input data for learning based on the numerical value of the standard partial regression coefficient The cement quality prediction method according to the above [1].
[3] Among the data constituting the first learning input data, the data of the types excluding the data whose standard partial regression coefficient value is 0 constitute the second learning input data. The cement quality prediction method according to the above [2] defined in the data.
[4] In the above step (A), the arbitrarily determined numerical range is a numerical range exceeding 0 and 10 or less, and the arbitrarily determined numerical interval is 0. The cement quality prediction method according to any one of the above [1] to [3], wherein the numerical interval is arbitrarily determined within the numerical range of 0001 to 0.01.
[5] The first input data for learning, the second input data for learning, the input data for testing, and the input data for prediction are data related to cement, and a cement composition obtained by kneading cement and water. Data on materials other than cement constituting One or more types of data selected from the group consisting of data relating to transportation of the composition, said first output data for learning, said second output data for learning, said output data for testing, and said output data for prediction is data relating to the quality of the cement composition.
本発明によれば、セメントの品質について、短時間でかつ高い精度で予測することができる。 According to the present invention, the quality of cement can be predicted in a short time with high accuracy.
本発明のセメントの品質予測方法は、第一の予測モデル及び第二の予測モデルを用いて、セメントの品質を予測するための方法であって、第二の予測モデルは、第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって作成されたものであり、Ｌａｓｓｏ回帰で用いられるチューニングパラメータαが、以下の（Ａ）～（Ｃ）工程によって定められたものであり、予測用入力データの実測値を、第二の予測モデルに入力し、第二の予測モデルからセメントの品質に関する予測用出力データの予測値を出力して、該予測用出力データの予測値を用いてセメントの品質を予測するものである。
（Ａ） 上記チューニングパラメータαの数値を、任意に定めた数値範囲及び数値間隔で変化させて、変化させたチューニングパラメータαの数値毎に、第一の学習用入力データの実測値とセメントの品質に関する第一の学習用出力データの実測値の組み合わせである第一の学習データを複数用いたＬａｓｓｏ回帰によって、第一の予測モデルを作成して、上記チューニングパラメータαの数値と同数である、第一の予測モデルを得る、第一の予測モデル作成工程
（Ｂ） （Ａ）工程で得られた複数の第一の予測モデルの各々について、テスト用入力データの実測値とセメントの品質に関するテスト用出力データの実測値の組み合わせであるテストデータを複数用いて、（ｂ１）テスト用入力データの実測値を第一の予測モデルに入力することで得られるセメントの品質に関するテスト用出力データの予測値と、（ｂ２）テスト用出力データの実測値から、決定係数（Ｒ２）を算出する、決定係数算出工程
（Ｃ） （Ｂ）工程で得られた複数の決定係数（Ｒ２）のうち、決定係数（Ｒ２）の数値が最も大きい第一の予測モデルの作成に用いられたチューニングパラメータαの数値を、第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定める、チューニングパラメータ決定工程The cement quality prediction method of the present invention is a method for predicting the quality of cement using a first prediction model and a second prediction model, wherein the second prediction model is used for second learning Created by Lasso regression using a plurality of second learning data, which is a combination of the actual values of the input data and the actual values of the second learning output data related to cement quality, Tuning parameters used in Lasso regression α is determined by the following steps (A) to (C), the actual measurement value of the input data for prediction is input to the second prediction model, and the cement quality is predicted from the second prediction model. The prediction value of the output data for prediction is output, and the quality of cement is predicted using the prediction value of the output data for prediction.
(A) The numerical value of the tuning parameter α is varied within an arbitrarily determined numerical range and numerical interval, and the measured value of the first learning input data and the cement quality are calculated for each numerical value of the changed tuning parameter α. A first prediction model is created by Lasso regression using a plurality of first learning data, which is a combination of actual values of the first learning output data for A first prediction model creation step (B) for obtaining one prediction model For each of the plurality of first prediction models obtained in the (A) step, the actual values of test input data and cement quality test Predicted value of test output data related to cement quality obtained by using a plurality of test data that are combinations of measured values of output data, and (b1) inputting measured values of test input data into a first prediction model and (b2) a coefficient ofdetermination calculation step (C) of calculating the coefficient of determination (R2 ) from the measured values of the test output data. Tuning parameter determination, wherein the numerical value of the tuning parameter α used to create the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is set to the numerical value of the tuning parameter α used to create the second prediction model. process
本発明において、第二の予測モデルは、第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって作成されたものである。
Ｌａｓｓｏ回帰は、線形回帰の損失関数に、正則化項（標準偏回帰係数の絶対値の和）を取り入れた回帰方法であり、チューニングパラメータα（０＜α）を用いた下記式（１）で表されるものである。なお、下記式（１）中、Ｎは学習用出力データ（目的変数）の個数、ｙ１ｉは学習用出力データの実測値、ｙ２ｉは学習用出力データの予測値、αはチューニングパラメータ、Ｋは学習用入力データ（説明変数）の個数、Ｗｊは標準偏回帰係数を示す。In the present invention, the second prediction model is a combination of the measured values of the second learning input data and the measured values of the second learning output data related to cement quality. Lasso using a plurality of second learning data It was created by regression.
Lasso regression is a regression method that incorporates a regularization term (sum of absolute values of standard partial regression coefficients) into the loss function of linear regression. is represented. In the following formula (1), N is the number of learning output data (objective variable), y1i is the measured value of the learning output data, y2i is the predicted value of the learning output data, α is the tuning parameter, K is the number of learning input data (explanatory variables), andWj is the standard partial regression coefficient.
第二の学習用入力データの例としては、セメントに関するデータ、セメントと水を混練してなるセメント組成物を構成するセメント以外の材料に関するデータ、上記セメント組成物の配合条件に関するデータ、上記セメント組成物の練り混ぜの手段及び方法に関するデータ、上記セメント組成物の練り混ぜ時の環境に関するデータ、及び、上記セメント組成物の運搬に関するデータ等が挙げられる。これらは１種を単独で用いてもよく２種以上を組み合わせて用いてもよい。
セメントに関するデータの例としては、セメント全体に関するデータ、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータ等が挙げられる。Examples of the second learning input data include data on cement, data on materials other than cement constituting a cement composition obtained by kneading cement and water, data on blending conditions of the cement composition, and cement composition. Examples include data on means and methods for kneading materials, data on the environment during kneading of the cement composition, and data on transportation of the cement composition. These may be used singly or in combination of two or more.
Examples of data on cement include data on whole cement, data on raw materials of cement clinker, data on firing conditions of cement clinker, data on crushing conditions of cement, data on cement clinker, and the like.
セメント全体に関するデータの例としては、（ｉ）セメントの一般的なデータとして、種類、化学組成（ｉｇ．ｌｏｓｓ、ＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、Ｃｌ、及びＳｒ等の各割合（質量％））、セメントのモジュラス（ケイ酸率（Ｓ．Ｍ．）、鉄率（Ｉ．Ｍ．）、水硬率（Ｈ．Ｍ．））、セメントの粉末度（ブレーン比表面積、ふるい残分量）、Ｘ線回折（ＸＲＤ）によるリートベルト法を用いて測定された鉱物組成又はボーグ式を用いて算出された鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、Ｃ４ＡＦ、ｆ．ＭｇＯ、ｆ．ＣａＯ、二水石膏、半水石膏、及びＣａＣＯ３の各割合（質量％）等）、ｆ．ＣａＯ（フリーライム量）、粒度分布、色調（ａ、ｂ、Ｌ）、（ｉｉ）セメントに含まれる各鉱物の鉱物学的性質及び結晶学的性質、（ｉｉｉ）セメントに含まれる石膏の半水化率、セメントの出荷温度等が挙げられる。Examples of data on cement as a whole include (i) general cement data such as type, chemical composition (ig. loss, SiO2 , Al2 O3 , Fe2 O3 , CaO, MgO, SO3 , Na2 O, K2 O, Na2 Oeq, TiO2 , P2 O5 , MnO, Cl, and Sr (% by mass)), cement modulus (silicic acid ratio (S.M.), iron (I.M.), hydraulic modulus (H.M.)), cement fineness (Blaine specific surface area, sieve residue), minerals determined using the Rietveld method by X-ray diffraction (XRD) Composition or mineral composition calculated using the Borg formula (C3S ,C2S ,C3A ,C4AF , f.MgO, f.CaO, gypsum dihydrate, gypsum hemihydrate, andCaCO3 ratio (% by mass), etc.), f. CaO (free lime content), particle size distribution, color (a, b, L), (ii) mineralogical and crystallographic properties of each mineral contained in cement, (iii) hemihydrate of gypsum contained in cement conversion rate, shipping temperature of cement, and the like.
セメントクリンカーの原料に関するデータの例としては、（ｉ）セメントクリンカーの調合原料のデータとして、化学組成、該化学組成から算出される水硬率、ふるい残分量、ブレーン比表面積（粉末度）、強熱減量、供給量、副原料（廃棄物のような特殊な原料）の供給量、ブレンディングサイロの貯留量（残量）、ストレージサイロの貯留量（残量）、（ｉｉ）原料ミルと調合原料のブレンディングサイロの間に位置するサイクロンの電流値（サイクロンの回転数を表し、サイクロンを通過する原料の速度と相関関係があるもの）、（ｉｉｉ）キルンへの投入時から所定の時間前の時点（例えば、５時間前の１つの時点や、３時間前、４時間前、５時間前、及び６時間前の４つの時点のような複数の時点）のセメントクリンカーの原料（搬送中に向流する空気流によって微粒分等が抜き取られたセメントクリンカーの調合原料。以後、セメントクリンカーの窯入原料と称す。）の化学組成、該化学組成から算出される水硬率、（ｉｖ）セメントクリンカーの窯入原料と副原料を混合してなる原料のデータとして、化学組成、該化学組成から算出される水硬率、ブレーン比表面積、ふるい残分量、脱炭酸率、及び水分量等が挙げられる。 Examples of data on raw materials for cement clinker include: (i) Data on mixed raw materials for cement clinker, including chemical composition, hydraulic coefficient calculated from the chemical composition, sieve residue amount, Blaine specific surface area (fineness), strength Heat loss, feed amount, feed amount of auxiliary materials (special raw materials such as waste), blending silo storage amount (remaining amount), storage silo storage amount (remaining amount), (ii) raw material mills and mixed raw materials current value of the cyclones located between the blending silos (representing the number of rotations of the cyclones and correlated with the speed of the material passing through the cyclones), (iii) the time before the predetermined time from the time of charging into the kiln (e.g., one time point before 5 hours, or multiple time points such as four time points before 3 hours, 4 hours, 5 hours and 6 hours) Cement clinker preparation raw material from which fine particles etc. have been extracted by an air flow.Hereafter referred to as cement clinker kiln raw material.), hydraulic coefficient calculated from the chemical composition, (iv) cement clinker Data on raw materials obtained by mixing kiln raw materials and auxiliary raw materials include chemical composition, hydraulic coefficient calculated from the chemical composition, Blaine specific surface area, sieve residue amount, decarboxylation rate, moisture content, and the like.
セメントの焼成条件に関するデータの例としては、（ｉ）セメントクリンカーの焼成時におけるデータとして、セメントクリンカーの原料のキルンへの挿入量、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、Ｏ２濃度、ＮＯＸ濃度、（ｉｉ）クリンカークーラー温度、及び、（ｉｉｉ）プレヒーターのガスの流量（プレヒーターの温度と相関関係があるもの）等が挙げられる。
セメントの粉砕条件に関するデータの例としては、粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の種類、石膏の添加量、粉砕助剤の種類、粉砕助剤の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上ミルから排出されない粉体の量等が挙げられる。
セメントクリンカーに関するデータの例としては、セメントクリンカーのデータとして、（ｉ）鉱物組成、化学組成、ｆ．ＣａＯ（フリーライム）、及び、容重、（ｉｉ）セメントクリンカーに含まれる各鉱物の結晶学的性質（格子定数や結晶子径など）、（ｉｉｉ）セメントクリンカーに含まれる２種以上の鉱物の比等が挙げられる。
これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。Examples of data related to cement sintering conditions include (i) data at the time of sintering cement clinker, including the amount of cement clinker raw material inserted into the kiln, kiln rotation speed, drop temperature, sintering zone temperature, cement clinker temperature, Kiln average torque, O2 concentration, NOX concentration, (ii) clinker cooler temperature, and (iii) preheater gas flow rate (correlated with preheater temperature) and the like.
Examples of data on cement grinding conditions include grinding temperature, amount of water sprayed in the finishing mill, separator air volume, type of gypsum, amount of gypsum added, type of grinding aid, amount of grinding aid added, and input of cement clinker. The number of rotations of the finishing mill, the temperature of the powder discharged from the finishing mill, the amount of powder discharged from the finishing mill, the amount of powder not discharged from the finishing mill, and the like.
Examples of cement clinker data include (i) mineral composition, chemical composition, f. CaO (free lime) and volume weight, (ii) crystallographic properties (lattice constant, crystallite diameter, etc.) of each mineral contained in cement clinker, (iii) ratio of two or more minerals contained in cement clinker etc.
These may be used individually by 1 type, and may be used in combination of 2 or more type.
セメントと水を混練してなるセメント組成物（例えば、モルタル、コンクリート等）を構成するセメント以外の材料に関するデータの例としては、（ｉ）骨材（細骨材や粗骨材）のデータとして、種類、密度、吸水率、含水率、表面水率、粒度分布、最大寸法、及び、粒形、（ｉｉ）混和剤の種類、（ｉｉｉ）混和材の種類等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
上記セメント組成物の配合条件に関するデータの例としては、セメント組成物に配合される、セメント、細骨材、粗骨材、水、各種混和剤（ＡＥ剤、減水剤、ＡＥ減水剤、高性能減水剤、高性能ＡＥ減水剤、流動化剤、凝結遅延剤等）、及び各種混和材（高炉スラグ微粉末、シリカフューム、フライアッシュ等）等の配合割合（例えば、セメント１００質量％に対する混和剤の量（質量％））や、示方配合表の項目である、水セメント比、空気量、細骨材率、単位水量（コンクリート１ｍ３当たりの水の量）、単位セメント量、単位細骨材量、単位粗骨材量、単位混和剤量、及び単位混和材量等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。Examples of data on materials other than cement that make up a cement composition (e.g., mortar, concrete, etc.) formed by kneading cement and water include (i) data on aggregates (fine aggregates and coarse aggregates) , type, density, water absorption, water content, surface water content, particle size distribution, maximum size, and particle shape, (ii) type of admixture, (iii) type of admixture, and the like. These may be used individually by 1 type, and may be used in combination of 2 or more type.
Examples of data on the blending conditions of the cement composition include cement, fine aggregate, coarse aggregate, water, and various admixtures (AE agents, water reducing agents, AE water reducing agents, high-performance Water reducing agent, high-performance AE water reducing agent, fluidizer, setting retarder, etc.) and various admixtures (granulated blast furnace slag, silica fume, fly ash, etc.) amount (% by mass)), and items in the formulation table, such as water-cement ratio, air content, fine aggregate ratio, unit water content (amount of water per1m3 of concrete), unit cement content, and unit fine aggregate content. , unit amount of coarse aggregate, unit amount of admixture, and unit amount of admixture. These may be used individually by 1 type, and may be used in combination of 2 or more type.
上記セメント組成物の練り混ぜの手段及び方法に関するデータの例としては、ミキサの種類、形式、容量や、材料の練り混ぜ量、材料の練り混ぜ順序や、練り混ぜ時間等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
上記セメント組成物の練り混ぜ時の環境に関するデータの例としては、温度（外気温、ミキサ内の温度、コンクリートの温度）、練り混ぜ水の温度、湿度、製造日、製造時刻等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。
上記セメント組成物の運搬に関するデータの例としては、トラックアジテータのドラム内の電力負荷値や、トラックアジテータのドラム容量、セメント組成物の運搬容量、運搬質量及び温度や、運搬時の外気温度や、運搬時間（練り混ぜ終了後、運搬終了時点（荷卸時）までの時間）、運搬距離、運搬日、運搬時刻等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。Examples of data relating to the means and method of mixing the cement composition include the type, type, and capacity of the mixer, the amount of materials to be mixed, the order of mixing the materials, and the mixing time. These may be used individually by 1 type, and may be used in combination of 2 or more type.
Examples of data relating to the environment during mixing of the cement composition include temperature (outside air temperature, temperature inside the mixer, temperature of concrete), temperature and humidity of water for mixing, production date, production time, and the like. These may be used individually by 1 type, and may be used in combination of 2 or more type.
Examples of data related to the transportation of the cement composition include the power load value in the drum of the truck agitator, the drum capacity of the truck agitator, the transportation capacity of the cement composition, the transportation mass and temperature, and the outside air temperature during transportation, Transportation time (the time from the end of kneading to the end of transportation (at the time of unloading)), transportation distance, transportation date, transportation time, and the like. These may be used individually by 1 type, and may be used in combination of 2 or more type.
第二の学習用出力データの例としては、セメントと水を混練してなる組成物の品質に関するデータ等が挙げられる。
セメントと水を混練してなるセメント組成物の品質に関するデータの例としては、強度（モルタルの圧縮強さ、コンクリートの圧縮強度、曲げ強度等）、流動性（スランプ、モルタルフロー）、水和熱、凝結時間、乾燥収縮率、安定性、水中膨張、耐硫酸塩性、中性化、ＡＳＲ抵抗、空気量、塩化物含有量、ひび割れ抵抗性、動弾性係数、動せん断弾性係数、動ポアソン比、硬化体空隙量、空隙径分布、耐久性、及び色調等が挙げられる。これらは１種を単独で用いてもよく、２種以上を組み合わせて用いてもよい。An example of the second learning output data includes data on the quality of a composition obtained by kneading cement and water.
Examples of data related to the quality of cement compositions made by kneading cement and water include strength (compressive strength of mortar, compressive strength of concrete, bending strength, etc.), fluidity (slump, mortar flow), and heat of hydration. , setting time, drying shrinkage, stability, expansion in water, sulfate resistance, neutralization, ASR resistance, air content, chloride content, crack resistance, dynamic modulus of elasticity, dynamic shear modulus of elasticity, dynamic Poisson's ratio , pore volume of cured body, pore size distribution, durability, color tone, and the like. These may be used individually by 1 type, and may be used in combination of 2 or more type.
第二の学習データとして用いられる「第二の学習用入力データの実測値」及び「第二の学習用出力データの実測値」は、実際に学習データ用のサンプルとして、モルタル等のセメントと水を混練してなるセメント組成物を製造した際に得られるデータである。また、「実測値」には、実際に測定した特定のデータの数値の他に、数値以外のデータ（例えば、セメントの種類等）も含まれるものとする。
第二の学習データ用のサンプルの数は、第二の学習用入力データ及び第二の学習用出力データの種類によっても異なるが、より高い精度で品質を予測することができる観点から、好ましくは５０以上、より好ましくは８０以上、特に好ましくは
１００以上である。サンプルの数の上限値は、特に限定されないが、データを用意することの容易性等の観点から、好ましくは１，０００、より好ましくは８００である。
第二の学習データに用いられる各種データは、後述する第一の学習データで用いられたデータと同じ種類のデータであってもよく、第一の学習データで用いられたデータから取捨選択したデータであってもよい（詳しくは後述する。）。The “measured values of the second learning input data” and the “measured values of the second learning output data” used as the second learning data are actually cement such as mortar and water as samples for learning data. It is data obtained when a cement composition is produced by kneading. In addition, the "actual measurement value" includes not only numerical values of specific data actually measured, but also non-numerical data (for example, type of cement, etc.).
The number of samples for the second learning data varies depending on the types of the second learning input data and the second learning output data, but from the viewpoint of being able to predict the quality with higher accuracy, preferably It is 50 or more, more preferably 80 or more, and particularly preferably 100 or more. Although the upper limit of the number of samples is not particularly limited, it is preferably 1,000, more preferably 800 from the viewpoint of ease of preparing data.
The various data used for the second learning data may be the same type of data as the data used for the first learning data described later, and data selected from the data used for the first learning data. (details will be described later).
第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって、第二の予測モデル（最終予測モデル）を作成することができる。
第二の予測モデルを作成する際に、Ｌａｓｓｏ回帰で用いられるチューニングパラメータαは、以下の（Ａ）～（Ｃ）工程によって定められたものである。
以下、工程ごとに詳しく説明する。A second prediction model (final prediction model) can be created.
The tuning parameter α used in Lasso regression when creating the second prediction model is determined by the following steps (A) to (C).
Each step will be described in detail below.
［（Ａ）：第一の予測モデル作成工程］
本工程は、上記チューニングパラメータαの数値を、任意に定めた数値範囲及び数値間隔で変化させて、変化させた上記チューニングパラメータαの数値毎に、第一の学習用入力データの実測値とセメントの品質に関する第一の学習用出力データの実測値の組み合わせである第一の学習データを複数用いたＬａｓｓｏ回帰によって、第一の予測モデルを作成して、チューニングパラメータαの数値と同数である、第一の予測モデルを得る工程である。
任意に定めた数値範囲とは、チューニングパラメータαの数値を変化させる際の、αの数値の上限と下限の範囲を定めたものである。上記数値範囲を定めることで、予測モデルを過剰に作成することを防ぐことができる。
上記数値範囲は、任意に定めればよい。上記数値範囲は、学習データの種類等によっても異なるが、例えば、０を超え、１０以下の数値範囲内で任意に定められる数値範囲である。[(A): First prediction model creation step]
In this step, the numerical value of the tuning parameter α is changed within an arbitrarily determined numerical range and numerical interval, and for each changed numerical value of the tuning parameter α, the actual measurement value of the first learning input data and the cement A first prediction model is created by Lasso regression using a plurality of first learning data, which is a combination of actual values of the first learning output data regarding the quality of, and the same number as the numerical value of the tuning parameter α, This is the step of obtaining the first prediction model.
The arbitrarily determined numerical range defines the upper and lower limits of the numerical value of α when the numerical value of the tuning parameter α is changed. By defining the above numerical range, it is possible to prevent excessive creation of prediction models.
The above numerical range may be determined arbitrarily. Although the above numerical range varies depending on the type of learning data, etc., it is a numerical range that is arbitrarily determined within a numerical range exceeding 0 and 10 or less, for example.
任意に定めた数値間隔は、好ましくは０．０００１～０．０１（より好ましくは０．０００５～０．００５、特に好ましくは０．００１）の数値範囲内で任意に定められる数値間隔である。上記数値間隔が０．０００１以上であれば、作成される第一の予測モデルの個数が過剰になることを防ぐことができる。上記数値間隔が０．０１以下であれば、作成される第一の予測モデルの個数をより多くして、より適切なチューニングパラメータαの数値を得ることができる。 The arbitrarily determined numerical intervals are preferably arbitrarily determined numerical intervals within the numerical range of 0.0001 to 0.01 (more preferably 0.0005 to 0.005, particularly preferably 0.001). If the numerical interval is 0.0001 or more, it is possible to prevent an excessive number of first prediction models to be created. If the numerical interval is 0.01 or less, it is possible to increase the number of first prediction models to be created and obtain a more appropriate numerical value of the tuning parameter α.
本工程において、変化させた上記チューニングパラメータαの数値毎に、第一の学習用入力データの実測値とセメントの品質に関する第一の学習用出力データの実測値の組み合わせである第一の学習データを複数用いたＬａｓｓｏ回帰によって、第一の予測モデルが作成される。
第一の学習用入力データ及びセメントの品質に関する第一の学習用出力データの例としては、各々、上述した第二の学習用入力データ及びセメントの品質に関する第二の学習用出力データの例と同様である。上記第一の学習データのサンプルの数は、上述した第二の学習データ用のサンプルの数と同様である。
第一の学習データとして用いられる各種データは、上述した第二の学習データと同じであってもよく、異なるものであってもよい。In this step, the first learning data that is a combination of the measured values of the first learning input data and the measured values of the first learning output data related to cement quality for each value of the changed tuning parameter α A first predictive model is created by Lasso regression using multiple .
Examples of the first input data for learning and the first output data for learning related to the quality of cement are the examples of the second input data for learning and the second output data for learning related to the quality of cement, respectively. It is the same. The number of samples for the first learning data is the same as the number of samples for the second learning data described above.
Various data used as the first learning data may be the same as or different from the second learning data described above.
例えば、変化させるチューニングパラメータαの数値を、０．００１～１．０００の数値範囲内に定め、かつ、チューニングパラメータαを０．００１の数値間隔で変化させた場合（すなわち、上記αの数値を、０．００１、０．００２、０．００３・・・１．０００と変化させた場合）、変化させたチューニングパラメータαの数値ごとに作成される第一の予測モデルの個数は、チューニングパラメータαの数値を変化させた個数（１，０００個）と同数である、１，０００個となる。 For example, when the numerical value of the tuning parameter α to be changed is set within a numerical range of 0.001 to 1.000, and the tuning parameter α is changed at numerical intervals of 0.001 (that is, when the numerical value of α is , 0.001, 0.002, 0.003, . 1,000, which is the same number as the number (1,000) obtained by changing the numerical value of .
［（Ｂ）：決定係数算出工程］
本工程は、（Ａ）工程で得られた複数の第一の予測モデルの各々について、テスト用入力データの実測値とセメントの品質に関するテスト用出力データの実測値の組み合わせであるテストデータを複数用いて、（ｂ１）テスト用入力データの実測値を第一の予測モデルに入力することで得られるセメントの品質に関するテスト用出力データの予測値と、（ｂ２）テスト用出力データの実測値から、決定係数（Ｒ２）を算出する工程である。
テスト用入力データ及びテスト用出力データは、各々、第一の予測モデルを作成する際に用いた、第一の学習用入力データ及びセメントの品質に関する第一の学習用出力データと同じものを使用する。
テストデータのサンプルの数は、特に限定されないが、上述した第二の学習データ用のサンプルの数に対して、好ましくは１０～５０％、より好ましくは２０～４０％となる数である。テストデータは、学習データ（第一の学習データ及び第二の学習データ）として用いたものと同じデータを用いてもよく、別途用意したサンプルから得られたデータを用いてもよい。[(B): Coefficient of determination calculation step]
In this step, for each of the plurality of first prediction models obtained in the (A) step, a plurality of test data that are a combination of the measured values of the test input data and the measured values of the test output data related to cement quality are generated. using (b1) the predicted value of test output data related to the quality of cement obtained by inputting the measured value of the test input data into the first prediction model, and (b2) from the measured value of the test output data , the step of calculating the coefficient of determination (R2 ).
The test input data and test output data are the same as the first learning input data and the first learning output data related to cement quality used when creating the first prediction model, respectively. do.
The number of test data samples is not particularly limited, but is preferably 10 to 50%, more preferably 20 to 40%, of the number of samples for the second learning data described above. The test data may be the same data as the learning data (first learning data and second learning data), or may be data obtained from separately prepared samples.
［（Ｃ）：チューニングパラメータ決定工程］
本工程は、（Ｂ）工程で得られた複数の決定係数（Ｒ２）のうち、決定係数（Ｒ２）の数値が最も大きい第一の予測モデルの作成に用いられたチューニングパラメータαの数値を、第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定める工程である。
本工程において、第二の予測モデルの作成に用いられるチューニングパラメータαの数値を特定の数値に定めることで、第二の予測モデル（最終予測モデル）の予測精度をより高めることができる。[(C): Tuning parameter determination step]
In this step, among the plurality of coefficients of determination (R2 ) obtained in the (B) step, the numerical value of the tuning parameter α used to create the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is set as the numerical value of the tuning parameter α used to create the second prediction model.
In this step, the prediction accuracy of the second prediction model (final prediction model) can be further improved by setting the numerical value of the tuning parameter α used to create the second prediction model to a specific numerical value.
また、決定係数（Ｒ２）の数値が最も大きい第一の予測モデルについて、該第一の予測モデルの作成に用いた、複数の種類のデータからなる第一の学習用入力データを構成するデータの種類毎の標準偏回帰係数を算出し、該標準偏回帰係数の数値に基づいて、第二の学習用入力データを構成するデータの種類を定めてもよい。
算出された標準偏回帰係数の数値が０に近いデータは、セメントの品質に係る予測用出力データ（目的変数）と相関性が低いデータと考えられる。このようなデータを、第二の学習用入力データを構成するデータから除外することで、第二の予測モデルの予測精度をより高めることができる。
例えば、第一の学習用入力データを構成するデータの標準偏回帰係数が、例えば、－０．３～０．３（好ましくは－０．１～０．１、より好ましくは０）であるデータを、第二の学習用入力データを構成するデータから除外することで、より予測精度の高い第二の予測モデルを作成することができる。In addition, for the first prediction model with the largest numerical value of the coefficient of determination (R2 ), the data constituting the first learning input data composed of a plurality of types of data used to create the first prediction model A standard partial regression coefficient may be calculated for each type of , and the type of data constituting the second learning input data may be determined based on the numerical value of the standard partial regression coefficient.
Data with a calculated standard partial regression coefficient value close to 0 is considered to have a low correlation with output data for predicting cement quality (objective variable). By excluding such data from the data constituting the second learning input data, the prediction accuracy of the second prediction model can be further improved.
For example, the standard partial regression coefficient of the data constituting the first learning input data is, for example, -0.3 to 0.3 (preferably -0.1 to 0.1, more preferably 0) data from the data constituting the second learning input data, a second prediction model with higher prediction accuracy can be created.
（Ａ）～（Ｃ）工程によって、Ｌａｓｓｏ回帰で用いられるチューニングパラメータαを定めた後、第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって第二の予測モデルを作成する。
次いで、予測用入力データの実測値（品質予測の対象となるセメント等から得られた実測値）を、第二の予測モデルに入力し、第二の予測モデルからセメントの品質に関する予測用出力データの予測値を出力して、該予測用出力データの予測値を用いてセメントの品質を予測することができる。
なお、予測用入力データ、及び、セメントの品質に関する予測用出力データの種類は、各々、第二の学習用入力データ、及び、セメントの品質に関する学習用出力データの種類と同じである。
また、より高い精度で品質を予測することができる観点から、第一の学習データ、第二の学習データ、及び予測用入力データは、同じ工場（好ましくは同じ製造ライン）で得られたものが好ましい。
また、より高い精度で品質を予測することができる観点から、第一の学習データ、及び第二の学習データは、予測用入力データを入手する時から１～３年以内に得られたデータであることが好ましい。After determining the tuning parameter α used in Lasso regression through steps (A) to (C), a combination of the measured values of the second learning input data and the measured values of the second learning output data related to cement quality A second prediction model is created by Lasso regression using a plurality of second learning data.
Next, the actual measured values of input data for prediction (actual values obtained from cement, etc. whose quality is to be predicted) are input to the second prediction model, and output data for prediction of cement quality from the second prediction model. can be output, and the quality of cement can be predicted using the predicted value of the output data for prediction.
The types of input data for prediction and output data for prediction regarding cement quality are the same as the types of second input data for learning and output data for learning regarding cement quality, respectively.
Also, from the viewpoint of being able to predict the quality with higher accuracy, the first learning data, the second learning data, and the input data for prediction are obtained in the same factory (preferably the same production line). preferable.
Also, from the viewpoint of being able to predict the quality with higher accuracy, the first learning data and the second learning data are data obtained within 1 to 3 years from the time when the input data for prediction is obtained. Preferably.
以下、本発明を実施例により具体的に説明するが、本発明はこれらの実施例に限定されるものではない。
［実施例１］
学習用入力データ及びテスト用入力データとして、蛍光Ｘ線分析（ＸＲＦ）を用いて測定したセメントの化学組成（ｉｇ．ｌｏｓｓ、ＳｉＯ２、Ａｌ２Ｏ３、Ｆｅ２Ｏ３、ＣａＯ、ＭｇＯ、ＳＯ３、Ｎａ２Ｏ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、及びＳｒの各割合（質量％））、電位差滴定法を用いて測定されたセメントの化学組成（Ｃｌの割合（質量％））、セメントのモジュラス（ケイ酸率（Ｓ．Ｍ．）、鉄率（Ｉ．Ｍ．）、水硬率（Ｈ．Ｍ．））、セメントの粉末度（ブレーン比表面積（ｃｍ２／ｇ）、８５０μｍふるい残分量の割合（質量％））、Ｘ線回折（ＸＲＤ）によるリートベルト法を用いて測定されたセメントの鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、Ｃ４ＡＦ、ｆ．ＭｇＯ、ｆ．ＣａＯ、二水石膏、半水石膏、及びＣａＣＯ３の各割合（質量％）、並びに石膏の半水化率）、ボーグ式を用いて算出された鉱物組成（Ｃ３Ｓ、Ｃ２Ｓ、Ｃ３Ａ、Ｃ４ＡＦの各割合（質量％））、湿式ｆ．ＣａＯの割合（質量％）、色調（ａ、ｂ、Ｌ）、及び出荷温度（℃）の合計３９種類のデータの実測値を使用した。
また、セメントの品質に関する学習用出力データ及びセメントの品質に関するテスト用出力データとして、上記セメントを含むモルタルの材齢２８日における圧縮強さの実測値を使用した。
上記各種データの実測値は、２０１３年１月１日～２０２０年６月１日の間に同じ工場で製造された普通ポルトランドセメントから得られた実測値を使用した。
また、学習データ（上記学習用入力データの実測値及び上記学習用出力データの実測値の組み合わせ）及びテストデータ（上記テスト用入力データの実測値及び上記テスト用出力データの実測値の組み合わせ）として用いられるデータの個数は１５１個であった。EXAMPLES The present invention will be specifically described below by way of examples, but the present invention is not limited to these examples.
[Example 1]
As input data for learning and input data for testing, the chemical composition of cement (ig.loss, SiO2 , Al2 O3 , Fe2 O3 , CaO, MgO, SO3 , Na2 O, K2 O, Na2 Oeq, TiO2 , P2 O5 , MnO, and Sr (mass %)), the chemical composition of the cement (Cl ratio (% by mass)), cement modulus (silicic acid ratio (S.M.), iron ratio (IM), hydraulic ratio (H.M.)), cement fineness (Blaine specific surface area (cm2 /g), percentage of 850 μm sieve residue (% by mass)), mineral composition of cement measured using the Rietveld method by X-ray diffraction (XRD) (C3 S, C2 S, C3 A, C4 AF, f.MgO, f.CaO, gypsum dihydrate, gypsum hemihydrate, and CaCO3 proportions (% by mass), and gypsum hemihydrate ratio), calculated using the Borg formula Mineral composition (ratios (% by mass) ofC3S ,C2S ,C3A , andC4AF ), wet f. A total of 39 types of actual data of CaO ratio (% by mass), color tone (a, b, L), and shipping temperature (°C) were used.
In addition, as output data for learning about the quality of cement and output data for testing about the quality of cement, the actually measured value of the compressive strength of the cement-containing mortar at the age of 28 days was used.
The measured values of the above various data were measured values obtained from ordinary Portland cement manufactured at the same factory between January 1, 2013 and June 1, 2020.
In addition, as learning data (a combination of the actual values of the input data for learning and the actual values of the output data for learning) and test data (a combination of the actual values of the input data for testing and the actual values of the output data for testing) The number of data used was 151.
１５１個のデータのうち、７５％に相当する１１３個のデータを学習データ（第一の学習データ）として用いたＬａｓｓｏ回帰によって、第一の予測モデルを複数作成した。
Ｌａｓｓｏ回帰に用いられるチューニングパラメータαは、０．００１～１．０００の数値範囲内であって、０．００１の数値間隔で変化させて（すなわち、上記αの数値を、０．００１、０．００２、０．００３・・・１．０００と変化させて）、変化させたチューニングパラメータαの数値ごとに、第一の予測モデル作成することで、合計１，０００個の第一の予測モデルを作成した。A plurality of first prediction models were created by Lasso regression using 113 data corresponding to 75% of the 151 data as learning data (first learning data).
The tuning parameter α used for Lasso regression is within a numerical range of 0.001 to 1.000, and is varied at numerical intervals of 0.001 (that is, the numerical value of α is set to 0.001, 0.001, 0.001, 0.001, 0.001). 002, 0.003 ... 1.000), and by creating a first prediction model for each numerical value of the changed tuning parameter α, a total of 1,000 first prediction models are created. Created.
１５１個のデータのうち、２５％に相当する３８個のデータをテストデータとして使用し、１，０００個の第一の予測モデルの各々について、決定係数（Ｒ２）を算出した。
具体的には、３８個のテスト用入力データの実測値を、各々、第一の予測モデルに入力し、第一の予測モデルから、セメントの品質に関するテスト用出力データの予測値を出力した。次いで、得られたセメントの品質に関するテスト用出力データの予測値（３８個）と、テスト用出力データの実測値を用いて、決定係数（Ｒ２）を算出した。
第一の予測モデル作成に用いたチューニングパラメータαの数値と、該数値のチューニングパラメータαを用いたＬａｓｓｏ回帰によって作成した第一の予測モデルを用いて算出した決定係数（Ｒ２）の関係を図１に示す。
１，０００個の第一の予測モデルから得られた１，０００個の決定係数（Ｒ２）のうち、最も大きい決定係数（Ｒ２）が算出された第一の予測モデルの作成に用いたチューニングパラメータαの数値は、０．０５７であった。該数値（０．０５７）を、第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定めた。Of the 151 data, 38 data corresponding to 25% were used as test data, and the coefficient of determination (R2 ) was calculated for each of the 1,000 first prediction models.
Specifically, the actual measurement values of the 38 test input data were respectively input to the first prediction model, and the prediction values of the test output data relating to cement quality were output from the first prediction model. Next, the coefficient of determination (R2 ) was calculated using the predicted values (38 pieces) of test output data relating to the quality of the cement obtained and the actual measurement values of the test output data.
Fig. 2 shows the relationship between the numerical value of the tuning parameter α used to create the first prediction model and the coefficient of determination (R2 ) calculated using the first prediction model created by Lasso regression using the numerical tuning parameter α. 1.
Of the 1,000 coefficients of determination (R2 ) obtained from 1,000 first prediction models, the largest coefficient of determination (R2 ) was calculated to create the first prediction model The numerical value of the tuning parameter α was 0.057. This numerical value (0.057) was determined as the numerical value of the tuning parameter α used to create the second prediction model.
チューニングパラメータαの数値を０．０５７に定めた際に得られた第一の予測モデルについて、該第一の予測モデルの作成に用いた学習用入力データ（３６種）の各々について、標準偏回帰係数を算出し、該学習用データのうち、標準偏回帰係数が０ではなかった２４種のデータを、第二の予測モデルの作成に用いられる学習用入力データ（第二の学習用入力データ）に定めた。
なお、上記２４種のデータは、蛍光Ｘ線分析（ＸＲＦ）を用いて測定したセメントの化学組成（ｉｇ．ｌｏｓｓ、ＳｉＯ２、Ｆｅ２Ｏ３、ＳＯ３、Ｋ２Ｏ、Ｎａ２Ｏｅｑ、ＴｉＯ２、Ｐ２Ｏ５、ＭｎＯ、及びＳｒの各割合（質量％））、電位差滴定法を用いて測定されたセメントの化学組成（Ｃｌの割合（質量％））、セメントのモジュラス（ケイ酸率（Ｓ．Ｍ．）、鉄率（Ｉ．Ｍ．）、水硬率（Ｈ．Ｍ．））、セメントの粉末度（ブレーン比表面積（ｃｍ２／ｇ）、８５０μｍふるい残分量の割合（質量％））、Ｘ線回折（ＸＲＤ）によるリートベルト法を用いて測定されたセメントの鉱物組成（Ｃ３Ｓ、Ｃ３Ａ、ｆ．ＭｇＯ、ｆ．ＣａＯ、二水石膏、半水石膏、及びＣａＣＯ３の各割合（質量％））、ボーグ式を用いて算出された鉱物組成（Ｃ２Ｓの割合（質量％））、湿式ｆ．ＣａＯの割合（質量％）、色調（ｂ）、及び出荷温度（℃）であった。For the first prediction model obtained when the numerical value of the tuning parameter α was set to 0.057, standard partial regression was performed for each of the learning input data (36 types) used to create the first prediction model. The coefficient is calculated, and among the learning data, 24 types of data whose standard partial regression coefficient is not 0 are used as learning input data (second learning input data) used to create the second prediction model. stipulated in
The above 24 types of data are the chemical compositions of cement (ig. loss, SiO2 , Fe2 O3 , SO3 , K2 O, Na2 Oeq, TiO2 , P2 O5 , MnO, and Sr (% by mass)), the chemical composition of the cement measured using the potentiometric titration method (the percentage of Cl (% by mass)), the modulus of the cement (percentage of silicic acid (S.M.), iron ratio (I.M.), hydraulic ratio (H.M.)), cement fineness (Blaine specific surface area (cm2 /g), 850 μm sieve residue ratio (mass %)), mineral composition of cement (C3S ,C3A , f.MgO, f.CaO, gypsum dihydrate, gypsum hemihydrate, and each proportion ofCaCO3 (% by mass)), the mineral composition calculated using the Borg formula (the proportion ofC2S (% by mass)), the wet formula f. They were the proportion of CaO (% by mass), color tone (b), and shipping temperature (°C).
チューニングパラメータαの数値を０．０５７に定め、かつ、学習用入力データとして上記２４種のデータを用いたＬａｓｓｏ回帰によって、第二の予測モデルを作成した。
第二の予測モデルの作成に要した時間は１分未満であった。
１１５個の学習用入力データの実測値を、各々、第二の予測モデルに入力し、第二の予測モデルから、１１５個のセメントの品質に関するテスト用出力データの予測値を出力した。次いで、得られたセメントの品質に関するテスト用出力データの予測値と、テスト用出力データの実測値を用いて、決定係数（Ｒ２）を算出したところ、０．５７であった。
また、上述した学習データ及びテストデータとは別に、２０２０年６月５日～２０２１年１月７日の間に製造されたセメントから得られた、上記３９種類のデータの実測値（予測用入力データの実測値）、及び上記セメントを含むモルタルの材齢２８日における圧縮強さの実測値（予測用出力データの実測値）を予測データ（予測用入力データの実測値及び予測用出力データの実測値の組み合わせ）として３８個用意した。
３８個の予測用入力データの実測値を、各々、第二の予測モデルに入力し、第二の予測モデルから、３８個のセメントの品質に関する予測用出力データの予測値を出力した。次いで、得られたセメントの品質に関する予測用出力データの予測値と、予測用出力データの実測値を用いて、決定係数（Ｒ２）を算出したところ、０．６０であった。
予測データを用いた場合の決定係数の数値（０．６０）は、学習データを用いた場合の決定係数の数値（０．５７）と同程度であり、予測モデルの学習に用いていないデータを用いた場合でも、優れた精度でモルタルフロー値を予測できることがわかる。
材齢２８日におけるモルタルの強さの実測値と予測値の関係を図２に示す。A second prediction model was created by Lasso regression using the tuning parameter α set to 0.057 and the above 24 types of data as learning input data.
The time required to create the second prediction model was less than 1 minute.
Each of the 115 learning input data actually measured values was input to the second prediction model, and the second prediction model output 115 cement quality test output data prediction values. Next, the coefficient of determination (R2 ) was calculated to be 0.57 using the predicted value of the test output data regarding the quality of the cement obtained and the actual measurement value of the test output data.
In addition to the learning data and test data described above, the above 39 types of data obtained from cement manufactured between June 5, 2020 and January 7, 2021 (prediction input data), and the actual value of the compressive strength of the mortar containing the above cement at the age of 28 days (actual value of output data for prediction) as prediction data (actual value of input data for prediction and output data for prediction). 38 pieces were prepared as a combination of measured values).
Each of the 38 prediction input data actually measured values was input to the second prediction model, and the second prediction model output 38 prediction output data prediction values related to cement quality. Next, the coefficient of determination (R2 ) was calculated to be 0.60 using the predicted value of the output data for predicting the quality of the cement obtained and the actual measured value of the output data for prediction.
The value of the coefficient of determination when using prediction data (0.60) is about the same as the value of the coefficient of determination when using training data (0.57). It can be seen that the mortar flow value can be predicted with excellent accuracy even when the method is used.
Fig. 2 shows the relationship between the measured value and the predicted value of mortar strength at the age of 28 days.
［実施例２］
学習用入力データ及びテスト用入力データとして、実施例１で用いた３９種類のデータの実測値を使用した。
また、セメントの品質に関する学習用出力データ及びセメントの品質に関するテスト用出力データとして、上記セメントを含むモルタルのモルタルフロー値の実測値を使用した。
上記各種データの実測値は、２０１３年１月１日～２０２０年６月１日の間に製造された普通ポルトランドセメントから得られた実測値を使用した。
また、学習データ及びテストデータとして用いられるデータの個数は１５１個であった。[Example 2]
As the input data for learning and the input data for testing, the actual measurement values of the 39 types of data used in Example 1 were used.
Also, as output data for learning about the quality of cement and output data for testing about the quality of cement, measured values of the mortar flow value of the mortar containing the cement were used.
The measured values of the above various data were measured values obtained from ordinary Portland cement manufactured between January 1, 2013 and June 1, 2020.
Also, the number of data used as learning data and test data was 151 pieces.
１５１個のデータのうち、７５％に相当する１１３個のデータを学習データ（第一の学習データ）として用いたＬａｓｓｏ回帰によって、第一の予測モデルを複数作成した。
Ｌａｓｓｏ回帰に用いられるチューニングパラメータαは、０．００１～６．０００の数値範囲内であって、０．００１の数値間隔で変化させて（すなわち、上記αの数値を、０．００１、０．００２、０．００３・・・６．０００と変化させて）、変化させたチューニングパラメータαの数値ごとに、第一の予測モデル作成することで、合計６，０００個の第一の予測モデルを作成した。A plurality of first prediction models were created by Lasso regression using 113 data corresponding to 75% of the 151 data as learning data (first learning data).
The tuning parameter α used for Lasso regression is within a numerical range of 0.001 to 6.000, and is varied at numerical intervals of 0.001 (that is, the numerical value of α is set to 0.001, 0.001, 0.001, 0.001, 0.001). 002, 0.003 ... 6.000), and by creating a first prediction model for each numerical value of the changed tuning parameter α, a total of 6,000 first prediction models are created. Created.
１５１個のデータのうち、２５％に相当する３８個のデータをテストデータとして使用し、実施例１と同様にして、６，０００個の第一の予測モデルの各々について、決定係数（Ｒ２）を算出した。
第一の予測モデル作成に用いたチューニングパラメータαの数値と、該数値のチューニングパラメータαを用いて作成した第一の予測モデルを用いて算出した決定係数（Ｒ２）の関係を図３に示す。
６，０００個の第一の予測モデルから得られた６，０００個の決定係数（Ｒ２）のうち、最も大きい決定係数（Ｒ２）が算出された第一の予測モデルの作成に用いたチューニングパラメータαの数値は、２．４６８であった。該数値（２．４６８）を、第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定めた。Of the 151 data, 38 data corresponding to 25% were used as test data, and in the same manner as in Example 1, the coefficient of determination (R2 ) was calculated.
FIG. 3 shows the relationship between the numeric value of the tuning parameter α used to create the first prediction model and the coefficient of determination (R2 ) calculated using the first prediction model created using this numeric tuning parameter α. .
Of the 6,000 coefficients of determination (R2 ) obtained from the 6,000 first prediction models, the largest coefficient of determination (R2 ) was calculated to create the first prediction model The numerical value of the tuning parameter α was 2.468. This numerical value (2.468) was determined as the numerical value of the tuning parameter α used to create the second prediction model.
チューニングパラメータαの数値を２．４６８に定めた際に得られた第一の予測モデルについて、該第一の予測モデルの作成に用いた学習用入力データ（３６種）の各々について、標準偏回帰係数を算出し、該学習用データのうち、標準偏回帰係数が０ではなかった１９種のデータを、第二の予測モデルの作成に用いられる学習用入力データ（第二の学習用入力データ）に定めた。
なお、上記１９種のデータは、蛍光Ｘ線分析（ＸＲＦ）を用いて測定したセメントの化学組成（ＣａＯ、Ｋ２Ｏ、Ｎａ２Ｏｅｑ、ＴｉＯ２、Ｐ２Ｏ５、及びＳｒの各割合（質量％））、電位差滴定法を用いて測定されたセメントの化学組成（Ｃｌの割合（質量％））、セメントのモジュラス（鉄率（Ｉ．Ｍ．））、セメントの粉末度（ブレーン比表面積（ｃｍ２／ｇ））、Ｘ線回折（ＸＲＤ）によるリートベルト法を用いて測定されたセメントの鉱物組成（Ｃ４ＡＦ、ｆ．ＭｇＯ、ｆ．ＣａＯ、半水石膏、及びＣａＣＯ３の各割合（質量％））、ボーグ式を用いて算出された鉱物組成（Ｃ２Ｓの割合（質量％））、湿式ｆ．ＣａＯの割合（質量％）、色調（ａ、ｂ）、出荷温度（℃）であった。For the first prediction model obtained when the numerical value of the tuning parameter α was set to 2.468, standard partial regression was performed for each of the learning input data (36 types) used to create the first prediction model. Calculate the coefficient, and among the learning data, 19 kinds of data whose standard partial regression coefficient was not 0 are used as learning input data (second learning input data) used to create the second prediction model stipulated in
The above 19 types of data are the chemical compositions of cement measured using X-ray fluorescence analysis (XRF) (CaO, K2 O, Na2 Oeq, TiO2 , P2 O5 , and each ratio of Sr ( % by mass)), chemical composition of cement measured using potentiometric titration (ratio of Cl (% by mass)), modulus of cement (iron content (I.M.)), fineness of cement (Blaine specific surface area (cm2 /g)), cement mineral composition (C4 AF, f. MgO, f. CaO, hemihydrate, and CaCO3 each determined using the Rietveld method by X-ray diffraction (XRD) ratio (% by mass)), mineral composition calculated using the Borg formula (proportion of C2 S (% by mass)), wet formula f. They were the ratio of CaO (% by mass), color tone (a, b), and shipping temperature (°C).
チューニングパラメータαの数値を２．４６８に定め、かつ、学習用入力データとして上記１９種のデータを用いたＬａｓｓｏ回帰によって、第二の予測モデルを作成した。
第二の予測モデルの作成に要した時間は１分未満であった。
１１５個の学習用入力データの実測値を、各々、第二の予測モデルに入力し、第二の予測モデルから、１１５個のセメントの品質に関するテスト用出力データの予測値を出力した。次いで、得られたセメントの品質に関するテスト用出力データの予測値と、テスト用出力データの実測値を用いて、決定係数（Ｒ２）を算出したところ、０．４５であった。
実施例１と同様にして、セメントの品質に関する予測用出力データの予測値と、予測用出力データの実測値を用いて、決定係数（Ｒ２）を算出したところ、０．３９であった。
予測データを用いた場合の決定係数の数値（０．３９）は、学習データを用いた場合の決定係数の数値（０．４５）と同程度であり、予測モデルの学習に用いていないデータを用いた場合でも、優れた精度でモルタルフロー値を予測できることがわかる。
材齢２８日におけるモルタルの強さの実測値と予測値の関係を図４に示す。A second prediction model was created by Lasso regression using the tuning parameter α set to 2.468 and using the above 19 types of data as learning input data.
The time required to create the second prediction model was less than 1 minute.
Each of the 115 learning input data actually measured values was input to the second prediction model, and the second prediction model output 115 cement quality test output data prediction values. Next, the coefficient of determination (R2 ) was calculated to be 0.45 using the predicted value of the test output data regarding the quality of the cement obtained and the actual measurement value of the test output data.
In the same manner as in Example 1, the coefficient of determination (R2 ) was calculated to be 0.39 using the predicted value of output data for predicting cement quality and the measured value of output data for prediction.
The numerical value of the coefficient of determination when using prediction data (0.39) is about the same as the numerical value of the coefficient of determination when using training data (0.45), and the data not used for training the prediction model is used. It can be seen that the mortar flow value can be predicted with excellent accuracy even when the method is used.
Fig. 4 shows the relationship between the measured value and the predicted value of the mortar strength at the age of 28 days.
Claims (5)
Translated fromJapanese上記第二の予測モデルは、第二の学習用入力データの実測値とセメントの品質に関する第二の学習用出力データの実測値の組み合わせである第二の学習データを複数用いたＬａｓｓｏ回帰によって作成されたものであり、
上記Ｌａｓｓｏ回帰で用いられるチューニングパラメータαが、以下の（Ａ）～（Ｃ）工程によって定められたものであり、
予測用入力データの実測値を、上記第二の予測モデルに入力し、上記第二の予測モデルからセメントの品質に関する予測用出力データの予測値を出力して、該予測用出力データの予測値を用いてセメントの品質を予測することを特徴とするセメントの品質予測方法。
（Ａ） 上記チューニングパラメータαの数値を、任意に定めた数値範囲及び数値間隔で変化させて、変化させた上記チューニングパラメータαの数値毎に、第一の学習用入力データの実測値とセメントの品質に関する第一の学習用出力データの実測値の組み合わせである第一の学習データを複数用いたＬａｓｓｏ回帰によって、上記第一の予測モデルを作成して、上記チューニングパラメータαの数値と同数である上記第一の予測モデルを得る、第一の予測モデル作成工程
（Ｂ） 上記（Ａ）工程で得られた複数の上記第一の予測モデルの各々について、テスト用入力データの実測値とセメントの品質に関するテスト用出力データの実測値の組み合わせであるテストデータを複数用いて、（ｂ１）上記テスト用入力データの実測値を上記第一の予測モデルに入力することで得られるセメントの品質に関するテスト用出力データの予測値と、（ｂ２）上記テスト用出力データの実測値から、決定係数（Ｒ２）を算出する、決定係数算出工程
（Ｃ） 上記（Ｂ）工程で得られた複数の上記決定係数（Ｒ２）のうち、上記決定係数（Ｒ２）の数値が最も大きい第一の予測モデルの作成に用いられたチューニングパラメータαの数値を、上記第二の予測モデルの作成に用いられるチューニングパラメータαの数値に定める、チューニングパラメータ決定工程A method for predicting cement quality using a first prediction model and a second prediction model, comprising:
The second prediction model is created by Lasso regression using a plurality of second learning data, which is a combination of the measured values of the second learning input data and the measured values of the second learning output data related to cement quality. and
The tuning parameter α used in the Lasso regression is determined by the following steps (A) to (C),
Inputting the measured value of the input data for prediction into the second prediction model, outputting the predicted value of the output data for prediction relating to cement quality from the second prediction model, and the predicted value of the output data for prediction A method for predicting the quality of cement, characterized by predicting the quality of cement using
(A) The numerical value of the tuning parameter α is changed within an arbitrarily determined numerical range and numerical interval, and for each changed numerical value of the tuning parameter α, the actual measurement value of the first learning input data and the cement Create the first prediction model by Lasso regression using a plurality of first learning data, which is a combination of actual values of the first learning output data related to quality, and have the same number as the numerical value of the tuning parameter α First predictive model creation step (B) for obtaining the first predictive model For each of the plurality of first predictive models obtained in the step (A), measured values of test input data and cement Using a plurality of test data that is a combination of the actual measurement values of the test output data related to quality, (b1) a cement quality test obtained by inputting the actual measurement values of the test input data into the first prediction model and (b2) a coefficient of determination calculation step (C) of calculating a coefficient of determination (R2 ) from the predicted value of the output data for the test and the measured value of the output data for the test; Of the coefficients of determination (R2 ), the numerical value of the tuning parameter α used to create the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is used to create the second prediction model. Tuning parameter determination process determined by the numerical value of the tuning parameter α
上記決定係数（Ｒ２）の数値が最も大きい第一の予測モデルについて、該第一の予測モデルの作成に用いた上記第一の学習用入力データを構成するデータの種類毎の標準偏回帰係数を算出し、該標準偏回帰係数の数値に基づいて、上記第二の学習用入力データを構成するデータの種類を定める請求項１に記載のセメントの品質予測方法。The first input data for learning consists of a plurality of types of data,
Standard partial regression coefficient for each type of data constituting the first learning input data used to create the first prediction model for the first prediction model with the largest numerical value of the coefficient of determination (R2 ) is calculated, and the type of data constituting the second input data for learning is determined based on the value of the standard partial regression coefficient.
上記任意に定めた数値間隔が、０．０００１～０．０１の数値範囲内で任意に定められる数値間隔である請求項１～３のいずれか１項に記載のセメントの品質予測方法。In the above step (A), the arbitrarily defined numerical range is a numerical range arbitrarily defined within a numerical range exceeding 0 and 10 or less,
The cement quality prediction method according to any one of claims 1 to 3, wherein the arbitrarily determined numerical interval is a numerical interval arbitrarily determined within a numerical range of 0.0001 to 0.01.
上記第一の学習用出力データ、上記第二の学習用出力データ、上記テスト用出力データ、及び上記予測用出力データが、上記セメント組成物の品質に関するデータである請求項１～４のいずれか１項に記載のセメントの品質予測方法。The first input data for learning, the second input data for learning, the input data for testing, and the input data for prediction constitute data relating to cement and a cement composition obtained by kneading cement and water. Data on materials other than cement, data on blending conditions of the cement composition, data on means and methods for kneading the cement composition, data on the environment during kneading of the cement composition, and data on the cement composition One or more types of data selected from the group consisting of data related to transportation,
5. The first output data for learning, the second output data for learning, the test output data, and the prediction output data are data relating to the quality of the cement composition according to any one of claims 1 to 4. 2. The cement quality prediction method according to item 1.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021165916AJP2023056609A (en) | 2021-10-08 | 2021-10-08 | Cement quality prediction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021165916AJP2023056609A (en) | 2021-10-08 | 2021-10-08 | Cement quality prediction method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023056609Atrue JP2023056609A (en) | 2023-04-20 |
Family
ID=86004920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021165916APendingJP2023056609A (en) | 2021-10-08 | 2021-10-08 | Cement quality prediction method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023056609A (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118761322A (en)* | 2024-07-10 | 2024-10-11 | 广东珈源检测有限公司 | Cement dosage detection method and computer equipment |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005214891A (en)* | 2004-01-30 | 2005-08-11 | Mitsubishi Materials Corp | Cement quality prediction method and cement production management system |
| JP2018151883A (en)* | 2017-03-13 | 2018-09-27 | 株式会社東芝 | Analysis device, analysis method, and program |
| US20190370684A1 (en)* | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
| JP2020035146A (en)* | 2018-08-29 | 2020-03-05 | 株式会社東芝 | Information processing apparatus, information processing system and information processing method |
| US20210110313A1 (en)* | 2019-09-18 | 2021-04-15 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
- 2021
- 2021-10-08JPJP2021165916Apatent/JP2023056609A/enactivePending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005214891A (en)* | 2004-01-30 | 2005-08-11 | Mitsubishi Materials Corp | Cement quality prediction method and cement production management system |
| JP2018151883A (en)* | 2017-03-13 | 2018-09-27 | 株式会社東芝 | Analysis device, analysis method, and program |
| US20190370684A1 (en)* | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
| JP2020035146A (en)* | 2018-08-29 | 2020-03-05 | 株式会社東芝 | Information processing apparatus, information processing system and information processing method |
| US20210110313A1 (en)* | 2019-09-18 | 2021-04-15 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118761322A (en)* | 2024-07-10 | 2024-10-11 | 广东珈源检测有限公司 | Cement dosage detection method and computer equipment |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mailar et al. | Investigation of concrete produced using recycled aluminium dross for hot weather concreting conditions | |
| Mendes et al. | On the relationship between morphology and thermal conductivity of cement-based composites | |
| Bucher et al. | Service life of metakaolin-based concrete exposed to carbonation: Comparison with blended cement containing fly ash, blast furnace slag and limestone filler | |
| US9679244B2 (en) | Method for predicting quality or manufacturing condition of cement | |
| JP6794039B2 (en) | Prediction method of concrete compounding conditions | |
| JP6674356B2 (en) | Prediction method of concrete quality or concrete mixing condition | |
| Elevado et al. | Compressive strength modelling of concrete mixed with fly ash and waste ceramics using K-nearest neighbor algorithm | |
| WO2012086754A1 (en) | Cement quality/manufacturing condition measurement method | |
| Ghiasvand et al. | Influence of grinding method and particle size distribution on the properties of Portland-limestone cements | |
| JP2017066020A (en) | Method for predicting quality or manufacturing condition of fly ash cement | |
| JP6732380B2 (en) | Method of predicting cement quality or manufacturing conditions | |
| Sinngu et al. | Evaluation of metakaolin pozzolan for cement in South Africa | |
| JP2023056609A (en) | Cement quality prediction method | |
| ElNemr | Role of water/binder ratio on strength development of cement mortar | |
| JP2005350337A (en) | Cement composition | |
| JP6639987B2 (en) | How to predict cement quality or manufacturing conditions | |
| JP2007137722A (en) | Cement composition | |
| Elshafie et al. | Influence of mineral admixtures on the mechanical properties of fresh and hardened concrete | |
| JP2018168021A (en) | Method for predicting quality or manufacturing condition of cement | |
| Aruntaş et al. | Estimation of physical and mechanical properties of portland composite cement produced by using raw perlite with fuzzy logic model | |
| JP5323290B1 (en) | Methods for predicting cement quality or manufacturing conditions | |
| Ikumapayi et al. | Compressive strength and thermogravimetric analysis of Metakaolin Blended cement | |
| Bendary et al. | Feasibility study of dealuminated kaolin utilization in marine constructions | |
| WO2018061239A1 (en) | Prediction method for cement quality or manufacturing conditions | |
| Ede et al. | Influence of Dicalcium Silicate and Tricalcium Aluminate compounds in different local Cement brands on the compressive strength of normal concrete |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention | Free format text:JAPANESE INTERMEDIATE CODE: A80 Effective date:20211021 | |
| A621 | Written request for application examination | Free format text:JAPANESE INTERMEDIATE CODE: A621 Effective date:20240920 | |
| A977 | Report on retrieval | Free format text:JAPANESE INTERMEDIATE CODE: A971007 Effective date:20250730 | |
| A131 | Notification of reasons for refusal | Free format text:JAPANESE INTERMEDIATE CODE: A131 Effective date:20250826 |