用于水泥浆回填体强度预测和参数敏感性分析的混合智能模型

《MetaResource》：Hybrid Intelligent Model for Strength Prediction and Parameter Sensitivity Analysis of Cemented Paste Backfill

　　

为了解决地下采矿中准确预测水泥浆回填材料（CPB）无约束抗压强度（UCS）这一长期存在的挑战，本研究开发了一种混合智能模型，该模型结合了量子行为粒子群优化（QPSO）和全连接神经网络（FCNN）。研究编制了一个包含383个实验室测试样本的综合性数据库，涵盖了八个输入变量：均匀系数、化学成分（CaO和MgO）、水泥类型（CT）、尾矿与水泥（T/C）比例、浆体质量浓度（MC）、养护温度（Temp）以及养护时间（Time）。QPSO算法被用于对关键超参数进行全局优化，包括隐藏节点、学习率、正则化系数、丢弃率和批量大小。随后，应用Adam优化器对网络权重进行确定性微调，从而同时提高了收敛效率和预测准确性。此外，还利用SHAP、±10%扰动分析和部分依赖图（PDPs）来定量评估输入参数的全局重要性、局部边际效应和交互敏感性。所提出的QPSO-FCNN模型表现出出色的预测性能，其准确率达到了0.969，均方根误差（RMSE）为0.198 MPa，平均绝对误差（MAE）为0.139 MPa，综合性能得分（CPS）为0.930，优于传统的FCNN和QPSO-BPNN混合模型。敏感性分析表明，T/C和Time是最具影响力的因素；同时，Cement类型（CT）与浆体质量浓度（MC）之间以及养护条件与T/C之间也存在显著的耦合效应。这些结果为优化CPB的配合比设计和养护制度提供了可靠的定量依据，从而提高了其在地下采矿作业中的机械可靠性。