共查询到20条相似文献,搜索用时 31 毫秒
1.
开展了不同配合比条件下超高性能混凝土(UHPC)的制备与抗压强度试验,并结合已有数据形成了神经网络训练样本;根据UHPC原材料组成和性能需求设计了包含神经网络输入层(7节点)、隐层(8节点)和输出层(1节点)的拓扑结构,并引入遗传算法(GA)优化了UHPC抗压强度预测网络的初始权值和阈值;采用试验样本模拟训练了不同配合比条件下的UHPC抗压强度预测GA-BP神经网络,并以此为基础建立了基于不同性能需求的配合比设计方法.对比试验数据和传统BP神经网络方法计算结果发现,GA-BP神经网络能更好地指导UHPC抗压强度预测和配合比设计. 相似文献
2.
《工业建筑》2020,(3)
目前超高性能混凝土(UHPC)的配合比研究多集中在不含粗骨料的活性粉末混凝土(RPC)上,而在RPC中掺入粗骨料可以降低成本并且减少混凝土的收缩,但是关于含粗骨料的超高性能混凝土(CA-UHPC)的配合比的研究相对较少。以原材料、生产成本和生产工艺三方面为影响因素,对UHPC发展应用的影响进行探讨,并依此给出了较为经济合理的UHPC配合比设计,考虑施工现场环境条件并简化了养护工艺,制作了38组(共计114个) UHPC立方体试块,研究了水胶比、硅灰掺量、钢纤维掺量、粗骨料掺量以及养护条件等对UHPC抗压强度的影响规律并进行分析。基于试验结果给出了最优的钢纤维掺量及粗骨料掺量。 相似文献
3.
进行了18件不同配合比的再生混凝土砌块砌体的抗压强度试验,分析了水灰比、再生骨料取代率和粉煤灰掺量对再生混凝土抗压强度的影响规律。建立了基于深度学习神经网络的抗压强度预测模型,以水灰比、再生粗骨料取代率、再生细骨料取代率和粉煤灰掺量为输入变量预测了再生混凝土砌块的抗压强度。结果表明:与传统神经网络模型相比,基于深度学习的预测模型具有高精度、高效率和高泛化能力的优点,可以作为再生混凝土强度计算的一种新方法。 相似文献
4.
研究了粗集料种类、集料粒径、用水量、胶凝材料组成及相对掺量对混凝土抗折强度的影响,同时基于不同粗集料粒径对混凝土抗折强度与抗压强度的匹配关系进行了拟合分析,研究表明在分别经过粗骨料优化选择和胶凝材料体系优化设计后,混凝土的抗折强度较基准配合比分别提高了7%和17%。通过最佳粗集料的选择及优化胶凝材料各组分掺量,实现了在降低混凝土成本的同时,提高了普通水泥混凝土的抗折强度。 相似文献
5.
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. 相似文献
6.
7.
由于影响混凝土抗压强度的因素众多,且抗压强度与各影响因素之间的关系是一种复杂的非线性问题,采用了机器学习的方法较好地对混凝土抗压强度做出预测,研究采用BP和GA-BP两种神经网络分别对混凝土28 d抗压强度进行预测并进行分析,其中输入层的参数为水泥、炉渣、粉煤灰、水、减水剂、粗骨料和细骨料的用量。结果表明:与BP神经网络式相比,GA-BP神经网络预测值与实测值更为吻合,平均误差率减少了43%,有更好的预测能力。同时研究采用灰色关联算法对输入层进行敏感性分析,表明粗骨料用量的改变对28 d混凝土抗压强度的影响最大,并且在输入层删除敏感性较低的参数后,神经网络的预测效果有进一步提高。研究还通过GA-BP神经网络寻最优值对当混凝土强度达到最大值时,输入层各影响因素的数值进行了预测,为混凝土的抗压强度预测和配合比设计提供了分析方法且该神经网络对试验有较好的导向作用。 相似文献
8.
采用单纯形重心设计法预测复合胶凝材料28d抗压强度;将复合胶凝材料28d抗压强度预测值和已设定的水胶比代入Bolomy公式测算掺合料混凝土28d抗压强度.结果表明:用单纯形重心设计法能较准确预测复合胶凝材料28d抗压强度;将复合胶凝材料28d抗压强度预测值和已设定的水胶比代入Bolomy公式能较准确地测算出掺合料混凝土28d抗压强度.在确定复合胶凝材料组成后,用单纯形重心设计法预测复合胶凝材料抗压强度,然后和设计要求的掺合料混凝土抗压强度一起代入Bolomy公式,就能得到较准确的掺合料混凝土水胶比,再通过体积法就可较准确地求得掺合料混凝土配合比.这种掺合料混凝土配合比设计法视复合胶凝材料各组分为与水、集料一样的独立组分. 相似文献
9.
10.
研究了胶凝材料组成比例、钢纤维类型(平直型、端钩型)对含粗骨料超高性能混凝土(UHPC)强度尺寸效应、工作性和收缩性能的影响,分析了减缩剂掺量(0~2.0%)对含粗骨料UHPC收缩性能、力学性能、抗氯离子渗透性能和孔结构的影响。结果表明:适当增加粉煤灰掺量有利于改善含粗骨料UHPC的工作性,降低收缩;掺入钢纤维降低了含粗骨料UHPC的工作性,但抑制了收缩,且端钩型钢纤维抑制效果更显著;掺入1%钢纤维能够有效降低含粗骨料UHPC的强度尺寸效应,且平直型钢纤维的降低效果更好;掺入减缩剂明显降低了含粗骨料UHPC的收缩,但会使抗压强度降低,总孔隙率增大,抗氯离子渗透性能变差。 相似文献
11.
针对超高性能混凝土(UHPC)胶凝材料用量大、非绿色化、成本高、自收缩大等问题,通过引入5~10 mm粒径的粗骨料,采用普通河砂代替石英砂,并优化钢纤维体积掺量,成功制备出了经济环境效益良好、性能优良的含粗骨料超高性能混凝土(UHPC-CA)。研究了粗骨料掺量对UHPC-CA工作性和力学性能的影响,并与UHPC性能进行了对比分析。结果表明:UHPC-CA的流动性能相比UHPC有所降低,粗骨料掺量为675 kg/m3的UHPC-CA能保持良好流动性能,但随着粗骨料掺量的增加,流动性降低的十分明显;UHPC-CA抗压强度、抗折强度低于UHPC,弹性模量则高于UHPC,不同粗骨料掺量UHPC-CA力学性能变化并不明显;UHPC-CA抗氯离子渗透性能和抗冻性能表现良好,但是不如UHPC优异;掺入粗骨料能够改善UHPC-CA的自收缩性能,相比UHPC,其早期自收缩率明显降低。 相似文献
12.
13.
采用紧密堆积理论优化出了超高性能混凝土(UHPC)胶凝材料体系各组分比例,通过掺加钢渣粉和复合膨胀剂配制出低水化热低收缩UHPC,并通过SEM分析了UHPC水化产物和界面黏结微观结构。结果表明,采用大掺量矿物掺合料优化胶材体系和骨料体系可制备出工作性良好、标养条件抗折强度达25.6 MPa、抗压强度达142 MPa的UHPC,绝热温升仅59.7℃,180 d干燥收缩率仅280×10-6。钢渣粉的掺入不仅能有效降低UHPC水化热,对抑制收缩也有一定作用。 相似文献
14.
《市政技术》2020,(4)
为了探索粗骨料超高性能混凝土(UHPC)的力学性能,研究了粗骨料含量(0、250、350、450 kg、550 kg/m~3)、钢纤维掺量(2%)、钢纤维长度(10、13、20、25 mm)对粗骨料UHPC立方体抗压强度、轴心抗压强度、抗弯拉强度和弹性模量的影响。研究结果表明:随着粗骨料含量的增加(0~550 kg/m~3),粗骨料UHPC立方体抗压强度和轴心抗压强度先增加后减小,抗弯拉强度显著降低,而弹性模量显著提高。在粗骨料含量相同的情况下粗骨料UHPC的立方体抗压强度和轴心抗压强度、抗弯拉强度随钢纤维长度的增加明显提高,而钢纤维长度对粗骨料UHPC弹性模量无明显影响。 相似文献
15.
采用基于响应面法(RSM)的D-optimal最优化设计方法设计了超高性能混凝土(UHPC)净浆配合比,研究了复合胶凝材料组分对UHPC净浆湿堆积密实度、力学性能、干燥收缩性能的影响,结合XRD、SEM等微观测试结果分析了复合胶凝材料组分间的相互作用机理。结果表明:粉煤灰和硅灰可有效提高UHPC净浆的湿堆积密实度,优化基体内部颗粒堆积状态;硫铝酸盐水泥和粉煤灰对UHPC净浆的早期强度影响显著,掺入硫铝酸盐水泥可大幅提高UHPC净浆的早期力学性能。 相似文献
16.
17.
针对超高性能混凝土(UHPC)胶凝材料收缩大,弹性模量低等问题,通过添加玄武岩粗骨料和高强细骨料制备出具有高弹性模量(>54 GPa)、低收缩(<300με)和超高强(>150 MPa)的UHPC,并研究粗骨料掺量与细骨料种类对UHPC力学性能及收缩的影响。结果表明:随着粗骨料掺量的增加(0~800 kg/m3),UHPC抗压强度先提高后降低,静力受压弹性模量几乎呈线性提高;粗骨料掺量为0~200 kg/m3时,UHPC的抗弯拉强度变化较小,粗骨料掺量在200~800 kg/m3增加时,UHPC的抗弯拉强度明显降低;随粗骨料掺量的增加(0~800 kg/m3),UHPC的收缩逐渐减小,粗骨料掺量为600 kg/m3时,180 d收缩值为292με,仅为无粗骨料时的72.7%。 相似文献
18.
19.
《混凝土与水泥制品》2017,(3)
对一种粉砂土水泥土进行配合比设计,该水泥土仅以当地滩涂粉砂土作为骨料,不使用砂石等粗骨料。采用三因素三水平的正交试验法对其配合比进行试验,通过极差和方差分析,得到土胶比、水胶比、水泥量对水泥土坍落度和28d抗压强度的影响程度;进行了回归分析,建立了线性回归方程;结合相应曲线,得到相应情况下的最优配合比。 相似文献