以AI完成水泥配方最佳化設計｜RapidMiner

預測水泥強度的方法

流程如下：數據收集與準備＞數據讀入模型＞模型訓練＞預測與驗證＞應用與優化

1. 數據收集與準備：

   • 收集了1,030筆水泥製程的實驗數據，這些數據包含水泥、高爐礦渣、煤灰粉、水、高效減水劑、粗骨料和細骨料等製程參數。

2. 數據讀入模型：

   • 這些數據讀入 Altair AI軟體 RapidMiner 進行學習。每個數據點包含每立方公尺水泥的各種材料的公斤數及其最終的抗壓強度結果。

3. 模型訓練：

   • RapidMiner根據這些資料分析並進行訓練，建立預測水泥抗壓強度的AI模型。模型的輸入是各個製程參數，而輸出是預測的水泥強度。

4. 預測與驗證：

   • 訓練完成後，模型會進行預測。將預測結果和實驗結果對比(如下圖)，紅色線代表AI模型的預測強度，藍色線代表實驗測得的實際強度。圖表顯示預測結果和實驗結果高度吻合，預測成功率大約在90%以上。

5. 應用與優化：

   • AI模型不僅能夠預測水泥強度，還可以與最佳化軟體結合，通過設置不同參數的上下限來找出最佳配方。例如，可以設置水泥重量不超過某個數值，同時在這個條件下達到最理想的強度。

預測成果

• 預測成功率90%：AI模型的高預測成功率，顯示了其在實際應用中的有效性。
• 運用AI預測模型，再結合HyperStudy取得水泥的最佳配方。

1. 大量數據支持：

   • 收集了1,030筆水泥實驗數據，這些數據涵蓋了各種不同的製程參數和結果，提供了充分的樣本量來訓練AI模型。
   • 大量的數據能夠讓模型更好地學習和識別不同參數之間的關係，提高預測的準確性。

2. 正確的參數記錄：

   • 除了大量數據之外，參數選用也相當重要，參數必須對結果具備影響力，選用正確的參數就能讓AI模型精確地學習每一個參數對水泥強度的影響。

3. 強大的AI工具（RapidMiner）：

   • 使用RapidMiner這樣功能強大的AI軟體進行模型訓練，RapidMiner擁有先進的機器學習算法和分析功能，能夠有效地處理大量數據並進行準確的預測。

1. 模型的優化與調整：

   • 在模型訓練過程中，對模型進行了不斷的優化和調整，確保預測結果的準確性。通過不斷的迭代和改進，最終得到了預測成功率高達90%以上的模型。

2. 真實數據驗證：

   • 預測結果與實驗結果進行了對比，發現紅色的預測曲線與藍色的實驗曲線高度重合，這些實際數據的驗證進一步證明了模型的準確性和可靠性。

3. 結合最佳化能力：

   • 本案例建立AI預測模型之後，再結合HyperStudy最佳化進行水泥參數配比的最佳化設計，無須再進行實驗即可取得最佳化的水泥配方。

RapidMiner串接HyperStudy進行水泥配方最佳化設計