基于机器学习的触变泥浆配合比多目标优化研究OA

针对大断面矩形顶管施工减阻的触变泥浆材料配合比优化问题,传统试验设计理论方法难以定量表达材料组分参数与性能指标之间复杂关联性,因而不能给出准确的最优化结果,本研究提出了一种基于机器学习预测算法的触变泥浆配合比多目标优化分析方案。首先通过传统控制变量法试验结合正交试验获得了不同材料组分配合比(包括膨润土、羧甲基纤维素钠(CMC-Na)、纯碱及水等)对应的泥浆性能指标数据(包括失水量、表观黏度及泥皮厚度),探讨了不同材料组分掺量对泥浆性能指标的敏感性影响规律特征。然后通过机器学习对比分析支持向量回归(SVR)和极限梯度提升(XGBoost)两种预测模型,结果表明SVR算法精度效率更高。进一步以控制表观黏度、失水量及最小化成本为目标,结合NSGA-Ⅱ算法生成Pareto前沿最优解集,结合熵权TOPSIS法筛选出最优配合比,其结果为膨润土26.61%、CMC-Na 0.35%、纯碱0.06%。最后通过材料试验复验及直剪试验验证表明,该配比泥浆性能指标满足要求,且减阻率达42.9%,具有显著减阻效果。上述关于触变泥浆智能化配比设计研究可为相关工程应用提供良好的技术参照。