深度学习与物理模型引导融合的重介分选密度决策方法与流程

1.一种深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，包括如下步骤：

2.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤1的具体过程为：

3.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤2中，根据原煤浮沉实验数据，构建分选密度与精煤灰分理论映射关系；首先，确定两者之间的离散映射关系，然后通过插值方法，对离线点平滑处理，建立分选密度与精煤灰分之间的连续值理论映射模型；具体的离散映射关系如下：

4.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤3中，基于注意力机制的深度神经网络预测模型包括一维卷积神经网络层、双向长短期记忆网络层、注意力机制层；模型的输入包括步骤1预处理后的数据和步骤2计算得到的理论分选密度值，模型的输出为分选密度；

5.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤4中，复合损失函数融合了经验损失和物理损失两个部分；

6.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤5中，在训练过程中，同时优化经验损失和物理损失；设置模型超参数：学习率为0.001；优化器为adam算法；批量大小为32；训练轮数为50轮；同时引入了早停机制监控训练过程，一旦模型性能不再提升，即停止训练，以防止模型过拟合。

7.根据权利要求1所述深度学习与物理模型引导融合的重介分选密度决策方法，其特征在于，所述步骤6中，在模型训练完成后，用测试集对训练好的模型进行评估，通过对比分选密度预测值和实际值的差异，计算均方误差、相对绝对误差和相对绝对误差关键指标来衡量模型的性能；同时，通过图表直观展示预测值与实际值的差异；评估完成后，选取评估过程中的最优模型应用于实际生产中，以实现对分选密度的预测，辅助工程师进行决策。