本发明属于回填的预拌流态土固化剂，具体而言，涉及一种用于回填的预拌流态土固化剂参数确定方法、介质及系统。
背景技术：
1、预拌流态土是一种新型的地基处理材料,广泛应用于建筑工程、市政工程以及矿山工程等领域的地基处理和回填作业中。与传统的水泥土和碎石回填相比,预拌流态土具有流动性好、施工便捷、强度和耐久性高等特点,成为了地基处理的首选材料之一。
2、在预拌流态土的实际应用中,其性能指标的控制是一个关键技术问题。预拌流态土的关键性能指标包括流动性、固化时间、强度发展以及颗粒级配等。这些指标直接关系到预拌流态土在施工和使用过程中的施工性能和力学性能。例如,流动性过高会导致浆体分离,而流动性过低则会影响施工作业效率;固化时间过短会造成混凝土快速固化,影响后续作业,而固化时间过长则会拖延施工进度;强度发展过慢会削弱地基承载能力,而强度过高则会增加工程造价;颗粒级配不佳会导致体积稳定性差,容易出现沉陷变形等问题。传统的预拌流态土配合比设计方法主要依赖于工程经验积累，存在不能系统化的确定用于回填的预拌流态土固化剂参数的技术问题。
技术实现思路
1、有鉴于此，本发明提供一种用于回填的预拌流态土固化剂参数确定方法、介质及系统，能够解决传统的预拌流态土配合比设计方法主要依赖于工程经验积累，存在不能系统化的确定用于回填的预拌流态土固化剂参数的技术问题。
2、本发明是这样实现的：
3、本发明的第一方面提供一种用于回填的预拌流态土固化剂参数确定方法，其中，包括以下步骤：
4、s10、获取预拌流态土的要求性能指标范围、原材料基本配比范围以及固化剂的添加量范围；
5、s20、采用预训练的配合比设计模型,输入所述要求性能指标范围、原材料基本配比范围以及外加剂的添加量范围，得到多组调优的原材料配比和固化剂添加量；
6、s30、基于所述多组调优的原材料配比和固化剂添加量，进行小实验，得到多组预拌流态土的拌合物；
7、s40、获取所述拌合物搅拌过程中的图像，以及超声波探测仪对所述拌合物的探测信号；对所述图像和探测信号进行与护理，得到预处理图像和预处理超声信号；
8、s50、基于所述预处理图像和预处理超声信号,采用卷积神经网络模型对图像进行粒度识别,得到图像识别出的粒径分布数据;采用小波变换对超声信号进行去噪处理,获得去噪后的超声信号;利用声学反射原理从去噪后的超声信号中分析出不同颗粒尺寸的反射信号强度,得到超声识别出的粒径分布数据;最后将图像识别和超声识别两种方式得到的粒径分布数据融合,得到所述拌合物的最终粒度分布数据；
9、s60、获取对所述多组拌合物进行性能指标检测得到的流动性数据、固化时间控制数据、早期强度数据和长期强度数据；
10、s70、采用预先拟合好的线性回归模型，根据所述粒度分布数据、流动性数据、固化时间控制数据、早期强度数据和长期强度数据计算每组预拌流态土的拌合物的性能指标指数；
11、s80、选择性能指数最高的预拌流态土的拌合物对应的每种固化剂的添加量作为固化剂参数并输出。
12、其中，所述要求性能指标包括流动性、固化时间控制、早期和长期强度以及粒度分布。
13、其中，所述主要原材料包括水泥、粉煤灰、矿渣微粉和砂。
14、其中，所述固化剂包括减水剂、速凝剂、缓凝剂、早强剂、抗冻剂。
15、其中，所述配合比设计模型训练的具体方式是：
16、建立训练数据集，包括不同原材料配比和固化剂添加量的样本数据,每个样本数据包括原材料配比、固化剂添加量以及相应的性能指标；
17、训练神经网络，利用所述训练数据集训练一个神经网络，得到所述配合比设计模型，所述神经网络采用深度学习神经网络作为基本结构，所述神经网络包括输入层、隐藏层和输出层。
18、其中，输入层接收原材料配比和固化剂添加量等参数;
19、隐藏层包括全连接层、卷积层和池化层等模块,用于提取特征;
20、输出层包括全连接层模块,用于输出预测的性能指标值。
21、所述输入层、隐藏层和输出层的相互关系是,输入层接收原材料配比和固化剂添加量等参数,隐藏层提取特征,输出层输出预测的性能指标值。
22、在训练过程中,使用梯度下降等优化算法,最小化预测值与实际值之间的损失函数,通过多轮迭代训练,使模型学习原材料配比、固化剂添加量与性能指标之间的关系,并采用交叉验证等方法,提高模型的泛化能力。
23、进一步的，所述神经网络还包括约束层，用于对输出层输出的结果进行约束，当输出结果不符合约束层要求时，则迭代调整隐藏层参数，使得输出层的输出符合约束层要求，所述约束层包括约束模块,用于确保输出的原材料配比和固化剂添加量满足要求性能指标范围。
24、在具有约束层的前提下，所述输入层、约束层、隐藏层和输出层的相互关系是,输入层接收原材料配比和固化剂添加量等参数,约束层确保输出满足要求,隐藏层提取特征,输出层输出调优的原材料配比和固化剂添加量。
25、进一步的，所述约束层具体采用罚函数层或障碍函数层的方式实现。
26、可选的，约束层采用下列方式实现：
27、1.投影层:该层可以对网络输出进行投影,确保输出满足约束条件；约束条件可以是线性约束,如原材料配比之和为1；也可以是非线性约束,如性能指标范围。
28、2.罚函数层:该层可以在损失函数中加入一个罚项,惩罚不满足约束条件的输出，罚项可以采用l1范数或l2范数等形式,权重可以通过调整来控制约束的重要性。
29、3.拉格朗日乘子层:该层可以引入拉格朗日乘子,将约束条件转化为无约束优化问题，乘子可以通过梯度下降等方法进行联合优化更新。
30、4.障碍函数层:该层可以在损失函数中加入一个障碍函数,当输出接近约束边界时,函数值会迅速增大，障碍函数可以是对数障碍函数等形式。
31、其中，所述线性回归模型的公式，具体是：
32、
33、式中，为粒度分布，为流动性，为固化时间，为7天抗压强度测试数据，为28天抗压强度测试数据，为回归系数,通过最小二乘法求解得到。
34、其中，所述步骤s10包括:获取预拌流态土的性能指标要求范围,包括确定流动性要求在160-220毫米,固化时间控制要求在3-6小时,早期强度(7天)要求在2-5兆帕,长期强度(28天)要求在5-10兆帕,粒度分布中砂的含量要求为30-50%,粉煤灰含量要求为20-40%,水泥含量要求为10-20%,矿渣微粉含量要求为5-15%；:确定预拌流态土的原材料配比范围,包括水泥含量在10-20%,粉煤灰含量在20-40%,矿渣微粉含量在5-15%,砂含量在30-50%；:确定预拌流态土固化剂的添加量范围,包括减水剂添加量在0.2-0.6%,速凝剂添加量在0.5-2%,缓凝剂添加量在0.1-0.5%,早强剂添加量在1-3%,抗冻剂添加量在0.5-2%。
35、其中，所述步骤s20包括:收集大量满足预拌流态土性能要求的配合比案例作为训练数据集,训练数据集包括原材料配比、固化剂添加量和相应的性能指标数据。
36、其中，所述步骤s30包括:在获得满足性能要求的多组初步配合比方案后,需要进行小试验来验证这些方案的可行性。具体地,按照s20步骤得到的各组原材料配比和固化剂添加量,在实验室条件下制备相应的预拌流态土拌合物。需要严格控制每组拌合物的拌制过程,如搅拌时间、搅拌速度等。得到的各组拌合物样品将用于后续的性能检测和分析。
37、其中,所述步骤s40包括:使用高速摄像机捕捉预拌流态土拌合物搅拌过程中的动态图像,获得原始图像数据;使用超声波探测仪对拌合物进行在线探测,获得反射信号数据。
38、其中，所述步骤s40还包括:对原始图像数据进行去噪、增强对比度、分割等预处理操作,得到可供后续粒度识别的预处理图像;对超声波反射信号数据进行去噪处理,消除搅拌过程中的干扰,得到可供粒度分析的预处理超声信号。
39、其中，所述步骤s50包括:利用预训练的卷积神经网络模型对预处理后的图像进行粒度识别,得到图像识别出的粒径分布数据，利用小波变换对预处理后的超声信号进行去噪处理,消除干扰噪声;根据声学反射原理,分析去噪后的超声信号中不同强度的反射信号,对应不同粒径的颗粒,得到超声识别出的粒径分布数据，其中，将图像识别和超声识别两种方式得到的粒径分布数据进行融合,利用加权平均的方式得到最终的粒度分布结果。
40、其中，所述步骤s60包括:通过坍落扩展度试验测定拌合物的流动性,得到流动性数据;通过针入试验测定拌合物的初凝和终凝时间,得到固化时间控制数据;通过抗压强度试验测定拌合物在7天和28天龄期的强度,得到早期和长期强度数据。
41、其中，所述步骤s70包括:收集大量满足要求的预拌流态土拌合物样品,测试其粒度分布、流动性、固化时间、早期强度和长期强度等指标,将这些数据作为自变量,设置一个综合性能指数作为因变量,采用线性回归算法拟合出一个预测模型。
42、其中，所述步骤s80包括:根据步骤s70计算得到的各组拌合物的综合性能指数,选择指数最高的那组作为最优方案,其对应的各种固化剂的添加量百分比即为本发明确定的最终固化剂参数。
43、可选的,所述步骤s40中使用的高速摄像机采集图像的帧率不低于100帧/秒,以充分捕捉预拌流态土拌合物搅拌过程中的动态变化；超声波探测仪工作频率在100-500千赫兹,能够有效探测预拌流态土中不同粒径颗粒的反射信号。
44、可选的，所述步骤s50中的图像识别和超声识别结果融合采用加权平均的方式,其中图像识别结果和超声识别结果的权重分别为0.6和0.4。
45、可选的,所述步骤s60中的流动性检测采用gb/t2419标准中的坍落扩展度试验方法,固化时间控制检测采用gb/t8076标准中的针入试验方法,早期和长期强度检测采用gb/t17671标准中的抗压强度试验方法。
46、可选的，线性回归模型的验证过程包括:收集一批新的预拌流态土拌合物样品,测试其性能指标数据,将这些数据输入回归模型预测综合性能指数,并与实际测试的综合性能指数进行对比分析,确保预测精度在±5%以内。
47、本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种用于回填的预拌流态土固化剂参数确定方法。
48、本发明的第三方面提供一种用于回填的预拌流态土固化剂参数确定系统，其中，包含上述的计算机可读存储介质。
49、与现有技术相比较，本发明提供的一种用于回填的预拌流态土固化剂参数确定方法、介质及系统的有益效果是：本发明充分利用了机器学习、图像处理、信号分析等先进技术手段,实现了预拌流态土配合比和固化剂添加量的快速优化设计,并确保最终方案满足工程性能要求。具体的技术效果如下:
50、1.大幅提高配合比设计的效率。本发明采用预训练的机器学习模型,根据性能指标要求、材料配比范围等输入,即可快速生成满足要求的优化配合比方案,避免了传统依赖于大量试验的低效设计过程。
51、2.显著提高配合比方案的可靠性。本发明不仅通过机器学习模型实现了初步配合比方案的快速生成,还采用了图像分析和超声波探测等技术手段,全面评估了拌合物的性能指标,确保最终方案满足工程需求。
52、3.降低了对技术人员经验的依赖性。本发明提供了一种系统化、自动化的预拌流态土配合比确定方法,大幅降低了对技术人员经验积累的依赖程度,有利于推广应用。
53、因此，本发明解决了传统的预拌流态土配合比设计方法主要依赖于工程经验积累，存在不能系统化的确定用于回填的预拌流态土固化剂参数的技术问题。
1.一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，包括以下步骤;
2.根据权利要求1所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述要求性能指标包括流动性、固化时间控制、早期和长期强度以及粒度分布。
3.根据权利要求1所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述主要原材料包括水泥、粉煤灰、矿渣微粉和砂。
4.根据权利要求1所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述固化剂包括减水剂、速凝剂、缓凝剂、早强剂、抗冻剂。
5.根据权利要求1所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述配合比设计模型训练的具体方式是：
6.根据权利要求5所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述神经网络还包括约束层，用于对输出层输出的结果进行约束，当输出结果不符合约束层要求时，则迭代调整隐藏层参数，使得输出层的输出符合约束层要求，所述约束层包括约束模块,用于确保输出的原材料配比和固化剂添加量满足要求性能指标范围。
7.根据权利要求6所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述约束层具体采用罚函数层或障碍函数层的方式实现。
8.根据权利要求1所述的一种用于回填的预拌流态土固化剂参数确定方法，其特征在于，所述线性回归模型的公式，具体是：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-8任一项所述的一种用于回填的预拌流态土固化剂参数确定方法。
10.一种用于回填的预拌流态土固化剂参数确定系统，其特征在于，包含权利要求9所述的计算机可读存储介质。
