基于SVM的粉煤灰壓實特性指標預測

摘要：粉煤灰既是一種固體廢棄物，也是一種優(yōu)良的巖土材料。作為巖土材料，最大干密度和比重是其最重要的兩個工程特性指標。本文利用支持向量機這一個軟計算技術(shù)，建立了粉煤灰最大干密度和比重的預測模型。研究結(jié)果表明，支持向量機模型比現(xiàn)有的人工神經(jīng)網(wǎng)絡模型更為有效。

關(guān)鍵詞：粉煤灰；最大干密度；比重；預測模型；支持向量機

粉煤灰在建材、農(nóng)業(yè)、環(huán)保和精細化利用等方面均具有良好的應用前景［1］。如在建材工程方面，除可用于生產(chǎn)粉煤灰混凝土、粉煤灰水泥、粉煤灰磚、墻體材料等用途之外，由于粉煤灰有著干密度低、透氣性大、黏結(jié)性小、活性高、壓實最佳含水量高等特點，還可作為建筑、水利、市政、道路以及采空區(qū)等各類工程的優(yōu)質(zhì)回填料。將粉煤灰作為回填材料，其最大干密度（MDD）和比重（G）是最重要的兩個壓實特性指標。

在機器學習中，支持向量機（SVM）是一種帶相關(guān)學習算法的監(jiān)督學習模型，可以分析數(shù)據(jù)和識別模式，用于分類和回歸分析。AsadKhan［2］建立了預測粉煤灰MDD和G的人工神經(jīng)網(wǎng)絡（ANN）模型。預測MDD的最佳模型為：（1）輸入向量分別為Fe2O3（Fe）、燒失量（LOI）和G；（2）輸入向量分別為Fe、LOI、G和最佳含水量（OMC）。對G的預測，最好的模型是：（1）輸入向量分別為CaO、Fe、LOI和比表面積（SS）；（2）輸入向量分別為Al2O3、SiO2、CaO、Fe、LOI和SS。但采用支持向量機對粉煤灰的MDD和G進行預測，在現(xiàn)有文獻中鮮見報道。本研究旨在建立預測粉煤灰MDD和G的SVM模型，并與現(xiàn)有ANN模型的預測效果相比較。

1預測MDD的SVM模型的建立

利用文獻［2］建立預測粉煤灰MDD的人工神經(jīng)網(wǎng)絡模型的數(shù)據(jù)，所采用的樣本總數(shù)為40個，其中25個用作學習樣本，15個用作檢驗樣本，建立了支持向量機模型。表1給出了用于開發(fā)支持向量機模型的數(shù)據(jù)的最小值、最大值、平均值和標準偏差。

利用MATLAB軟件包建立支持向量機模型。采用徑向基函數(shù)核、多項式核和樣條核函數(shù)分別建立不同的支持向量機模型，所建立的SVM模型分別命名為SVMR、SVMP和SVMS。兩組模型的輸入向量分別包括：（1）Fe、LOI、和G；（2）Fe、LOI、G和OMC。這兩組模型分別被命名為模型1（Model1）和模型2（Model2）。

2預測G的SVM模型的建立

利用文獻［2］預測粉煤灰G的ANN數(shù)據(jù)，建立了兩種G的支持向量機預測模型：模型1（Model1）的輸入向量為CaO、Fe、LOI和比表面積（SS）；模型2（Model2）的輸入向量為Al2O3、SiO2、CaO、Fe、LOI和SS。表2給出了學習和檢驗所采用樣本值的最小值、最大值、平均值和標準偏差。樣本總數(shù)為113個，其中80個作為學習樣本，33個為檢驗樣本。

3預測結(jié)果的分析和討論

3.1粉煤灰MDD的預測

表3、表4分別給出了支持向量機模型1和模型2的預測結(jié)果。以相關(guān)系數(shù)（R）和效率系數(shù)（E）作為評判模型預測精度的指標可以看出，SVMS比SVMP、SVMR具有更高的效率。圖1和圖2分別給出了模型1和模型2的實測最大干密度值和預測最大干密度值之間的比較。結(jié)果表明，模型2比模型1需要更多的輸入向量，但是二者的統(tǒng)計性能是相當?shù)摹ＤＰ?由于采用了較少的輸入向量，因此，可以認為模型1比模型2更為有效。

（1）靈敏度分析。采用文獻［3］的程序，對支持向量機模型（模型1）的輸入和輸出之間的因果關(guān)系進行了靈敏度分析。最大干密度的靈敏度分析如圖3所示，預測MDD最重要的輸入?yún)?shù)是G，其次是Fe和LOI。

（2）預測MDD的SVM模型與ANN模型的比較。表5比較了基于不同輸入向量的SVMS支持向量機和人工神經(jīng)網(wǎng)絡ANN模型。從表5中可以看出，支持向量機是一個略好于人工神經(jīng)網(wǎng)絡模型的模型。

3.2粉煤灰G值的預測

表6和表7分別給出了支持向量機模型1和模型2對G的預測結(jié)果。通過對模型1和模型2預測精度指標R和E值的比較可知，SVMP比SVMR和SVMS更有效。圖4、圖5分別給出了模型1和模型2的預測比重值與實測值的比較，可以看出，與模型1相比，采用模型2時散射較小。支持向量機模型具有很好的相關(guān)性，特別是對于模型1，它比模型2采用了較少的輸入向量，但是兩個模型的統(tǒng)計性能是相當?shù)模虼四Ｐ?具有較好的簡潔性。

（1）靈敏度分析。采用文獻［3］的程序，對支持向量機模型（模型1）的輸入和輸出之間的因果關(guān)系進行了靈敏度分析，結(jié)果見圖6。從中可見，鐵含量是用于預測粉煤灰比重的最重要的參數(shù)，其次是燒失量、比表面積和氧化鈣。

（2）預測G的SVM模型與ANN模型的比較。表8給出了支持向量機的最佳模型SVMP與早期ANN模型的比較結(jié)果。從表8中可以看出，SVM模型略優(yōu)于之前的最佳ANN模型。

結(jié)語

本文建立了預測粉煤灰最大干密度和比重的SVM模型，并與現(xiàn)有ANN模型的預測效果進行了比較，所得主要結(jié)論如下：

（1）當預測粉煤灰的最大干密度時，SVMS比SVMP和SVMR更有效；

（2）當預測粉煤灰的比重時，SVMP比SVMR和SVMS更有效；

（3）根據(jù)支持向量機模型的靈敏度分析，預測最大干密度的最重要參數(shù)是比重，其次是鐵含量和燒失量，預測比重的最重要參數(shù)是鐵含量，最后是燒失量、比表面積和氧化鈣；

（4）通過對SVM模型與已有ANN模型的有效性比較，發(fā)現(xiàn)SVM模型優(yōu)于ANN模型。

參考文獻：

［1］楊星，呼文奎，賈飛云，等.粉煤灰的綜合利用技術(shù)研究進展［J］.能源與環(huán)境，2018（04）：5557.

［2］AsadKhan.PredictionofmaximumdrydensityandspecificgravityofFlyAshbyNeuralNetworks［J］.Boletíntécnico，2017，55（6）：4248.

［3］MuhammadKamran.RiverstageforecastinginPakistan：neuralnetworkapproach［J］.Complexity，2004，14（1）：1118.

作者簡介：李陽陽（1991—），男，漢族，河北邯鄲人，碩士研究生，工程師，主要從事水利水電工程施工。