活化煤矸石掺合料对高性能混凝土干缩的影响

活化煤矸石掺合料的需水量较粉煤灰和矿粉高,煅烧煤矸石粉对混凝土有早期的增强作用,且具有后期的强度增长保持能力;其活性介于粉煤灰和矿渣之间,比较接近矿渣.随水灰比的降低,煤矸石混凝土干缩增大,在相同掺量下,活化煤矸石粉作掺合料的混凝土相较掺加粉煤灰的干缩率大,与掺加矿粉的混凝土干缩率差别不多.合理掺量下,煤矸石粉混凝土的干缩率均小于纯水泥混凝土.煤矸石与粉煤灰双掺复合使用可有效降低混凝土的干缩.     

海洋环境下掺活化煤矸石细粉混凝土的试验研究

将30%的热活化煤矸石细粉取代水泥掺入混凝土中,活化煤矸石混凝土的力学性能要优于素混凝土.7 d龄期单掺热活化煤矸石细粉和复掺热活化煤矸石细粉的混凝土相对氯离子扩散系数均高于素混凝土,到了180 d龄期,无论是单掺热活化煤矸石细粉还是复掺热活化煤矸石细粉的混凝土相对氯离子扩散系数不到素混凝土的一半.180 d龄期,掺热活化煤矸石细粉混凝土的抗海水侵蚀能力要低于素混凝土,热活化煤矸石细粉与粉煤灰二元复掺混凝土及热活化煤矸石细粉与矿渣粉二元复掺混凝土在经海水侵蚀后,混凝土的强度不仅未降低反而有一定增加.     

掺活化煤矸石细粉对混凝土抗氯离子渗透性能的影响

研究了活化煤矸石细粉的制备及掺煤矸石细粉对水泥力学性能的影响.以10%活化煤矸石细粉替代水泥,水泥的28d抗压强度接近于或高于基准水泥;当掺量高于30%时,水泥强度的下降很明显.将30%的活化煤矸石细粉取代水泥掺入混凝土中,混凝土的力学性能要优于对比的空白混凝土.7d龄期单掺活化煤矸石细粉和复掺活化煤矸石细粉的混凝土相对氯离子扩散系数均高于空白混凝土,到了180d龄期,无论是单掺活化煤矸石细粉还是复掺活化煤矸石细粉的混凝土相对氯离子扩散系数则降为不到空白混凝土的一半.     

掺热活化煤矸石水泥胶砂试验研究

借助于X射线衍射分析、激光粒度分析、宏观力学性能测试等手段,对陕西铜川煤矸石进行了系统的热力活化研究.研究结果表明:掺700℃煅烧后的煤矸石的水泥胶砂试块强度值最高,说明这个温度是本试验所采用煤矸石的最佳煅烧温度.通过XRD分析表明:采用热力活化,煤矸石中活性来源矿物高岭石转变为偏高岭石的温度明显低于纯商岭石的转变温度.水泥胶砂强度随活化煤矸石掺量的增加在早期呈下降趋势,但随水化时间的增加,强度有大的提高,甚至超过纯硅酸盐水泥砂浆强度,其中综合效果以掺量30%为最佳.当掺量超过35%后,强度大幅度下降.     

硫酸盐与氯盐环境下大掺量煤矸石混凝土性能

采用硫酸盐侵蚀和NEL法,对大掺量煤矸石混凝土经过硫酸盐侵蚀后的质量损失、强度损失等进行了试验研究,并分析了煤矸石混凝土抗压强度与碎石掺量之间的关系,得出了一些有意义的结论,对预测、控制和改善大掺量煤矸石混凝土的性能具有一定的实际意义。     

煤矸石粗骨料对混凝土力学性能的影响

针对煤矿煤矸石产量大、利用率低等问题,对煤矸石作为混凝土骨料的理化性能和力学性能进行了探究。试验结果表明：与普通碎石相比,非自燃煤矸石的堆积密度与表观密度小、吸水率高、压碎值大,当水灰比不变时,煤矸石混凝土的强度随着煤矸石粗骨料掺量的增加先增加后减小;当非自燃煤矸石混凝土掺量不变时,煤矸石混凝土的强度随着水灰比的增加先增加后减小。水胶比为0.5,煤矸石粗骨料取代率为40%时,煤矸石混凝土的强度最高为最优配合比。煤矸石可以作为混凝土粗骨料使用,但若全部采用煤矸石作为混凝土粗骨料,应限制煤矸石粗骨料在强度要求较高的混凝土中使用。     

机械活化煤矸石在路面修补材料中的应用研究

研究了不同机械活化煤矸石掺量对道路路面用修补砂浆工作性、力学性能和耐久性能的影响。结果表明，当用机械活化煤矸石替代矿粉时，随着掺量的增加，所制备修补砂浆的工作性能有较好改善。煤矸石在低掺量时对修补砂浆的力学性能影响较小，但当替代矿粉掺量超过50%后，修补砂浆抗折和抗压强度的降幅较大。同时，随着煤矸石掺量的增加，修补砂浆的黏结强度和收缩性能降低。     

煤矸石混凝土抗折强度试验研究

以榆神矿区煤矸石为粗骨料,通过288个棱柱体抗折强度试验,分析了煤矸石含碳量、煤矸石取代率及水灰比对煤矸石混凝土抗折强度的影响.结果表明：当不同矿源煤矸石含碳量由0.91%增加至2.09%时,煤矸石混凝土抗折强度降低了21.1%～32.6%;与普通混凝土相比,不同煤矸石取代率下煤矸石混凝土抗折强度降低了20.5%～47.5%;当水灰比由0.25增加至0.45时,煤矸石混凝土抗折强度降低了8.0%～15.3%.综合考虑了煤矸石含碳量和煤矸石取代率的影响,提出了适用于不同矿源煤矸石混凝土抗折强度的预测公式.     

利用电石渣活化煤矸石的试验研究

以电石渣作为矿化剂,采用增钙煅烧对煤矸石进行活化处理,借助XRD、SEM-EDS、胶砂强度和游离氧化钙测定等分析方法来评定煤矸石活性激发效果。试验结果表明:当电石渣的掺量为15%时,煤矸石活化料中形成了新矿物CS和CA;当电石渣掺量为25%~35%的时,煤矸石活化料中生成了新矿物C3A和C2S;f-Ca O含量和电石渣消耗量随着电石渣掺量的增加而增加;当电石渣掺量为35%时,煤矸石活化料的胶砂强度达到最佳值,其3 d、7 d和28 d抗压、抗折强度分别达到2.6 MPa、3.8 MPa、6.7 MPa和15.5 MPa、22.3 MPa、33.8 MPa。     

活化煤矸石水泥混凝土性能的研究

比较了徐州煤矸石在500～900℃5种不同的温度下活化后的水泥胶砂强度,综合评价后,确定600℃为徐州煤矸石实验室的合理活化温度。以此温度下活化的煤矸石作水泥的混合材,在孔结构分析的基础上,对比研究了活化煤矸石对混凝土抗氯离子渗透性能的影响。研究结果表明,在相同条件下活化煤矸石水泥混凝土的抗渗性能略优于普通水泥混凝土。     

基于RBF神经网络方法的混凝土强度预测

在分析普通混凝土强度各影响因素的基础上,选取6个影响因素组成输入层,以混凝土28 d强度作为输出,建立径向基函数网络,经网络训练和仿真结果对比,表明所建网络结构合理、收敛速度快、精度高,可以满足普通混凝土强度预测要求,具有广泛的应用前景。     

Prediction of fire resistance of concrete filled tubular steel columns using neural networks

A functional relationship between the fire resistance of a concrete filled steel column and the parameters which cause the fire resistance is represented using an artificial neural network. Experimental data obtained from previous laboratory fire tests are used for training the neural network model. The model predicted values are compared with actual test results. The results indicate that the model can predict the fire resistance with adequate accuracy required for practical design purpose. The developed neutral network can be used to predict the fire resistance of similar columns under fire by observing various factors influencing the resistance such as: (a) structural factors, (b) material factors, and (c) loading conditions. The structural engineer is required to provide the magnitude of these influencing factors as inputs to the neural network and the network will predict the fire resistance, based on the combined effect of these factors. This system can be used by structural engineers to predict the resistance of fire in similar concrete filled steel columns without conducting costly fire tests, by using the known parameters such as column dimensions, column height, and loading conditions.     

再生混凝土强度预测的神经网络模型

BP神经网络方法由于综合考虑了再生混凝土强度的各种影响因素,能够实现非线性关系,可以用于再生混凝土强度预测.为克服传统BP网络收敛速度慢、易出现麻痹现象等不足.研究采用L-M算法来改进传统的BP神经网络,仿真结果表明,该方法简单可行,搜索速度快,预测结果可靠、精度高.     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

基于BP神经网络的改性废灰砖强度预测

在分析改性废灰砖强度影响因素的基础上，选取改性废灰砖配料中的5个因素作为输入值，以改性废灰砖28d强度作为输出值，建立改性废灰砖强度的预测的BP神经网络模型，结果表明，该模型预测强度高，可以用来对改性废灰砖强度进行预测。     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

Prediction of compressive strength of SCC and HPC with high volume fly ash using ANN

An artificial neural network (ANN) is presented to predict a 28-day compressive strength of a normal and high strength self compacting concrete (SCC) and high performance concrete (HPC) with high volume fly ash. The ANN is trained by the data available in literature on normal volume fly ash because data on SCC with high volume fly ash is not available in sufficient quantity. Further, while predicting the strength of HPC the same data meant for SCC has been used to train in order to economise on computational effort. The compressive strengths of SCC and HPC as well as slump flow of SCC estimated by the proposed neural network are validated by experimental results.     

钢筋混凝土预制桩单桩竖向承载力分析

传统的钢筋混凝土预制桩极限承载力预测方法,难以考虑单桩极限承载力影响因素的模糊性和相互关系,根据长期工程实践资料,提出并建立了钢筋混凝土预制桩极限承载力分析的人工神经网络方法,从而达到在施工过程中减少或不做试桩的效果。利用30根钢筋混凝土预制桩实测数据建立神经网络模型,5根桩做检验样本,证实了该方法在预测单桩的竖向承载能力时可以满足工程实际的需要。     

型钢高强混凝土柱抗剪承载力RBF神经网络预测方法及参数分析

在已有文献有关试验的基础上,引入径向基(RBF)网络理论,提出了型钢高强混凝土柱抗剪承载力RBF神经网络预测方法.以混凝土强度等级、剪跨比、轴压比和配箍率为输入参数,混凝土柱的抗剪承载力为输出参数,建立精确RBF神经网络模型,以多组不同试验数据分别作为训练样本和检验样本,对网络进行训练和检验,并把仿真结果与采用非线性最小二乘法拟合公式的计算结果进行了比较.在文中所提方法的基础上,对型钢高强混凝土的抗剪承载力进行的参数分析结果表明,用训练成熟的RBF网络进行仿真,避免了诸多人为因素的影响,大大提高了结果的精度,使计算更加准确、高效.参数分析还表明,型钢高强混凝土柱的抗剪承载力随着混凝土强度、轴压比和配箍率的增大而增大,但随着剪跨比的增大而减小,并且剪跨比对柱的抗剪能力的影响最大,轴压比、混凝土的强度和配箍率则趋于同等重要影响程度.     

Predicting the core compressive strength of self-compacting concrete (SCC) mixtures with mineral additives using artificial neural network

In this study, an artificial neural networks study was carried out to predict the core compressive strength of self-compacting concrete (SCC) mixtures with mineral additives. This study is based on the determination of the variation of core compressive strength, water absorption and unit weight in curtain wall elements. One conventional concrete (vibrated concrete) and six different self-compacting concrete (SCC) mixtures with mineral additives were prepared. SCC mixtures were produced as control concrete (without mineral additives), moreover fly ash and limestone powder were used with two different replacement ratios (15% and 30%) of cement and marble powder was used with 15% replacement ratio of cement. SCC mixtures were compared to conventional concrete according to the variation of compressive strength, water absorption and unit weight. It can be seen from this study, self-compacting concretes consolidated by its own weight homogeneously in the narrow reinforcement construction elements. Experimental results were also obtained by building models according to artificial neural network (ANN) to predict the core compressive strength. ANN model is constructed, trained and tested using these data. The results showed that ANN can be an alternative approach for the predicting the core compressive strength of self-compacting concrete (SCC) mixtures with mineral additives.