CN110765683B - 一种混凝土冻融劣化后热学参数及演化过程获取方法 - Google Patents
一种混凝土冻融劣化后热学参数及演化过程获取方法 Download PDFInfo
- Publication number
- CN110765683B CN110765683B CN201910983857.2A CN201910983857A CN110765683B CN 110765683 B CN110765683 B CN 110765683B CN 201910983857 A CN201910983857 A CN 201910983857A CN 110765683 B CN110765683 B CN 110765683B
- Authority
- CN
- China
- Prior art keywords
- concrete
- temperature
- test piece
- thawing
- disturbance
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种混凝土冻融劣化后热学参数及演化过程获取方法,该方法包括以下步骤:步骤1:确定待反演热学参数;步骤2:得到热学参数取值组合正交设计表;步骤3:获得混凝土试件内部温度实测值;步骤4:得到热学参数正交设计表中不同热学参数取值组合下混凝土内部温度计算值;步骤5:组成神经网络学习样本;步骤6:进行神经网络模型训练,获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型;步骤7:得到混凝土试件的热学参数;步骤8:得到混凝土热学参数的演化过程。本发明提供的一种混凝土冻融劣化后热学参数及演化过程获取方法,可以解决现有混凝土温度场数值计算中,计算结果难以合理反映冻融条件下混凝土的损伤劣化机制的问题。
Description
技术领域
本发明涉及混凝土技术领域,尤其是一种混凝土冻融劣化后热学参数及演化过程获取方法。
背景技术
水工程是我国国民经济的重要基础设施,在国民经济建设和社会安定中发挥了巨大的作用。然而,由于多种原因,约有1/3的水工程存在不同程度的病险问题;且随着时间的推移,水工程的老化和病害越来越严重。从20世纪80年代开始,水利部门和电力部门组织了对水工程的定期检查,检查发现冻融破坏和温度疲劳是影响长效服役水工程强度、稳定和耐久性的重要因素,严重制约着水工程的服役寿命。全国水工建筑物耐久性调查资料显示,在32座大型混凝土坝工程和40余座中小型工程中,有22%的大坝和21%的中小型水工建筑物存在冻融破坏问题。其中,大坝混凝土的冻融破坏主要集中在东北、华北和西北地区,而中小型水工建筑物的冻融破坏问题不仅在“三北”地区存在,而且在气候比较温和、但冬季也有冰冻的华东、华中地区和西南等地区也广泛存在着混凝土冻融破坏问题。
冻融破坏是指混凝土在饱水状态下因冻融和温度交变作用产生的破坏。如上所述,这是我国北方地区和长江流域地区水工程混凝土结构常见的破坏形式之一。在这些地区,冬、夏两季的平均气温相差大,混凝土水工程在服役过程中温度正负交替,混凝土凝固硬化后微孔隙中的游离水将形成膨胀压力以及渗透压力联合作用的疲劳应力,对混凝土的耐久性产生不利影响,日积月累,则会使得混凝土力学和热学性能降低,导致混凝土结构产生冻融破坏。例如,在已经服役的水工程中,混凝土常常裸露在外,表面与空气和水接触,混凝土结构在历经冻融破坏后,其中的微孔隙、微裂纹快速扩展融合,形成较大的孔隙结构,使得混凝土结构变得疏松,比表面积增大,密度大幅度降低,从而导致混凝土力学性能和热学性能劣化。目前从力学角度对混凝土冻融损伤的研究成果较多,而关于混凝土冻融劣化后热学性能的研究方面很少。《水工混凝土试验规程》(SL352-2006)中给出了关于通过室内试验测定混凝土导温系数、导热系数、比热、绝热温升等参数的方法,但这些方法所使用的仪器价格昂贵、专业性强,大部分实验室缺乏这些试验设备。数值模拟方法是一种高效和经济的分析手段,将实测值和数值模拟相结合,可以方便快速获得混凝土热学参数,一定程度上可以替代室内物理试验。目前,关于冻融劣化后混凝土温度场数值计算方面有较多的文献报导。Bishno等通过预埋温度计对不同混凝土进行冻融循环试验,发现通过温度场仿真得到的应变与试验结果吻合较好,从而证明在冻融循环过程中混凝土产生的应变与混凝土内部、外部温度有着十分紧密的联系。郜旭等通过商用有限元软件ANSYS对混凝土在受到压力作用和冻融循环作用下的损伤情况分别进行模拟,并从中得到了温度应力对混凝土造成的损伤情况。赵玮璇通过将试验和模拟相结合的办法,利用预埋热电偶采集混凝土内部的温度与通过ANSYS进行模拟得到的温度进行对比,从而验证所建造的模型的正确性,并提出运用混凝土内部的主拉应力作为混凝土抗拉强度的判断依据。马德群等通过对冻融循环下完全饱水的混凝土温度场与温度应力进行有限元模拟,将模拟温度与实测混凝土温度进行对比,从而验证了所建立的有限元模型在模拟冻融循环下混凝土温度的可行性与准确性。曾述主等对冻融循环下混凝土试件进行温度场仿真计算,提出了混凝土构件任意点温度场峰值的实用计算方法,同时探讨了冻融温度场在混凝土结构中的作用深度。邢凯利用有限元ANSYS软件对冻融循环下混凝土试样进行了数值模拟,并对不同冻融循环次数下混凝土的温度场分布云图以及温度应力分布云图进行了分析,进而验证了数值模拟的可行性。侯志伟等通过ANSYS有限元软件分析了混凝土在温变条件下温度应力分布及其随时间的变化规律,测量在温变疲劳作用下混凝土的抗压强度、抗折强度、劈裂抗拉强度与动弹性模量,并与模拟的温度应力作比较,建立宏观力学性能与温度应力的相关性。综上可见,虽然关于冻融劣化下混凝土温度场数值计算的研究成果较多,但这些研究都是基于混凝土试件在冻融劣化后热学参数不变这一假定上进行的,这导致计算结果难以合理反映冻融条件下混凝土的损伤劣化机制。
发明内容
本发明所要解决的技术问题是提供一种混凝土冻融劣化后热学参数及演化过程获取方法,可以解决现有混凝土温度场数值计算中,因为假定混凝土试件在冻融劣化后热学参数不变,导致计算结果难以合理反映冻融条件下混凝土的损伤劣化机制的问题,提高了冻融劣化后的混凝土温度场数值计算的精度,也能更加深入地认识水工混凝土的冻融劣化机理,对水工混凝土抗冻性能的研究进行补充。
为解决上述技术问题,本发明所采用的技术方案是:一种混凝土冻融劣化后热学参数及演化过程获取方法,该方法包括以下步骤:
步骤1:确定影响混凝土温度场仿真计算精度的主要热学参数,将其作为待反演热学参数;
步骤2:根据工程情况和试验混凝土原材料及配合比,确定步骤1的各个待反演热学参数的取值范围,并采用正交设计原理对上述待反演热学参数进行组合,得到热学参数取值组合正交设计表;
步骤3:设计并成型M组用于室内快速冻融试验的混凝土棱柱体试件,M为试验组数,M≥2,在混凝土棱柱体试件中心位置埋设一支应变计,当混凝土试件的养护龄期达到设计龄期时,进行第一次温度扰动试验,通过内埋的应变计获得第一次温度扰动过程中混凝土试件内部温度实测值;然后进行室内快速冻融试验,当冻融次数为50×N,N=1、2、3、4,时,暂停冻融试验,从冻融箱里取出混凝土试件,进行第N+1次温度扰动试验,通过内埋的应变计获得第N+1次温度扰动过程中混凝土试件内部温度实测值,如此反复,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束,此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值;
步骤4:将步骤3中第i次,i=1、2、3、4、5,温度扰动时的环境气温,作为混凝土试件的边界条件,基于热学参数正交设计表,逐一进行混凝土温度场仿真分析,得到热学参数正交设计表中不同热学参数取值组合下混凝土内部温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动;
步骤5:结合步骤3的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度实测值和步骤4的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度计算值,计算实测值和计算值的相对误差δτ,将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本;
步骤6:利用步骤5组建的学习样本,进行神经网络模型训练,获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型;
步骤7:确定合适的温度场计算结果的相对误差δ’及混凝土试件实测密度ρ’,然后,将确定的合适值δ’及密度ρ’输入步骤6得到的训练好的神经网络模型,即得到第i次温度扰动时—即冻融次数为50×N时混凝土试件的热学参数,N=0、1、2、3、4,i=1、2、3、4、5;
步骤8:重复上述步骤4-步骤7,逐一得到冻融50×0、50×1、50×2、50×3、50×4次下混凝土热学参数的演化过程。
步骤1中,选取导热系数λ、比热c、密度ρ和表面放热系数β作为待反演热学参数。
步骤2中,根据工程实际情况和试验混凝土配合比及原材料热学性能,设置待优选的混凝土的导热系数λ、比热c、密度ρ和表面放热系数β等的取值水平,利用正交设计方法在待优选参数x={x1,x2,x3,x4}的可能取值空间中构造参数取值组合,形成待优选参数若干个取值组合,组成正交设计表。
步骤3获得温度扰动过程中混凝土试件内部温度实测值的步骤为:
步骤3-1:混凝土试件的成型及养护
选取典型混凝土工程在上游水位变动区或下游表面的混凝土配合比,按《水工混凝土试验规程》成型混凝土试件,成型试件时,在试件中心位置埋设一支应变计,试件成型后,将带有模具的试件采用湿布覆盖,并在20℃±5℃的室内静置1d后脱模,然后放在标准养护室内进行养护,设计养护龄期为90d;
当混凝土试件在标准养护室养护至86d时,将混凝土试件浸入20±3℃中水中浸泡4d,当达到设计龄期90d时,将试件取出,按照步骤3-2开展第一次温度扰动试验;
步骤3-2:冻融前第一次温度扰动试验
当混凝土试件养护至设计龄期90d时,将试件从水中取出,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第一次温度扰动试验;为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件;将锡箔纸包裹的混凝土试件放在养护箱中,养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃,1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第一次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应的温度扰动时环境温度变化曲线;
步骤3-3:混凝土室内快速冻融试验根据上述混凝土冻融劣化后热学参数及演化过程获取方法,步骤3获得温度扰动过程中混凝土试件内部温度实测值的步骤为:
当混凝土试件的第一次温度扰动试验结束后,参照《水工混凝土试验规程》,开展室内快速冻融试验,当冻融次数为50×N次,N=1、2、3、4,时,暂停冻融试验,从冻融箱里取出混凝土试件,按照步骤3-4开展第N+1次温度扰动试验;
步骤3-4:冻融期间的温度扰动试验
当冻融次数为50×N次,N=1、2、3、4,时,从冻融箱中取出混凝土试件,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第N+1次温度扰动试验,为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件,将锡箔纸包裹的混凝土试件放在养护箱中,养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃,1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第N+1次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应温度扰动时环境温度变化曲线;
步骤3-5:重复上述步骤3-3-步骤3-4,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束;此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值。
步骤4获得混凝土内部温度计算值的步骤为:
步骤4-1:混凝土试件有限元模型的建立
步骤a:定义初始材料性能,根据步骤2中利用正交设计方法获得的取值组合,定义导热系数λ、比热c、密度ρ和表面放热系数β;
步骤b、根据混凝土试件几何尺寸,通过有限元程序,构建几何模型,划分网络,生成混凝土棱柱体试件三维有限元模型;
步骤4-2:混凝土内部温度计算值的确定
根据步骤3的第i次,i=1、2、3、4、5,温度扰动时的条件,设定瞬态温度场计算的初始条件,以及将温度扰动试验时,环境气温变化曲线作为边界条件进行施加,然后将步骤2中正交设计表中的热学参数取值组合,逐一输入步骤4-1中建立的有限元模型中,进行混凝土温度场仿真计算,从而得到第i次温度扰动时,每种热学参数组合下在混凝土试件埋设温度计位置处的温度计算值—即混凝土内部温度计算值的温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动。
步骤5组成神经网络学习样本的方法为:
通过步骤3及步骤4获得混凝土试件在温度扰动过程中的内部实测温度及计算温度,由此获得在该种取值组合下温度场计算结果与实际测值的相对误差δτ,即
其中,δτ为该种取值组合下温度场计算结果与实际测值的相对误差,Ti为第i时刻混凝土内部温度实测值,Ti'为第i时刻混凝土内部温度计算值。重复上述步骤,获取n种参数不同正交设计取值组合下温度场计算结果的相对误差δτ(τ=1…n);将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本。
步骤6建立用于反演冻融劣化后混凝土热学参数的神经网络模型包括以下步骤:
步骤6-1:建立输入层:设立输入层神经元X1-X2分别将通过步骤5获得的相对误差δτ(τ=1…n)和密度ρ作为输入层,输入层神经元的数目等于学习样本中输入向量的维数,各神经元将输入变量传递给模式层;
步骤6-2:建立模式层:模式层神经元数目等于学习样本的数目n,且各神经元对应不同的学习样本,模式层神经元的传递函数为:
式中,pi为模式层神经元,X为网络输入变量,Xi为第i个神经元对应的学习样本,σ为光滑因子;
步骤6-3:建立求和层:求和层中采用两种类型神经元求和,一类是对各模式层神经元的输出进行算术求和,模式层与各神经元的连接权值为1,传递函数为式中SD为模式层算术求和结果,pi为模式层神经元;另一类是对所有模式层的神经元进行加权求和,模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素,传递函数为 式中模式层加权求和结果,pi为模式层神经元,yij为第i个输出样本Yi中的第j个元素,k为输出向量维数;
步骤6-4:建立输出层:
输出层中神经元数目等于学习样本输出向量的维数k,各神经元将求和层的输出相除,神经元j的输出对应结果为式中yj为神经元j的输出对应结果,模式层加权求和结果,SD为模式层算术求和结果,模式层加权求和结果;
步骤6-5:将步骤5中相对误差δτ(τ=1…n)和密度ρ作为输入,待优选参数x={x1,x2,x3,x4}可能的取值作为输出,对建立的神经网络模型进行训练,在进行训练前对训练样本进行归一化处理;
步骤6-6:将步骤6-5中的样本利用MATLAB的神经网络工具箱中的train进行训练学习,以误差最小作为控制条件,不断循环搜索获得最优神经网络模型,即获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型。
本发明提供的一种混凝土冻融劣化后热学参数及演化过程获取方法,首先通过对未经冻融劣化的混凝土试件进行温度扰动,获得其部温度变化曲线及环境温度变化曲线,接下来利用正交设计+温度场仿真计算+神经网络模型的方法反演获得其冻融劣化前的热学参数;然后对混凝土试件开展冻融次数为50×N(N=1,2,3,4)的室内快速冻融试验,每隔50次冻融循环对混凝土试件进行温度扰动试验,并通过正交设计+温度场仿真计算+神经网络模型的方法反演获得其冻融劣化后热学参数及其演变过程,可以解决现有混凝土温度场数值计算中,因为假定混凝土试件在冻融劣化后热学参数不变,导致计算结果难以合理反映冻融条件下混凝土的损伤劣化机制的问题,提高了冻融劣化后的混凝土温度场数值计算的精度,也能更加深入地认识水工混凝土的冻融劣化机理,对水工混凝土抗冻性能的研究进行补充。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明方法的流程图;
图2为本发明实施例一步骤4-1建立的三维有限元模型;
图3为本发明实施例一掺加引气剂试验组导热系数的变化曲线图;
图4为本发明实施例一掺加引气剂试验组比热的变化曲线图;
图5为本发明实施例一掺加引气剂试验组表面放热系数随冻融循环次数的变化曲线图;
图6为本发明实施例一未掺加引气剂试验组导热系数的变化曲线图;
图7为本发明实施例一未掺加引气剂试验组比热的变化曲线图;
图8为本发明实施例一未掺加引气剂试验组表面放热系数随冻融循环次数的变化曲线图。
具体实施方式
实施例一
如图1所示,一种混凝土冻融劣化后热学参数及演化过程获取方法,该方法包括以下步骤:
步骤1:确定影响混凝土温度场仿真计算精度的主要热学参数,将其作为待反演热学参数,选取导热系数λ、比热c、密度ρ和表面放热系数β作为待反演热学参数。
步骤2:根据工程情况和试验混凝土原材料及配合比,确定步骤1的各个待反演热学参数的取值范围,并采用正交设计原理对导热系数λ、比热c、密度ρ、表面放热系数β共4个热学参数进行组合,得到热学取值组合正交设计表,详细为:
根据工程实际情况和试验混凝土原材料及配合比,设置待优选的混凝土的导热系数λ、比热c、密度ρ和表面放热系数β等的取值水平,利用正交设计方法在待优选参数x={x1,x2,x3,x4}的可能取值空间中构造参数取值组合,形成待优选参数若干个取值组合,组成正交设计表。
其中,选定导热系数λ的范围为3.023~13.605kJ/(m·h·℃),比热c的范围为0.452~2.036kJ/(kg·℃),表面放热系数β的范围为14.052~63.235kJ/(m2·h·℃),密度ρ的范围为2108~3162kg/m3;采用正交设计原理对这4个温控因素进行组合,温控参数水平数均取5;导热系数λ取3.023、5.669、8.314、10.960、13.605kJ/(m·h·℃),比热c取0.452、0.848、1.244、1.640、2.036kJ/(kg·℃),表面放热系数β取14.052、26.348、38.643、50.939、63.235kJ/(m2·h·℃),密度ρ取2108、2372、2635、2899、3162kg/m3;依据正交设计原理,给出了25种不同取值组合,组成正交设计表,如表1所示:
表1正交设计表
步骤3:设计并成型M组用于室内快速冻融试验的混凝土棱柱体试件,M为试验组数,M≥2,在混凝土棱柱体试件中心位置埋设一支应变计,当混凝土试件的养护龄期达到设计龄期时,进行第一次温度扰动试验,通过内埋的应变计获得第一次温度扰动过程中混凝土试件内部温度实测值;然后进行室内快速冻融试验,当冻融次数为50×N,N=1、2、3、4,时,暂停冻融试验,从冻融箱里取出混凝土试件,进行第N+1次温度扰动试验,通过内埋的应变计获得第N+1次温度扰动过程中混凝土试件内部温度实测值,如此反复,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束,此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值,详细为:
步骤3-1:混凝土试件的成型及养护
设计并成型M=2组(M为试验组数)混凝土棱柱体试件,为使两组试验形成对照,分别研究掺引气剂和不掺引气剂混凝土的冻融劣化性能,引气剂掺量见表2。
其中,进行冻融试验的水泥选用葛洲坝水泥厂生产的P.O.42.5华新牌普通硅酸盐水泥;粉煤灰采用当地产的II级粉煤灰;取用试验室自来水(符合国家自来水标准)作为混凝土拌合成型用水;试验室采用的细骨料为细砂,采自长江河口河砂,级配分布均匀;粗骨料为花岗岩碎石,其粒径大约为5~40mm;减水剂选用的是聚羧酸,含量为40%。试验混凝土配合比选取典型大坝混凝土工程的配合比,如表2所示,其中水灰比为0.5。试件成型采用可拆卸钢制模具,模具尺寸为100mm×100mm×400mm。
试件成型后,将带有模具的试件采用湿布覆盖,并在20℃±5℃的室内静置1d后脱模,然后放在标准养护室内进行养护,设计养护龄期为90d。
当混凝土试件在标准养护室养护至86d时,将混凝土试件浸入20±3℃中水中浸泡4d,当达到设计龄期90d时,将试件取出,按照步骤3-2开展第一次温度扰动试验。
表2冻融试验混凝土配合比
步骤3-2:冻融前第一次温度扰动试验
当混凝土试件养护至设计龄期90d时,将试件从水中取出,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第一次温度扰动试验。为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件。将锡箔纸包裹的混凝土试件放在养护箱中(养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃),1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第一次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应的温度扰动时的环境气温变化曲线。由于在混凝土试件降温时,历时仅为1h,环境气温变化很小,本实施例将环境温度Tai的平均值进行分析。
本实施例中温度扰动试验采用的养护装置为荣盛实验仪器厂生产HWS-350型恒温恒湿养护箱,温度控制范围为0℃~60℃,适度控制范围为45%~95%;
步骤3-3:混凝土室内快速冻融试验
当温度扰动试验结束后,将混凝土试件装入试件盒,并放入冻融机中进行冻融循环试验。当冻融次数为50×N次(N=1,2,3,4)时,暂停冻融试验,从冻融箱中取出混凝土试件,参照3-4)内容进行第N+1次温度扰动试验。
本次冻融循环试验采用的冻融循环设备为江苏省东华试验仪器有限公司生产的HDK-9型混凝土快速冻融试验机。按照《水工混凝土试验规程(SL352-2006)》,本实施例将循环温度设定在-18℃±2℃~5℃±2℃之间,一次冻融循环历时不超过4h;
步骤3-4:冻融期间的温度扰动试验
当冻融次数为50×N次(N=1,2,3,4)时,从冻融箱中取出混凝土试件,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第N+1次温度扰动试验。为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件。将锡箔纸包裹的混凝土试件放在养护箱中(养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃),1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第N+1次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应的温度扰动时环境气温变化曲线。由于在混凝土试件降温时,历时仅为1h,环境气温变化很小,本实施例将环境温度Tai的平均值进行分析;
步骤3-5:重复上述步骤3-3~步骤3-4,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束;此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值。
步骤4:将步骤3中第i次,i=1、2、3、4、5,温度扰动时的环境气温,作为混凝土试件的边界条件,基于热学参数正交设计表,逐一进行混凝土温度场仿真分析,得到热学参数正交设计表中不同热学参数取值组合下混凝土内部温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动,详细为:
步骤4-1:混凝土试件有限元模型的建立
步骤a:定义初始材料性能,根据步骤2中利用正交设计方法获得的取值组合,定义导热系数λ、比热c、密度ρ和表面放热系数β;
步骤b、根据混凝土试件几何尺寸,通过有限元程序(如ANSYS、MSC.MARC、Abaqus等)来进行混凝土温度场仿真计算,依据混凝土试件几何尺寸参数,建立混凝土棱柱体试件(几何尺寸100mm×100mm×400mm)的三维有限元模型,混凝土试件有限元模型如图2所示,该模型共有六面体八结点等参单元16000个,18081个节点;
步骤4-2:混凝土内部温度计算值的确定
根据步骤3的第i次,i=1、2、3、4、5,温度扰动时的条件,设定瞬态温度场计算的初始条件,以及将温度扰动试验时,环境气温变化曲线作为边界条件进行施加,然后将步骤2中正交设计表中的热学参数取值组合,逐一输入步骤4-1中建立的有限元模型中,进行混凝土温度场仿真计算,其中计算时间步长设定为5min,计算总时间为1h,从而得到第i次温度扰动时,每种热学参数组合下在混凝土试件埋设温度计位置处的温度计算值—即混凝土内部温度计算值的温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动。
步骤5:结合步骤3的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度实测值和步骤4的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度计算值,计算实测值和计算值的相对误差δτ,将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本,详细为:
通过步骤3及步骤4获得混凝土试件在温度扰动过程中的内部实测温度及计算温度,由此获得在该种取值组合下温度场计算结果与实际测值的相对误差δτ,即
其中,δτ为该种取值组合下温度场计算结果与实际测值的相对误差,Ti为第i时刻混凝土内部温度实测值,Ti'为第i时刻混凝土内部温度计算值。重复上述步骤,获取n种参数不同正交设计取值组合下温度场计算结果的相对误差δτ(τ=1…n);将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本:
重复上述步骤,获得温度场计算结果与应变计实际测值的相对误差δτ(τ=1…25),共获得25个学习样本。表3为掺引气剂试验组第5次温度扰动(即冻融次数为50×4=200次时)学习样本。
表3学习样本
步骤6:利用步骤5组建的学习样本,进行神经网络模型训练,获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型,详细为:
步骤6建立用于反演冻融劣化后混凝土热学参数的神经网络模型包括以下步骤:
步骤6-1:建立输入层:设立输入层神经元X1-X2分别将通过步骤5获得的表2中相对误差δτ(τ=1…n)和密度ρ作为输入层,输入层神经元的数目等于学习样本中输入向量的维数,各神经元将输入变量传递给模式层;
步骤6-2:建立模式层:模式层神经元数目等于学习样本的数目n,且各神经元对应不同的学习样本,模式层神经元的传递函数为:
式中,pi为模式层神经元,X为网络输入变量,Xi为第i个神经元对应的学习样本,σ为光滑因子;
步骤6-3:建立求和层:求和层中采用两种类型神经元求和,一类是对各模式层神经元的输出进行算术求和,模式层与各神经元的连接权值为1,传递函数为式中SD为模式层算术求和结果,pi为模式层神经元;另一类是对所有模式层的神经元进行加权求和,模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素,传递函数为 式中模式层加权求和结果,pi为模式层神经元,yij为第i个输出样本Yi中的第j个元素,k为输出向量维数;
步骤6-4:建立输出层:
输出层中神经元数目等于学习样本输出向量的维数k,各神经元将求和层的输出相除,神经元j的输出对应结果为式中yj为神经元j的输出对应结果,模式层加权求和结果,SD为模式层算术求和结果,模式层加权求和结果;
步骤6-5:将步骤5中相对误差δτ(τ=1…n)和密度ρ作为输入,待优选参数x={x1,x2,x3,x4}可能的取值作为输出,对建立的神经网络模型进行训练,在进行训练前对训练样本进行归一化处理;
步骤6-6:将步骤6-5中的样本利用MATLAB的神经网络工具箱中的train进行训练学习,以误差最小作为控制条件,不断循环搜索获得最优神经网络模型,即获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型。
通过上述步骤6-1~步骤6-4建立神经网络模型,将表3中相对误差δτ(τ=1…25)和密度ρ作为输入,导热系数λ、比热c和表面放热系数β作为输出,对建立的神经网络模型进行训练,在进行训练前基于公式y=(x-xmin)/(xmax-xmin)将样本每列元素归一化到[0,1]区间内,式中xmax、xmin分别是样本每列因素的最大值和最小值,x为每列的各个元素,y为元素归一化后的值,归一化后的样本如表4所示;
表4归一化后学习样本
之后利用MATLAB的神经网络工具箱中的train进行训练学习,以误差最小作为控制条件,不断循环搜索获得最优神经网络模型,其中隐含层神经元数目采用10个,经过6000次学习训练后,自动结束并获得网络模型。
步骤7:根据设计要求和工程实际情况确定合适的温度场计算结果的相对误差δ′,确定合适的温度场计算结果的相对误差δ’及混凝土试件实测密度ρ’,然后,将确定的合适值δ’及实测混凝土试件密度ρ′归一化后输入步骤6得到的训练好的神经网络模型,即得到第i次温度扰动时—即冻融次数为50×N时混凝土试件的热学参数,N=0、1、2、3、4,i=1、2、3、4、5,此处,这里,i=1次(即N=0)反演热学参数为冻融前的混凝土热学参数;
步骤8:重复上述步骤4-步骤7,逐一得到冻融50×0、50×1、50×2、50×3、50×4次下混凝土热学参数的演化过程。
由图3-图5可见,试件比热和表面放热系数随冻融循环次数的增大而上升,导热系数随冻融循环次数的增大有所波动,总体呈上升趋势。
由图6-图8可见,试件导热系数、比热和表面放热系数在150次冻融循环之前随冻融循环次数的增大而上升,但在冻融次数到达200次时,三种热学参数有所波动,但总体仍呈上升趋势。
由图3-图8可以看出,在150次冻融循环下,掺加引气剂试验组三种热学参数(导热系数、比热和表面放热系数)较冻融前数值分别增长了39.98%、16.47%、22.35%,而未掺加引气剂试验组三种热学参数(导热系数、比热和表面放热系数)较冻融前数值分别增长了49.22%、21.89%、61.62%。综上可知,混凝土热学参数随着冻融次数的增加而增加,掺加引气剂能较好地提升混凝土的抗冻耐久性。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (7)
1.一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于该方法包括以下步骤:
步骤1:确定影响混凝土温度场仿真计算精度的主要热学参数,将其作为待反演热学参数;
步骤2:根据工程情况和试验混凝土原材料及配合比,确定步骤1的各个待反演热学参数的取值范围,并采用正交设计原理对上述待反演热学参数进行组合,得到热学参数取值组合正交设计表;
步骤3:设计并成型M组用于室内快速冻融试验的混凝土棱柱体试件,M为试验组数,M≥2,在混凝土棱柱体试件中心位置埋设一支应变计,当混凝土试件的养护龄期达到设计龄期时,进行第一次温度扰动试验,通过内埋的应变计获得第一次温度扰动过程中混凝土试件内部温度实测值;然后进行室内快速冻融试验,当冻融次数为50×N时,N=1、2、3、4,暂停冻融试验,从冻融箱里取出混凝土试件,进行第N+1次温度扰动试验,通过内埋的应变计获得第N+1次温度扰动过程中混凝土试件内部温度实测值,如此反复,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束,此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值;
步骤4:将步骤3中第i次,i=1、2、3、4、5,温度扰动时的环境气温,作为混凝土试件的边界条件,基于热学参数正交设计表,逐一进行混凝土温度场仿真分析,得到热学参数正交设计表中不同热学参数取值组合下混凝土内部温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动;
步骤5:结合步骤3的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度实测值和步骤4的第i次,i=1、2、3、4、5,温度扰动时的混凝土试件内部温度计算值,计算实测值和计算值的相对误差δτ,将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本;
步骤6:利用步骤5组建的学习样本,进行神经网络模型训练,获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型;
步骤7:确定合适的温度场计算结果的相对误差δ’及混凝土试件实测密度ρ’,然后,将确定的合适值δ’及密度ρ’输入步骤6得到的训练好的神经网络模型,即得到第i次温度扰动时—即冻融次数为50×N时混凝土试件的热学参数,N=0、1、2、3、4,i=1、2、3、4、5;
步骤8:重复上述步骤4-步骤7,逐一得到冻融50×0、50×1、50×2、50×3、50×4次下混凝土热学参数的演化过程。
2.根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于:步骤1中,选取导热系数λ、比热c、密度ρ和表面放热系数β作为待反演热学参数。
3.根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于:步骤2中,根据工程实际情况和试验混凝土配合比及原材料热学性能,设置待优选的混凝土的导热系数λ、比热c、密度ρ和表面放热系数β等的取值水平,利用正交设计方法在待优选参数x={x1,x2,x3,x4}的可能取值空间中构造参数取值组合,形成待优选参数若干个取值组合,组成正交设计表。
4.根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于步骤3获得温度扰动过程中混凝土试件内部温度实测值的步骤为:
步骤3-1:混凝土试件的成型及养护
选取典型混凝土工程在上游水位变动区或下游表面的混凝土配合比,按《水工混凝土试验规程》成型混凝土试件,成型试件时,在试件中心位置埋设一支应变计,试件成型后,将带有模具的试件采用湿布覆盖,并在20℃±5℃的室内静置1d后脱模,然后放在标准养护室内进行养护,设计养护龄期为90d;
当混凝土试件在标准养护室养护至86d时,将混凝土试件浸入20±3℃中水中浸泡4d,当达到设计龄期90d时,将试件取出,按照步骤3-2开展第一次温度扰动试验;
步骤3-2:冻融前第一次温度扰动试验
当混凝土试件养护至设计龄期90d时,将试件从水中取出,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第一次温度扰动试验;为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件;将锡箔纸包裹的混凝土试件放在养护箱中,养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃,1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第一次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应的温度扰动时环境温度变化曲线;
步骤3-3:混凝土室内快速冻融试验根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于步骤3获得温度扰动过程中混凝土试件内部温度实测值的步骤为:
当混凝土试件的第一次温度扰动试验结束后,参照《水工混凝土试验规程》,开展室内快速冻融试验,当冻融次数为50×N次,N=1、2、3、4,时,暂停冻融试验,从冻融箱里取出混凝土试件,按照步骤3-4开展第N+1次温度扰动试验;
步骤3-4:冻融期间的温度扰动试验
当冻融次数为50×N次,N=1、2、3、4,时,从冻融箱中取出混凝土试件,擦干试件表面水,首先测量应变计温度T0和应变ε0,然后开始进行第N+1次温度扰动试验,为保证混凝土试件在温度扰动试验时不失水,采用锡箔纸包裹混凝土试件,将锡箔纸包裹的混凝土试件放在养护箱中,养护箱温度设置为40℃,保证养护箱温度和环境气温的温差在15~20℃,1小时后,将试件从养护箱中取出,每隔10min读取一次应变计的温度Ti和应变εi,同时测量相应时刻的环境温度Tai,该过程持续进行1h,从而获得第N+1次温度扰动试验时,混凝土试件内部温度-应变-时间变化曲线,以及获得相应温度扰动时环境温度变化曲线;
步骤3-5:重复上述步骤3-3~步骤3-4,直到混凝土试件冻融次数达到50×4=200次,且进行了4+1=5次温度扰动试验时结束;此时,分别获得了5次温度扰动试验时的扰动环境气温以及相对应的混凝土试件内部温度实测值。
5.根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于步骤4获得混凝土内部温度计算值的步骤为:
步骤4-1:混凝土试件有限元模型的建立
步骤a:定义初始材料性能,根据步骤2中利用正交设计方法获得的取值组合,定义导热系数λ、比热c、密度ρ和表面放热系数β;
步骤b、根据混凝土试件几何尺寸,通过有限元程序,构建几何模型,划分网络,生成混凝土棱柱体试件三维有限元模型;
步骤4-2:混凝土内部温度计算值的确定
根据步骤3的第i次,i=1、2、3、4、5,温度扰动时的条件,设定瞬态温度场计算的初始条件,以及将温度扰动试验时,环境气温变化曲线作为边界条件进行施加,然后将步骤2中正交设计表中的热学参数取值组合,逐一输入步骤4-1中建立的有限元模型中,进行混凝土温度场仿真计算,从而得到第i次温度扰动时,每种热学参数组合下在混凝土试件埋设温度计位置处的温度计算值—即混凝土内部温度计算值的温度计算值;其中,i=1对应于混凝土试件冻融前的第一次温度扰动。
6.根据权利要求1所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于步骤5组成神经网络学习样本的方法为:
通过步骤3及步骤4获得混凝土试件在温度扰动过程中的内部实测温度及计算温度,由此获得在该种取值组合下温度场计算结果与实际测值的相对误差δτ,即
其中,δτ为该种取值组合下温度场计算结果与实际测值的相对误差,Ti为第i时刻混凝土内部温度实测值,Ti'为第i时刻混凝土内部温度计算值;重复上述步骤,获取n种参数不同正交设计取值组合下温度场计算结果的相对误差δτ,τ=1…n;将相对误差δτ和混凝土试件密度ρ作为输入,待反演热学参数作为输出,组成神经网络学习样本。
7.根据权利要求6所述的一种混凝土冻融劣化后热学参数及演化过程获取方法,其特征在于步骤6建立用于反演冻融劣化后混凝土热学参数的神经网络模型包括以下步骤:
步骤6-1:建立输入层:设立输入层神经元X1-X2分别将通过步骤5获得的相对误差δτ,τ=1…n和密度ρ作为输入层,输入层神经元的数目等于学习样本中输入向量的维数,各神经元将输入变量传递给模式层;
步骤6-2:建立模式层:模式层神经元数目等于学习样本的数目n,且各神经元对应不同的学习样本,模式层神经元的传递函数为:
式中,pi为模式层神经元,X为网络输入变量,Xi为第i个神经元对应的学习样本,σ为光滑因子;
步骤6-3:建立求和层:求和层中采用两种类型神经元求和,一类是对各模式层神经元的输出进行算术求和,模式层与各神经元的连接权值为1,传递函数为式中SD为模式层算术求和结果,pi为模式层神经元;另一类是对所有模式层的神经元进行加权求和,模式层中第i个神经元与求和层第j个求和神经元的连接权值为第i个输出样本Yi中的第j个元素,传递函数为 式中模式层加权求和结果,pi为模式层神经元,yij为第i个输出样本Yi中的第j个元素,k为输出向量维数;
步骤6-4:建立输出层:
输出层中神经元数目等于学习样本输出向量的维数k,各神经元将求和层的输出相除,神经元j的输出对应结果为式中yj为神经元j的输出对应结果,模式层加权求和结果,SD为模式层算术求和结果,模式层加权求和结果;
步骤6-5:将步骤5中相对误差δτ,τ=1…n和密度ρ作为输入,待优选参数x={x1,x2,x3,x4}可能的取值作为输出,对建立的神经网络模型进行训练,在进行训练前对训练样本进行归一化处理;
步骤6-6:将步骤6-5中的样本利用MATLAB的神经网络工具箱中的train进行训练学习,以误差最小作为控制条件,不断循环搜索获得最优神经网络模型,即获得较为合理的反演冻融劣化前后混凝土热学参数的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983857.2A CN110765683B (zh) | 2019-10-16 | 2019-10-16 | 一种混凝土冻融劣化后热学参数及演化过程获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983857.2A CN110765683B (zh) | 2019-10-16 | 2019-10-16 | 一种混凝土冻融劣化后热学参数及演化过程获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765683A CN110765683A (zh) | 2020-02-07 |
CN110765683B true CN110765683B (zh) | 2023-05-02 |
Family
ID=69331354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983857.2A Active CN110765683B (zh) | 2019-10-16 | 2019-10-16 | 一种混凝土冻融劣化后热学参数及演化过程获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765683B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007333498A (ja) * | 2006-06-14 | 2007-12-27 | Shikoku Electric Power Co Inc | コンクリートの品質評価方法及び品質評価装置 |
JP2008249733A (ja) * | 2003-10-31 | 2008-10-16 | Tokyo Electric Power Co Inc:The | コンクリートの凍害劣化予測装置およびそのプログラム |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
-
2019
- 2019-10-16 CN CN201910983857.2A patent/CN110765683B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008249733A (ja) * | 2003-10-31 | 2008-10-16 | Tokyo Electric Power Co Inc:The | コンクリートの凍害劣化予測装置およびそのプログラム |
JP2007333498A (ja) * | 2006-06-14 | 2007-12-27 | Shikoku Electric Power Co Inc | コンクリートの品質評価方法及び品質評価装置 |
CN106650807A (zh) * | 2016-12-20 | 2017-05-10 | 东南大学 | 一种海洋环境下混凝土强度劣化预测评价方法 |
CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
Non-Patent Citations (1)
Title |
---|
苏超 ; 王璐 ; 董义佳 ; 陶文兴 ; .基于BP神经网络的船闸闸首热学参数反分析.南水北调与水利科技.(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110765683A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Prediction of cracking within early-age concrete due to thermal, drying and creep behavior | |
Dong et al. | A fracture mechanics-based method for prediction of cracking of circular and elliptical concrete rings under restrained shrinkage | |
CN110083879B (zh) | 一种基于网格结构的混凝土内部温湿度场分布计算方法 | |
CN105808836A (zh) | 确定超高掺量粉煤灰大体积混凝土温度历程曲线的方法 | |
Kabir et al. | Predicting 28 days compressive strength of concrete from 7 days test result | |
Chandwani et al. | Applications of artificial neural networks in modeling compressive strength of concrete: a state of the art review | |
Lee et al. | Influence of cement type on heat of hydration and temperature rise of the mass concrete | |
CN109408971A (zh) | 一种新型多参数影响下早期混凝土性态变化研究方法 | |
CN106919786A (zh) | 一种混凝土分数阶徐变模型 | |
Zhang et al. | Thermo-mechanical behavior simulation and cracking risk evaluation on steel-concrete composite girders during hydration process | |
CN106950357B (zh) | 一种双掺混凝土抗裂性能评估方法 | |
Liu et al. | Prediction of hydration heat of mass concrete based on the SVR model | |
Huang et al. | Studies on the wet expansion deformation of hydraulic concrete with fly ash under non-standard temperatures | |
CN110765683B (zh) | 一种混凝土冻融劣化后热学参数及演化过程获取方法 | |
Zeng et al. | Curing parameters’ influences of early-age temperature field in concrete continuous rigid frame bridge | |
Tang et al. | Numerical study of shrinkage cracking in concrete and concrete repair systems | |
Su et al. | Development and performance test including mechanical and thermal of new tenon composite block masonry walls | |
Qin et al. | Time-dependent behavior of shrinkage strain for early age concrete affected by temperature variation | |
Wang et al. | Measurement and evaluation of the thermal expansion coefficient of rock-filled concrete | |
Ishida et al. | Multi-scale and multichemo-physical modeling of cementitious composite and its application to early age crack assessment of reinforced concrete slab decks | |
Długosz et al. | Identification of thermal properties of hardening concrete by means of evolutionary algorithms | |
Sun et al. | Temperature Control for Mass Concrete Construction of Wentang Bridge 5# Pier Pile Cap in Winter Construction | |
Huang et al. | Evolution of thermal parameters of wet‐screened dam concrete after different freeze–thaw deterioration | |
Han et al. | Study on adiabatic temperature rise reflecting hydration degree of concrete | |
Zerin et al. | Utilizing Expansive Additive to Reduce Thermal Cracking Risk of RC Slab on Single Span PC Composite Girder Bridge |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |