.png){kind=icon}
返回
Asphalt oil source determination model based on machine learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.fuel.2025.135318.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
沥青结合料性能与原油来源高度相关。因此，识别沥青结合料的来源以选择高质量材料至关重要。本研究利用红外光谱与机器学习算法相结合，开发了一种用于识别沥青结合料油源的方法。首先，分析了不同来源的沥青样品以获取红外光谱数据。随后，通过采用合成少数类过采样技术（SMOTE）方法扩充现有数据集，建立了沥青红外光谱数据库。在此基础上，基于支持向量机（SVM）、人工神经网络（ANN）以及一种创新式堆叠分类器等七种机器学习算法，构建了沥青结合料油源识别模型。最后，开发了沥青油源识别辅助决策平台。结果表明，SMOTE数据扩充方法有效解决了样本不平衡问题，线性判别分析（LDA）被确认为最优特征提取方法。基于堆叠分类器方法的模型表现最佳，准确率达到91.6%。该辅助决策平台为准确识别未知沥青样品来源提供了一种便捷高效的解决方案，其用户友好的界面便于直接应用于实际工业场景。本研究提出了一种快速识别沥青结合料油源的新方法，并为未来沥青材料按需设计奠定了基础。
Keyword:
Asphalt binder
Oil source
Infrared spectrum
Machine learning
Auxiliary decision platform
期刊
IF:
7.5
论文数:
3.9W
被引数:
16.7W
机构
引用论文
Machine Learning Applied to Near-Infrared Spectra for Chicken Meat Classification机器学习在鸡肉近红外光谱分类中的应用
OAAI
OAAI分享收藏Short-Term Load Forecasting for Industrial Customers Based on TCN-LightGBM基于tcn-lightgbm的工业客户短期负荷预测
PREAI
分享收藏A comparison of random forest and support vector machine approaches to predict coal spontaneous combustion in gob随机森林和支持向量机方法预测采空区煤自燃的比较.png)
FUEL
FUELIF7.5
PREAI
分享收藏
查看更多内容