1.本发明涉及可固化组合物(curable compositions)的生产。一些公开的实施例涉及使用适于生产可固化组合物的基于侧流(sidestream based)的或原始(virgin)的原材料。
背景技术：
2.在工业过程中产生各种侧流，其价值不仅从经济角度而且从环境角度都是有意义的。工业基于侧流的原材料的一种潜在应用是生产用于替代基于混凝土(concrete-based)的产品的可固化组合物。
技术实现要素：
3.本发明内容呈现了一些简化的概念，这些概念将在本说明书的详细描述中更详细地描述。本发明内容不旨在限定应用示例的关键特征或必要特征，也不旨在限制权利要求中阐述的实施例。
4.根据一个实施例，该系统可以包括用于以下操作的装置：接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息；接收递送可固化产品(curable product)或产品组分(product component)的配方(recipe)的请求，所述请求包括所述可固化产品或产品组分的目标特征信息；和/或基于所请求的可固化产品或产品组分的所述目标特征信息和与可用的基于侧流的和/或原始的原材料相关的所述信息，确定用于生产所请求的可固化产品或产品组分的配方。
5.根据一个实施例，该系统还可以包括：第一用户接口和/或数据通信接口，其适于接收与适用于生产可固化产品的可用的基于侧流的原材料和/或原始的原材料相关的信息；和/或第二用户接口和/或数据通信接口，其适于接收递送可固化产品或产品组分的配方的请求，并发送所确定的配方以生产所请求的可固化产品或产品组分。
6.根据一个实施例，根据经由第一用户接口和/或数据通信接口接收的所述信息，所确定的配方中的至少一些原材料可以包括基于侧流的原材料和/或原始原材料。
7.根据一个实施例，所述系统还可以包括用于以下操作的装置：基于所述可固化产品或产品组分的所述目标特征信息，确定与适用于生产可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在所述可固化产品或产品组分的生产中的可用性；并且其中，所述第一用户接口和/或数据通信接口适于发送与适于生产可固化产品的基于侧流的原材料相关的所述目标特征信息。
8.根据一个实施例，所述第二用户接口和/或数据通信接口还可适于接收关于可固化产品或产品组分的制造商的可用原材料的信息，接收所述可固化产品或产品组分的制造地点的位置信息，和/或接收基于所发送的配方而生产的产品或产品组分的所确定的特征信息。
9.根据一个实施例，所述系统可以包括用于确定所述配方的机器学习模型。该系统
还可以包括用于以下操作的装置：基于所确定的所述产品或所述产品组分的特征信息来教导所述机器学习模型，所述产品或所述产品组分是基于所发送的配方来生产的。
10.根据一个实施例，所述第一用户接口和/或数据通信接口可以进一步适于基于所确定的配方，向基于侧流的原材料的至少一个供应商发送订单请求。
11.根据一个实施例，所述订单请求可以包括所述可固化产品或产品组分的制造地点的位置信息。
12.根据一个实施例，与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料相关的所述信息至少包括：关于适用于生产可固化产品的可用的基于侧流的和/或原始的原材料的量、位置和/或至少一个特征的信息。
13.根据一个实施例，所述可固化产品或产品组分的所述目标特征信息和/或所确定的特征信息可以包括以下中的至少一个：抗压强度、弯曲拉伸强度、断裂拉伸强度、密度、结构重量、操作条件、co2排放、自然资源消耗和/或价格。
14.根据一个实施例，一设备可以包括用于以下操作的装置：接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息；发送与适用于生产可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在生产所述可固化产品或产品组分中的可用性；以及向至少一个基于侧流的原材料的供应商发送订单请求。
15.根据一个实施例，所述设备还可以包括用于以下操作的装置：向至少一个原始原材料供应商发送订单请求。
16.根据一个实施例，所述设备还可以包括：接口和/或数据通信接口，用于接收与适于生产可固化产品的基于侧流的和/或原始的原材料相关的信息，和/或用于发送订单请求。
17.根据一个实施例，与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料相关的信息可以包括：关于适用于生产可固化产品的可用的基于侧流和/或原始的原材料的量、位置和/或至少一个特征的信息。
18.根据一个实施例，所述设备还可以包括用于以下操作的装置：将与可用的基于侧流的和/或原始的原材料相关的所述信息传递到机器学习模型，该机器学习模型适于基于与可用的基于侧流的和/或原始的原材料相关的所述信息以及所述可固化成分或产品组分的所述目标特征信息，确定用于生产该可固化产品或产品组分的配方。
19.根据一个实施例，所述设备还可以包括用于以下操作的装置：基于所述可固化产品或产品组分的所述目标特征信息，确定与适用于生产所述可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在产品组分或可固化产品的生产中的可用性。
20.根据一个实施例，所述设备还可以包括用于以下操作的装置：基于所确定的配方，确定用于生产所述可固化产品或产品组分的至少一种添加剂。
21.根据一个实施例，对至少一个原始原材料供应商的所述订单请求可包括所述可固化产品或产品组分的制造地点的位置信息。
22.根据一个实施例，对至少一个原始原材料供应商的所述订单请求可以包含关于所确定的至少一种添加剂的信息。
23.根据一个实施方式，对至少一个基于侧流的原材料供应商的所述订单请求可以包含所述可固化产品或产品组分的所述制造地点的位置信息。
24.根据一个实施例，所述可固化产品或产品组分的所述目标特征信息可以包括以下中的至少一个：抗压强度、弯曲拉伸强度、断裂拉伸强度、密度、结构重量、操作条件、co2排放、自然资源消耗和/或价格。
25.根据一个实施例，一设备可以包括用于以下操作的装置：接收用于递送将在可固化产品或产品组分的生产中使用的配方的请求，所述请求包括所述可固化产品或产品组分的目标特征信息；发送用于生产所请求的可固化产品或产品组分的配方；以及接收基于所发送的配方而生产的产品或产品组分的所确定的特征信息。
26.根据一个实施例，所述设备还可以包括：用户接口和/或数据通信接口，用于接收递送可固化产品或产品组分的配方的请求，用于发送所确定的配方以生产所请求的可固化产品或产品组分，和/或用于接收基于所发送的配方而生产的产品或产品组分的所确定的特征信息。
27.根据一个实施例，所述可固化产品或产品组分的所述目标特征信息和/或所确定的特征信息可以包括在所述产品或产品组分的制造工艺期间确定的特征信息、在所述产品或产品组分的使用期间确定的特征信息、和/或在所述产品或产品组分的使用之后确定的特征信息。
28.根据一个实施例，在所述产品或产品组分的使用期间确定的所述特征信息可以包括：由集成在所述产品或产品组分中的至少一个传感器测量的数据、或从由集成在产品或产品组分中的所述至少一个传感器测量的数据导出的数据。
29.根据一个实施例，所述可固化产品或产品组分的所述目标特征信息和/或所确定的特征信息包括以下中的至少一个：抗压强度、弯曲拉伸强度、断裂拉伸强度、密度、结构重量、操作条件、co2排放、自然资源消耗或价格。
30.根据一个实施例，所述设备还可以包括用于以下操作的装置：向机器学习模型提供所请求的可固化产品或产品组分的所述目标特征信息，所述机器学习模型适于基于所述可固化产品或产品组分的所述目标特征信息和与可用的基于侧流的和/或原始的原材料相关的所述信息，产生用于生产所请求的可固化产品或产品组分的配方；和/或从所述机器学习模型接收用于生产所请求的可固化产品或产品组分的所述配方。
31.根据一个实施例，所述设备还可以包括用于以下操作的装置：将基于所发送的配方而生产的产品或产品组分的所确定的特征信息递送到所述机器学习模型以用于教导所述机器学习模型。
32.根据一个实施例，一方法可以包括：接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息；接收递送所述可固化产品或产品组分的配方的请求，所述请求包括所述可固化产品或产品组分的目标特征信息；以及基于所请求的可固化产品或产品组分的所述目标特征信息和与可用的基于侧流的和/或原始的原材料相关的所述信息，确定用于生产所请求的可固化产品或产品组分的配方。
33.根据一个实施例，该方法可以包括：接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息；发送与适用于生产可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在生产所述可固化产品或产品
组分中的可用性；以及向至少一个基于侧流的原材料的供应商发送订单请求。
34.根据一个实施例，一方法可以包括：接收递送将在可固化产品或产品组分的生产中使用的配方的请求，所述请求包括所述可固化产品或产品组分的目标特征信息；发送用于生产所请求的可固化产品或产品组分的配方；以及接收基于所发送的配方而生产的产品或产品组分的所确定的特征信息。
35.根据一个实施例，一种计算机程序可以包括程序代码装置，用于当在设备上执行所述计算机程序时，使得该设备执行上述方法中的任何方法。
36.因此，本公开涉及用于产生可固化组合物的配方的系统、设备、方法和计算机程序。
附图说明
37.下面将参考附图更详细地描述本说明书的实施例，其中：
38.图1示出了根据一个实施例的用于确定可固化组合物的配方的系统的示例；
39.图2示出了根据一个实施例的可以用于实现至少一个实施例的设备的示例；
40.图3示出了根据一个实施例的用于确定可固化组合物的配方的神经网络的示例；
41.图4示出了根据一个实施例的用于确定可固化组合物的配方的神经网络节点的示例；
42.图5示出了根据一个实施例的用于确定可固化组合物的配方的卷积神经网络的示例；
43.图6示出了根据一个实施例的用于确定可固化组合物的配方的通信和功能的示例；
44.图7示出了根据一个实施例的用于确定可固化组合物的配方并且用于将其传输到最终产品的制造商的流程图的示例；
45.图8示出了根据一个实施例的用于改善基于侧流的原材料的可用性的流程图的示例；以及
46.图9示出了根据一个实施例的用于改进配方的流程图的示例。
47.在附图中，相同的附图标记用于相应的部件。
具体实施方式
48.在本说明书中，现在参考各种实施例，其示例在附图中示出。下面的详细描述与附图一起旨在说明所讨论的示例，而不是表示可以实现由该示例说明的应用的唯一形式。本说明书还提供了用于实现所示实施例的示例性功能和可能的操作序列。然而，同样的功能也可以以其他方式实现。
49.利用工业过程的侧流提供了找到新的技术和环境创新的机会。可固化组合物(例如，基于地质聚合物的建筑材料，例如地质聚合物元件)可以由能源工业、采矿工业、钢铁工业和林业的侧流生产。可固化组合物的其它应用包括土地建设和稳定化、以及采矿业的填充和保护j9九游会真人的解决方案。
50.不同的工业过程产生各种侧流原材料，其量、组成和可用性(例如，位置或调度)可以显著变化。因此，从可获得的原材料确定最佳或合适的最终产品可能是困难的。
51.根据一个实施例，一种系统可以接收与适用于生产可固化组合物的可用的基于侧流的和/或原始的原材料有关的信息。关于物质组成的信息可以例如用xrf分析仪(x射线荧光)测量。此外，该系统可以接收递送用于可固化最终产品的配方的请求。该请求可以包括最终产品的目标特征信息。另外，该系统可以基于所接收的目标特征信息和与可用原材料相关的信息来确定所请求的最终产品的配方。此外，该系统可以为原材料的生产者和成品的制造者提供单独的用户接口和/或数据通信接口。该系统改进了基于侧流的材料在可固化产品或产品组分的生产中的使用。
52.图1示出了根据一个实施例的用于确定可固化组合物的配方的系统的示例。所述可固化组合物可以是例如基于地质聚合物的产品、碱活化材料、或可通过水合反应固化的产品等。所述可固化组合物可以是例如浆料，其在干燥时硬化。所述可固化组合物也可以通过焚烧来固化，除了干燥之外，焚烧还可以在组合物中产生有利的热效应。系统110包括原材料接口112、最终产品接口114和人工智能模型116。经由原材料接口112，一个或多个原材料来源120-1、120-2、120-3可以与系统110通信以传输关于可用的基于侧流的和/或原始材料的信息。基于侧流的材料可以包括例如作为工业过程的侧流产生的材料。原始的原材料可以包含不是基于侧流的材料。适用于生产基于侧流的可固化产品的材料的示例是燃煤电厂灰、生物灰、钢铁工业炉渣、绿液污泥、废物焚烧灰和炉渣、来自氢还原炼钢工业的炉渣、来自采矿工业的尾矿和侧石、以及中和废物。原始材料的示例是天然石头或石子集料、沙子、砂砾、粘土、淤泥、沙漠沙和其它酸性或碱性土壤，例如latossolo型土壤。
53.通过最终产品接口114，一个或多个最终产品制造商130-1、130-2、130-3可以与系统110通信，以发送例如对期望的最终产品及其目标特征的请求，并且接收用于生产该最终产品的配方。此外，任何最终产品制造商130可以提供关于基于该配方而生产的最终产品的反馈。例如，该反馈可以包括关于所述最终产品的测量的或以其他方式确定的特征的信息。所述最终产品制造商130可以是例如地质聚合物元件工厂、土木工程公司、或可固化产品的其他最终用户或经销商。所述最终产品可以包括产品或产品组分。
54.所述人工智能模型116可以包括例如机器学习模型，诸如神经网络或其他机器学习模型。或者，所述人工智能模型116可由一个或多个算法实现。基于具有某些原材料集合的所选最终产品，人工智能模型116可被配置或教导来确定所请求的最终产品的最优或合适的配方。作为一个示例，该配方可以包括生产至少一种最终产品所需的可用原材料的量或它们的比例。该配方可进一步包括准备的指令。因此，该配方可以包括例如以下中的一个或多个：配方、混合顺序、混合时间、混合条件、混合功率、压实方法、压实时间或关于指示干燥条件的信息。所述人工智能模型116也可基于来自最终产品制造商130的反馈而被重新训练或重新配置。
55.图2示出了可以用于实现至少一个实施例的设备的示例。设备200可以具有至少一个处理器202。尽管图2的设备仅示出了一个处理器202，但是该设备200可以包括多个处理器。在一个实施例中，处理器202可以被实现为多核处理器、单核处理器、或者一个或多个单核处理器和/或一个或多个多核处理器的组合。例如，处理器202可以被实现为一个或多个不同的处理设备，诸如辅助处理器、微处理器、控制器、数字信号处理器(dsp)、具有或不具有dsp的处理电路、或各种其他处理设备，这其中包括专用集成电路(asic)；现场可编程门阵列(fpga)电路、微控制器单元、或硬件加速器等。在一个实施例中，处理器202可以被配置
为执行硬编码功能。在一个实施例中，处理器202可以被实现为软件指令的执行器，其中处理器202可以被配置有指令以在指令运行时执行本说明书中描述的功能。
56.所述设备200可以具有至少一个存储器204。存储器204可以被实现为一个或多个非易失性存储器设备、一个或多个易失性存储器设备、和/或一个或多个易失性存储器设备和一个或多个非易失性存储器设备的组合。例如，存储器204可以被实现为半导体存储器，诸如prom(可编程rom)存储器、eprom(可擦除prom)存储器、闪存rom、ram(随机存取存储器)等等。
57.所述存储器204可以包含程序代码206。该程序代码可以是计算机程序代码。在一个实施例中，所述程序代码206可以包括例如用于运行操作系统和/或各种应用的指令。至少一个存储器204和程序代码206可以与至少一个处理器202一起布置，以在程序代码206由至少一个处理器202执行时使所述设备200根据至少一个实施例进行操作。
58.所述设备200可以具有允许设备200发送和接收信息的数据通信接口208。数据通信接口208可以包括至少一个无线的无线电连接，例如第三、第四、第五或更新一代的移动连接、无线lan连接和/或有线因特网连接。数据通信接口208还可以包括用于要传送的信息的格式的规范，诸如与原材料或制造产品有关的信息。例如，所述数据通信接口可以包括用于发送必要信息的协议。所述数据通信接口可以至少部分地被实现为计算机程序。设备200可以具有用户接口210，或者设备200可以经由另一设备来提供用户接口。该用户接口210可以包括例如键盘、显示器、触摸屏、麦克风、扬声器或集成控制按钮。所述用户接口可以被布置成在系统和系统用户之间传输信息，例如与原材料或要制造的产品有关的信息。所述设备200的各种组件(诸如，处理器202、存储器204、数据通信接口208和/或用户接口210)可以被布置为通过或经由诸如总线的通信链路彼此通信。所述通信连接可以例如布置在印刷电路板上，诸如主板等。所述用户接口可以至少部分地被实现为计算机程序。
59.所述设备200可以实现图1的系统，或者所述设备200可以是图1的系统的一部分。这里描述和示出的设备200仅仅是可用于实现本实施例的装置的示例，而不是要限制权利要求的范围。应注意，所述设备200可包括比图2所示的更多或更少的组件，例如，所述设备200可被分布到经由合适的通信连接彼此通信的若干不同的物理实体中。所述设备200的操作可以例如被实现为云服务。
60.当所述设备200被安排成执行某个功能时，该设备的至少一些组件(例如处理器202和/或存储器204)可以被安排成执行这个功能。此外，当处理器202被安排成执行特定操作时，它可基于程序代码206来执行。
61.所述设备200可以包括用于执行本说明书中描述的方法中的至少一个的装置。这些装置可以包括例如至少一个处理器202和包括程序代码206的至少一个存储器204。存储器204和程序代码206与处理器202一起可以被配置成使设备200执行所示方法中的至少一种。所述设备200可以是例如服务器或其他计算机。
62.图3示出了根据一个实施例的用于确定可固化组合物的配方的神经网络的示例。该神经网络是计算模型，其中计算在层中进行。神经网络300可包括输入层、一个或多个潜在层和输出层。输入层节点i
1-in可连接到第一潜在层的节点n
11-n
1m
中的一者或多者。第一潜在层的节点可以连接到第二潜在层的一个或多个节点n
21-n
2k
。尽管图3的神经网络仅包括两个潜在层，但是应当注意，不同实施例的神经网络可以具有任何数目的潜在层。
63.如图3的示例中那样，最后一个潜在层的节点，即，第二潜在层的节点n
21-n
2k
，可以连接到一个或多个输出层节点o
1-oj。应当注意，在不同的层中可以有不同数量的节点。节点也可以称为神经元、计算单元或基本计算单元。神经网络是机器学习模型的示例，但是机器学习模型也可以以其他方式实现。可以教导神经网络300基于可用的基于侧流的原材料来产生用于产生可固化产品的期望配方。例如，神经网络300的输入可以包括指示系统已知的原始和/或基于侧流的原材料的可用性或量的向量。神经网络300可以根据所确定的配方，输出指示最终产品中的各种原材料的相对比例的向量。神经网络300可被教导为基于所收集的数据来实现配方确定任务，如以下更详细描述的。
64.图4示出了根据一个实施例的用于确定可固化组合物的配方的神经网络节点的示例。节点401可具有来自前一层或其它层的一个或多个节点的一个或多个输入a
1-an。节点401基于输入值，计算输出值。输入可以由不同的系数w
1-wn加权。这样，可以调节每个神经网络节点的输出对下一节点的输出的影响，并因此调节对整个神经网络的输出的影响，例如对可固化最终产品的配方的影响。输入值a
1-an可以乘以例如与每个输入相关联的系数w
1-wn。节点401还可以例如通过计算加权输入值之和来将输入值组合成输出。节点的输出也可以称为激活。节点还可以使用所谓的偏置值来将常数b加到输出。加权因子w
1-wn和偏置值b是要被教导的神经网络参数的例子。例如，当神经网络300被教导以确定配方时，加权因子和/或偏置值可以被更新，直到在特定训练输入(原始数据)处的神经网络输出(配方)足够接近期望输出。
65.另外，节点401的输出可以由激活函数f()控制，该激活函数f()确定节点601何时提供输出以及提供哪种输出。激活函数f()可以是例如在零附近基本上是线性的函数，但是随着输入增加或减少而限制输出值。激活函数的示例是阶跃函数、s形函数、双曲正切函数、修正线性单元(relu)和softmax函数。节点401的输出可以被发送到一个或多个下一层和/或前一层的节点。
66.如上所述，可以使用指令数据来教导神经网络。该教导算法可以包括改变神经网络的参数以在特定的教导输入处实现期望的输出。例如，可以教导神经网络基于可用于生产可固化产品的原材料来产生配方。通过收集关于原材料和可由其制成的适合于其用途的最终产品的足够数据，可教导神经网络建模且甚至改进手动搜索合适最终产品以寻找一系列可用原材料的过程。
67.在教学期间，由神经网络产生的输出可以与期望的、先前已知的数据(例如，地面实况(ground-truth)数据)进行比较。地面实况数据可以包含手动地或以其他方式确定的用于具有期望特征的最终产品的配方。输出和期望输出之间的差可以用误差函数来建模，该误差函数也可以被称为损失函数。可以针对该误差函数，计算所教导的神经网络参数的梯度，并且基于此，可以更新神经网络参数以更接近期望的输出。这可以例如通过使用反向传播算法来完成，在反向传播算法中，梯度从输出层开始逐层指定，直到层的参数被更新。误差函数的一个示例是输出和期望输出之间的均方误差。教导是迭代过程，其中神经网络的误差或损失逐渐减小，使得神经网络也可以针对未被教导的输入数据而产生期望的输出。
68.图5示出了根据一个实施例的用于确定可固化组合物的配方的卷积神经网络的示例。卷积神经网络500包括至少一个卷积层，其可以执行卷积操作以从输入数据502分离或
提取信息并且产生特征图(feature map)506。输入数据502可以包括例如描述可用原材料的矩阵或张量。所述原材料可以是基于侧流的或原始的原材料。所述输入数据还可以包含对一种或多种添加剂的预留，所述添加剂可以用于改进与由神经网络确定的配方相关联的最终产品特征。因此，例如，所述输入数据可以是具有描述不同材料的行和描述每种材料的某些特征的列的矩阵。通常，所述输入可以是描述输入原材料的特征(例如，量、位置、组成等)的多维张量。如果原材料不可用，则可以将相关联的张量元素被初始化为已知值，例如零。这样，神经网络可以被推广到尽可能多的不同原材料组合。所述输入数据502还可以包括根据配方的最终产品的目标特征信息。这样，可以教导神经网络500从可用的原材料中产生与所述目标特征信息最匹配的配方。例如，通过添加向量元素、矩阵列，或者通常通过增加张量维度，所述目标特征信息可以被包括在所述输入数据中。
69.可以通过以下来生成特征图：使用输入数据的子集(例如，输入数据块504)中的滤波器或内核，并且通过滑动该滤波器通过所述输入数据502以获得所述特征图的每个元素的值。所述滤波器或内核可以是乘以每个位置处的相应输入数据的子集的矩阵或张量。可以通过对相同的输入数据使用多个滤波器来获得多个特征图。下一卷积层可接收由前一层产生的特征图506并产生新的特征图508。滤波系数是可教导的参数，并且可以像神经网络300那样被教导。卷积网络500可包括一个或多个非卷积层，例如在卷积层之前、之后或之间的一个或多个全连接层510。输出层512提供卷积神经网络500的输出，其在训练之后包含用于产生如上所述的可固化最终产品的配方。利用机器学习模型，配方的确定可以是自动的，这允许确定针对若干不同原材料和最终产品的配方。此外，良好教导的机器学习模型还能够确定具有期望特征的新的、先前未知的最终产品。
70.图6示出了根据一个实施例的用于确定可固化材料的配方的通信和功能的示例。
71.在601处，一个或多个原材料来源120可将原材料信息传输到配方系统110。因此，配方系统110可以从一个或多个原材料来源120或其他信息源(例如，诸如系统或用户的代表原材料来源的一方)接收原材料信息。所述用户可以是人。所述原材料信息可以包括与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息。所述原材料信息还可包括关于原材料和/或其特征的预测信息。例如，可以为测流工艺指定侧流原材料变得可用的未来时间点。基于所述测流工艺，还可以评价例如一个或多个工艺参数(例如，温度)、所生产的基于侧流的原材料的特征。这种预测信息可以被包括在原材料信息中，从而允许甚至在制备基于侧流的原材料之前确定配方。因此，可用材料可以是已经存在的材料或仅在以后可用的材料。
72.所述原材料信息可经由第一用户接口和/或数据通信接口(例如，原材料接口112)接收。例如，配方系统110可为原材料来源120的用户提供基于网络的用户接口，以发送原材料信息。或者，集成在原材料来源设备中的系统可自动地或基于用户输入来准备原材料报告，该原材料报告经由第一数据通信接口例如作为一个或多个消息被传输到配方系统110。原材料信息可以至少包括关于可用于生产可固化产品的可用的基于侧流的和/或原始的原材料的量、位置和/或至少一个特征的信息。
73.在602，一个或多个原材料用户130(例如，最终产品的制造商)可以向配方系统110发送配方请求。该配方请求可包括传送可固化产品或产品组分的配方的请求。所请求的产品、多个产品或产品组分也可以被称为最终产品。该配方请求可以包含最终产品的目标信
息，例如，可固化产品或产品组分的目标特征信息。因此，配方系统110可以从一个或多个原材料用户130或其他信息源(例如，原材料用户的代表，例如系统或用户)接收配方请求。
74.所述配方请求可经由另一用户接口和/或数据通信接口(例如，最终产品接口114)接收。例如，所述配方系统可以为原材料用户130提供基于网络的用户接口，用于发送配方请求。或者，集成到原材料用户设备中的系统可自动地或基于用户输入来准备配方请求，该配方请求经由另一数据通信接口例如作为一个或多个消息被传输到配方系统110。
75.根据配方请求的可固化产品或产品组分的目标信息可以包括以下中的至少一个：抗压强度、弯曲拉伸强度、断裂拉伸强度、密度、结构重量、操作条件、co2排放、自然资源消耗和/或价格。操作条件可以包括例如关于最终产品是用于室外还是室内使用的信息、或者关于最终产品所暴露的天气条件的类型的信息。可以根据配方基于材料的质量(以例如kg或t为单位)来确定自然资源消耗，但是在任何情况下，使得对于基于侧流的物质，自然资源消耗为零。例如，可以基于根据所确定的配方的组成和各种原材料的价格信息来确定目标产品的价格。可以预先确定或估计至少一些原材料价格信息。在601处，可以通过原材料接口从至少一个原材料来源120接收至少一些价格信息，例如作为原材料信息的一部分。
76.一个或多个原材料用户130还可以传输关于可用原材料或制造地点的位置的信息。因此，配方系统110可以从一个或多个原材料用户130接收关于可固化产品或产品组分的制造商可用的原材料的信息、或者可固化产品或产品组分的制造地点的位置信息。当确定所请求产品的配方时，可以考虑这些信息。
77.在603，配方系统110可以确定用于生产所请求的可固化产品或产品组分的配方。可以基于人工智能116(诸如机器学习模型或算法)来确定配方。配方系统110可以包括机器学习模型或与外部机器学习模型通信。人工智能116可以基于所请求的可固化产品或产品组分的目标特征信息和与可用的基于侧流的和/或原始的原材料相关的信息来确定配方。
78.如上所述，所确定的配方还可以包括用于生产最终产品的制造指令。例如，该配方系统可被配置有与不同原材料的制造工艺相关的参数。制造指令也可以使用机器学习模型来生成。例如，用于教导机器学习模型的教导数据除了手动指定(或者通过没有机器学习的其它方式指定)的原材料和合适的最终产品之外，还可以包括关于与这些最终产品的制造工艺相关联的参数的信息。与制造工艺相关的参数可以包括例如关于特定材料的混合顺序、混合时间、混合条件(例如，温度)、混合性能、压实方法、压实持续时间或推荐的干燥条件的信息。对于机器学习模型，这些已知的制造工艺参数可以作为教导数据的一部分输入，即，作为当教导机器学习模型时的输入数据。
79.根据一个实施例，所述配方系统110可以向机器学习模型提供与可用的基于侧流的和/或原始的原材料相关的信息，该机器学习模型适于基于与可用的基于侧流的和/或原始的原材料相关的信息以及可固化产品或产品组分的目标特征信息来确定用于生产该可固化产品或产品组分的配方。所述机器学习模型可以是配方系统110的一部分。所述机器学习模型还可以位于另一设备或系统中，由此配方系统110可以发送请求以基于原材料信息根据最终产品目标特征信息来确定配方。如上所述，可以使用例如手动生成的训练数据来教导机器学习模型产生所请求的配方。配方系统110可以从机器学习模型接收用于生产期望的可固化产品或产品组分的配方。
80.根据经由第一用户接口和/或数据通信接口(例如，原材料接口112)接收的信息，
所确定的配方中的至少一部分原材料可以包括基于侧流的和/或原始的原材料。所确定的配方可以进一步包括原材料用户130可用的至少一种原材料，其可以是基于侧流的原材料或原始原材料。
81.根据一个实施例，所确定的配方可以包括至少一种添加剂。一种或多种添加剂可以在配方系统110中被配置。所述添加剂可以是在生产可固化最终产品中除了基于侧流的原材料之外还可以使用的原材料，例如以改进它们的性能。所述添加剂可以是基于侧流的原材料之一。所述添加剂可以是反应性物质，其影响在制造工艺中发生的反应的效率。因此，所述添加剂可以作为增强剂或配合剂。所述添加剂可以是化学物质或其它物质，例如硅或铝。例如，如果基于侧流的原材料中特定反应剂的量太低而不能使制造工艺最佳或足够有效，则可以通过添加该反应剂作为添加剂以提高混合比来提高该反应物的浓度。所述添加剂可以是例如增塑剂、成孔剂、密封剂、促进剂、阻滞剂或着色剂。添加剂可用于改善例如所述最终产品的强度、紧密性和/或耐候性。
82.配方系统110的供应商或操作者可以例如在存储装置中具有适于该目的一种或多种添加剂。如上所述，当确定配方时，可以考虑这些可用的添加剂。所确定的配方可以包含一种或多种添加剂。配方中包含的添加剂可以形成可能的添加剂的子集。
83.根据一个实施例，所述配方系统110可以基于可固化产品或产品组分的目标特征信息，确定与适合于生产可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在生产可固化产品或产品组分中的可用性。例如，所述配方系统110可以根据原材料信息和与原材料信息稍微不同的那些信息来确定用于基于原材料生产最终产品的多个配方。如果根据所述请求的最终产品仅可以利用与原材料信息不同的原材料来获得，或者出于某种原因更有利于以该方式制造，则配方系统110可以确定基于侧流的材料的目标特征信息。
84.可以改进基于侧流的原材料的可用性，例如以保持其反应性。该目标特征信息可以包括一种或多种可用的基于侧流的原材料的至少一个特征的修改。这允许侧流工艺被优化或改进以生产所请求的最终产品。例如，可以通过改变侧流冷却、研磨(粒度)或加热来优化所述侧流工艺。该测流工艺可以机械地、热地或化学地优化。
85.在604，配方系统110可以例如经由第一用户接口和/或数据通信接口(原材料接口112)将与适合于生产可固化产品的基于侧流的原材料相关的目标特征信息发送到至少一个原材料来源120。相应地，所述原材料来源120可以接收该侧流原材料的目标特征信息。
86.在605处，原材料来源120可以调节侧流工艺，使得至少一种基于侧流的原材料的特征对应于或接近其目标特征。与图6相反，在这个阶段，原材料来源可以向配方系统110发送关于调节后侧流原材料的信息(参见原材料信息601)，并且配方系统可以基于更新的原材料信息，确定新的配方(参见603)。侧流工艺调节605允许改善基于侧流的原材料的性质以生产所请求的最终产品，并因此根据确定的配方改善最终产品的性质。所述测流工艺调节可以包括例如改变测流工艺的燃烧温度，例如以减少残留碳。
87.在606处，配方系统110可以发送所确定的配方以用于生产所请求的可固化产品或产品组分。该配方可以被发送给原材料用户130。该配方可经由另一用户接口和/或数据通信接口(例如，最终产品接口114)发送。例如，该配方可作为对602的配方请求的回复消息来发送。
88.在607，所述配方系统110可以向基于侧流的和/或原始原材料的至少一个供应商发送订单请求。该订单请求可以基于确定的配方而被发送。该配方可以通过第一用户接口和/或数据通信接口(例如，原材料接口112)发送。所述订单请求可以包括递送至少一种基于侧流的和/或原始材料的请求。该订单请求可以包含至少一个要定购材料的标识符。该订单请求还可以包括与订单的交付有关的信息，例如原材料用户130或最终产品的制造商或最终产品的制造地点的位置信息。此外，所述订单请求可以包含其他信息，例如关于期望或所请求的交付时间的信息。根据一个实施例，所述订单请求还可以包括基于侧流的原材料的目标特征信息，如在604中。在这种情况下，原材料来源120可以基于订单请求，调节其测流工艺，相应地如在605处那样。相应地，订单请求也可被发送到确定的添加剂的至少一个供应商。
89.在608，原材料来源120可以根据订单请求，将原材料递送至原材料用户130。应当注意，配方系统110允许根据所确定的配方，将原材料直接从原材料来源120递送到原材料用户130，这降低了适合于生产基于侧流和/或基于原材料的可固化产品的原材料的物流成本。
90.在609处，配方系统110的供应商或操作者可以根据确定的配方将至少一种添加剂供应给原材料的至少一个用户130。
91.在610，原材料用户130可以基于所确定的配方，生产最终产品。该配方可以包含由原材料来源120提供的至少一种第二原材料。该配方还可包括由原材料来源120提供的至少一种原始的原材料或由配方系统110的供应商或操作者提供的添加剂。
92.在611，原材料的用户可以发送基于在606接收的配方在610产生的产品或产品组分的所确定的特征信息。相应地，配方系统可以接收基于在606发送的配方而生产的产品或产品组分的所确定的特征信息。该特征信息可用于例如通过教导人工智能116来改进配方确定。最终产品的特征信息可以经由另一用户接口和/或数据通信接口(例如，最终产品接口114)来接收。
93.原材料用户130可以例如通过测量、计算或基于集成在最终产品中的传感器来确定最终产品的特征信息。所确定的最终产品的特征信息可以包括在可固化产品或产品组分的制造工艺期间确定的特征信息、在使用期间确定的特征信息和/或在使用之后确定的特征信息。最终产品的特征信息的一个例子是在制造工艺中(例如，在焚化之前或之后)纸浆的水分含量。在制造工艺中关于最终产品的特性的反馈信息允许在制造工艺中优化配方。最终产品的特征信息还可以包括关于最终产品的制造工艺的信息，例如锅炉的温度。在最终产品的使用期间确定的特征信息允许监控最终产品的特征，并改进用于未来制造工艺的配方的确定。最终产品的一些特征可能不一定在使用期间被确定。因此，接收关于在使用最终产品之后确定的特征的反馈可能是有利的。这将允许改进用于未来制造工艺的配方确定。
94.根据一个实施例，在产品或产品组分的使用期间确定的特征信息可以包括由集成在产品或产品组分中的至少一个传感器测量的数据。由传感器测量的数据可以经由所述第二数据通信接口接收，例如最终产品接口114。另外或替代地，在使用期间确定的特征信息可以包括从由集成在产品或产品组分中的至少一个传感器测量的数据导出的数据。该数据可以在原材料用户130的系统中自动地导出，例如，通过基于由一个或多个传感器产生的数
据计算特定特征信息而被导出。所述特征信息也可以被手动导出或测量，从而允许用户例如经由第二用户接口将测量或导出的信息传输到配方系统110。所确定的最终产品的特征信息可以包括以下中的至少一个：抗压强度、弯曲拉伸强度、断裂拉伸强度、密度、结构重量、操作条件、co2排放、自然资源消耗或价格。最终产品的价格是不能直接测量的所确定的特征的一个示例。然而，例如，可以基于用于最终产品组合物及其制造中的资源(例如，电力消耗)来确定。在使用期间确定的特征信息还可以包括在最终产品的安装期间确定或测量的信息，例如关于施加在由可固化组合物制成的接合桩上的冲击事件的信息。在最终产品的使用期间的特征信息可以包括关于最终产品周围的地面(例如所讨论的接合桩)的偏转、倾斜、振动、盐度和/或水位的信息。这允许在产品的整个生命周期内监视产品，并且所收集的数据可以进一步用于改进配方确定。
95.在612，配方系统110可以基于所确定的产品或产品组分的特征信息来教导机器学习模型，所述产品或产品组分是基于所发送的配方而生产的。例如，配方系统110可以将所制造的产品或产品组分的所确定的特征信息提供给机器学习模型以教导机器学习模型。教导可以包括对机器学习模型的再训练或进一步教导。在这个阶段，所述训练可以基于例如从在602处接收的目标特征信息和在611处接收的所确定的特征信息而计算的另一误差函数。第二误差函数可以例如包括目标特征信息和特征信息之间的差或其绝对值。例如，所述目标特征信息和所述特征信息可以作为向量给出，其中特定元素在数值上描述特定特征。所述第二误差函数可以包括例如用于分离这些向量的范数，例如欧几里德范数。与之前相同的教导数据可用于再教导或进一步教导，但在所述第二误差函数的帮助下，可教导机器学习模型考虑所接收的关于配方功能的反馈。
96.图7示出了根据一个实施例的用于确定可固化组合物的配方和用于将其传送至最终产品制造商的流程图的示例。
97.在701处，接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息。
98.在702处，接收递送可固化产品或产品组分的配方的请求，该请求包括可固化产品或产品组分的目标特征信息。
99.在703处，基于所请求的可固化产品或产品组分的目标特征信息和与可用的基于侧流的和/或原始的原材料相关的信息，确定用于生产所请求的可固化产品或产品组分的配方。
100.图8示出了根据一个实施例的用于改善基于侧流的原材料的可用性的方法的流程图的示例。
101.在801处，接收与适用于生产可固化产品的可用的基于侧流的和/或原始的原材料有关的信息。
102.在802处，发送与适用于生产可固化产品的基于侧流的原材料相关的目标特征信息，以改善至少一种基于侧流的原材料在生产可固化产品或产品组分中的可用性。
103.在803，将订单请求发送到基于侧流的原材料的至少一个供应商。
104.图9示出了根据一个实施例的用于改进配方的方法的流程图的示例。
105.在901处，接收提供在可固化产品或产品组分的生产中使用的配方的请求，该请求包括可固化产品或产品组分的目标特征信息。
106.在902处，发送用于生产所请求的可固化产品或产品组分的配方。
107.在903处，接收基于所发送的配方而生产的产品或产品组分的所确定的特征信息。
108.所述方法的其它实施例直接基于所公开的设备和系统的操作，如权利要求书、申请文本和图式中所陈述，且因此本文不再重复。
109.所述设备可以被布置为执行根据本说明书的任何方法或功能。计算机程序或计算机程序产品可以包括指令，当指令运行时，指令使设备执行如本文所述的任何方法或功能。该设备或系统可以具有用于执行如本文所述的任何方法或功能的装置。
110.所公开的实施例的步骤或功能可以以任何适当的顺序执行，或者部分或完全同时执行。而且，各种实施例可以不包括所示的所有结构、特征或功能。此外，任何实施例可以与一个或多个其他实施例组合，除非明确否认了这种可能性。
111.上述优点可以与一个实施例相关联，或者可以与多于一个实施例相关联。实施例不限于解决一个或多个所述问题或具有一个或多个所述优点的j9九游会真人的解决方案。当在单元中讨论了结构、特征或功能时，它们可以潜在地应用于许多类似的单元，反之亦然。
112.术语“包括”和“包含”意味着所公开的方法和设备可以包括所述特征，但是所述特征不构成方法或设备的特征的穷举列表。因此，所公开的方法或设备可以包括其它特征。
113.上述实施例不应被解释为限制下面阐述的权利要求的范围，而是可以在不脱离要求的范围的情况下以许多方式修改基本思想。