橡胶混凝土应力和强度的细观数值分析

利用富勒公式将三维级配曲线转化为二维平面内任意粒径集料出现的概率,在细观层次上将橡胶混凝土离散为粗集料、橡胶集料和水泥砂浆,建立了橡胶混凝土粗集料及橡胶集料随机分布的集料模型.将橡胶混凝土作为普通混凝土与橡胶集料组成的二相复合材料.利用有限元方法对橡胶混凝土二相复合材料模型的轴心抗压强度进行计算和分析,并和试验结果进行对比,结果表明:该分析方法能很好地模拟计算橡胶混凝土的轴心抗压强度,给出了模型加载过程中的细观应力分布及变化情况,模拟结果较好地反映了橡胶混凝土在单轴作用下的力学特性.     

粉煤灰再生混凝土抗压强度计算模型

随着再生粗集料混凝土研究的不断深入,现有的粉煤灰再生粗集料混凝土抗压强度计算模型,没有考虑粉煤灰的胶凝作用,存在一定的缺陷和不足。在粉煤灰胶凝系数概念的基础上,通过16组粉煤灰再生粗集料混凝土28d抗压强度试验结果的研究,分析了真实水胶比和广义砂率对粉煤灰再生粗集料混凝土抗压强度的影响。参考已有的研究结果,利用多元回归计算建立了以水泥强度,真实水胶比和广义砂率为基础的粉煤灰再生粗集料混凝土抗压强度计算模型,为粉煤灰再生粗集料混凝土基本力学系能的研究提供参考。     

橡胶集料对混凝土抗压强度的降低效应

研究了振捣密实混凝土和自密实混凝土抗压强度随（废旧轮胎）橡胶集料体积分数的变化规律,分析了橡胶集料对混凝土抗压强度的降低效应,建立了混凝土抗压强度降低率与橡胶集料体积分数之间的经验关系式.结果表明：橡胶集料的掺加导致了混凝土抗压强度降低,橡胶集料体积分数越大,混凝土抗压强度降低越多;橡胶集料体积分数相同时,振捣密实混凝土抗压强度降低率比自密实混凝土抗压强度降低率稍大;一定体积分数橡胶集料对混凝土抗压强度的降低效应与相同体积分数气孔的降低效应相当;建议混凝土中每增加1%体积分数的橡胶集料,混凝土抗压强度降低率按4.5%计算.     

不同再生粗集料混凝土劈裂抗拉强度分布特征

通过劈裂抗拉强度和抗压强度试验,研究了水灰比分别为0.74,0.55和0.43的不同再生粗集料混凝土的劈裂破坏状况、劈裂抗拉强度及其分布特征,得到了不同再生粗集料混凝土劈裂抗拉强度与抗压强度之间的换算关系.不同再生粗集料混凝土的劈裂破坏不仅表现为再生粗集料和新水泥浆体之间界面的破坏,还表现为再生粗集料本身的断裂破坏;在相同水灰比条件下,不同再生粗集料混凝土劈裂抗拉强度的均值比单一再生粗集料混凝土小,但标准差和变异系数变化规律不明显;不同再生粗集料混凝土劈裂抗拉强度的分布可以用正态分布模型描述.     

路堑岩石制备桥梁混凝土集料的可行性研究

选用路堑岩石作为母岩制备混凝土用粗集料,测试其基本性质,并进行此类集料混凝土与普通石灰岩集料混凝土的拌合物性能、抗压强度、静力受压弹性模量及抗氯离子渗透性能的对比研究。结果表明:所选路堑岩石制备的碎石吸水率较大,配制的混凝土坍落度经时损失较大;2种集料混凝土各龄期的抗压强度基本相当;路堑岩石集料混凝土的弹性模量低于普通石灰岩集料混凝土;2种集料混凝土的抗氯离子渗透性能相差不大。路堑岩石作为母岩加工成桥梁混凝土集料是可行的,但不适合配制预应力混凝土。     

自燃煤矸石-粉煤灰生产混凝土空心砌块研究

将自燃煤矸石破碎作粗集料,粉煤灰作掺合料生产混凝土空心砌块.煤矸石、粉煤灰掺量在40%～45%的前提下,成功生产出强度等级MU10且抗冻指标合格的墙体材料.采用均匀试验设计安排试验方案,对不同配合比混凝土空心砌块的抗压强度、表观密度、吸水率、软化系数、碳化系数、抗冻标号等进行了试验研究,利用SPSS统计分析软件得到了混凝土砌块强度的回归方程,利用神经网络的BP模型实现了砌块抗压强度的预测.     

基于神经网络的植生型多孔混凝土抗压强度预测模型

分析了影响植生型多孔混凝土抗压强度的主要因素,选取目标孔隙率、水胶比、胶凝材料用量、粗骨料用量、水用量、粗骨料平均粒径、粗骨料比表面积、粗骨料堆积孔隙率及浆骨比作为植生型多孔混凝土抗压强度的影响指标,分别建立了BP多层前馈神经网络预测模型和采用遗传算法优化的BP神经网络预测模型(GA-BP).收集国内外文献中146组植生型多孔混凝土试验数据,以其中116组数据作为训练样本,并采用其余30组数据作为试验样本与BP、GA-BP神经网络模型预测值、线性回归方程抗压强度计算值进行比较分析,结果表明:BP、GA-BP神经网络模型计算精度与离散性更优,且较线性回归方程计算结果更接近于样本试验值,更能够准确地预测多孔混凝土的抗压强度值.     

集料类型及颗粒级配对RPC性能的影响

研究了集料对活性粉末混凝土（RPC）性能的影响,包括细集料的类型、颗粒级配,以及微集料（石英粉）颗粒级配对 RPC抗折、抗压强度和流动性的影响。结果表明：剔除细集料中的粗颗粒后,通过优化颗粒级配,可以采用普通河砂代替石英砂或者标准砂作为配制 RPC的细集料;选用325目石英粉作为微集料,采取蒸汽养护制度,可制备出抗压强度大于135 MPa、抗折强度约为20 MPa的活性粉末混凝土。     

掺矿物掺合料轻集料混凝土的强度特征

文章研究分析了粉煤灰、沸石粉、硅粉在不同水胶比下单掺及复掺对轻集料混凝土抗压强度的影响,结果表明在低水胶比下,掺矿物掺合料后的轻集料混凝土将获得更高的抗压强度;复掺矿物掺合料对轻集料混凝土抗压强度更有利。     

轻集料混凝土砌块（砖）品质评估方法

利用生产管理统计中的生产能力评估方法,定义轻集料混凝土砌块强度的适中度与稳定性指标、轻集料混凝土砌块品质指标,以评估轻集料混凝土砌块的抗压强度品质。此三个指标的最佳估计式是利用统计推导的原理所建立,并利用此三指标建立一套轻集料混凝土砌块抗压强度品质的评估程序与准则。此程序与准则不仅可作为评估轻集料混凝土砌块强度品质的依据,亦可为业者或工程师改善生产或施工质量提供参考。     

再生骨料透水混凝土关键性能统计及预测分析

对再生骨料透水混凝土(RAPC)4项关键性能指标(抗压强度、劈拉强度、孔隙率及透水系数)进行了统计分析,发现这4项性能指标均基本服从正态分布规律;同时建立了RAPC宏观性能的统计规律与内在联系.在此基础上,基于人工神经网络方法,运用Python软件建立了基于BP神经网络的RAPC性能预测模型,并对上述关键性能指标进行了相互预测分析.结果表明:4项性能指标的模型预测值平均相对误差均在10%以内,预测精度较高,表明RAPC的透水性能与强度性能之间具有内在的反向关联关系,并具备可预测性.     

Neural networks for predicting compressive strength of structural light weight concrete

Neural networks procedures provide a reliant analysis in several science and technology fields. Neural network is often applied to develop statistical models for intrinsically non-linear systems because neural networks behave the advantages of simulating complex behavior of many problems. In this investigation, the neural networks (NNs) are used to predict the compressive strength of light weight concrete (LWC) mixtures after 3, 7, 14, and 28 days of curing. Two models namely, feed-forward back propagation (BP) and cascade correlation (CC), were used. The compressive strength was modeled as a function of eight variables: sand, water/cement ratio, light weight fine aggregate, light weight coarse aggregate, silica fume used in solution, silica fume used in addition to cement, superplasticizer, and curing period. It is concluded that the CC neural network model predicated slightly accurate results and learned very quickly as compared to the BP procedure. The finding of this study indicated that the neural networks models are sufficient tools for estimating the compressive strength of LWC. This undoubtedly will reduce the cost and save time in this class of problems.     

考虑粗骨料品质和取代率的再生混凝土抗压强度计算

再生混凝土的粗骨料表面存在硬化砂浆和大量的界面结构，致使其抗压强度较普通混凝土的有所降低，且受压破坏情况更为复杂。为建立一个普遍适用的再生粗骨料混凝土抗压强度计算公式，试验中采用不同再生粗骨料品质、不同取代率的再生混凝土，研究了胶水比、再生粗骨料的品质和取代率对再生混凝土抗压强度的影响，并分析了再生粗骨料吸水率、表观密度和压碎指标等品质特征参数和其影响因子的相关性。在普通混凝土Bolomey抗压强度公式的基础上，建立了考虑骨料品质和取代率的再生粗骨料混凝土抗压强度计算公式，并与常用的抗压强度计算公式的计算结果进行了误差比较。研究结果表明：再生粗骨料混凝土抗压强度与胶水比、取代率之间均呈线性关系，并且再生粗骨料的品质对再生混凝土抗压强度影响显著；误差分析表明，与试验结果相比，普通混凝土Bolomey抗压强度公式的最大误差约为16.51%，考虑有效胶水比的再生粗骨料混凝土抗压强度的最大误差约为36.33%，而考虑再生粗骨料品质差异和取代率的再生混凝土抗压强度的最大误差仅为4.90%，具有较高的精度和较好的适用性。     

基于2D随机骨料模型的C80混凝土参数分析

利用DIGIMAT和ABAQUS联合建立细观混凝土2D随机骨料模型,模拟了粗骨料的分布、形状、含量以及界面过渡区性能、孔隙率对C80高强度混凝土立方体抗压强度、轴心抗压强度、弹性模量和劈裂抗拉强度的影响,并将模拟结果与各参数对低强度混凝土的影响进行比较。结果表明:粗骨料的分布模式对混凝土的基本力学性能几乎没有影响,不同分布形式下混凝土立方体抗压强度最大相对误差为4.18%; 不同形状的粗骨料对混凝土力学性能有着不同的影响,圆形和椭圆形状粗骨料的模拟结果与试验值更为接近; 不同骨料含量下混凝土立方体抗压强度呈现出先减小后增大的趋势,轴心抗压强度则是先减小后增加再减小,劈裂抗拉强度在粗骨料含量为33%时达到最大值4.61 MPa,之后便逐渐降低; 随着孔隙率的增加,混凝土立方体抗压强度、轴心抗压强度和弹性模量均逐渐减小,劈裂抗拉强度在孔隙率为1.5%时降低较多,孔隙率为2%时有所上升。     

双掺粉煤灰和矿渣混凝土强度的BP网络预测模型

双掺粉煤灰和矿渣混凝土的强度发展机理复杂,不能用传统的水灰比线性函数来预测,利用BP神经网络模型来预测其3、28和56d的抗压强度.结果表明:BP神经网络具有较强的非线性映射能力,预测结果比较理想,可以指导实际工程;早龄期的混凝土强度预测值与实测值之间的误差较大,随着粉煤灰和矿渣的二次水化反应逐渐充分,强度发展趋于规律化,预测误差相应变小.     

骨料和砂浆等影响混凝土强度的细观层次机理分析

基于全级配三维细观混凝土随机模型分析方法,系统研究了混凝土中砂浆和骨料等各组分的受力特点,通过现场试验以及数值模拟分析,揭示了骨料降低砂浆强度的作用机理,提出混凝土宏观抗压强度与砂浆抗压强度间的修正关系,并讨论了骨料体积分数及混凝土强度分别对该修正系数的影响规律.研究表明：骨料的加入会降低水泥基材料的强度;混凝土材料的强度小于相同配比条件下的砂浆;用混凝土强度参数代替砂浆参数进行细观层次分析会造成较大误差,应进行修正;修正系数随骨料体积分数增加而线性增长,与混凝土强度关系不大.     

基于BP网络的自密实混凝土配合比设计

原材料性能的波动对自密实混凝土性能影响很大,把水泥强度、砂石含泥量、砂石细度模数、石子的最大粒径、石子针片状含量、粉煤灰细度和粉煤灰烧失量这些原材料性能参数作为BP网络的输入,以对应的优化配合比作为网络的输出,用网络结构描述它们之间的非线性关系。利用正交试验数据样本完成了网络的训练并进行检验,计算结果表明,利用正交试验数据样本训练的BP网络可以预测不同情况下的配合比,预测精度高,完全可以代替繁重的实验室配合比设计。应用该技术可实现自密实混凝土配合比的实时优化,对控制自密混凝土的生产质量具有重要意义。     

再生粗骨料取代率对混凝土抗压强度的影响

通过试验室条件下371块立方体试块抗压强度试验,研究了再生粗骨料取代率分别为0,30%,50%,100%(质量分数)的混凝土抗压强度的变异特性及概率分布特征.基于试验数据,得到了不同再生粗骨料取代率混凝土抗压强度的均值、方差和变异系数;采用正态分布模型对再生混凝土抗压强度的分布进行了检验;利用Monte-Carlo模拟方法对根据试验结果得到的分布规律进行了进一步验证.研究结果表明,再生混凝土抗压强度的变异系数与普通混凝土差别不大;可以用正态分布模型描述再生混凝土抗压强度的概率分布.最后根据统计分析和贝叶斯估计结果,建议了C30再生混凝土抗压强度的标准差取值.     

Predicting the compressive strength and slump of high strength concrete using neural network

High Strength Concrete (HSC) is defined as concrete that meets special combination of performance and uniformity requirements that cannot be achieved routinely using conventional constituents and normal mixing, placing, and curing procedures. HSC is a highly complex material, which makes modelling its behavior very difficult task. This paper aimed to show possible applicability of neural networks (NN) to predict the compressive strength and slump of HSC. A NN model is constructed, trained and tested using the available test data of 187 different concrete mix-designs of HSC gathered from the literature. The data used in NN model are arranged in a format of seven input parameters that cover the water to binder ratio, water content, fine aggregate ratio, fly ash content, air entraining agent, superplasticizer and silica fume replacement. The NN model, which performs in Matlab, predicts the compressive strength and slump values of HSC. The mean absolute percentage error was found to be less then 1,956,208% for compressive strength and 5,782,223% for slump values and R² values to be about 99.93% for compressive strength and 99.34% for slump values for the test set. The results showed that NNs have strong potential as a feasible tool for predicting compressive strength and slump values.