CN107576591A - 沥青60℃动力粘度值快速检测方法 - Google Patents
沥青60℃动力粘度值快速检测方法 Download PDFInfo
- Publication number
- CN107576591A CN107576591A CN201710657482.1A CN201710657482A CN107576591A CN 107576591 A CN107576591 A CN 107576591A CN 201710657482 A CN201710657482 A CN 201710657482A CN 107576591 A CN107576591 A CN 107576591A
- Authority
- CN
- China
- Prior art keywords
- pitch
- sample
- dynamic viscosity
- infrared spectrum
- decay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种沥青60℃动力粘度值快速检测方法，包括以下步骤：步骤1，将已知沥青样本组成校正集并采集已知沥青样本的60℃动力粘度值和衰减全反射傅立叶红外光谱数据；步骤2，采集待测沥青样本的衰减全反射傅立叶红外光谱数据；步骤3，将所有沥青样本的衰减全反射傅立叶红外光谱数据和已知沥青样本的60℃动力粘度数据分别代入MATLAB环境中；步骤4，光谱预处理完成后，建立已知沥青样本的红外光谱数据与60℃动力粘度值相关联的多元校正模型；步骤5，结合待测沥青样品的衰减全反射傅立叶红外光谱数据和所述多元校正模型，运用化学计量学的神经网络分析计算出待测沥青样品60℃动力粘度值；本发明测定结果准确、精密度好，满足对沥青60℃动力粘度的测定要求。
Description
技术领域
本发明属于道路路面质量控制、检测装置或方法技术领域，具体涉及到一种可应用于质量监督机构、工程建设单位、检测单位对未知沥青样本的现场质量控制进行快速检测并有效指导沥青路面施工质量控制的沥青60℃动力粘度值检测方法。
背景技术
沥青作为一种应用非常广泛的道路工程材料，是路面长期正常使用必不可少的，沥青的60℃动力粘度，一般认为动力粘度是反映沥青在盛夏季节耐热性能最理想的指标。在我国，夏季沥青路面的温度可达60℃以上，60℃动力粘度可以真实地反映路面的实际使用情况。粘度大的沥青在荷载作用下产生较小的剪切变形，弹性恢复性能好，残留的永久塑性变形小，即路面抵抗车辙的能力强。总之，沥青的60℃动力粘度是反映沥青的高温抵抗永久变形能力的一项重要参数。沥青的60℃动力粘度采用真空减压毛细管粘度计来测定，试验温度为60℃，真空度40kPa。在加样过程中，试样不能粘在管壁上，并使试样液面在E标线处±2mm之内。在实验过程中测定通过连续的一对标线间隔时间。最终计算出沥青的动力粘度值。该方法在测定过程中存在较多的影响因素，例如：试验温度不稳定、真空度不足、加样时沥青不沾管壁难度大、未排尽气泡、试验后毛细血管不易清洗。为了解决这一系列问题，本发明提出了一种沥青60℃快速检测的新方法，采用衰减全反射傅立叶红外光谱技术结合化学分析手法神经网络建模技术，实现沥青60℃动力粘度的快速检测。
发明内容
本发明所要解决的技术问题在于克服上述检测方法的不足,提供一种设计合理、样品用量少、简便快速、测定结果准确、精密度好、适合成批样品测定的沥青60℃动力粘度值快速检测方法。
解决上述技术问题采用的技术方案是：包括以下步骤：
步骤1，将已知沥青样本组成校正集并采集已知沥青样本的60℃动力粘度值和衰减全反射傅立叶红外光谱数据；
步骤2，采集待测沥青样本的衰减全反射傅立叶红外光谱数据；
步骤3，将所有沥青样本的衰减全反射傅立叶红外光谱数据和已知沥青样本的60℃动力粘度数据分别代入MATLAB环境中，为了保证实验结果的准确性，应对所述所有沥青样本的衰减全反射傅立叶红外光谱数据进行光谱预处理；
步骤4，光谱预处理完成后，建立已知沥青样本的红外光谱数据与60℃动力粘度值相关联的多元校正模型；其中，已知沥青样本的60℃动力粘度数据即为建立多元校正模型的基础数据；
步骤5，结合待测沥青样品的衰减全反射傅立叶红外光谱数据和所述多元校正模型，运用化学计量学的神经网络分析计算出待测沥青样品60℃动力粘度值。
本发明步骤3所述的已知沥青样本的衰减全反射傅立叶红外光谱进行光谱预处理的方法包括：扣除CO2、背景校正、对数缩放单位方差、扣除异常点，用于消除仪器噪音、基线漂移并提高所建模型的预测精度。
本发明步骤4所述的建立多元校准模型时，将已知沥青样本的红外光谱数据与其60℃动力粘度值一一对应。
本发明步骤1所述的以已知沥青样本的衰减全反射傅立叶红外光谱作为测定参数,为保证数据的重复性，测量多次，即每种沥青有多个红外光谱数据；步骤1所述的以已知沥青样本的60℃动力粘度值作为测定参数，测量多次，即每种沥青有多个60℃动力粘度值；步骤2所述的以待测沥青样本的衰减全反射傅立叶红外光谱作为测定参数,测量多次，即每种沥青有多个红外光谱数据。
本发明的已知沥青样本的衰减全反射傅立叶红外光谱数据的波数范围是4000～600cm-1；所述的待测沥青样本的衰减全反射傅立叶红外光谱数据的波数范围是4000～600cm-1。
本发明步骤1、2采用衰减全反射方式采集沥青样本和待测沥青的衰减全反射傅立叶红外光谱。
本发明的有益效果如下：
提供一种现有国家标准和行业内所没有的沥青60℃动力粘度快速检测方法，解决了现有检测方法中沥青60℃动力粘度宏观性能检测周期长、工程现场沥青抽检频次低、质量品质难以控制的问题；本发明的检测方法不需标样，样品用量极少、快速简便，尤其适合于对成批样品的测定；测定结果准确、精密度好，满足对沥青60℃动力粘度的测定要求，可推广应用到质量监督机构、工程建设单位、检测单位对未知沥青样本的现场质量控制进行快速检测。
本方法采用的神经网络对计算结果的准确性和重现性都有着不可忽略的优势。其一：信息处理的并行性、信息存储的分布性、信息处理单元的互联性、结构的可塑性。人工神经网络是由大量简单处理元件相互连接构成的高度并行的非线性系统，具有大规模并行性处理特性。虽然每个处理但与的功能十分简单，但是大量简单处理单元的并行活动使网络呈现出丰富的功能并具有较快的速度。其二：高度的非线性、良好的容错性和计算的非精度性。神经元的广泛互联与并行工作必然使整个网络呈现出高度的非线性特点。而分布存储的结构特点会使网络在两个方面表现出良好的容错性：一方面，由于信息的分布式存储，当网络中部分神经元损坏时不会对系统的整体性能造成影响；另一方面，当输入模糊、残缺或变形的信息时，神经网络能通过联想恢复记忆，从而实现对不完整输入信息的正确识别，因此给出的是次优的逼近解而非精确解。总之，神经网络能克服模型必须是基于数据的线性和非线性组合的局限。
附图说明
图1是本发明一个实施例的流程图。
图2是已知沥青样本的红外光谱图。
图3是扣除CO2后的红外光谱图。
图4是基线校正后的红外光谱图。
图5是对数缩放单位方差后的光谱图。
图6是扣除异常点图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明，但本发明不限于这些实施例。
实施例1
在图1中，本发明沥青60℃动力粘度值快速检测方法包括以下步骤：
步骤1，将已知沥青样本组成校正集并采集已知沥青样本的60℃动力粘度值和衰减全反射傅立叶红外光谱数据。其中，以已知沥青样本的60℃动力粘度值和衰减全反射傅立叶红外光谱作为测定参数，进一步地，上述测定参数应取多次测量的平均60℃动力粘度值和多次测量的平均衰减全反射傅立叶红外光谱数据；本实施例的已知沥青样本的衰减全反射傅立叶红外光谱数据中的波数范围是4000～600cm-1。
步骤2，采集待测沥青样本的衰减全反射傅立叶红外光谱数据；其中，以待测沥青样本的衰减全反射傅立叶红外光谱作为测定参数，该测定参数取多次测量的平均衰减全反射傅立叶红外光谱数据；本实施例的待测沥青样本的衰减全反射傅立叶红外光谱数据中的波数范围是4000～600cm-1。
上述步骤1、2采用衰减全反射方式采集沥青样本和待测沥青的衰减全反射傅立叶红外光谱。
步骤3，将所有沥青样本的衰减全反射傅立叶红外光谱数据和已知沥青样本的60℃动力粘度数据分别代入MATLAB环境中，为了保证实验结果的准确性，应对所述所有沥青样本的衰减全反射傅立叶红外光谱数据进行光谱预处理，所述光谱预处理的方法包括：扣除CO2、背景校正、对数缩放单位方差、扣除异常点，用于消除仪器噪音、基线漂移、提高所建模型的预测精度，图2中是已知沥青样本的红外光谱图，将该已知沥青样本进行扣除CO2后红外光谱图如图3，接着将该已知沥青样本进行基线校正后红外光谱如图4，将该已知沥青样本进行对数缩放单位方差后的光谱图如图5，图6中扣除异常点1、2、3、12。
步骤4，光谱预处理完成后，建立已知沥青样本的红外光谱数据与60℃动力粘度值相关联的多元校正模型；其中，已知沥青样本的60℃动力粘度数据即为建立多元校正模型的基础数据,建立多元校准模型时，将已知沥青样本的红外光谱数据与其60℃动力粘度值一一对应。
步骤5，结合待测沥青样品的衰减全反射傅立叶红外光谱数据和所述多元校正模型，运用化学计量学的神经网络分析计算出待测沥青样品60℃动力粘度值。
采用本发明所述的方法进行沥青样品60℃动力粘度值快速检测时：
设测定参数的波数范围为4000～600cm-1，分辨率为4cm-1，采用衰减全反射方式采集光谱，取15次测量的光谱为样本的衰减全反射傅立叶红外光谱数据。
1、将已知沥青样本组成校正集并采集已知沥青样本的针入度值和衰减全反射傅立叶红外光谱数据；其中，已知的沥青样本有SK90#、壳牌90#、中海90#、克拉玛依90#、现代90#、SK70#、中海70#、克拉玛依70#、现代70#、东海70#。将这些样本作为校正样本，分别测定这些样本的衰减全反射傅立叶红外光谱且每个样本均测定15次，其次测定每个样本的60℃动力粘度值且每个样本均测定15次，测得的各个沥青的60℃动力粘度值如表1所示，将已知沥青样本的60℃动力粘度值作为多元校正模型建模基础数据。
表1(单位：Pa·s)
| SK90# | 克拉玛依90# | 中海90# | 壳牌90# | 现代90# |
| 222 | 274 | 219 | 190 | 174 |
| SK70# | 克拉玛依70# | 中海70# | 现代70# | 东海70# |
| 245 | 320 | 236 | 206 | 254 |
2、测量待测沥青样本的衰减全反射傅立叶红外光谱数据；其中，待测沥青样本为克拉玛依90#沥青但与上述已知沥青样本中的克拉玛依90#沥青不同批号，测定此待测沥青的衰减全反射傅立叶红外光谱数据。
3、将所有沥青样本的衰减全反射傅立叶红外光谱数据代入MATLAB环境中，对所述所有沥青样本的衰减全反射傅立叶红外光谱数据进行光谱预处理，其包括：扣除CO2、背景校正、对数缩放单位方差、扣除异常点。
4、光谱预处理完成后，建立已知沥青样本的红外光谱数据与60℃动力粘度值相关联的多元校正模型。
5、结合待沥青样品的衰减全反射傅立叶红外光谱数据和所述多元校正模型，运用化学计量学的神经网络计算出待测沥青样品60℃动力粘度值。
根据步骤2中得出的待测沥青样本的衰减全反射傅立叶红外光谱数据和步骤4中得到的多元校准模型以及步骤5中化学计量学的神经网络得到根据本发明的检测方法测定的待测沥青样本的60℃动力粘度值，如表2所示。
表2(单位：Pa·s)
| 数据 | 本发明检测方法测定值 | 数据 | 本发明检测方法测定值 |
| 1 | 267.66 | 8 | 265.56 |
| 2 | 266.91 | 9 | 267.01 |
| 3 | 266.08 | 10 | 269.21 |
| 4 | 268.29 | 11 | 267.66 |
| 5 | 267.41 | 12 | 265.69 |
| 6 | 267.54 | 13 | 265.66 |
| 7 | 267.91 | 平均值 | 267 |
将上述表2中根据本发明的检测方法测定的待测沥青样本的60℃动力粘度值取平均值与其实际60℃动力粘度值进行对比，如表3所示，由此可证明本发明测定结果更准确、精密度更好。
表3(单位：Pa·s)
| 待测样品 | 常规测试方法 | 本发明检测方法测定值 |
| 克拉玛依90# | 270 | 267 |
本发明的工作原理如下：
首先，将各个品牌的沥青样品组成校正集，测得每个沥青的60℃动力粘度值，然后采集其衰减全反射傅立叶红外光谱数据。其次，收集某个品牌的沥青但批号不同(此沥青为待测沥青样本)测量其衰减全反射傅立叶红外光谱数据，将所有沥青样本的衰减全反射傅立叶红外光谱数据代入MATLAB环境中对光谱进行预处理，随后建立红外光谱与60℃动力粘度值想结合的多元校正模型。最后将待测沥青样本的衰减全反射傅立叶红外光谱数据代入多元校正模型中，运用神经网络计算出待测沥青样本的60℃动力粘度值。
Claims (6)
1.一种沥青60℃动力粘度值快速检测方法，其特征在于包括以下步骤：
步骤1，将已知沥青样本组成校正集并采集已知沥青样本的60℃动力粘度值和衰减全反射傅立叶红外光谱数据；
步骤2，采集待测沥青样本的衰减全反射傅立叶红外光谱数据；
步骤3，将所有沥青样本的衰减全反射傅立叶红外光谱数据和已知沥青样本的60℃动力粘度数据分别代入MATLAB环境中，为了保证实验结果的准确性，应对所述所有沥青样本的衰减全反射傅立叶红外光谱数据进行光谱预处理；
步骤4，光谱预处理完成后，建立已知沥青样本的红外光谱数据与60℃动力粘度值相关联的多元校正模型；其中，已知沥青样本的60℃动力粘度数据即为建立多元校正模型的基础数据；
步骤5，结合待测沥青样品的衰减全反射傅立叶红外光谱数据和所述多元校正模型，运用化学计量学的神经网络分析计算出待测沥青样品60℃动力粘度值。
2.根据权利要求1所述的沥青60℃动力粘度值快速检测方法，其特征在于：步骤3所述的已知沥青样本的衰减全反射傅立叶红外光谱进行光谱预处理的方法包括：扣除CO2、背景校正、对数缩放单位方差、扣除异常点，用于消除仪器噪音、基线漂移并提高所建模型的预测精度。
3.根据权利要求1所述的沥青60℃动力粘度值快速检测方法，其特征在于：步骤4所述的建立多元校准模型时，将已知沥青样本的红外光谱数据与其60℃动力粘度值一一对应。
4.根据上述权利要求1～3任意一项所述的沥青60℃动力粘度值快速检测方法，其特征在于：步骤1所述的以已知沥青样本的衰减全反射傅立叶红外光谱作为测定参数,为保证数据的重复性，测量多次，即每种沥青有多个红外光谱数据；步骤1所述的以已知沥青样本的60℃动力粘度值作为测定参数，测量多次，即每种沥青有多个60℃动力粘度值；步骤2所述的以待测沥青样本的衰减全反射傅立叶红外光谱作为测定参数,测量多次，即每种沥青有多个红外光谱数据。
5.根据上述权利要求4所述的沥青60℃动力粘度值快速检测方法，其特征在于：所述的已知沥青样本的衰减全反射傅立叶红外光谱数据的波数范围是4000～600cm-1；所述的待测沥青样本的衰减全反射傅立叶红外光谱数据的波数范围是4000～600cm-1。
6.根据上述权利要求1所述的沥青60℃动力粘度值快速检测方法，其特征在于：步骤1、2采用衰减全反射方式采集沥青样本和待测沥青的衰减全反射傅立叶红外光谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710657482.1A CN107576591A (zh) | 2017-08-03 | 2017-08-03 | 沥青60℃动力粘度值快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710657482.1A CN107576591A (zh) | 2017-08-03 | 2017-08-03 | 沥青60℃动力粘度值快速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107576591A true CN107576591A (zh) | 2018-01-12 |
Family
ID=61033893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710657482.1A Pending CN107576591A (zh) | 2017-08-03 | 2017-08-03 | 沥青60℃动力粘度值快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107576591A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109615145A (zh) * | 2018-12-27 | 2019-04-12 | 中国海洋石油集团有限公司 | 一种快速预测不同老化程度基质沥青的物理性能的方法 |
| CN109917115A (zh) * | 2019-01-23 | 2019-06-21 | 长安大学 | 一种沥青混合料综合性能预测方法 |
| CN109916772A (zh) * | 2019-03-25 | 2019-06-21 | 长安大学 | 一种假塑性流体沥青黏度预估方法 |
| CN110514559A (zh) * | 2019-08-30 | 2019-11-29 | 中国航发动力股份有限公司 | 一种磨粒流磨料粘度比对测量装置及测量方法 |
| CN111208041A (zh) * | 2020-01-10 | 2020-05-29 | 万邦德制药集团有限公司 | 一种银杏叶滴丸的制备方法 |
| CN112084169A (zh) * | 2020-07-22 | 2020-12-15 | 成都路泰高科工程技术研究院 | 一种沥青品牌识别方法及系统 |
| CN112912709A (zh) * | 2018-11-22 | 2021-06-04 | 舍弗勒技术股份两合公司 | 用于确定润滑剂性质的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
| CN105372200A (zh) * | 2015-10-16 | 2016-03-02 | 内蒙古自治区交通建设工程质量监督局 | Sbs改性沥青改性剂含量快速检测方法 |
| CN105445217A (zh) * | 2015-07-27 | 2016-03-30 | 南京财经大学 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
-
2017
- 2017-08-03 CN CN201710657482.1A patent/CN107576591A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636450A (zh) * | 2012-04-18 | 2012-08-15 | 西北农林科技大学 | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 |
| CN105445217A (zh) * | 2015-07-27 | 2016-03-30 | 南京财经大学 | 基于衰减全反射傅里叶变换红外光谱技术的糙米中黄曲霉毒素含量的快速检测方法 |
| CN105372200A (zh) * | 2015-10-16 | 2016-03-02 | 内蒙古自治区交通建设工程质量监督局 | Sbs改性沥青改性剂含量快速检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 周玲玲等: "ATR/FTIR法检测植物油的品质指标", 《中国油脂》 * |
| 宋延东: "润滑油基础油粘度性能的近红外光谱研究", 《化工时刊》 * |
| 梁松等: "《土木工程材料》", 31 August 2007, 华南理工大学出版社 * |
| 陆婉珍等: "《现代近红外光谱分析技术》", 30 April 2000, 中国石化出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112912709A (zh) * | 2018-11-22 | 2021-06-04 | 舍弗勒技术股份两合公司 | 用于确定润滑剂性质的方法 |
| CN109615145A (zh) * | 2018-12-27 | 2019-04-12 | 中国海洋石油集团有限公司 | 一种快速预测不同老化程度基质沥青的物理性能的方法 |
| CN109917115A (zh) * | 2019-01-23 | 2019-06-21 | 长安大学 | 一种沥青混合料综合性能预测方法 |
| CN109916772A (zh) * | 2019-03-25 | 2019-06-21 | 长安大学 | 一种假塑性流体沥青黏度预估方法 |
| CN110514559A (zh) * | 2019-08-30 | 2019-11-29 | 中国航发动力股份有限公司 | 一种磨粒流磨料粘度比对测量装置及测量方法 |
| CN111208041A (zh) * | 2020-01-10 | 2020-05-29 | 万邦德制药集团有限公司 | 一种银杏叶滴丸的制备方法 |
| CN112084169A (zh) * | 2020-07-22 | 2020-12-15 | 成都路泰高科工程技术研究院 | 一种沥青品牌识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107576591A (zh) | 沥青60℃动力粘度值快速检测方法 | |
| US10353113B2 (en) | Response surface method for identifying the parameters of Burgers model for slope soil | |
| CN103344705B (zh) | 一种应用声发射能量值测定岩石脆性指数的方法 | |
| Henry et al. | A rapid method for determining organic matter maturity using Raman spectroscopy: Application to Carboniferous organic-rich mudstones and coals | |
| CN106323779B (zh) | 一种路基土动态回弹模量预估方法 | |
| CN104298883A (zh) | 一种油气资源评价中的烃源岩产烃率图版的建立方法 | |
| CN112731377B (zh) | 一种介电常数反演方法、路基检测方法和检测系统 | |
| CN105372200A (zh) | Sbs改性沥青改性剂含量快速检测方法 | |
| CN109736788B (zh) | 一种判别化学驱前缘波及状态的实验方法 | |
| CN106018238B (zh) | 土壤剖面孔隙结构的测定方法 | |
| US20230251221A1 (en) | In-situ evaluation method and system for loess collapsibility based on non-destructive time-domain reflection technology | |
| CN109615145A (zh) | 一种快速预测不同老化程度基质沥青的物理性能的方法 | |
| CN103760307B (zh) | 一种评价干酪根类型的方法 | |
| CN104165795A (zh) | 一种古建筑木梁的剩余抗弯承载力测定方法 | |
| CN106525753A (zh) | 一种简便的遥感土壤水分监测方法 | |
| CN103808686A (zh) | 一种测量sbs改性沥青中sbs改性剂重量比的方法 | |
| Mu et al. | A new and simple method for predicting the collapse susceptibility of intact loess | |
| Tian et al. | Combined penetrometer and standing wave ratio probe to measure compactness and moisture content of soils. | |
| Hupet et al. | Quantifying the local‐scale uncertainty of estimated actual evapotranspiration | |
| Menesatti et al. | Prediction of blood orange MT firmness by multivariate modelling of low alterative penetrometric data set: A preliminary study | |
| CN105628895A (zh) | 充填裂隙岩石流固耦合性能的检测方法 | |
| Silvestri et al. | Application of the MCC model for the estimation of undrained geotechnical parameters of clays from dilatometer tests | |
| CN112731378B (zh) | 蚁群遗传联合获取介电常数方法、雷达检测方法和系统 | |
| Woodburn | Soil suction measurement with the transistor Psychrometer | |
| Ding | Improve the Reliability of a Continuum Damage Model by Integrating Uncertainty Quantification and Stochastic Modelling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |