CN113506599B - 一种胶结坝数字化拌和与智能化动态调控系统 - Google Patents

一种胶结坝数字化拌和与智能化动态调控系统 Download PDF

Info

Publication number
CN113506599B
CN113506599B CN202110814259.XA CN202110814259A CN113506599B CN 113506599 B CN113506599 B CN 113506599B CN 202110814259 A CN202110814259 A CN 202110814259A CN 113506599 B CN113506599 B CN 113506599B
Authority
CN
China
Prior art keywords
cementing
dam
mixing
compressive strength
grading
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
Application number
CN202110814259.XA
Other languages
English (en)
Other versions
CN113506599A (zh
Inventor
贾金生
郑璀莹
赵春
史婉丽
杨会臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing New Smart Water Conservancy Construction Co ltd
China Institute of Water Resources and Hydropower Research
Original Assignee
Beijing New Smart Water Conservancy Construction Co ltd
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing New Smart Water Conservancy Construction Co ltd, China Institute of Water Resources and Hydropower Research filed Critical Beijing New Smart Water Conservancy Construction Co ltd
Priority to CN202110814259.XA priority Critical patent/CN113506599B/zh
Publication of CN113506599A publication Critical patent/CN113506599A/zh
Application granted granted Critical
Publication of CN113506599B publication Critical patent/CN113506599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Architecture (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)

Abstract

本发明公开了一种胶结坝数字化拌和与智能化动态调控系统，包括通过互联网相互连接的胶结坝工程现场边缘计算子系统、云端管理子系统以及拌和智能监控子系统。本发明采用胶结坝工程现场边缘计算子系统实时采集并存储胶结坝拌和生产过程中的各项数据，并对胶结坝拌和进行现场管控，采用云端管理子系统通过云计算架构对胶结坝拌和生产过程中的海量数据进行分析与存储，采用拌和智能监控子系统实时监控胶结坝拌和生产产量和配合比误差情况，评价拌和质量并对超过误差的配合比数据进行报警和及时调整，使得拌和后上坝的材料满足胶结坝的强度和安全需求，实现了拌和过程数字化和智能化调控。

Description

一种胶结坝数字化拌和与智能化动态调控系统
技术领域
本发明属于胶结料拌和控制技术领域，具体涉及一种胶结坝数字化拌和与智能化动态调控系统的设计。
背景技术
胶结坝是一种土石坝和混凝土坝之外的胶结坝新型筑坝体系，筑坝材料广源化，包括天然河床砂砾料、基岩和边坡开挖料、人工破碎骨料等当地材料，骨料的级配不唯一。利用少量水泥、粉煤灰、外加剂和工程现场的不筛分、不水洗的当地材料胶结成具有一定强度、抗剪和抗冲蚀能力的材料筑坝。胶结坝筑坝材料范围宽、原材料中砂砾石占比比例不同，骨料级配变化大，离散性大，即使在同一地点，胶结料的级配也不均匀，因此在胶结材料用量固定的情况下，胶结料级配不确定性变化带来胶结砂砾石用水量的变化，进一步导致胶结砂砾石的强度波动较大，科学合理地设计配合比参数设计显得尤为关键，决定着胶结坝筑坝强度与工程安全程度。不同级配的砂砾石料的胶结砂砾石具有一定适宜的用水量范围，以及与之相对应的适宜的强度分布范围，施工过程中需要快速准确地确定配合比参数。胶结砂砾石的物理力学特性受母材粒径尺寸和级配、单位用水量、单位胶结材料用量等多因素的综合影响，定量分析不同因素对胶结砂砾石性能的影响，有助于胶结砂砾石的配合比设计及施工过程的质量控制。
胶结料拌和强调“粗筛粗拌”，拌和系统生产中由于机器运转时间过长、设备老化或故障以及人为干预错误等因素会产生物料计量偏差，甚至出现胶结材料用量不足等问题。由于胶结坝筑坝材料的广源性、离散性大，胶结砂砾石在拌和站原材料检测结果滞后、检测结果反馈不及时，拌和后原材料配合比波动大，易造成配合比无法实时监控和调整的问题；加之现场施工条件常常复杂多变，大量信息快速传递、工程建设各方参与人员交流反馈以及高效协作方面存在诸多不便，施工质量问题难以及时发现和纠正，易发展为工程质量和安全隐患等问题。
发明内容
本发明的目的是为了解决现有胶结料拌和过程中配合比无法实时监控和调整，以及胶结坝施工质量问题难以及时发现和纠正的问题，提出了一种胶结坝数字化拌和与智能化动态调控系统。
本发明的技术方案为：一种胶结坝数字化拌和与智能化动态调控系统，包括通过互联网相互连接的胶结坝工程现场边缘计算子系统、云端管理子系统以及拌和智能监控子系统；胶结坝工程现场边缘计算子系统用于实时采集并存储胶结坝拌和生产过程中的各项数据，并对胶结坝拌和进行现场管控；云端管理子系统用于通过云计算架构对胶结坝拌和生产过程中的海量数据进行分析与存储；拌和智能监控子系统用于实时监控胶结坝拌和生产产量和配合比误差情况，评价拌和质量并对超过误差的配合比数据进行报警和及时调整，使得拌和后上坝的材料满足胶结坝的强度和安全需求。
优选地，胶结坝工程现场边缘计算子系统包括坐标采集模块、砂砾石料场骨料采集模块、拌和状态采集模块、坝体施工现场环境采集模块以及胶结料施工状态采集模块；坐标采集模块用于采集胶结坝施工现场的平面坐标和高程数据、胶结坝坝体仓面号以及车载设备箱位置坐标，并通过网络传输至云端管理子系统；砂砾石料场骨料采集模块用于采集砂砾石料场的骨料含水率、含泥量、含砂率、石料针片状颗粒含量和骨料级配状态，并通过网络传输至云端管理子系统；拌和状态采集模块用于采集胶结坝拌和的物料类别、瞬时重量、实时胶结料配合比以及性能指标，并通过网络传输至云端管理子系统，性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比；坝体施工现场环境采集模块用于采集施工仓面的环境温度、湿度、风速、拌和料运输情况和仓面施工要求，并通过网络传输至云端管理子系统；胶结料施工状态采集模块用于采集胶结坝工程现场的仓面施工位置、拌合料的VC值和仓面压实度，并通过网络传输至云端管理子系统。
优选地，云端管理子系统包括云端服务器和数据库；云端服务器用于将坐标采集模块采集的移动站的大地坐标和高程数据转换为平面坐标，根据胶结坝坝体仓面号计算桩号和轴距，根据车载设备箱位置坐标计算出碾压车轮毂仓面切线坐标；云端服务器还用于将坝体施工现场环境采集模块采集的仓面的环境温度和湿度数据与仓面监测点的三维位置信息进行整合；数据库用于存储胶结坝工程现场边缘计算子系统及云端服务器采集和处理过程中的中间数据和最终结果。
优选地，拌和监控子系统包括配合比误差分析模块、拌和质量评价模块、警报模块以及拌和过程监控模块；配合比误差分析模块用于采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，并根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况；警报模块用于当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除；拌和质量评价模块用于根据胶结坝拌和的性能指标，采用灰色关联法构建多因素对抗压强度的统计模型，并基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量；拌和过程监控模块用于实时监控胶结坝拌和生产产量，生成拌和报告并展示拌和监控画面。
优选地，采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围的具体方法为：
A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制。
A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配。
A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线。
A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。
优选地，采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：
B1、以胶结坝的抗压强度为母序列X0＝{x0(k)}，以胶结坝拌和的性能指标为子序列Xi＝{xi(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数。
B2、对子序列中的元素进行初始化，得到初始化子序列元素x′i(k)：
其中表示子序列Xi的均值。
B3、根据初始化子序列元素x′i(k)计算子序列与母序列对应元素的绝对差值Δ0i(k)：
Δ0i(k)＝|x′0(k)-x′i(k)|
其中x′0(k)表示满足最小强度要求的指标序列元素。
B4、获取绝对差值最小值M1＝min|x′0(k)-x′i(k)|与绝对差值最大值M2＝max|x′0(k)-x′i(k)|。
B5、根据绝对差值最小值M1和绝对差值最大值M2计算得到子序列与母序列对应元素的关联系数r0i(k)：
其中l为分辨系数，取值为0.5。
B6、根据关联系数r0i(k)计算每个性能指标与抗压强度的灰色关联度r(X0,Xi)：
r(X0,Xi)＝∑r0i(k)/n
B7、将每个性能指标与抗压强度的灰色关联度r(X0,Xi)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。
优选地，当需要考虑龄期影响时，拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测，经验公式为：
C(n)＝a*C(28)*ln(n)
其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。
优选地，当需要考虑胶结坝拌和性能指标的多因素影响时，拌和质量评价模块采用BP神经网络对胶结坝的抗压强度进行预测，其具体方法为：
C1、构建BP神经网络，并选取灰色关联度r(X0,Xi)最大的30％对应的性能指标作为训练数据。
C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据。
C3、将训练数据和标签数据输入BP神经网络之中。
C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练。
C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络。
C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。
优选地，拌和过程监控模块实时监控胶结坝拌和生产产量的具体方法为：分时段绘制生产总量过程线和各种物料重量过程线，进行实时、分钟、小时、班次、日、周、月、季和年的不同时间维度的胶结坝拌和生产产量统计和工程施工进展监控。
优选地，拌和过程监控模块生成拌和报告的具体方法为：按照设定的报告模板，根据实时监控数据和分析成果自动统计和汇总分析，生成拌和监控日报。
本发明的有益效果是：
(1)本发明提供了一种胶结坝数字化拌和与智能化动态调控系统，实现了拌和过程数字化和智能化调控，解决了现有技术难以实现利用高离散、宽级配、最大粒径300mm的当地材料制备性能指标符合要求的胶结筑坝材料的问题。
(2)经试验表明，本发明在胶结材料(水泥+粉煤灰)用量低于120kg、粉煤灰掺量达50％，砂率在20％～35％间波动，骨料含泥量放宽至5％的情况下，可保证配制的胶结材料满足筑坝设计强度要求。
(3)本发明采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，有助于在配合比控制范围内以最小强度点进行胶结坝断面优化设计，同时能够实现对胶结坝的配合比误差情况进行精准监控，及时发现配比误差过大等问题并向拌和系统操作人员预警并采取纠正措施，以保障拌和生产的质量。
(4)本发明开发了胶结坝原材料关键参数的实时采集监测设备，搭建了现场数据实时传输无线网络，保障了胶结材料拌和过程中信息采集的实时性、真实性和可靠性。
(5)本发明针对仅考虑龄期影响的胶结坝，采用经验公式对其抗压强度进行预测，计算方法简单高效。
(6)本发明针对考虑胶结坝拌和性能指标的多因素影响的胶结坝，采用BP神经网络对其抗压强度进行预测，经验证其抗压强度预测误差小于10％，并且能够以多因素影响下的抗压强度预测值作为重要指标对胶结坝的拌和质量进行有效评价。
附图说明
图1所示为本发明实施例提供的一种胶结坝数字化拌和与智能化动态调控系统框图。
图2所示为本发明实施例提供的胶结砂砾石料的用水量与抗压强度关系曲线图。
图3所示为本发明实施例提供的经验系数a的分布情况示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种胶结坝数字化拌和与智能化动态调控系统，如图1所示，包括通过互联网相互连接的胶结坝工程现场边缘计算子系统、云端管理子系统以及拌和智能监控子系统。
本发明实施例中，胶结坝工程现场边缘计算子系统用于实时采集并存储胶结坝拌和生产过程中的各项数据，并对胶结坝拌和进行现场管控；云端管理子系统用于通过云计算架构对胶结坝拌和生产过程中的海量数据进行分析与存储；拌和智能监控子系统用于实时监控胶结坝拌和生产产量和配合比误差情况，评价拌和质量并对超过误差的配合比数据进行报警和及时调整，使得拌和后上坝的材料满足胶结坝的强度和安全需求。
如图1所示，胶结坝工程现场边缘计算子系统包括坐标采集模块、砂砾石料场骨料采集模块、拌和状态采集模块、坝体施工现场环境采集模块以及胶结料施工状态采集模块。
本发明实施例中，坐标采集模块用于采集胶结坝施工现场的平面坐标和高程数据、胶结坝坝体仓面号以及车载设备箱位置坐标，并通过网络传输至云端管理子系统；砂砾石料场骨料采集模块用于采集砂砾石料场的骨料含水率、含泥量、含砂率、石料针片状颗粒含量和骨料级配状态，并通过网络传输至云端管理子系统；拌和状态采集模块用于采集胶结坝拌和的物料类别、瞬时重量、实时胶结料配合比以及性能指标，并通过网络传输至云端管理子系统，性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比；坝体施工现场环境采集模块用于采集施工仓面的环境温度、湿度、风速、拌和料运输情况和仓面施工要求，并通过网络传输至云端管理子系统；胶结料施工状态采集模块用于采集胶结坝工程现场的仓面施工位置、拌合料的VC值和仓面压实度，并通过网络传输至云端管理子系统。
本发明实施例中，云端管理子系统包括云端服务器和数据库。
其中，云端服务器用于将坐标采集模块采集的移动站的大地坐标和高程数据转换为平面坐标，根据胶结坝坝体仓面号计算桩号和轴距，根据车载设备箱位置坐标计算出碾压车轮毂仓面切线坐标；云端服务器还用于将坝体施工现场环境采集模块采集的仓面的环境温度和湿度数据与仓面监测点的三维位置信息进行整合；数据库用于存储胶结坝工程现场边缘计算子系统及云端服务器采集和处理过程中的中间数据和最终结果。
如图1所示，拌和监控子系统包括配合比误差分析模块、拌和质量评价模块、警报模块以及拌和过程监控模块。
配合比误差分析模块用于采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，并根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况。
本发明实施例中，采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围的具体方法为：
A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制。
A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配。
A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线，如图2所示。
A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。
本发明实施例中，选择多种胶结材料用量，配合比控制范围中平均级配砂砾石料的胶结砂砾石在设计龄期的强度最小值应满足配制强度要求；同时配合比控制范围中最细级配砂砾石料的胶结砂砾石在设计龄期的最小值不得低于设计强度，即满足双级配双重强度规定的原则。
警报模块用于当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除。
拌和质量评价模块用于根据胶结坝拌和的性能指标，采用灰色关联法构建多因素对抗压强度的统计模型，并基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量。
灰色关联法是基于行为因子序列微观或宏观的几何接近，以分析和确定因子间的影响程度或因子(子序列)对主行为(母序列)的贡献程度的一种分析方法。其目的在于寻求系统中各因素之间的主要关系，找出影响目标值的重要因素，从而掌握事物的主要特征。关联度值越大，则表示子序列与母序列的相关性越大。灰色关联分析方法简单，容易操作，分析结果可为配合比设计提供参考。
本发明实施例中，采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：
B1、以胶结坝的抗压强度为母序列X0＝{x0(k)}，以胶结坝拌和的性能指标为子序列Xi＝{xi(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数。
B2、对子序列中的元素进行初始化，得到初始化子序列元素x′i(k)：
其中表示子序列Xi的均值。
B3、根据初始化子序列元素x′i(k)计算子序列与母序列对应元素的绝对差值Δ0i(k)：
Δ0i(k)＝|x′0(k)-x′i(k)|
其中x′0(k)表示满足最小强度要求的指标序列元素。
B4、获取绝对差值最小值M1＝min|x′0(k)-x′i(k)|与绝对差值最大值M2＝max|x′0(k)-x′i(k)|。
B5、根据绝对差值最小值M1和绝对差值最大值M2计算得到子序列与母序列对应元素的关联系数r0i(k)：
其中l为分辨系数，取值为0.5。
B6、根据关联系数r0i(k)计算每个性能指标与抗压强度的灰色关联度r(X0,Xi)：
r(X0,Xi)＝∑r0i(k)/n
B7、将每个性能指标与抗压强度的灰色关联度r(X0,Xi)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。
本发明实施例中，以粒度分形维数、引气剂掺量、减水剂掺量、含泥量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比等胶结坝拌和的性能指标为子序列，以胶结砂砾石28d抗压强度为母序列，计算各因素与抗压强度之间的灰色关联度，计算结果如表1所示。
表1 灰色关联度计算结果
从表1中可以看出，各因素与抗压强度的灰关联度均大于0.6，说明这些因素对胶结砂砾石的抗压强度均有重要影响。
其中，粒度分形维数、砂率：骨料的级配影响了砂浆、净浆的包裹作用，进而影响了水泥和粉煤灰与水反应而产生的胶结作用，对于胶结砂砾石来说，分析结果表明，骨料级配是影响其强度的首要因素。砂率与抗压强度之间的灰色关联度为0.646，小于粒度分形维数与抗压强度之间的灰色关联度，这是因为砂率仅表示了砂子占骨料的比例，无法考虑石子比例的影响。
引气剂掺量、减水剂掺量：样本中采用引气剂和减水剂的较少，按61组数据来进行关联度分析，会导致计算结果偏大，提取掺有减水剂的25组数据进行单独分析，结果表明减水剂掺量与抗压强度之间的灰色关联度为0.719，略小于61组数据计算得到的结果。同样提取掺有引气剂的11组数据进行单独分析，结果表明引气剂掺量与抗压强度之间的灰色关联度为0.654，小于61组数据计算得到的结果。说明在进行灰关联度分析时，样本的选取会对试验结果产生影响，应选尽量多的选取具有代表性的样本。
含泥量、胶结材料总量、粉煤灰用量：含泥量对胶结砂砾石的强度势必会产生影响，分析结果表明，含泥量的灰色关联度为0.716，大于粉煤灰用量的灰色关联度0.664，这与试验、理论研究结果一致，胶结材料总量的影响介于二者之间。
用水量、水胶比：用水量与胶结砂砾石抗压强度之间的灰色关联度为0.660，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.638，研究结果表明对于胶结砂砾石来说，水胶比的影响弱于含泥量等，这是因为减水剂的掺入影响了用水量和水胶比的分析结果，剔除掺有减水剂的配合比，再次分析用水量和水胶比的影响程度，结果表明用水量与胶结砂砾石抗压强度之间的灰色关联度为0.678，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.690，说明水胶比对抗压强度的影响大于用水量的影响。
综上所述，各因素对抗压强度的影响依次为粒度分形维数＞减水剂掺量＞含泥量＞水胶比＞用水量＞胶结材料总量＞粉煤灰用量＞引气剂掺量＞砂率。
本发明实施例中，当需要考虑龄期影响时，拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测。
经验公式的数据来源汇总了顺江堰、岷江航电、守口堡、金鸡沟、东阳水库工程，以及前期948项目(街面)中的室内试验配合比，共计142组试验结果，从中提取含有28d、90d和180d抗压强度试验结果的配合比49组展开分析，其中16组有7d抗压强度试验结果。
参考混凝土材料，一般认为强度与龄期的对数成正比，其强度与龄期关系经验公式如下：
R(n)＝R(28)*ln(n)/ln(28)
其中n为试件养护龄期，R(n)为龄期n天时混凝土抗压强度；R(28)为28d龄期标准试件抗压强度。根据该公式可根据28d强度估算长龄期混凝土强度，但公式对短龄期时不适用。
胶结颗粒料抗压强度设计龄期取的是180d，实际试验过程中得到的最多的是28d龄期数据，同样以28d龄期强度为计算基数，最短龄期为7d，即目标公式应适用于预测胶结颗粒料7～180d强度，因此对上述混凝土材料的经验公式进行简化，得到胶结颗粒料抗压强度经验公式为：
C(n)＝a*C(28)*ln(n)
其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。
从胶结颗粒料抗压强度经验公式可知，只要给出a的取值和胶结颗粒料抗压强度(7～180d)，就可以预测胶结颗粒料长龄期抗压强度。考虑胶结颗粒料材料本身的离散性，a为一个取值范围，不是固定值，同时为了保证预测范围的可用性，该范围应尽量小。试件大小应为150mm×150mm×150mm湿筛试件。
采用胶结颗粒料抗压强度经验公式对49组试验数据分别拟合分析，分析结果如表2所示：
表2 49组数据拟合分析试验结果
表2中R2表示灰色关联系数，从表2可以看出，拟合结果相关性系数较高，经验系数a最大值为0.51，最小值为0.27。对经验系数a的值进行进一步分析，如图3所示，从图3可以看出，经验系数a取值集中在0.30～0.44之间，达到了41组，即84％。从胶结颗粒料抗压强度经验公式可知，经验系数a取值越大，计算得到的抗压强度值越大，因此，可以保守些，取值小一些，根据分析结果，本发明实施例中建议经验系数a取值为0.3～0.4。
当需要考虑胶结坝拌和性能指标的多因素影响时，由于上述经验公式未考虑水胶比、粉煤灰掺量、骨料级配等因素的影响，是根据大量数据得到的胶结砂砾石抗压强度随龄期变化的计算公式，仅适用于已知一个龄期，预期其他龄期强度，无法根据原材料物理力学参数及配合比参数，进行胶结砂砾石抗压强度预测，因此不能用于配合比设计的依据。
人工神经网络作为一种预测手段早已深入各种科学研究之中，BP神经网络是目前应用十分广泛的一种人工神经网络，是由输入层、隐藏层和输出层3部分组成的前馈阶层网络，相邻层之间的各神经元实现全连接，但每层各个神经元之间相互独立。本发明实施例中，BP神经网络采用多个输入层、多个隐藏层和1个输出层的BP网络结构，建立抗压强度输出层与其影响因子之间非线性映射关系的预测模型。
采用BP神经网络对胶结坝的抗压强度进行预测的具体方法为：
C1、构建BP神经网络，并选取灰色关联度r(X0,Xi)最大的30％对应的性能指标作为训练数据。
C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据。
C3、将训练数据和标签数据输入BP神经网络之中。
C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练。
C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络。
C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。
BP神经网络是使计算机先学习大量的数据，然后找到各因素与目标之间的非线性映射关系，根据映射关系进行预测，因此输入的数据越多、参数越具有代表性，得到的预测准确度多高。采用胶结坝拌和的各个性能指标作为数据源，其中随机抽取序号为15、25、35的作为预测结果检测数据，其余58组数据为输入数据，采用BP神经网络进行强度预测，结果如表3所示。
表3 49组数据拟合分析试验结果
从表3中可以看出，将各个性能指标作为参数，预测得到的胶结砂砾石抗压强度在10％左右。之前分析表明，砂砾石的粒度分形维数是影响抗压强度的首要因素，因此，进行了不考虑粒度分形维数影响的强度预测，预测结果表明，误差均超过了10％，且最大误差达到了21.2％，说明骨料级配对胶结砂砾石的抗压强度有较大的影响，粒度分形维数可作为其表征参数。之前分析结果亦表明砂率的影响较小，因此进行了去掉砂率这个参数的强度预测分析，结果表明，其误差与考虑所有因素的较为接近；上述3种参数组合方式，预测得到的结果误差均较大，为了进一步降低误差，进行了多种不同参数组合下的强度预测分析，增加总浆液(胶结材料总量+用水量)，最终得到的含泥量+胶结材料总量+总浆液+粒度分形维数+外加剂掺量+水胶比，共6个参数的组合下，强度预测结果误差小于10％，预测结果较好。
拌和过程监控模块用于实时监控胶结坝拌和生产产量，生成拌和报告并展示拌和监控画面。
本发明实施例中，拌和过程监控模块实时监控胶结坝拌和生产产量的具体方法为：分时段绘制生产总量过程线和各种物料重量过程线，进行实时、分钟、小时、班次、日、周、月、季和年的不同时间维度的胶结坝拌和生产产量统计和工程施工进展监控。
本发明实施例中，拌和过程监控模块生成拌和报告的具体方法为：按照设定的报告模板，根据实时监控数据和分析成果自动统计和汇总分析，生成拌和监控日报。
本发明实施例提供的一种胶结坝数字化拌和与智能化动态调控系统，实际上在胶结坝工程现场起到了一个拌和系统监理工程师和专家决策系统的角色，既可以为项目业主提供方便快捷的拌和系统监管手段，也可以针对监管到的问题提供专业的分析和给出建议，方便管理人员决策。通过对胶结坝的胶结颗粒料数字化拌合的相关研究，将实现拌和系统各个环节的信息流集中管理，实现对信息流的深度挖掘和共享，最终有望达到工程中每方混凝土“有案可查”和“有据可循”的目的，将为未来工程的智能化施工提供支撑，成为数字工程的重要组成部分。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种胶结坝数字化拌和与智能化动态调控系统，其特征在于，包括通过互联网相互连接的胶结坝工程现场边缘计算子系统、云端管理子系统以及拌和智能监控子系统；
所述胶结坝工程现场边缘计算子系统用于实时采集并存储胶结坝拌和生产过程中的各项数据，并对胶结坝拌和进行现场管控；
所述云端管理子系统用于通过云计算架构对胶结坝拌和生产过程中的海量数据进行分析与存储；
所述拌和智能监控子系统用于实时监控胶结坝拌和生产产量和配合比误差情况，评价拌和质量并对超过误差的配合比数据进行报警和及时调整，使得拌和后上坝的材料满足胶结坝的强度和安全需求；
所述胶结坝工程现场边缘计算子系统包括坐标采集模块、砂砾石料场骨料采集模块、拌和状态采集模块、坝体施工现场环境采集模块以及胶结料施工状态采集模块；
所述坐标采集模块用于采集胶结坝施工现场的平面坐标和高程数据、胶结坝坝体仓面号以及车载设备箱位置坐标，并通过网络传输至云端管理子系统；
所述砂砾石料场骨料采集模块用于采集砂砾石料场的骨料含水率、含泥量、含砂率、石料针片状颗粒含量和骨料级配状态，并通过网络传输至云端管理子系统；
所述拌和状态采集模块用于采集胶结坝拌和的物料类别、瞬时重量、实时胶结料配合比以及性能指标，并通过网络传输至云端管理子系统，所述性能指标包括粒度分形维数、引气剂掺量、减水剂掺量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比；
所述坝体施工现场环境采集模块用于采集施工仓面的环境温度、湿度、风速、拌和料运输情况和仓面施工要求，并通过网络传输至云端管理子系统；
所述胶结料施工状态采集模块用于采集胶结坝工程现场的仓面施工位置、拌合料的VC值和仓面压实度，并通过网络传输至云端管理子系统；
所述拌和监控子系统包括配合比误差分析模块、拌和质量评价模块、警报模块以及拌和过程监控模块；
所述配合比误差分析模块用于采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围，并根据实时胶结料配合比与胶结料配合比控制范围确定胶结坝的配合比误差情况；
所述警报模块用于当胶结坝的配合比误差值超过设定阈值时进行报警，并反馈至胶结坝拌和生产系统进行故障检查和排除；
所述拌和质量评价模块用于根据胶结坝拌和的性能指标，采用灰色关联法构建多因素对抗压强度的统计模型，并基于多因素对抗压强度的统计模型，采用经验公式或者BP神经网络对胶结坝的抗压强度进行预测，通过胶结坝的抗压强度评价拌和质量；
所述拌和过程监控模块用于实时监控胶结坝拌和生产产量，生成拌和报告并展示拌和监控画面；
所述采用灰色关联法构建多因素对抗压强度的统计模型的具体方法为：
B1、以胶结坝的抗压强度为母序列X0＝{x0(k)}，以胶结坝拌和的性能指标为子序列Xi＝{xi(k)}，i＝1,2,...,n，k＝1,2,...,m，m为胶结坝拌和的性能指标总数，n为相关因素组成的数据序列的个数；
B2、对子序列中的元素进行初始化，得到初始化子序列元素x′i(k)：
其中表示子序列Xi的均值；
B3、根据初始化子序列元素x′i(k)计算子序列与母序列对应元素的绝对差值Δ0i(k)：
Δ0i(k)＝|x′0(k)-x′i(k)|
其中x′0(k)表示满足最小强度要求的指标序列元素；
B4、获取绝对差值最小值M1＝min|x′0(k)-x′i(k)|与绝对差值最大值M2＝max|x′0(k)-x′i(k)|；
B5、根据绝对差值最小值M1和绝对差值最大值M2计算得到子序列与母序列对应元素的关联系数r0i(k)：
其中l为分辨系数，取值为0.5；
B6、根据关联系数r0i(k)计算每个性能指标与抗压强度的灰色关联度r(X0,Xi)：
r(X0,Xi)＝Σr0i(k)/n
B7、将每个性能指标与抗压强度的灰色关联度r(X0,Xi)按从大到小的顺序进行排序，构建多因素对抗压强度的统计模型。
2.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，所述云端管理子系统包括云端服务器和数据库；
所述云端服务器用于将坐标采集模块采集的移动站的大地坐标和高程数据转换为平面坐标，根据胶结坝坝体仓面号计算桩号和轴距，根据车载设备箱位置坐标计算出碾压车轮毂仓面切线坐标；所述云端服务器还用于将坝体施工现场环境采集模块采集的仓面的环境温度和湿度数据与仓面监测点的三维位置信息进行整合；
所述数据库用于存储胶结坝工程现场边缘计算子系统及云端服务器采集和处理过程中的中间数据和最终结果。
3.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，所述采用双强度和带控制配合比设计方法确定胶结坝的胶结料配合比控制范围的具体方法为：
A1、对胶结坝工程现场的砂砾石母材粒径进行筛分试验，将现场砂砾石母材粒径筛分为300～150mm、150～80mm、80～40mm、40～20mm及20～5mm五个级配的粗骨料和5mm以下的砂，分别按照所需砂砾石料级配称重和配制；
A2、数字量化砂砾石的级配状况，根据筛分试验结果绘制胶结料级配曲线，并采用富勒相似度系数计算出砂砾石料的级配边界，得到最粗级配、最细级配以及平均级配；
A3、以最粗级配、最细级配和平均级配的砂砾石料为试验对象，在设定范围内选取胶结材料用量进行胶结砂砾石料强度试验，并以平均级配强度最小值满足配制强度要求且最细级配强度最小值不得低于设计强度为约束条件，得到三个不同级配下的胶结砂砾石料的用水量与抗压强度之间的关系曲线；
A4、根据胶结砂砾石料的用水量与抗压强度之间的关系曲线，建立不同级配下7d、28d、90d和180d龄期和设计龄期的抗压强度与用水量关系，确定胶结坝的胶结料配合比控制范围。
4.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，当需要考虑龄期影响时，所述拌和质量评价模块采用经验公式对胶结坝的抗压强度进行预测，所述经验公式为：
C(n)＝a*C(28)*ln(n)
其中C(n)表示龄期为n天时的胶结颗粒料抗压强度，n为胶结颗粒料试件龄期，C(28)表示龄期为28d时的胶结颗粒料抗压强度，a为经验系数。
5.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，当需要考虑胶结坝拌和性能指标的多因素影响时，所述拌和质量评价模块采用BP神经网络对胶结坝的抗压强度进行预测，其具体方法为：
C1、构建BP神经网络，并选取灰色关联度r(X0,Xi)最大的30％对应的性能指标作为训练数据；
C2、采用人工标记的方式手动标记剩余70％的性能指标，得到标签数据；
C3、将训练数据和标签数据输入BP神经网络之中；
C4、以训练数据与标签数据的匹配度作为损失值，并以损失值最小为目标对BP神经网络进行训练；
C5、采用Adam算法作为网络参数的优化算法对BP神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的BP神经网络；
C6、将胶结坝拌和的性能指标输入至训练完成的BP神经网络，输出得到胶结坝的抗压强度。
6.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，所述拌和过程监控模块实时监控胶结坝拌和生产产量的具体方法为：分时段绘制生产总量过程线和各种物料重量过程线，进行实时、分钟、小时、班次、日、周、月、季和年的不同时间维度的胶结坝拌和生产产量统计和工程施工进展监控。
7.根据权利要求1所述的胶结坝数字化拌和与智能化动态调控系统，其特征在于，所述拌和过程监控模块生成拌和报告的具体方法为：按照设定的报告模板，根据实时监控数据和分析成果自动统计和汇总分析，生成拌和监控日报。
CN202110814259.XA 2021-07-19 2021-07-19 一种胶结坝数字化拌和与智能化动态调控系统 Active CN113506599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110814259.XA CN113506599B (zh) 2021-07-19 2021-07-19 一种胶结坝数字化拌和与智能化动态调控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814259.XA CN113506599B (zh) 2021-07-19 2021-07-19 一种胶结坝数字化拌和与智能化动态调控系统

Publications (2)

Publication Number Publication Date
CN113506599A CN113506599A (zh) 2021-10-15
CN113506599B true CN113506599B (zh) 2024-03-22

Family

ID=78013809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814259.XA Active CN113506599B (zh) 2021-07-19 2021-07-19 一种胶结坝数字化拌和与智能化动态调控系统

Country Status (1)

Country Link
CN (1) CN113506599B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102170464A (zh) * 2011-03-17 2011-08-31 中铁二局股份有限公司 混凝土拌合站生产过程动态监控系统方法
CN103336499A (zh) * 2013-06-19 2013-10-02 中山市拓维电子科技有限公司 一种沥青混凝土路面施工质量动态管理系统及方法
KR20150006601A (ko) * 2013-07-09 2015-01-19 박춘식 표면수 보정 및 물-시멘트비 보정값 반영을 위해 배치플랜트, 시공현장 모바일 단말기 및 품질관리실 서버를 네트워크화한 통합관리시스템
CN106886967A (zh) * 2017-02-20 2017-06-23 长沙市玖车测控技术有限公司 一种建立水土流失监测与预警模型的方法
CN107244822A (zh) * 2017-06-12 2017-10-13 四川大学 富浆振捣胶结砂砾石制备及用于防渗保护结构施工的方法
EP3584726A1 (en) * 2018-06-18 2019-12-25 Covestro Deutschland AG Method and computer system for determining polymeric product properties
CN111599419A (zh) * 2020-07-24 2020-08-28 上海建工一建集团有限公司 一种快速预测单掺粉煤灰轻骨料混凝土实际强度的方法
CN112183308A (zh) * 2020-09-25 2021-01-05 中国水利水电科学研究院 一种胶结砂砾石料在线识别与级配优化方法及系统
CN112836336A (zh) * 2020-12-10 2021-05-25 河北工业大学 根据灰色关联度分析水泥稳定碎石微裂程度中因素的方法
CN113554222A (zh) * 2021-07-19 2021-10-26 中国水利水电科学研究院 一种胶结坝广源化胶结料动态优化和智能调控配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103553438B (zh) * 2013-10-09 2015-05-13 哈尔滨工业大学 一种沥青混合料质量的控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102170464A (zh) * 2011-03-17 2011-08-31 中铁二局股份有限公司 混凝土拌合站生产过程动态监控系统方法
CN103336499A (zh) * 2013-06-19 2013-10-02 中山市拓维电子科技有限公司 一种沥青混凝土路面施工质量动态管理系统及方法
KR20150006601A (ko) * 2013-07-09 2015-01-19 박춘식 표면수 보정 및 물-시멘트비 보정값 반영을 위해 배치플랜트, 시공현장 모바일 단말기 및 품질관리실 서버를 네트워크화한 통합관리시스템
CN106886967A (zh) * 2017-02-20 2017-06-23 长沙市玖车测控技术有限公司 一种建立水土流失监测与预警模型的方法
CN107244822A (zh) * 2017-06-12 2017-10-13 四川大学 富浆振捣胶结砂砾石制备及用于防渗保护结构施工的方法
EP3584726A1 (en) * 2018-06-18 2019-12-25 Covestro Deutschland AG Method and computer system for determining polymeric product properties
CN111599419A (zh) * 2020-07-24 2020-08-28 上海建工一建集团有限公司 一种快速预测单掺粉煤灰轻骨料混凝土实际强度的方法
CN112183308A (zh) * 2020-09-25 2021-01-05 中国水利水电科学研究院 一种胶结砂砾石料在线识别与级配优化方法及系统
CN112836336A (zh) * 2020-12-10 2021-05-25 河北工业大学 根据灰色关联度分析水泥稳定碎石微裂程度中因素的方法
CN113554222A (zh) * 2021-07-19 2021-10-26 中国水利水电科学研究院 一种胶结坝广源化胶结料动态优化和智能调控配置方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research and Application of Key Technologies for the Construction of Cemented Material Dam with Soft Rock:2145 web of science;Jinsheng Jia等;《APPLIED SCIENCES-BASEL》;13(7);第1-18页 *
基于机器学习算法的混凝土抗压强度预测模型;朱晓路等;《山东化工》;第49卷(第17期);第227-230页 *
济阳坳陷特低渗透油藏地质多因素综合定量分类评价;操应长;杨田;王艳忠;宋丙慧;郭迎春;孙渡;;现代地质;29(第01期);第119-130页 *
胶结坝胶结砂砾石层面原位剪切试验研究;贾保振等;《中国水利水电科学研究院学报》;第20卷(第3期);第1-7页 *

Also Published As

Publication number Publication date
CN113506599A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN113554222B (zh) 一种胶结坝广源化胶结料动态优化和智能调控配置方法
CN109783988B (zh) 一种基于ga-bp网络的碾压混凝土压实度评价方法
CN108334668A (zh) 考虑参数不确定性影响的土石坝压实质量快速预测方法
Kaloop et al. Predicting resilient modulus of recycled concrete and clay masonry blends for pavement applications using soft computing techniques
CN113640175B (zh) 土石坝料压实质量评价方法
Ma et al. Estimating the compressive strength of cement-based materials with mining waste using support vector machine, decision tree, and random forest models
Wang et al. Automated monitoring and evaluation of highway subgrade compaction quality using artificial neural networks
Pattanaik et al. Prediction of frictional characteristics of bituminous mixes using group method of data handling and multigene symbolic genetic programming
Wang et al. Building an improved artificial neural network model based on deeply optimizing the input variables to enhance rutting prediction
CN113506599B (zh) 一种胶结坝数字化拌和与智能化动态调控系统
Amoosoltani et al. Employing a hybrid GA-ANN method for simulating fracture toughness of RCC mixture containing waste materials
Fladvad et al. Large-size aggregates for road construction—a review of standard specifications and test methods
CN110008566B (zh) 基于大数据的充填料浆性能指标预测方法
Qin et al. Sensitivity analysis of microstructure parameters and mechanical strength during consolidation of cemented paste backfill
CN116165951A (zh) 一种路桥原位再生沥青施工及质量控制系统
CN110453654B (zh) 一种心墙堆石坝施工掺配参数优选方法
Jweihan et al. Prediction of marshall test results for dense glasphalt mixtures using artificial neural networks
Keshavarzi et al. Comparison of artificial neural network and multivariate regression methods in prediction of soil cation exchange capacity (Case study: Ziaran region)
Qiao et al. A method to assess climate change induced damage on flexible pavements with machine learning
Massahi et al. Implementing a smartphone application for assessing the raveling performance of asphalt pavements
Sarkar et al. Interaction Between Biaxial Geogrid and Solid Waste Materials: Laboratory Study and Artificial Neural Network Model Development
Wang et al. Preliminary Model Development for Predicting Strength and Stiffnessof Cement-Stabilized Soils Using Artificial Neural Networks
CN111735938A (zh) 预拌混凝土质量监控预警方法和系统
Huang et al. Study on the gradation of crushed sand by using a novel digital image processing methodology
CN115290530B (zh) 一种散体材料渗透系数确定方法

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
GR01 Patent grant
GR01 Patent grant