CN105259335B

CN105259335B - 水泥熟料性能的评价方法及煅烧工艺优化方法

Info

Publication number: CN105259335B
Application number: CN201510701481.3A
Authority: CN
Inventors: 刘姚君; 汪澜
Original assignee: China Building Materials Academy CBMA
Current assignee: China Building Materials Academy CBMA
Priority date: 2015-10-26
Filing date: 2015-10-26
Publication date: 2018-03-23
Anticipated expiration: 2035-10-26
Also published as: CN105259335A

Abstract

本发明公开了一种水泥熟料性能的评价方法及煅烧工艺优化方法，其中评价方法包括如下步骤：获取水泥熟料的组分基本信息和水泥熟料的实测性能数据，根据获取的组分基本信息利用水泥水化模型获得水泥熟料的理论性能数据，确定水泥熟料的理论性能数据与实测性能数据之间的误差系数；获取待测水泥熟料的组分基本信息；根据待测水泥熟料的组分基本信息，通过水泥水化模型得到待测水泥熟料的理论性能数据，通过误差系数对待测水泥熟料的理论性能数据进行修正得到待测水泥熟料的评价性能数据。本发明可快速且高精度地评定水泥熟料性能。

Description

水泥熟料性能的评价方法及煅烧工艺优化方法

技术领域

本发明涉及水泥技术领域，尤其涉及一种水泥熟料性能的评价方法及煅烧工艺优化方法。

背景技术

水泥熟料性能评价是及时掌握水泥熟料质量，调整配料和生产工艺的基础。水泥熟料性能评价一般都采用物理检测和化学分析(包括在线与离线的仪器分析)来完成。比如28天抗折强度和28天抗压强度，检验周期长，对水泥熟料生产线的配料控制及生产工艺调整作用不及时。而传统的单一熟料检测分析手段，如岩相分析属交叉学科性质，既需要掌握熟料的晶体性质、相变、冷却等基础知识，也要掌握水泥生产工艺、过程控制。这不利于水泥生产的质量控制和生产管理。熟料质量不能实时调控，不利于生产管理和成本控制。

发明内容

有鉴于此，本发明实施例提供一种水泥熟料性能的评价方法，主要目的是短时间且高精度地评定水泥熟料性能。

为达到上述目的，本发明主要提供如下技术方案：

一方面，本发明实施例提供了一种水泥熟料性能的评价方法，包括如下步骤：

获取水泥熟料的组分基本信息和水泥熟料的实测性能数据，根据获取的组分基本信息利用水泥水化模型获得水泥熟料的理论性能数据，确定水泥熟料的理论性能数据与实测性能数据之间的误差系数；

获取待测水泥熟料的组分基本信息；

根据待测水泥熟料的组分基本信息，通过水泥水化模型得到待测水泥熟料的理论性能数据，通过误差系数对待测水泥熟料的理论性能数据进行修正得到待测水泥熟料的评价性能数据。

作为优选，所述水泥水化模型选自如下HYMOSTRUC模型、CEMHYD3D模型、DuCOM模型、单颗粒模型和成核增长模型中的至少一种。

作为优选，所述水泥熟料的组分基本信息为熟料的矿物组成、各矿物的晶体学性质、2种以上的矿物组成之比、化学组成、游离氧化钙含量和容重中的至少一种。

作为优选，所述水泥熟料的组分基本信息通过反光显微镜、偏光显微镜、扫描电子显微镜、X射线衍射、差热分析、热重、红外光谱和X射线荧光中的至少一种分析得到。

作为优选，所述水泥熟料的理论性能数据为硬化水泥净浆、水泥砂浆或混凝土的水化热、强度、孔隙率、凝结时间、弹性模量以及导热系数中的至少一种。

作为优选，熟料的实测性能为灰浆的抗压强度、抗弯强度、流动性、水化热、凝结时间、干燥收缩率、稳定性、水中膨胀、耐硫酸盐性、ASR电阻和导热系数中的至少一种。

另一方面，本发明实施例提供了一种水泥熟料煅烧工艺优化方法，包括如下步骤：

通过上述实施例的评价方法获得水泥熟料的评价性能数据；

通过回归反演的方法建立水泥熟料煅烧工艺过程参数与水泥熟料评价性能数据之间的关系；

通过水泥熟料煅烧工艺过程参数与水泥熟料评价性能数据之间的关系对水泥熟料煅烧工艺参数进行调整，实现水泥熟料煅烧工艺优化。

作为优选，所述回归反演的方法为采用MATLAB统计工具箱中的regress命令采用最小二乘法进行线性回归反演或采用神经网络处理单元的数学分析模型进行回归反演。

与现有技术相比，本发明的有益效果在于：

本发明实施例提供的水泥熟料性能的评价方法基于水泥熟料的本质特征，即组成组分和水化产物的本质属性，以及微观结构，建立了具有实际物理意义参数的水泥熟料性能预测模型，可以比较方便得到水泥熟料的各项性能参数，而不需要通过一套测试装置进行实际测量。

具体实施方式

下面结合具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

水泥熟料性能的评价方法，包括如下步骤：

获取待测水泥熟料的组分基本信息；

本发明实施例中的水泥水化模型可以为HYMOSTRUC模型、CEMHYD3D模型、DuCOM模型、单颗粒模型和成核增长模型中的一种，或多种(两种及两种以上)相结合，实现结果的更加准确。而具体采用何种模型可以根据需要进行选择，优选自如下HYMOSTRUC模型、CEMHYD3D模型和DuCOM模型中的一种或多种的相结合。上述三种优选模型能够得到更多的水泥熟料的性能参数。当然，也可采用诸如单颗粒模型，以仅得到水化程度α，水化速率dα/dt；未水化的核半径r_i和颗粒半径r_o；自由水和结合水的量；CH和C-S-H的量；颗粒间的孔隙率ε等参数。

本发明实施例中的水泥熟料的组分基本信息根据所选取模型的需要可以是如下信息中的部分(包括一个)或全部：水泥熟料的矿物组成、各矿物的晶体学性质、2种以上的矿物组成之比、化学组成、游离氧化钙含量和容重等。矿物组成是指3CaO·SiO₂(C₃S)、2CaO·SiO₂(C₂S)、3CaO·Al₂O₃(C₃A)、4CaO·Al₂O₃·Fe₂O₃(C₄AF)等的含量中的部分(包括一个)或全部信息。化学组成是指熟料中的SiO₂、Al₂O₃、Fe₂O₃、CaO、MgO、SO₃、Na₂O、K₂O、Na₂O、MgO、TiO₂、P₂O₅、F、Cl、Mn、As、Cr、Zn、Pb、Cd、Cu、Ni、V、Zr、Mo、Sr、Ba等的一种或多种的任意组合的含量信息。水泥熟料的组分基本信息可通过现有的成熟技术获得，从而可以快速准确得到所要的信息。如采用反光显微镜、偏光显微镜、扫描电子显微镜、X射线衍射、差热分析、热重、红外光谱以及X射线荧光分析等或得所需要的组分基本信息。如熟料的矿物组成可通过XRD衍射分析及Rietveld精修方法等定性/定量分析方法确定。熟料的X射线衍射方法可获得熟料的矿物组成、各矿物的晶体学性质(晶格常数、微晶粒径等)信息。偏光显微镜分析方法可获得熟料各矿物的颜色、比表面积、周长、孔隙率、发育程度等信息。

本发明实施例中水泥熟料的理论性能数据根据所选用的模型得到如下数据中的部分或全部：硬化水泥净浆、水泥砂浆或混凝土的水化热、强度、孔隙率、凝结时间、弹性模量以及导热系数。同样，水泥熟料的实测性能根据选用的设备及所做试验等获得如下数据中的部分或全部；灰浆的抗压强度、抗折强度、流动性、水化热、凝结时间、干燥收缩率、稳定性、水中膨胀、耐硫酸盐性、ASR电阻和导热系数。

另一方面，在上述评价方法的实施例的基础上，本发明实施例提供了一种水泥熟料煅烧工艺优化方法，包括如下步骤：

通过上述实施例的评价方法获得水泥熟料的评价性能数据；

其中，回归反演的方法为采用MATLAB统计工具箱中的regress命令采用最小二乘法进行线性回归反演或采用神经网络处理单元的数学分析模型进行回归反演。

下面通过本发明方法的实际应用来进一步说明本发明的方案及效果。

水泥熟料性能的评价方法，具体步骤如下：

通过CEMHYD3D模型对某水泥厂有历史数据的水泥熟料的性能进行理论计算获得理论性能数据。水泥熟料的历史数据包括组分基本信息和实测性能数据。根据历史数据中的组分基本信息，通过CEMHYD3D模型即可得到相应的理论性能数据。这些历史数据易于获取，数据量足够。通过理论性能数据与实测性能数据对比分析获得，该水泥厂水泥熟料的强度实测值和预测值之间的误差系数为1.22％；水泥熟料的凝结时间的实测值和预测值之间的误差系数为1.15％。

通过X射线荧光分析和偏光显微镜分析，获取待测水泥熟料的组分基本信息，该水泥熟料的化学组成见表1，矿物组成见表2。

表1化学组成含量

化学组成	SiO₂	Al₂O₃	Fe₂O₃	CaO	MgO	SO₃	Na₂O	K₂O
									质量百分数％	21.68	5.03	3.15	64.57	2.56	0.73	0.25	0.56

表2矿物组成含量

矿物组成	C₃S	C₂S	C₃A	C₄AF
					质量百分数％	51.64	23.17	8.12	9.64

根据表1和表2待测水泥熟料的组分基本信息，通过水泥水化模型得到待测水泥熟料的理论性能数据。

如采用CEMHYD3D方法性能预测，其中的水化热与各熟料矿物的关系可通过下列公式进行预测：

Q_t＝am_C3S+bm_C2S+cm_C3A+dm_C4AF

式中：Q_t为t时间水泥的水化热(kJ/g)；a、b、c、d为各种熟料矿物单独水化时的水化热，a＝0.517kJ/g、b＝0.262kJ/g、c＝1.144kJ/g、d＝0.725kJ/g；m_C3S、m_C2S、m_C3A、m_C4AF为反应消耗的熟料矿物的质量。

通过公式t＝t₀+B·n²，可进行不同时间段内水化程度的预判。

式中：参数B是根据以往的试验结果得出的，n表示循环次数。

经过若干次循环，就可以得出实时的水化程度、水化产物的生成量和水泥浆体微观结构的变化。

通过水泥水化模型得到待测水泥熟料的理论性能参数，并进一步利用上述得到的误差系数进行相应修正，最后得到待测水泥熟料的评价性能数据，实现对水泥熟料性能的预测。所得待测水泥熟料的评价性能数据见下表3。

表3

对上述水泥熟料性能进行实际检测，所得水泥熟料的实测性能数据见下表4。

表4

从表3、4的结果可以看出，预测值与实测值之间具有很好的吻合度，说明本发明提出的方法能够较好的预测熟料性能。

在上述实施例的基础上，进一步对该水泥熟料煅烧工艺优化，优化方法具体步骤如下：

在得到待测水泥熟料评价性能数据的基础上，通过回归反演的方法建立熟料煅烧各工艺过程参数与水泥熟料性能之间的关系。具体采用MATLAB统计工具箱中的regress命令采用最小二乘法进行线性回归反演。或采用神经网络处理单元的数学分析模型进行回归反演。

原料配料的工艺控制参数包括：原料的化学组成、原料的水硬率、筛余物量、比表面积、烧失量、硅率、铝率、石灰石饱和系数等。

熟料煅烧的工艺控制参数包括：生料投料量、转速、落口温度、烧成带温度、熟料温度、窑炉平均扭矩、O₂浓度、NOx浓度、高温风机压力、各级旋风筒温度、冷却器温度、预热器的气体流量、预热器出口温度、分解炉温度、烟室温度、窑头喂煤量、窑电流、窑头罩温度、入窑电收尘温度等。

熟料粉磨的工艺控制参数包括：粉碎温度、洒水量、选粉机风量、石膏投入量、熟料投入量、磨机的转速、从磨机排出的粉体的温度、从磨机排出的粉体的量、未从磨机排出的粉体的量、易磨性。

根据上述评价方法中收集的熟料基本信息以及确定的评价性能数据，通过回归反演的方法建立熟料煅烧各工艺过程参数与性能之间的关系，最终给出工艺优化方案：1、降低生料配料中碱含量；2、改造原有喷煤管，加强火焰强度，提高煅烧温度；3、适当提高窑速；4、提高入窑二次风温度，在1050℃以上；5、控制分解炉温度，880℃左右，保证入窑分解率在90％以上。通过工艺优化方案的实施，该厂熟料3d和28d抗压强度分别能达到大于30MPa和60MP的效果。

本发明实施例的水泥熟料性能评价方法综合考虑到各种因素，满足能够短时间且高精度地评定水泥熟料的性能的方法，即考虑既成熟料的组成、结构、矿物等特征，实现从微观到宏观的性能预测模拟，建立熟料组成成分、微观结构、宏观性能以及生料制备和煅烧工艺等之间的关系，并从根本上解释熟料宏观性能的影响控制模型，这对促进熟料性能、煅烧研究以及熟料下游复合性新材料具有重大意义。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.水泥熟料性能的评价方法，其特征在于，包括如下步骤：

获取待测水泥熟料的组分基本信息；

根据待测水泥熟料的组分基本信息，通过水泥水化模型得到待测水泥熟料的理论性能数据，通过误差系数对待测水泥熟料的理论性能数据进行修正得到待测水泥熟料的评价性能数据，

其中，所述水泥熟料的组分基本信息为熟料的矿物组成、各矿物的晶体学性质、2种以上的矿物组成之比、化学组成、游离氧化钙含量和容重中的至少一种；

所述水泥熟料的理论性能数据为灰浆的抗压强度、抗弯强度、流动性、水化热、凝结时间、干燥收缩率、稳定性、水中膨胀、耐硫酸盐性、ASR 电阻和导热系数中的至少一种；

所述水泥熟料的实测性能数据为灰浆的抗压强度、抗弯强度、流动性、水化热、凝结时间、干燥收缩率、稳定性、水中膨胀、耐硫酸盐性、ASR 电阻和导热系数中的至少一种；

所述的水泥熟料性能的评价方法用于水泥熟料煅烧工艺优化。

2.根据权利要求1所述的水泥熟料性能的评价方法，其特征在于，所述水泥水化模型选自如下HYMOSTRUC模型、CEMHYD3D模型、DuCOM 模型、单颗粒模型和成核增长模型中的至少一种。

3.根据权利要求1所述的水泥熟料性能的评价方法，其特征在于，所述水泥熟料的组分基本信息通过反光显微镜、偏光显微镜、扫描电子显微镜、X射线衍射、差热分析、热重、红外光谱和X射线荧光中的至少一种分析得到。

4.水泥熟料煅烧工艺优化方法，包括如下步骤：

通过权利要求1-3任一项所述的评价方法获得水泥熟料的评价性能数据；

5.根据权利要求4所述的水泥熟料煅烧工艺优化方法，其特征在于，所述回归反演的方法为采用MATLAB统计工具箱中的regress命令采用最小二乘法进行线性回归反演或采用神经网络处理单元的数学分析模型进行回归反演。