基于机器学习XGBoost的机制砂细粉含量预测

作者：李姝彤; 李伟^*; 高尧; 杨明; 丁健刚

来源：计算机系统应用, 2023, 32(03): 256-264.

DOI：10.15888/j.cnki.csa.008992

• 机制砂
• 细粉含量
• 预测模型
• XGBoost
• 贝叶斯优化

机制砂是由碎石或者砾石经制砂机反复破碎加工至粒径小于2.36 mm的人工砂.在实验中把机制砂中的石粉含量和含泥量称为细粉含量,细粉含量表征机制砂的洁净程度.本文提出了一种基于XGBoost网络的机制砂细粉含量预测方法.首先,利用完全封闭的图像采集设备对机制砂细粉制成的溶液进行图像采集,保证外界光线不会对图像拍照造成影响,之后进行图片裁剪、读取RGB值、转LCH颜色空间等预处理,然后构建XGBoost网络模型,通过贝叶斯原理进行参数的循环迭代,之后进行模型优化,使模型的r2＿score更高,最终实现对机制砂细粉含量的预测.结果表明:该模型预测的数据的r2＿score可以达到0.967 762,相比于传统的多元线性回归模型、BP神经网络、传统XGBoost网络预测的r2＿score为0.896 144、0.914 598、0.950 670,预测精度有明显提高.在实际应用中,该方法可以缩短机制砂细粉含量测量时间,简化机制砂细粉含量测量步骤,是一种新型的预测机制砂细粉含量的方法.