水泥基材料的导热系数预测方法、系统、设备及介质

1.本发明涉及导热系数预测技术领域，特别是涉及一种基于小样本回归的水泥基材料的导热系数预测方法、系统、设备及介质。


背景技术：

2.大体积混凝土浇筑工程中，水泥的水化热不能及时排出，内部将出现较大的温度梯度，导致温度裂缝的产生。目前，为改善大体积混凝土热开裂问题，提升材料性能是一种有效的方法，在水泥基材料中掺入少量增强相(增强相对改性建筑材料)，所得到的复合材料的宏观性能将有大幅提升，“小掺量、大提升”在性能提升以及经济效益方面带来巨大收益。
3.但是，掺入增强相时，不同尺寸、不同种类、不同掺量和不同的处理方式以及混合方式都会不同程度的影响水泥基材料的宏观性能，所以，掺入增强相对水泥基材料的导热性能的影响较为复杂，需要一种方法来测试水泥基材料的导热系数。直接测试导热系数的方法要求较为复杂，比如瞬态平面热源法可以快捷的测试小尺寸样品的导热系数，但对于大体积样品则不方便实测，一方面浪费材料，另一方面没有相关的仪器，且直接测试导热系数的方法不适用于测试批量样品，时间成本高，随机取样直接测试导热系数的代表性又较差。如果能够建立导热系数的预测模型，将可以解决直接测试导热系数这一方法所存在的问题，但测试水泥基材料的导热系数的试验样本较少，少量的试验样本不利于建立特征与导热系数之间的数学模型，也不利于建立特征与导热系数之间的泛化能力较强的拟合公式。
4.基于此，亟需一种基于少量样本的水泥基材料的导热系数预测技术。


技术实现要素：

5.本发明的目的是提供一种水泥基材料的导热系数预测方法、系统、设备及介质，能够基于少量样本建立用于预测导热系数的预测模型，简单、准确、快速的预测得到水泥基材料的导热系数。
6.为实现上述目的，本发明提供了如下方案：
7.一种水泥基材料的导热系数预测方法，所述预测方法包括：
8.获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；
9.通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集；
10.利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。
11.在一些实施例中，所述各级孔隙包括层间孔、凝胶孔、细毛细孔和粗毛细孔。
12.在一些实施例中，所述通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集具体包括：
13.随机组合所述初始数据集的特征数据中的各类特征，生成新特征，以对所述初始数据集进行特征数据类型的扩充；
14.将所有所述新特征分别添加至所述初始数据集的每一所述样本的特征数据中，并计算所述新特征的取值，得到每一所述样本的中间特征数据；
15.对于每一所述中间特征数据，重复“随机选取所述中间特征数据中的若干个新特征作为目标特征，保留所述目标特征的取值，并将除所述目标特征之外的新特征的取值置为0”的步骤，直至达到预设次数，得到所述中间特征数据对应的多个合成数据，以对所述初始数据集进行样本个数的扩充；
16.将所有所述中间特征数据对应的多个合成数据组成扩充后数据集。
17.在一些实施例中，各类特征的组合方式包括加、减、乘和/或除的运算方式。
18.在一些实施例中，所述初始预测模型为线性回归模型。
19.在一些实施例中，在利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型之前，所述预测方法还包括：
20.以细毛细孔和粗毛细孔与导热系数的负相关关系作为先验知识，将初始预测模型中的细毛细孔的孔隙率对应的模型参数和粗毛细孔的孔隙率对应的模型参数的取值范围设置为小于0。
21.在一些实施例中，在利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型时，采用梯度下降法求解所述初始预测模型的最优模型参数。
22.一种水泥基材料的导热系数预测系统，所述预测系统包括：
23.数据获取模块，用于获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；
24.数据扩充模块，用于通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集；
25.预测模块，用于利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。
26.一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以使所述电子设备执行上述的预测方法。
27.一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的预测方法。
28.根据本发明提供的具体实施例，本发明公开了以下技术效果：
29.本发明用于提供一种水泥基材料的导热系数预测方法、系统、设备及介质，通过特征增强和数据合成的方式对包含少量样本的初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集，利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型，后续即可利用训练好的预测模型对待预测目标水泥基材料的导热系数进行预测，从
而本发明能够基于少量样本建立用于预测导热系数的预测模型，简单、准确、快速的预测得到水泥基材料的导热系数。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明实施例1所提供的预测方法的方法流程图；
32.图2为本发明实施例1所提供的预测方法的原理框图；
33.图3为本发明实施例1所提供的预测值与实际值的对比示意图；
34.图4为本发明实施例2所提供的预测系统的系统框图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.本发明的目的是提供一种水泥基材料的导热系数预测方法、系统、设备及介质，能够基于少量样本建立用于预测导热系数的预测模型，简单、准确、快速的预测得到水泥基材料的导热系数。
37.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
38.实施例1：
39.本实施例用于提供一种水泥基材料的导热系数预测方法，如图1和图2所示，所述预测方法包括：
40.s1：获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；
41.本实施例的水泥基材料可为砂浆或混凝土，砂浆由胶凝材料、砂、水以及必要时加入的外加剂和掺和料按一定比例配制，经均匀搅拌，密实成型，养护硬化而成，混凝土是由胶凝材料、颗粒状集料(也称为骨料)、水以及必要时加入的外加剂和掺合料按一定比例配制，经均匀搅拌，密实成型，养护硬化而成的一种人工石材。在对砂浆或混凝土的导热性能进行研究时，本实施例认为任何阶段的砂浆或混凝土均是由统一级配砂石、已水化的水泥熟料、未水化的水泥熟料以及各级孔隙组成，级配砂石是指砂子或石子的粒度按一定的比例混合后用来做基础或其他用途的混合材料，水泥熟料是以石灰石和粘土、铁质原料为主要原料，按适当比例配制成生料，烧至部分或全部熔融，并经冷却而获得的半成品。对于砂浆或混凝土，掺入的少量增强相(即小掺量增强相)对砂浆或混凝土的导热系数的直接影响
较小，可以忽略不计，即小掺量增强相对砂浆或混凝土的导热性能的直接贡献可忽略不计，进一步分析砂浆或混凝土的组分，确定影响砂浆或混凝土的导热系数的因素只有孔结构和水化程度。故本实施例在建立初始数据集时，以水泥基材料的孔结构分布参数和水化程度系数作为特征数据，孔结构分布参数包括各级孔隙的孔隙率，本实施例会预先确定砂浆或混凝土的孔结构的分级标准，通常将其分为层间孔、凝胶孔、细毛细孔和粗毛细孔四个等级，故本实施例的各级孔隙包括层间孔、凝胶孔、细毛细孔和粗毛细孔。需要说明的是，本实施例以孔隙的等效半径r作为分级标准，r≤5nm，则为层间孔，5nm《r≤500nm，则为凝胶孔，500nm《r≤5000nm，则为细毛细孔，r》5000nm，则为粗毛细孔。
42.在确定特征数据的类型后，本实施例进一步通过小批量的相似试验或钻芯取样法来获取目标水泥基材料的样品，测试样品的孔结构和水化程度的相关参数，建立多特征数据和少量样本的初始数据集，此时得到的初始数据集为少量样本数据集。需要说明的是，相似试验是制备与实际工程同配比的砂浆或混凝土，即制备得到样品，钻芯取样法是直接使用实际工程的砂浆或混凝土，即采样得到样品。
43.具体的，建立初始数据集的过程可以包括：利用相似试验制备得到多个样品，或者利用钻芯取样法在若干个训练用目标水泥基材料中选取得到多个样品；对于每一样品，对该样品进行测试，得到样品的测试数据。一个样品的测试数据即为一个样本，样本包括特征数据和标签数据，特征数据为孔结构分布参数和水化程度系数，标签数据为导热系数。其中，孔结构分布参数可以通过低场核磁共振方法、ct扫描方法或压汞法等方法测试得到，水化程度系数可以通过热重试验、水化热试验(即溶解热法)、c-s-h链长或ch相的取向指数测试得到，其中，c-s-h链长一般通过
29
si核磁试验检测获取，ch相的取向指数一般通过xrd试验测试得到，c-s-h链长和ch相的取向指数均可以反应水化程度这一指标，通过c-s-h链长确定水化程度系数和通过ch相的取向指数确定水化程度系数均是现有成熟技术，在此不再赘述，导热系数可以采用现有的导热系数测试方法(比如，瞬态平面热源法)测试得到。
44.本实施例的初始数据集中的样本的个数少于20个，后续可对该初始数据集进行扩充，以建立用于预测导热系数的训练好的预测模型。
45.s2：通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集；
46.本实施例可通过特征增强和数据合成的方式增加初始数据集中的样本数量，得到扩充后数据集，解决无法通过少量样本建立预测导热系数的预测模型的问题。其中，特征增强是指随机组合特征数据中的各类特征，通过加、减、乘、除等运算方式生成新特征；数据合成是指每个特征数据中旧特征的取值保持不变，随机组合若干个新特征，并为其赋值为0，其余新特征的取值保持不变，以得到多个合成数据，此种数据合成方式可以保证得到的合成数据原始有效。
47.具体的，s2可以包括：
48.(1)随机组合初始数据集的特征数据中的各类特征，生成新特征，以对初始数据集进行特征数据类型的扩充。
49.初始数据集的特征数据中的各类特征包括层间孔的孔隙率、凝胶孔的孔隙率、细毛细孔的孔隙率、粗毛细孔的孔隙率和水化程度系数，各类特征的组合方式可以包括加、减、乘和/或除的运算方式。
50.(2)将所有新特征分别添加至初始数据集的每一样本的特征数据中，并计算新特征的取值，得到每一样本的中间特征数据。
51.每一样本均对应一中间特征数据，该中间特征数据包括原始的5个特征以及所有新特征的取值。
52.(3)对于每一中间特征数据，重复“随机选取中间特征数据中的若干个新特征作为目标特征，保留目标特征的取值，并将除目标特征之外的新特征的取值置为0”的步骤，直至达到预设次数，得到中间特征数据对应的多个合成数据，以对初始数据集进行样本个数的扩充。
53.本实施例可根据需要改变每次选取的目标特征的个数以及类型。在达到预设次数后，得到的所有不同的数据即为中间特征数据对应的多个合成数据。
54.(4)将所有中间特征数据对应的多个合成数据组成扩充后数据集。
55.此时的扩充后数据集包括多个扩充样本，扩充样本的数量与合成数据的数量相同，扩充样本的特征数据即为合成数据，包括原始的5个特征的取值和所有新特征的取值，扩充样本的标签数据仍然为导热系数，其取值与中间特征数据中的导热系数相同，即在数据扩充过程中，导热系数保持不变。
56.s3：利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。
57.本实施例中，初始预测模型可为线性回归模型，当然也可按照用户实际需求和数据特征使用其他种类的模型，比如神经网络模型。在利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型时，可采用梯度下降法求解初始预测模型的最优模型参数，以得到训练好的预测模型。
58.具体的，当初始预测模型为线性回归模型时，则利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型可以包括：构建假设函数和代价函数，随机抽取扩充后数据集中70％的扩充样本组成训练集，30％的扩充样本组成测试集，训练集是用来学习输入(特征数据)和输出(标签数据)之间的映射关系，包含70％的扩充样本是为了尽可能包含各种可能的输入和输出，测试集是用来评估模型的泛化性能，模型在训练集上获得良好的性能并不意味着可以在未见过的数据上表现良好，故使用包含30％的扩充样本的测试集测试模型确保准确性。以训练集作为假设函数的输入，拟合得到假设函数中的初始模型参数，将具有初始模型参数的假设函数记为初始假设函数，再以测试集为输入，利用初始假设函数得到测试集中每一扩充样本的导热系数的预测值，以测试集中每一扩充样本的导热系数的预测值和实际值作为输入，计算代价函数，最后以代价函数和初始模型参数为输入，使用梯度下降法求解最优模型参数，拟合得到最优线性方程(即具有最优模型参数的假设函数)，该最优线性方程即为训练好的预测模型。
59.其中，假设函数如下：
60.h
θ
(x)＝θ
t
x＝θ0x0+θ1x1+θ2x2+
…
+θnxn；
61.式中，h
θ
(x)为假设函数，其表示导热系数；θ为模型参数；x为合成数据；θi为合成数据中第i个特征对应的模型参数；xi为合成数据中第i个特征的取值。
62.代价函数如下：
[0063][0064]
式中，j(θ0,θ1,
…
,θn)为代价函数；m为测试集中的扩充样本的个数；h
θ
(x(i))为测试集中第i个扩充样本的导热系数的预测值；y(i)为测试集中第i个扩充样本的导热系数的实际值。
[0065]
梯度下降法如下：
[0066][0067]
式中，θj:为合成数据中第j个特征对应的更新后模型参数，所有特征对应的更新后模型参数组成最优模型参数；θj为合成数据中第j个特征对应的初始模型参数；α为学习率。
[0068]
优选的，本实施例还可使用约束线性回归方法，将已知的先验知识输入到初始预测模型，对初始预测模型的模型参数的取值范围进行限制，比如水泥基材料中粗毛细孔和细毛细孔与导热系数的负相关关系。故在利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型之前，本实施例的预测方法还包括：以细毛细孔和粗毛细孔与导热系数的负相关关系作为先验知识，将初始预测模型中的细毛细孔的孔隙率对应的模型参数和粗毛细孔的孔隙率对应的模型参数的取值范围设置为小于0。
[0069]
在得到训练好的预测模型之后，本实施例即可利用训练好的预测模型对待预测目标水泥基材料的导热系数进行预测，具体的，待预测目标水泥基材料需要与训练用目标水泥基材料的种类一致，比如训练用目标水泥基材料为砂浆，则待预测目标水泥基材料也应当为砂浆，训练用目标水泥基材料为混凝土，则待预测目标水泥基材料也应当为混凝土。在预测时，先获取待预测目标水泥基材料的孔结构分布参数和水化程度系数，按照扩充后数据集的合成数据的特征类型对待预测目标水泥基材料的孔结构分布参数和水化程度系数进行计算，得到待预测目标水泥基材料的扩充后特征数据(其所包括的特征的类型与合成数据的特征的类型相同)，再以扩充后特征数据为输入，利用训练好的预测模型即可预测得到待预测目标水泥基材料的导热系数。
[0070]
为了使本领域技术人员能够更加清楚的了解本实施例的预测方法，以下给出一具体实例来对本实施例的预测方法进行进一步的介绍：
[0071]
(1)通过相似试验测试砂浆的孔结构分布参数、水化程度系数以及导热系数，共测试12个样品，得到12个样本，构成小样本的初始数据集，如下表1所示。
[0072]
表1
[0073]
[0074][0075]
(2)对初始数据集进行特征增强和数据合成，得到扩充后数据集。
[0076]
首先是特征增强，在原有的5个特征中任意抽选2个做乘法组成新特征，共新增出个新特征。然后是数据合成，从增强得到的10个新特征中随机挑选3个新特征保留其数值，对于增强得到的其他新特征全部赋予0，共有种组合方式，保持原数据中特征值(即特征数据)和监督值(即标签数据)始终在扩充数据集中，以此保证数据的原始性，防止扩充后得到的数据影响机器学习预测效果，此时共扩充得到12*120＝1440组数据，如下表2，表2示意出了部分数据。
[0077]
表2
[0078]
[0079][0080]
表2中，a、b、c、d、e、y分别为粗毛细孔的孔隙率、细毛细孔的孔隙率、凝胶孔的孔隙率、层间孔的孔隙率、水化程度系数和导热系数。
[0081]
(3)利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型。
[0082]
孔隙的存在将会降低砂浆的导热系数，因此粗毛细孔与细毛细孔的体积占比越小，则砂浆的导热系数越大，即与导热系数的关系呈负相关，将上述论断作为先验知识输入初始预测模型，初始预测模型基于python开发语言中sklearn机器学习工具，进行约束多元线性回归训练学习，设置粗毛细孔(特征a)和细毛细孔(特征b)的相关性系数(即其对应的模型参数)小于0。随机抽取扩充后数据集中的样本，70％作为训练集，30％作为测试集，运行机器学习模型，多次调试，训练集和测试集预测准确率分别可以稳定在0.74485和0.76800左右，各特征的最优模型参数如下表3所示。
[0083]
表3
[0084][0085]
使用建立的训练好的预测模型对现有数据进行准确性测试，预测值与实际值的对比结果如图3所示。模型的各评价指标rsquare(r2)，平均绝对误差(mae)，平均绝对百分比误差(mape)，均方误差(mse)如下表4所示，均方根误差(rmse)用来衡量回归模型的性能。
[0086]
表4
[0087][0088]
本实施例从根本影响因素出发，通过相似试验测试建筑材料体系的孔结构与水化程度相关参数，构建小样本数据集，预测同体系下砂浆或混凝土的导热系数，具体通过多处采样测点或相似试验，建立混凝土或砂浆体系中孔结构和水化程度参数与导热系数之间的数学模型，以小试验样品代替大体积混凝土或砂浆体系，从影响因素角度出发，预测结果更加准确，对于同一种材料体系，只需少量的测试试验就可以构建预测模型，即通过小批量的试验研究，测试砂浆或混凝土孔结构和水化程度的相关参数，建立与导热系数之间的小样本学习预测模型，具体通过特征增强、数据合成以及约束回归加强预测模型的泛化能力，通过测试孔结构与水化程度系数就可以得到较为可靠的同发育周期的砂浆或混凝土的导热系数。本实施例基于小样本的回归预测方法，建立了一种可通过少量试验数据去预测砂浆或混凝土体系的导热系数，且通过实践验证和分析，准确性可达0.75左右。
[0089]
实施例2：
[0090]
本实施例用于提供一种水泥基材料的导热系数预测系统，如图4所示，所述预测系统包括：
[0091]
数据获取模块m1，用于获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；
[0092]
数据扩充模块m2，用于通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集；
[0093]
预测模块m3，用于利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。
[0094]
实施例3：
[0095]
本实施例用于提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以使所述电子设备执行如实施例1所述的预测方法。
[0096]
实施例4：
[0097]
本实施例用于提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的预测方法。
[0098]
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0099]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不
应理解为对本发明的限制。

技术特征：
1.一种水泥基材料的导热系数预测方法，其特征在于，所述预测方法包括：获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集；利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。2.根据权利要求1所述的预测方法，其特征在于，所述各级孔隙包括层间孔、凝胶孔、细毛细孔和粗毛细孔。3.根据权利要求1所述的预测方法，其特征在于，所述通过特征增强和数据合成的方式对所述初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集具体包括：随机组合所述初始数据集的特征数据中的各类特征，生成新特征，以对所述初始数据集进行特征数据类型的扩充；将所有所述新特征分别添加至所述初始数据集的每一所述样本的特征数据中，并计算所述新特征的取值，得到每一所述样本的中间特征数据；对于每一所述中间特征数据，重复“随机选取所述中间特征数据中的若干个新特征作为目标特征，保留所述目标特征的取值，并将除所述目标特征之外的新特征的取值置为0”的步骤，直至达到预设次数，得到所述中间特征数据对应的多个合成数据，以对所述初始数据集进行样本个数的扩充；将所有所述中间特征数据对应的多个合成数据组成扩充后数据集。4.根据权利要求3所述的预测方法，其特征在于，各类特征的组合方式包括加、减、乘和/或除的运算方式。5.根据权利要求2所述的预测方法，其特征在于，所述初始预测模型为线性回归模型。6.根据权利要求5所述的预测方法，其特征在于，在利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型之前，所述预测方法还包括：以细毛细孔和粗毛细孔与导热系数的负相关关系作为先验知识，将初始预测模型中的细毛细孔的孔隙率对应的模型参数和粗毛细孔的孔隙率对应的模型参数的取值范围设置为小于0。7.根据权利要求1所述的预测方法，其特征在于，在利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型时，采用梯度下降法求解所述初始预测模型的最优模型参数。8.一种水泥基材料的导热系数预测系统，其特征在于，所述预测系统包括：数据获取模块，用于获取初始数据集；所述初始数据集包括若干个样本，所述样本包括特征数据和标签数据，所述特征数据为训练用目标水泥基材料的孔结构分布参数和水化程度系数，所述标签数据为训练用目标水泥基材料的导热系数；所述样本的个数少于20个；所述孔结构分布参数包括各级孔隙的孔隙率；数据扩充模块，用于通过特征增强和数据合成的方式对所述初始数据集进行特征数据
类型和样本个数的扩充，得到扩充后数据集；预测模块，用于利用所述扩充后数据集对初始预测模型进行训练，得到训练好的预测模型；利用所述训练好的预测模型对待预测目标水泥基材料的导热系数进行预测。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器用于运行所述计算机程序以使所述电子设备执行如权利要求1-7任一项所述的预测方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的预测方法。

技术总结
本发明公开一种水泥基材料的导热系数预测方法、系统、设备及介质，涉及导热系数预测技术领域，通过特征增强和数据合成的方式对包含少量样本的初始数据集进行特征数据类型和样本个数的扩充，得到扩充后数据集，利用扩充后数据集对初始预测模型进行训练，得到训练好的预测模型，后续即可利用训练好的预测模型对待预测目标水泥基材料的导热系数进行预测，从而本发明能够基于少量样本建立用于预测导热系数的预测模型，简单、准确、快速的预测得到水泥基材料的导热系数。基材料的导热系数。基材料的导热系数。


技术研发人员：曹靖 贺绍伦 杨毅 覃源 许增光 柴军瑞
受保护的技术使用者：西安理工大学
技术研发日：2023.05.19
技术公布日：2023/8/14