基于机器学习的粉煤灰基发泡陶瓷机械性能预测研究.pdf

摘要

我国在燃煤发电过程中产生的粉煤灰的利用率仅在78%，剩余部分的堆积会对周

边环境与人体造成伤害。采用粉煤灰制备发泡陶瓷不仅可以降低粉煤灰的堆放所带来

的危害，也可以获得优异的发泡陶瓷保温材料。目前制备粉煤灰基发泡陶瓷的方式是

调整原材料种类，根据“经验法”不断调整优化原料配比以获得性能优异的发泡陶瓷，

这无疑会造成大量时间和资源的浪费，并且其结果只能对同类原材料的发泡陶瓷提供

参考，无法对不同原材料的初步配方设计提供指导，此时需要建立起化学组分与性能

之间的关系，确定化学组分范围，以此来加快不同原材料的初步配方设计过程。当前，

采用机器学习技术对材料性能进行分析预测给新材料的研发提供一个新的思路。因此，

寻找一种新方法辅助加快粉煤灰基发泡陶瓷的制备研发具备重要意义。

针对上述问题，本文从机器学习技术可以处理数据之间的隐性关系、通过预测材

料性能可替代一部分实验制备过程、缩减材料研发周期为出发点，以粉煤灰基发泡陶

瓷为研究对象，探究同类原材料下原料配比与性能之间的关系，以及不同种类原材料

之间胚料化学组分含量与性能之间的关系，建立预测模型。即本文的主要内容如下：1、

建立相同原材料发泡陶瓷的原料配比-制备工艺-性能的机器学习模型。以磷石膏为发泡

剂制备粉煤灰基发泡陶瓷的实验数据为样本，建立RR、SVR-rbf、SVR-linear、LMBP

四种机器学习模型，对粉煤灰基发泡陶瓷的四种性能进行回归拟合，结合留一法交叉

验证的方式调整模型至最佳精度状态，对确定的实验配比进行实验制备并测定性能，

与模型预测结果进行比较。结果显示：SVR-rbf模型可以对吸水率和抗压强度进行有效

预测，其预测误差为3.63%和1.04%。LMBP模型可以对体积密度和导热系数进行有效

预测，其预测误差为4.97%和4.6%。两种模型预测相对误差均小于5%。2、建立不同

种类原材料之间的化学组分含量-发泡剂含量-制备工艺-性能的机器学习模型。以不同

种类原材料下粉煤灰基发泡陶瓷的实验数据为样本，建立GBRT、RF、XGB、SVR-linear、

SVR-rbf五种机器学习模型，提出互信息值与皮尔逊相关系数结合的方式，去除特征之

间的高相关性、性能特征之间的无关性。并采用嵌入法、过滤法和留一法交叉验证的方

式，对五种机器学习模型进行最佳特征子集选择。随后对建立的最佳特征子集最优模

型采用SHAP模型解释方法，对模型贡献最大的两个特征进行简要分析。最后调整模

型的超参数并对模型的性能进行实验验证，结果显示：XGB可以对三个性能建立良好

的预测模型：其训练集R2值分别为：0.9236、0.9913、0.9594，对测试集的预测结果R2

值为0.8401、0.9311、0.7568。三种性能模型的预测值与实验测定值相对误差在6%以

内。

关键词：机器学习；性能预测；发泡陶瓷；特征选择

论文类型：应用研究

ABSTRACT

Theutilizationrateofflyashgeneratedduringcoal-firedpowergenerationinChinais

onlyat78%,andtheaccumulationoftheremainingportioncancauseharmtothesurrounding

environmentandhumanbody.Theuseofflyashforthepreparationoffoamedceramicsnot

onlyreducestheharmcausedbythepilingofflyash,butalsoprovidesexcellentfoamed

ceramicinsulationmaterials.Thecurrentwaytoprepareflyash-basedfoamedceramicsisto

adjustthetypeofrawmaterials,accordingtotheempiricalmethodtoconstantlyadjustthe

optimalratioofrawmaterialstoobtainexcellentperformance