CN112010611A - 掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法 - Google Patents

Abstract

掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法，本申请提供掺入钢渣粉套筒微膨胀灌浆料，由以下各组分混合而成,各组分按质量百分比构成如下:水泥：40‑45％；钢渣粉：30‑35％；细砂：1‑2％；减水剂：1‑2％；缓凝剂：1‑2％；消泡剂：1‑2％；其余为水；本发明提供掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法，本申请钢渣粉替代改性矿物粉料，由于矿渣粉的膨胀效应，不需添加膨胀剂，使用后可以提高钢筋连接用套筒灌浆料填充套筒的密实性，从而进一步增加钢筋连接强度，并且可以提高资源利用率，本发明制备过程中通过相应的检测方式保证套筒灌浆料质量。

Description

掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法

技术领域

本发明涉及钢筋连接用套筒领域。特别是涉及到一种掺入钢渣粉套筒微膨胀灌浆料及其制备和膨胀效应检测方法。

背景技术

随着我国积极推动建筑工业化,大力推广预制装配式建筑。目前，装配式建筑常采用钢筋套筒连接,相较于传统的钢筋焊接和机械连接,钢筋套筒灌浆连接方式不受钢筋直径大小、荷载类别及房屋高度等限制,适用范围更广；

钢筋套筒灌浆连接技术是指带肋钢筋插入内腔为凹凸表面的灌浆套筒，通过向套筒与钢筋的间隙灌注专用高强水泥基灌浆料，灌浆料凝固后将钢筋锚固在套筒内实现针对预制构件的一种钢筋连接技术；因此钢筋套筒和灌浆料,其质量对于灌浆连接的质量至关重要；

传统的钢筋连接用套筒灌浆料，目前常将水泥、改性矿物粉料和细砂混匀得到第一物料；将减水剂、缓凝剂、早强掺合料和膨胀剂混匀得到第二物料；将两种物料混合，但是混合后的钢筋连接用套筒灌浆料仍然普通存在强度差和胶凝性差等问题，

解决以上问题，可以从掺入钢渣粉来进行考虑，钢渣是炼钢过程中产生的工业废渣，其每年产生量巨大，但利用率很低，基本处于废弃和堆积状态，造成环境污染、土地占用和资源浪费。钢渣可以用作水泥混凝土掺合料的原因在于其含有一定的活性矿物质，如C₂S、C₃S等。通过在制造过程中将其细化制成钢渣粉，由于钢渣粉的特性与硅酸盐水泥相似，和水共同作用下可发生水化反应并表现出很强的胶凝特性，因此可以考虑将套筒灌浆料中改性矿物粉料替换为钢渣粉。

由于钢渣粉中普遍含有一定量的游离氧化钙(f-CaO)和游离氧化镁(f-MgO)，它们水化生成的Ca(OH)₂和Mg(OH)₂会发生体积膨胀，不需添加膨胀剂，就能解决浆体硬化后需体积略有膨胀的要求，从而使用后可以提高灌浆料填充套筒的密实性，进一步增加钢筋、浆体、套筒之间整体连接强度。

发明内容

为了解决上述存在问题。本发明提供掺入钢渣粉套筒微膨胀灌浆料及其制备方法和配套膨胀效应检测方法，本申请钢渣粉替代改性矿物粉料，使用后可以提高钢筋连接用套筒灌浆料的整体性能，并且由于钢渣粉内物质水化后会有所膨胀，因此不需要添加膨胀剂，就达到膨胀效果，从而降低了成本，大幅提高钢筋连接用套筒灌浆料的性能减少团聚情况，并且可以提高资源利用率，因此用钢渣粉作为套筒灌浆料的组成材料之一是理想选择；本发明制备过程中通过相应的实时快速分析检测方式保证套筒灌浆料质量。为达此目的：

掺入钢渣粉套筒微膨胀灌浆料，其特征在于,由以下各组分混合而成,各组分按质量百分比构成如下:

水泥：40-45％；

钢渣粉：30-35％；

细砂：1-2％；

减水剂：1-2％；

缓凝剂：1-2％；

消泡剂：1-2％；

其余为水；

所述钢渣粉平均粒径要小于水泥颗粒粒径且不超过20μm且碱度应满足大于2.2的要求；

所述细砂为连续级配的石英砂，细砂的粒径小于2.3mm。

作为本发明掺入钢渣粉套筒微膨胀灌浆料进一步改进，所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合而成的复配水泥，本申请可以考虑使用复配水泥，复配水泥强度更好。

作为本发明掺入钢渣粉套筒微膨胀灌浆料进一步改进，所述减水剂为为聚羧酸减水剂，所述缓凝剂为葡萄糖酸钠缓凝剂，所述消泡剂为有机硅类粉末状消泡剂，本申请减水剂、缓凝剂和消泡剂常用以上类型。

本发明提供掺入钢渣粉套筒微膨胀灌浆料的制备方法，具体步骤如下：

1)将水泥、钢渣粉和细砂按配料比混均；

所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合制得的复配水泥；

所述钢渣粉制备过程如下；

对炼钢过程中产生的废渣进行收集，并高温液化，将液态钢渣落到旋转的粒化轮上被破碎，沿切线方向抛出，同时喷水冷却，喷水过程利用高温液态渣的显热洒水产生物理力学作用和f-CaO水解作用使渣碎化；

通过筛选设备，筛选出粒径不超过20μm的颗粒；

所述细砂由连续级配的石英砂筛选获得且保证细砂的粒径小于2.3mm；

2)将减水剂、缓凝剂按配料比混合均匀；

3)将上述两种物料混合均匀，并缓慢加入对应配比的消泡剂和水，加入过程中消泡剂需要保证温度为-5摄氏度，水温度为2摄氏度；

4)加入后再次混合均匀后进行封装，并常温冷却保存。

本发明提供掺入钢渣粉套筒微膨胀灌浆料的膨胀效应检测方法，具体步骤如下：

1)计算钢渣粉的矿物组成，包括：C₃S、C₂S、C₄AF、C₇PS₂、C₂F、f-CaO，计算出所含矿物的摩尔数；

2)使用压蒸法检测混合材料，同时计算混合材料的压蒸膨胀值；

3)针对不同材料所对应的膨胀值，训练BP神经网络模型，步骤为：

步骤3.1设计BP神经网络结构，BP神经网络结构包括：输入层、隐含层和输出层，将步骤1)和步骤2)计算样本的矿物摩尔数、压蒸膨胀值和所对的钢渣粉比例作为样本特征x当作输入层的输入，x_i,i＝(0,1,...,n-1)是输入层第i个神经元输入，将样本所对应的膨胀值y作为神经网络输出层的输出，y_k,k＝(0,1,...,m-1)是第k个神经元的输出，BP神经网络模型结构的计算公式为：

其中，n、l、m分别代表BP神经网络输入层、隐含层和输出层神经元的节点个数，v_ij和w_jk分别表示输入层第i个神经元节点到隐含层第j个节点权值和隐含层第j个神经元节点到输出层第k个节点权值，θ_j是网络隐含层节点阈值，φ_k是网络输出层节点阈值，f₁是网络隐含层传递函数，f₂是网络输出层传递函数；

步骤3.2为了减少BP神经网络模型输出值与真实值之间的误差，设置损失函数作为模型优化目标：

O_k是神经网络输出结果；

步骤3.3BP神经网络首先正向传播，训练样本经过网络的传递，得到输出值；然后误差反向传播，计算正向传播得到输出值的误差E，根据误差再反馈到输入层，同时更新网络中的权值与阈值，权值变化量需要满足下式：

步骤3.4在迭代过程中，当损失函数E小于阈值或达到初始设定的迭代终止次数，则模型训练结束，否则返回步骤3.2，停止迭代后最终获得训练完成的BP神经网络模型；

4)通过步骤1)和步骤2)计算待测掺入钢渣粉套筒微膨胀灌浆料的矿物摩尔数、压蒸膨胀值和所对的钢渣粉比例，作为输入特征输入到训练完成的BP神经网络模型中，最终输出材料的膨胀值。

本发明提供掺入钢渣粉套筒微膨胀灌浆料及其制备方法和配套强度检测方法，具体设计如下：

1、本申请使用钢渣粉替代改性矿物粉料，使用后可以提高钢筋连接用套筒灌浆料的强度，从而大幅提高钢筋连接用套筒灌浆料的性能减少团聚情况；

2、由于钢渣粉中普遍含有一定量的游离氧化钙(f-CaO)和游离氧化镁(f-MgO)，它们水化生成的Ca(OH)2和Mg(OH)2会发生体积膨胀，不需添加膨胀剂，就能解决浆体硬化后需体积略有膨胀的要求，从而使用后可以提高灌浆料填充套筒的密实性，进一步增加钢筋、浆体、套筒之间整体连接强度；

3、由于钢渣是钢材生产过程中产生钢材的同时生产出的副产品,因此对钢渣二次处理后再利用可以提高资源利用率；

4、本申请在制备套筒灌浆料的混合料中还添加了氧化石墨烯，利用氧化石墨烯自身特殊层状结构来进一步防止团聚；

5、本申请性能较为突出经检测低温环境也可以达到相应的性能满足使用；

6、本申请在制备过程中对钢渣进行预处理保证钢渣的内相应成分的含量，从而保证制备后套筒灌浆料的性能；

7、本申请通过计算混合材料的压蒸膨胀值，并通过相应BP神经网络模型进行分析计算，从而通过检测膨胀率对灌浆料的质量进行检测，从而保证钢渣粉的膨胀效果，从而确保钢筋、浆体、套筒之间整体连接质量。

附图说明

图1是本发明BP神经网络抗折强度和抗压强度检测方法流程图；

图2是本发明BP神经网络结构图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供掺入钢渣粉套筒微膨胀灌浆料及其制备方法和配套膨胀效应检测方法，本申请钢渣粉替代改性矿物粉料，使用后可以提高钢筋连接用套筒灌浆料的整体性能，并且由于钢渣粉内物质水化后会有所膨胀，因此不需要添加膨胀剂，就达到膨胀效果，从而降低了成本，大幅提高钢筋连接用套筒灌浆料的性能减少团聚情况，并且可以提高资源利用率，本发明制备过程中通过相应的实时快速分析检测方式保证套筒灌浆料质量。

作为本发明掺入钢渣粉套筒微膨胀灌浆料具体实施例，本发明所述的套筒灌浆料,由以下各组分混合而成,各组分按质量百分比构成如下:

水泥：45％；

钢渣粉：30％；

细砂：1.5％；

减水剂：1.5％；

缓凝剂：1.5％；

消泡剂：1.5％；

其余为水；

所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合而成的复配水泥，本申请可以考虑使用复配水泥，复配水泥强度更好；

所述钢渣粉平均粒径要小于水泥颗粒粒径且不超过20μm且碱度应满足大于2.2的要求；

所述细砂为连续级配的石英砂，细砂的粒径小于2.3mm；

所述减水剂为聚羧酸减水剂，所述缓凝剂为葡萄糖酸钠缓凝剂，所述消泡剂为有机硅类粉末状消泡剂，本申请减水剂、缓凝剂和消泡剂常用以上类型。

本申请性能较为突出经检测，低温环境也可以达到相应的性能满足使用，成品经过相应测试，-5摄氏度流动度初始为300-310mm，30分钟后流动度为260-270mm，8摄氏度流动度初始为310-320mm，30分钟后流动度为270-280mm，抗压强度，-1d大于40MPa,-3d大于65MPa,-7d+21d大于100MPa,竖直膨胀率3h为0.03-1％，24h与3h差值为0.05-0.20％，28d自干燥收缩小于0.03，其满足常温型套筒灌浆料的性能指标见表1，并且在低温环境下相关性能依然突出。

表1低温型套筒灌浆料的性能指标

作为本发明掺入钢渣粉套筒微膨胀灌浆料的制备方法，具体步骤如下，其特征在于：

1)将水泥、钢渣粉和细砂按配料比混均；

所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合制得的复配水泥；

所述钢渣粉制备过程如下；

对炼钢过程中产生的废渣进行收集，并高温液化，将液态钢渣落到旋转的粒化轮上被破碎，沿切线方向抛出，同时喷水冷却，喷水过程利用高温液态渣的显热洒水产生物理力学作用和f-CaO水解作用使渣碎化；

通过筛选设备，筛选出粒径不超过20μm的颗粒；

所述细砂由连续级配的石英砂筛选获得且保证细砂的粒径小于2.3mm；

2)将减水剂、缓凝剂按配料比混合均匀；

3)将上述两种物料混合均匀，并缓慢加入对应配比的消泡剂和水，加入过程中消泡剂需要保证温度为-5摄氏度，水温度为2摄氏度；

4)加入后再次混合均匀后进行封装，并常温冷却保存。

作为本发明掺入钢渣粉套筒微膨胀灌浆料的膨胀效应检测方法具体实施例，具体步骤如下：

1)计算钢渣粉的矿物组成，包括：C₃S、C₂S、C₄AF、C₇PS₂、C₂F、f-CaO，计算出所含矿物的摩尔数；

2)使用压蒸法检测混合材料，同时计算混合材料的压蒸膨胀值；

3)针对不同材料所对应的膨胀值，训练BP神经网络模型，检测方法流程图如图1所示，步骤为：

步骤3.1设计BP神经网络结构，BP神经网络结构包括：输入层、隐含层和输出层，将步骤1)和步骤2)计算样本的矿物摩尔数、压蒸膨胀值和所对应的钢渣粉比例作为样本特征x当作输入层的输入，x_i,i＝(0,1,...,n-1)是输入层第i个神经元输入，将样本所对应的膨胀值y作为神经网络输出层的输出，y_k,k＝(0,1,...,m-1)是第k个神经元的输出，BP神经网络模型结构的计算公式为：

其中，n、l、m分别代表BP神经网络输入层、隐含层和输出层神经元的节点个数，v_ij和w_jk分别表示输入层第i个神经元节点到隐含层第j个节点权值和隐含层第j个神经元节点到输出层第k个节点权值，θ_j是网络隐含层节点阈值，φ_k是网络输出层节点阈值，f₁是网络隐含层传递函数，f₂是网络输出层传递函数，BP神经网络结构图如图2所示；

步骤3.2为了减少BP神经网络模型输出值与真实值之间的误差，设置损失函数作为模型优化目标：

O_k是神经网络输出结果；

步骤3.3BP神经网络首先正向传播，训练样本经过网络的传递，得到输出值；然后误差反向传播，计算正向传播得到输出值的误差E，根据误差再反馈到输入层，同时更新网络中的权值与阈值，权值变化量需要满足下式：

步骤3.4在迭代过程中，当损失函数E小于阈值或达到初始设定的迭代终止次数，则模型训练结束，否则返回步骤3.2，停止迭代后最终获得训练完成的BP神经网络模型；

4)通过步骤1)和步骤2)计算待测掺入钢渣粉套筒微膨胀灌浆料的矿物摩尔数、压蒸膨胀值和所对的钢渣粉比例，作为输入特征输入到训练完成的BP神经网络模型中，最终输出材料的膨胀值，为论证本发明算法的可行性，选取不同情况下的材料各5份，计算膨胀值，同时将计算的测量值归一化后，计算真实值和测量值RMSE的变化趋势。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.掺入钢渣粉套筒微膨胀灌浆料，其特征在于,由以下各组分混合而成,各组分按质量百分比构成如下:

水泥：40-45％；

钢渣粉：30-35％；

细砂：1-2％；

减水剂：1-2％；

缓凝剂：1-2％；

消泡剂：1-2％；

其余为水；

所述钢渣粉平均粒径要小于水泥颗粒粒径且不超过20μm且碱度应满足大于2.2的要求；

所述细砂为连续级配的石英砂，细砂的粒径小于2.3mm。

2.根据权利要求1所述的掺入钢渣粉套筒微膨胀灌浆料，其特征在于：所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合而成的复配水泥。

3.根据权利要求1所述的掺入钢渣粉套筒微膨胀灌浆料，其特征在于：所述减水剂为聚羧酸减水剂，所述缓凝剂为葡萄糖酸钠缓凝剂，所述消泡剂为有机硅类粉末状消泡剂。

4.掺入钢渣粉套筒微膨胀灌浆料的制备方法，具体步骤如下，其特征在于：

1)将水泥、钢渣粉和细砂按配料比混均；

所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合制得的复配水泥；

所述钢渣粉制备过程如下；

对炼钢过程中产生的废渣进行收集，并高温液化，将液态钢渣落到旋转的粒化轮上被破碎，沿切线方向抛出，同时喷水冷却，喷水过程利用高温液态渣的显热洒水产生物理力学作用和f-CaO水解作用使渣碎化；

通过筛选设备，筛选出粒径不超过20μm的颗粒；

所述细砂由连续级配的石英砂筛选获得且保证细砂的粒径小于2.3mm；

2)将减水剂、缓凝剂按配料比混合均匀；

3)将上述两种物料混合均匀，并缓慢加入对应配比的消泡剂和水，加入过程中消泡剂需要保证温度为-5摄氏度，水温度为2摄氏度；

4)加入后再次混合均匀后进行封装，并常温冷却保存。

5.掺入钢渣粉套筒微膨胀灌浆料的膨胀效应检测方法，具体步骤如下，其特征在于：

1)计算钢渣粉的矿物组成，包括：C₃S、C₂S、C₄AF、C₇PS₂、C₂F、f-CaO，计算出所含矿物的摩尔数；

2)使用压蒸法检测混合材料，同时计算混合材料的压蒸膨胀值；

3)针对不同材料所对应的膨胀值，训练BP神经网络模型，步骤为：

步骤3.1设计BP神经网络结构，BP神经网络结构包括：输入层、隐含层和输出层，将步骤1)和步骤2)计算样本的矿物摩尔数、压蒸膨胀值和所对应的钢渣粉比例作为样本特征x当作输入层的输入，x_i,i＝(0,1,...,n-1)是输入层第i个神经元输入，将样本所对应的膨胀值y作为神经网络输出层的输出，y_k,k＝(0,1,...,m-1)是第k个神经元的输出，BP神经网络模型结构的计算公式为：

其中，n、l、m分别代表BP神经网络输入层、隐含层和输出层神经元的节点个数，v_ij和w_jk分别表示输入层第i个神经元节点到隐含层第j个节点权值和隐含层第j个神经元节点到输出层第k个节点权值，θ_j是网络隐含层节点阈值，φ_k是网络输出层节点阈值，f₁是网络隐含层传递函数，f₂是网络输出层传递函数；

步骤3.2为了减少BP神经网络模型输出值与真实值之间的误差，设置损失函数作为模型优化目标：

O_k是神经网络输出结果；

步骤3.3BP神经网络首先正向传播，训练样本经过网络的传递，得到输出值；然后误差反向传播，计算正向传播得到输出值的误差E，根据误差再反馈到输入层，同时更新网络中的权值与阈值，权值变化量需要满足下式：

步骤3.4在迭代过程中，当损失函数E小于阈值或达到初始设定的迭代终止次数，则模型训练结束，否则返回步骤3.2，停止迭代后最终获得训练完成的BP神经网络模型；

4)通过步骤1)和步骤2)计算待测掺入钢渣粉套筒微膨胀灌浆料的矿物摩尔数、压蒸膨胀值和所对的钢渣粉比例，作为输入特征输入到训练完成的BP神经网络模型中，最终输出材料的膨胀值。

Images