CN109752338A - 一种改沥青中sbs改性剂含量快速测定方法 - Google Patents
一种改沥青中sbs改性剂含量快速测定方法 Download PDFInfo
- Publication number
- CN109752338A CN109752338A CN201910022587.9A CN201910022587A CN109752338A CN 109752338 A CN109752338 A CN 109752338A CN 201910022587 A CN201910022587 A CN 201910022587A CN 109752338 A CN109752338 A CN 109752338A
- Authority
- CN
- China
- Prior art keywords
- sbs
- content
- modified pitch
- modified
- sample
- 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
本发明公开了一种改沥青中SBS改性剂含量快速测定方法,对波段650~4000cm‑1的原始光谱数据采用Savitzky‑Golay平滑法,平滑点数选择5,并进行标准正态变量SNV处理,再采用一阶Savitzky‑Golay倒数处理,再进行均值中心化处理;通过CARS变量筛选法对上述不同SBS含量的改性沥青的主要波数变量进行筛选;基于matlab分析软件采用BP神经网络对上述主成分进行分析,调整参数得到最优结构网络,从而得到最优预测模型。本发明制样科学、简单,能够快速成型试样并脱模,样品均匀性较好,效率高,测试方法简便、快捷,能够准确测试出及改性沥青的红外图谱,将光谱学与化学计量学相结合,试验方法重复性和再现性好,分析速度快,操作简单。
Description
技术领域
本发明涉及道路工程、沥青质量检测检测技术领域,尤其涉及一种改性沥青中SBS改性剂含量快速测定方法。
背景技术
沥青路面以其优良的路用性能和良好的服务性能而被我国广泛应用。作为改善沥青路面性能的胶结料,SBS改性沥青越来越多被应用。改性沥青混合料中的改性沥青、集料及级配都有严格的规定,但对沥青改性效果影响显著的改性剂关键原材料的控制却没有作出明确规定。研究表明,SBS在沥青中的含量决定了改性沥青的相态结构,并影响改性效果,SBS含量在4-5%之间,沥青与SBS均为连续相,改性效果最好,而路改方式加工改性沥青加工,可通过数袋子对改性剂掺量进行粗略控制,但随着国内对SBS改性沥青需求量的加大,厂改方式的改性沥青成为主流,这种对改性剂指标的控制只能由加工企业来控制的方式并不能满足公路施工的要求;并且受到原油价格的影响,SBS改性剂价格也在不断飙升,有些沥青加工厂家为追逐利益往往以次充好,在沥青中添加一些废旧橡胶塑料代替部分SBS改性剂来制备改性沥青。因此,就需要一种有效的方法对改性剂掺量和以及改性质量进行有效监测,规范沥青供应市场,保证SBS改性沥青具有较好的路用性能。
红外光谱反应了物质的分子振动和转动基频信息,包括绝大数有机化合物官能团及分子信息结构信息,灵敏和特征性好,适用于定性定量分析。傅里叶红外光谱仪法是干扰因素最小的SBS改性沥青改性剂含量测试手段,设备体积较小、便于携带,能够对SBS含量进行较为准确的定量分析,在沥青测试中实现原位、实时、无损测量。目前所见的基于红外光谱对SBS改性沥青中改性剂含量进行检测通常通过红外光谱两峰面积的比值来测定改性剂的含量。但是该种方法都是采用溶剂法溶剂并稀释沥青,用较少的质量的沥青进行测试,而且稀释后改性沥青中改性剂的均匀性无法得到保证,沥青膜的厚度不一,稀释剂对试验结果也有较大的影响,在实际检测过程中实验值与真值相差较大。
针对上述问题,本发明借助于将光谱学与化学计量学相结合的方法,使用SPSS及matlab等软件对光谱图进行分析并建立预测模型,提供一种改性沥青中SBS改性剂含量快速测定方法。
发明内容
针对上述问题,本发明旨在提供一种改沥青中SBS改性剂含量快速测定方法。
为实现该技术目的,本发明的方案是:
1)配制不同SBS含量的改性沥青,然后制备改性沥青试样,使用傅里叶红外光谱仪对样品进行测试;
2)选择一个改性沥青样品,然后在试验仪器中设置扫描次数,选择分辨率,然后对于同一个样品重复装样测试,获得平均光谱;
3)对波段650-4000cm-1的原始光谱数据采用Savitzky-Golay平滑法,平滑点数选择5,并进行标准正态变量SNV处理,再采用一阶Savitzky-Golay倒数处理,再进行均值中心化处理;
4)通过CARS变量筛选法对上述不同SBS含量的改性沥青的主要波数变量进行筛选;
5)基于SPASS分析软件对上述预处理的数据进行主成分分析,统计累计贡献率;
6)分析得到不同含量SBS改性沥青的第1到第3主成分的得分图;
7)基于matlab分析软件采用BP神经网络对上述主成分进行分析,调整参数得到最优结构网络,从而得到最优预测模型。
8)根据已知含量的SBS改性沥青红外光谱测试结果,进一步验证所得模型的精确性,预测SBS含量均值应该控制在0.1%的范围之内,否则进行重新建立模型,对未知含量SBS改性沥青进行红外检测,并根据预测模型对该改性沥青中SBS的含量进行预测。
作为优化,在第一步改性沥青配制过程中充分搅拌和剪切混合SBS改性剂的基质沥青1-3小时,并在硅胶试模上成型改性沥青试样并脱模。
作为优选,在第七步中经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对100个样本进行学习训练,限定最大迭代次数为2500,得到的最终拟合残差为1.002×10-3。
作为优选,在第七步中经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对60个样本进行学习训练,限定最大迭代次数为2000,得到的最终拟合残差为2.002×10-3。
本发明的有益效果如下:
1)制样科学、简单,能够快速成型试样并脱模,样品均匀性较好,效率高。
2)测试方法简便、快捷,能够准确测试出及改性沥青的红外图谱。
3)将光谱学与化学计量学相结合,试验方法重复性和再现性好,分析速度快,操作简单。
4)检测不需要很多有毒溶剂或者气体,对环境没有污染影响,对试验人员的身体健康有利。
5)减少了人为因素的影响,使测试与分析结果更加可靠。
附图说明
图1为本发明的硅胶试模示意图;
图2为本发明实施例1中不同含量SBS的改性沥青红外光谱图;
图3为本发明实施例1中不同含量SBS的改性沥青红外光谱图预处理后的图像;
图4为本发明实施例1中CARS变量筛选后的不同含量SBS的改性沥青红外光谱图;
图5为本发明实施例1中SBS含量分别是4.0%、4.3%、4.6%、4.9%、5.2%的第1到第3主成分的得分图;
图6为本发明实施例1中未知SBS含量的改性沥青的红外图谱;
图中1下层膜,2上承膜,3模孔。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
实施例1
(1)为保证制备不同改性剂含量的改性沥青的均匀性,充分搅拌和剪切混合SBS改性剂的基质沥青2小时,并在图1的硅胶试模上成型改性沥青试样并脱模。
(2)选择SBS改性沥青中SBS含量分别是4.0%、4.3%、4.6%、4.9%、5.2%,使用傅里叶红外光谱仪(FTIR-ATR)对样品进行测试,测试图谱如图2所示。
(3)选择一个改性沥青样品,然后在试验仪器中设置扫描次数为32次,选择8cm-1分辨率,然后对于同一个样品重复装样测试20次,获得平均光谱,提高光谱测试的准确性和重复性。
(4)对原始光谱数据(波段650-4000cm-1)采用Savitzky-Golay平滑法,平滑点数选择5,并进行ANV(standard notmal variate)处理,再采用一阶Savitzky-Golay倒数处理,再进行均值中心化处理,去除来自高频随机噪声、样本不均匀性、基线漂移、光散射等影响,如图3。
(5)通过CARS变量筛选法对上述不同SBS含量的改性沥青的主要波数变量进行筛选,如图4。
(6)基于SPASS分析软件对上述预处理的100个数据进行主成分分析,其累计贡献率如表1所示,其中前3个主成分的累计贡献率达到98%,并且前3个主要主成分交互验证的累计贡献率也达到97.75%,前3个主成分已经足够代表100个样本的足够重要信息。
表1前三个主成分的累计贡献率
主要分数 | 累计贡献率(%) |
PC1 | 93 |
PC2 | 93 |
PC3 | 98 |
(7)分析得到SBS含量分别是4.0%、4.3%、4.6%、4.9%、5.2%的第1到第3主成分的得分图如图5。
(8)基于matlab分析软件采用BP神经网络对上述主成分进行分析,调整参数得到最优结构网络,从而得到最优预测模型。经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对100个样本进行学习训练,限定最大迭代次数为2500,得到的最终拟合残差为1.002×10-3。
(9)进一步,对已知含量的20个SBS改性沥青含量进行测试,入下表2所示,相对误差为0.01%,准确度较高,满足要求。
表2已知含量SBS改性沥青含量预测结果
(10)对同等品牌基质沥青与SBS改性剂指标的未知SBS含量的改性沥青进行测试,红外光谱图度图6所示,模型预测结果如下表3。
表3未知含量SBS改性沥青含量预测结果
样本编号 | 厂家提供的含量(%) | 模型预测含量(%) |
2018001 | 4.6 | 4.65 |
2018002 | 4.5 | 4.49 |
2018003 | 4.7 | 4.68 |
2018004 | 4.8 | 4.82 |
2018005 | 4.6 | 4.55 |
可以看出,将光谱学与化学计量学相结合建立的预测模型,分析速度快,操作简单,模型预测结果较为准确、可靠;测试简便、快捷,成本低,测试效率高,重复性高。
实例2
(1)为保证制备不同改性剂含量的改性沥青的均匀性,充分搅拌和剪切混合SBS改性剂的基质沥青2小时,并在图1硅胶试模上成型改性沥青试样并脱模。
(2)选择SBS改性沥青中SBS含量分别是4.5%、4.6%、4.7%、4.8%、4.9%、5.0%,使用傅里叶红外光谱仪(FTIR-ATR)对样品进行测试。
(3)选择一个改性沥青样品,然后在试验仪器中设置扫描次数为64次,选择4cm-1的分辨率,然后对于同一个样品重复装样测试10次,获得平均光谱,提高光谱测试的准确性和重复性。
(4)对原始光谱数据(波段650-4000cm-1)采用Savitzky-Golay平滑法,平滑点数选择5,并进行ANV(standard notmal variate)处理,再采用一阶Savitzky-Golay倒数处理,再进行均值中心化处理,去除来自高频随机噪声、样本不均匀性、基线漂移、光散射等影响。
(5)通过CARS变量筛选法对上述不同SBS含量的改性沥青的主要波数变量进行筛选。
(6)基于SPASS分析软件对上述预处理的60个数据进行主成分分析,其累计贡献率如表1所示,其中前3个主成分的累计贡献率达到99%,并且前3个主要主成分交互验证的累计贡献率也达到98%,前3个主成分已经足够代表25个样本的足够重要信息。
(7)基于matlab分析软件采用BP神经网络对上述主成分进行分析,调整参数得到最优结构网络,从而得到最优预测模型。经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对60个样本进行学习训练,限定最大迭代次数为2000,得到的最终拟合残差为2.002×10-3。
(8)进一步,对已知含量的30个SBS改性沥青含量进行测试,入下表4所示,最大相对误差为0.02%,准确度较高,满足要求。
表4已知含量SBS改性沥青含量预测结果
(9)对同等品牌基质沥青与SBS改性剂指标的未知SBS含量的改性沥青进行测试,模型预测结果如下表5。
表5未知含量SBS改性沥青含量预测结果
样本编号 | 厂家提供的含量(%) | 模型预测含量(%) |
2018006 | 4.6 | 4.66 |
2018007 | 4.6 | 4.59 |
2018008 | 4.9 | 4.95 |
2018009 | 4.7 | 4.69 |
2018010 | 4.8 | 4.78 |
可以看出,将光谱学与化学计量学相结合建立的预测模型,分析速度快,操作简单,模型预测结果较为准确、可靠;测试简便、快捷,成本低,测试效率高,重复性高。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进,均应包含在本发明技术方案的保护范围之内。
Claims (4)
1.一种改沥青中SBS改性剂含量快速测定方法,其特征在于,包括如下步骤:
1)配制不同SBS含量的改性沥青,然后制备改性沥青试样,使用傅里叶红外光谱仪对样品进行测试;
2)选择一个改性沥青样品,然后在试验仪器中设置扫描次数,选择分辨率,然后对于同一个样品重复装样测试,获得平均光谱;
3)对波段650~4000cm-1的原始光谱数据采用Savitzky-Golay平滑法,平滑点数选择5,并进行标准正态变量SNV处理,再采用一阶Savitzky-Golay倒数处理,再进行均值中心化处理;
4)通过CARS变量筛选法对上述不同SBS含量的改性沥青的主要波数变量进行筛选;
5)基于SPASS分析软件对上述预处理的数据进行主成分分析,统计累计贡献率;
6)分析得到不同含量SBS改性沥青的第1到第3主成分的得分图;
7)基于mat lab分析软件采用BP神经网络对上述主成分进行分析,调整参数得到最优结构网络,从而得到最优预测模型;
8)根据已知含量的SBS改性沥青红外光谱测试结果,进一步验证所得模型的精确性,预测SBS含量均值应该控制在0.1%的范围之内,否则进行重新建立模型,对未知含量SBS改性沥青进行红外检测,并根据预测模型对该改性沥青中SBS的含量进行预测。
2.根据权利要求1所述的一种改沥青中SBS改性剂含量快速测定方法,其特征在于:在第一步改性沥青配制过程中充分搅拌和剪切混合SBS改性剂的基质沥青1-3小时,并在硅胶试模上成型改性沥青试样并脱模。
3.根据权利要求1所述的一种改沥青中SBS改性剂含量快速测定方法,其特征在于:在第七步中经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对100个样本进行学习训练,限定最大迭代次数为2500,得到的最终拟合残差为1.002×10-3。
4.根据权利要求1所述的一种改沥青中SBS改性剂含量快速测定方法,其特征在于:在第七步中经过反复试验得到的最优结构输入层为3个输入单元,隐含层为5个隐含单元和1个输入层单元的三层BP神经网络模型,对60个样本进行学习训练,限定最大迭代次数为2000,得到的最终拟合残差为2.002×10-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022587.9A CN109752338A (zh) | 2019-03-20 | 2019-03-20 | 一种改沥青中sbs改性剂含量快速测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022587.9A CN109752338A (zh) | 2019-03-20 | 2019-03-20 | 一种改沥青中sbs改性剂含量快速测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109752338A true CN109752338A (zh) | 2019-05-14 |
Family
ID=66405292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022587.9A Pending CN109752338A (zh) | 2019-03-20 | 2019-03-20 | 一种改沥青中sbs改性剂含量快速测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752338A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455740A (zh) * | 2019-07-17 | 2019-11-15 | 武汉科技大学 | 一种沥青老化时程预测方法 |
CN113867292A (zh) * | 2021-10-09 | 2021-12-31 | 益路恒丰衡水沥青科技有限公司 | 橡胶沥青质量控制方法 |
CN114047098A (zh) * | 2021-11-11 | 2022-02-15 | 山东高速工程检测有限公司 | 一种沥青混合料中定量判定干法改性剂溶解程度的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1318743A (zh) * | 2000-04-18 | 2001-10-24 | 中国石油化工集团公司 | 沥青中蜡含量的测定方法 |
CN103808686A (zh) * | 2014-01-27 | 2014-05-21 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂重量比的方法 |
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 |
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
-
2019
- 2019-03-20 CN CN201910022587.9A patent/CN109752338A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1318743A (zh) * | 2000-04-18 | 2001-10-24 | 中国石油化工集团公司 | 沥青中蜡含量的测定方法 |
CN103808686A (zh) * | 2014-01-27 | 2014-05-21 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂重量比的方法 |
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 |
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
Non-Patent Citations (4)
Title |
---|
严衍禄 等: "《近红外光谱分析的原理、技术与应用》", 31 January 2013 * |
周骏 等: "《国产自肋烟、马里兰烟和晒红烟资源调查及工业可用性》", 31 December 2015 * |
李劲松 等: "《GPSE低碳高值化发展方法学 以江门都市农业、食品加工业与广东面源污染治理项目为例》", 31 July 2013 * |
王春丽 等: "《环境仪器分析》", 30 April 2014 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455740A (zh) * | 2019-07-17 | 2019-11-15 | 武汉科技大学 | 一种沥青老化时程预测方法 |
CN110455740B (zh) * | 2019-07-17 | 2021-11-23 | 武汉科技大学 | 一种沥青老化时程预测方法 |
CN113867292A (zh) * | 2021-10-09 | 2021-12-31 | 益路恒丰衡水沥青科技有限公司 | 橡胶沥青质量控制方法 |
CN113867292B (zh) * | 2021-10-09 | 2023-09-19 | 益路恒丰衡水沥青科技有限公司 | 橡胶沥青质量控制方法 |
CN114047098A (zh) * | 2021-11-11 | 2022-02-15 | 山东高速工程检测有限公司 | 一种沥青混合料中定量判定干法改性剂溶解程度的方法 |
CN114047098B (zh) * | 2021-11-11 | 2024-05-31 | 山东高速工程检测有限公司 | 一种沥青混合料中定量判定干法改性剂溶解程度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109752338A (zh) | 一种改沥青中sbs改性剂含量快速测定方法 | |
Schweitzer et al. | Implications and opportunities of applying QbD principles to analytical measurements | |
Singh et al. | Evaluation of predictive models for estimating dynamic modulus of hot-mix asphalt in Oklahoma | |
CN107576587B (zh) | 基于等温热分析动力学的沥青老化性能预测方法 | |
CN105868479A (zh) | 多环芳烃源解析方法 | |
MX2007003004A (es) | Metodo para hacer un ensayo a una corriente de alimentacion que contiene hidrocarburos. | |
CN110174372B (zh) | 一种沥青老化性能的预测方法及其应用 | |
CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
Xu et al. | Study on aging behavior and prediction of SBS modified asphalt with various contents based on PCA and PLS analysis | |
CN107036995A (zh) | 一种sbs改性沥青中sbs改性剂含量的测定方法 | |
CN107561033A (zh) | 基于太赫兹光谱的混合物中关键物质定性和定量测定方法 | |
CN109374560A (zh) | 一种沥青中蜡含量的测定方法 | |
CN105372200A (zh) | Sbs改性沥青改性剂含量快速检测方法 | |
CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
CN108469424A (zh) | 一种沥青红外光谱指纹识别检测系统 | |
CN107421844B (zh) | 基于热分析-红外联用的沥青各组分短期老化模拟方法 | |
CN110609008A (zh) | 基于红外光谱对再生沥青混合料中rap掺量的快速评估方法 | |
CN112179871A (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
Paliukaitė et al. | Implementation of the double-edge-notched tension test for asphalt cement acceptance | |
Jiang et al. | Aging effects on rheological properties of high viscosity modified asphalt | |
CN104849234A (zh) | 基于近红外光谱分析吡虫啉原药主成分含量的测定方法 | |
Robbins et al. | Evaluation of dynamic modulus predictive equations for southeastern United States asphalt mixtures | |
Hajj et al. | Case Studies on the Implementation of Balanced Mix Design and Performance Tests for Asphalt Mixtures: Virginia Department of Transportation (VDOT) | |
CN105486675A (zh) | 定量分析co2气体碳同位素组成的激光拉曼检测方法 |
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 |
Application publication date: 20190514 |
|
RJ01 | Rejection of invention patent application after publication |