基于3D卷积神经网络的膏体屈服应力预测

• Published in: 工程科学学报 Vol. 46; no. 8; pp. 1337 - 1348
• Main Authors: 刘泽民, 程海勇, 毛明发, 李在利, 吴顺川, 姜关照, 孙伟, 刘伟铧
• Format: Journal Article
• Language: Chinese
• Published: 昆明理工大学国土资源工程学院,昆明 650093%云南驰宏锌锗股份有限公司会泽矿业公司,曲靖 654211%中铝集团玉溪矿业有限公司,玉溪 653100 01.07.2024
• Subjects: paste backfill; 膏体充填; rheology; 3D convolutional neural networks; 预测; yield stress; prediction; 流变性能; 屈服应力; 3D卷积神经网络
• ISSN: 2095-9389
• DOI: 10.13374/j.issn2095-9389.2023.10.11.005

TD853; 膏体流变性能是膏体充填技术重要指标,是金属矿膏体充填工艺流程的重要工程参数.本文提出一种基于 3D卷积神经网络的膏体屈服应力预测方法,通过制定图像采集标准并研发图像采集装置采集图像数据集.经Sobel算子实现膏体边缘检测、全图缩小等预处理,得到膏体图像数据集.采用十折交叉验证方法划分数据集,避免因单次随机划分造成的偶然误差.以膏体图像-屈服应力数据集为基础,利用 3D卷积神经网络模型提取膏体纹理特征和时序信息等,又通过引入直方图均衡化算法的图像增强策略减少环境因素干扰,提高模型稳健性.利用预处理后的数据集在 3D卷积神经网络模型上做训练和测试,得到模型损失值曲线图和混淆矩阵.将屈服应力模型预测结果进行分析,又引入卷积注意力机制嵌入到卷积神经网络实现模型优化,并对模型参数进行调整,模型预测平均准确率从 93.26%提升至 98.19%,论证了基于 3D卷积神经网络的膏体屈服应力预测方法可行性.经图像增强处理的数据集应用到各模型中,模型预测平均准确率均提升 3%以上.相比传统膏体流变测量方式,解决了传统膏体屈服应力测量操作复杂、外部因素扰动大、工程现场难以开展等问题.