CN114839356A - 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 - Google Patents
一种预测碱矿渣混凝土高温后抗压强度损失率的方法 Download PDFInfo
- Publication number
- CN114839356A CN114839356A CN202210363173.4A CN202210363173A CN114839356A CN 114839356 A CN114839356 A CN 114839356A CN 202210363173 A CN202210363173 A CN 202210363173A CN 114839356 A CN114839356 A CN 114839356A
- Authority
- CN
- China
- Prior art keywords
- temperature
- water glass
- water
- alkali
- slag concrete
- 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.)
- Granted
Links
- 239000003513 alkali Substances 0.000 title claims abstract description 78
- 239000002893 slag Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 34
- 235000019353 potassium silicate Nutrition 0.000 claims abstract description 47
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000010438 heat treatment Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000001816 cooling Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 25
- 229910004298 SiO 2 Inorganic materials 0.000 claims description 6
- 239000003292 glue Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000004448 titration Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 35
- 239000004566 building material Substances 0.000 abstract description 2
- 239000011521 glass Substances 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000003908 quality control method Methods 0.000 abstract 1
- 239000004568 cement Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Ceramic Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Curing Cements, Concrete, And Artificial Stone (AREA)
Abstract
本发明公开了一种预测碱矿渣混凝土高温后抗压强度损失率的方法，属于建筑材料技术领域。该方法适用于水玻璃激发矿渣的体系。通过测定碱矿渣混凝土材料参数和高温作业机制：水胶比(w/b)、水玻璃模数(Ms)、水玻璃碱浓度
养护温度(CT)、受热温度(T)、升温速率(V)、目标温度保持时间(KT)、冷却方式(C)、高温后静置时间(D)，实现了对碱矿渣混凝土高温后抗压强度损失率的快速预测。本方法无需成型试件、长时间养护、高温作业现场或火灾现场取样测试，为产品质量管理、施工质量控制、工程防灾减灾提供了新方法。
Description
技术领域
本发明属于建筑材料技术领域，具体涉及一种预测碱矿渣混凝土高温后抗压强度损失率的方法。
背景技术
抗压强度是碱矿渣混凝土高温后质量评定的重要技术指标，直接影响到混凝土的工程应用。由于碱矿渣混凝土高温后的抗压强度受到较多因素影响且影响复杂，提供一种方法能够简单便捷地预测碱矿渣混凝土高温后抗压强度损失率十分有必要。
目前，混凝土高温后抗压强度损失率测试按《混凝土物理力学性能试验方法标准》GB/T50081-2019进行。具体步骤为：按材料配比成型混凝土试件，按一定养护条件养护至规定龄期，再根据升温速率、受热温度、目标温度保持时间、冷却方式、高温后静置时间等高温作业机制参数进行高温作业，之后进行压力试验。按照公式15计算残余抗压强度fcu。再按公式16计算高温后抗压强度损失率R。
fcu＝F/A 公式15
R＝(fcu,高温-fcu,常温)/fcu,常温*100％ 公式16
其中，fcu,高温-高温作用后混凝土试件抗压强度(MPa)，计算结果应精确至0.1MPa；
fcu,常温-常温时混凝土试件抗压强度(MPa)，计算结果应精确至0.1MPa；
F-混凝土破坏荷载(N)；
A-混凝土承压面积(mm2)；
R-高温后抗压强度损失率(R若为-X％，表示强度损失了X％。)计算结果应精确至0.01％。
该方法需要针对实体的成型试件进行测试，或需要长时间养护，或需要到高温作业现场或火灾现场等不方便取样的高温现场去取样测试。
发明内容
本发明提供了一种预测碱矿渣混凝土高温后抗压强度损失率的方法，该方法不需要制备试件，从而也可以避免长时间的养护期，或到高温现场取样。
为了实现上述发明目的，本发明采用以下技术方案：
一种预测碱矿渣混凝土高温后抗压强度损失率的方法，其特征在于：包括以下步骤：
检测和计算碱矿渣混凝土材料参数：水胶比、水玻璃模数及水玻璃碱浓度；
获取碱矿渣混凝土高温作业机制：养护温度、受热温度、升温速率、目标温度保持时间、冷却方式以及高温后静置时间；
根据以下公式1-公式9计算出九个响应面函数
的值；
再根据公式10-公式11计算出碱矿渣混凝土高温后抗压强度损失率；
R＝7.37X2+37.60X-44.77 公式11
其中，w/b为水胶比，MS为水玻璃模数，
为水玻璃碱浓度，CT为养护温度，T为受热温度，V为升温速率，KT为目标温度保持时间，D为高温后静置时间；F1-F3、G1-G4、H1-H2、I1-I3、J1-J6、K1-K4、L1-L4、M、N1-N3为拟合系数；X为所述响应面函数的和，R为碱矿渣混凝土高温后抗压强度损失率。
优选地，所述拟合系数通过非参数回归计算确定。
优选地，在碱矿渣混凝土材料参数的三个响应面函数
中，
拟合系数F1-F3的取值为：F1＝22.75，F2＝-19.6，F3＝4.09；
在水玻璃模数小于2的情况下，拟合系数G1-G4的取值为：G1＝0，G2＝0，G3＝-326.74，G4＝386.58；在水玻璃模数大于等于2且小于等于3的情况下，拟合系数G1-G4的取值为：G1＝-542.18，G2＝3664.55，G3＝-8197.20，G4＝6076.71；
拟合系数H1-H2的取值为：H1＝-10074.92，H2＝588.44。
优选地，在碱矿渣混凝土高温作业机制的六个响应面函数
中，
在养护温度大于等于20℃并小于25℃的情况下，拟合系数I1-I3的取值为：I1＝0，I2＝-115.74，I3＝-2349.29；在养护温度大于等于25℃并小于等于90℃的情况下，拟合系数I1-I3的取值为：I1＝-0.03469，I2＝0.20584，I3＝36.55566；
拟合系数J1-J6的取值为：J1＝-0.0008；J2＝2.6；J3＝-3032.2；J4＝1528228.3；J5＝-351004994.03；J6＝3.86；
拟合系数K1-K4的取值为：K1＝0.94；K2＝-32.52；K3＝302.93；K4＝-780.44；
拟合系数L1-L5的取值为：L1＝15.69；L2＝-205.28；L3＝-1116.83；L4＝373.10；
在自然冷却的情况下，拟合系数M的取值为M＝0.010649；在淋水冷却的情况下，拟合系数M的取值为M＝-0.295810；
拟合系数N的取值为：N1＝1.95；N2＝-1543.00；N3＝4173.44。
优选地，水玻璃模数按公式12计算：
MS＝SiO2％/Na2O％ 公式12
其中SiO2％和Na2O％分别为通过中和滴定法测定的水玻璃中SiO2和Na2O的浓度；
水玻璃碱浓度按公式13计算：
其中，WG是水玻璃用量，slag是矿渣用量；
水胶比按公式14计算：
w/b＝(water+WG*LWG)/(slag+WG*SWG) 公式14
其中，water是用水量，SWG是水玻璃中固含量(SWG＝Na2O％+SiO2％)，LWG是水玻璃中液含量(LWG＝100％-SWG)。
优选地，公式1-10的计算结果精确至0.000001；公式11的计算结果精确至0.01；公式12和公式14的计算结果精确至0.01；公式13的计算结果精确至1％。
本发明提供的预测方法使用了RMSE与MAE两个评差指标。计算方法见公式17及公式18。RMSE和MAE越接近0，误差越小，模型精度越高。
其中yi(y1，y2……yn)为碱矿渣混凝土高温后抗压强度损失率的实测值，
为碱矿渣混凝土高温后抗压强度损失率的预测值，n为数据样本数。
有益效果：
本发明的一种预测碱矿渣混凝土高温后抗压强度损失率的方法，提出了水胶比、水玻璃模数、水玻璃碱浓度、养护温度、受热温度、升温速率、目标温度保持时间、冷却方式、高温后静置时间与碱矿渣混凝土高温后抗压强度损失率之间的关系，并基于非参数回归方法，推导得到了所述关系的关系模型，能够对碱矿渣混凝土高温后抗压强度损失率快速预测。无需成型试件、长时间养护，无需到高温作业现场或火灾现场等不方便取样的高温现场去取样测试，计算过程简单快捷。
附图说明
图1碱矿渣混凝土水胶比w/b与响应面函数
的关系；
图2碱矿渣混凝土水玻璃模数MS与响应面函数
的关系；
图3碱矿渣混凝土水玻璃碱浓度
与响应面函数
的关系；
图4碱矿渣混凝土养护温度CT与响应面函数
的关系；
图5碱矿渣混凝土受热温度T与响应面函数
的关系；
图6碱矿渣混凝土升温速率V与响应面函数
的关系；
图7碱矿渣混凝土目标温度保持时间KT与响应面函数
的关系；
图8碱矿渣混凝土冷却方式与响应面函数
的关系；
图9碱矿渣混凝土高温后静置时间D与响应面函数
的关系；
图10所述响应面函数之和X与高温后抗压强度损失率R之间的关系；
图11碱矿渣混凝土高温后抗压强度损失率实测值与预测值之间关系。
具体实施方式
在已有研究中发现：碱矿渣混凝土的高温后抗压强度主要与水胶比养护温度、受热温度、升温速率、目标温度保持时间、冷却方式、高温后静置时间主要相关。
研究发现：碱矿渣混凝土高温后抗压强度与材料参数以及高温作业机制有关，材料参数包括水胶比、水玻璃模数、水玻璃碱浓度；高温作业机制包括受热温度、升温速率、目标温度保持时间、冷却方式、高温后静置时间等。先前的研究发现碱激发混凝土高温后抗压强度与材料参数以及高温作业机制有关，但具体因素和作用方式并不明确，仅知道水胶比为普通混凝土最为重要的材料因素。高温作业机制相关影响因素的研究较少，并且一般仅围绕一个或者两个因素展开研究。本发明考虑了包括受热温度、升温速率、目标温度保持时间、冷却方式、高温后静置时间在内的高温作业机制作为参数进行拟合。本发明的预测方法通过建立碱矿渣混凝土高温后抗压强度损失率与材料参数以及高温作业机制的关系模型(响应面函数)实现，即公式1-10。
具体地，提供一种预测碱矿渣混凝土高温后抗压强度损失率的方法，其特征在于：包括以下步骤：
检测和计算碱矿渣混凝土材料参数：水胶比、水玻璃模数及水玻璃碱浓度；
获取碱矿渣混凝土高温作业机制：养护温度、受热温度、升温速率、目标温度保持时间、冷却方式以及高温后静置时间；
根据以下公式1-公式9计算出九个响应面函数
的值；
再根据公式10-公式11计算出碱矿渣混凝土高温后抗压强度损失率；
R＝7.37X2+37.60X-44.77 公式11
其中，w/b为水胶比，MS为水玻璃模数，
为水玻璃碱浓度，CT为养护温度，T为受热温度，V为升温速率，KT为目标温度保持时间，D为高温后静置时间；
关系模型中的拟合系数F1-F3、G1-G4、H1-H2、I1-I3、J1-J6、K1-K4、L1-L4、M、N1-N3通过非参数回归计算确定.
非参数回归计算的过程包括：
大量收集已公开文献记载的大量实际碱矿渣混凝土高温后抗压强度及相应材料参数和高温作业机制参数数据，作为非参数回归计算的样本数据。本发明共收集385组样本。包括碱矿渣混凝土高温后抗压强度损失率及相应的水胶比、水玻璃模数、水玻璃碱浓度、养护温度、受热温度、升温速率、目标温度保持时间、冷却方式、高温后静置时间数据。
将样本数据导入软件S-PLUS中进行非参数回归计算，计算结果为上述材料参数及高温作业机制参数与抗压强度损失率的响应面数值，再将385组样本的响应面数值进行拟合得出响应面函数，见公式1-公式11，所对应的拟合关系分别见图1-10。
经过非参数回归计算得到响应面函数中各拟合系数的取值如下：
在碱矿渣混凝土材料参数的三个响应面函数
中，
拟合系数F1-F3的取值为：F1＝22.75，F2＝-19.6，F3＝4.09；
从搜集文献数据量来看，水玻璃模数＜2的研究较多，呈现在模数为1.5处出现较大值具有较明显规律。而水玻璃模数在2-3这个区间的研究十分少，数据点较少。若不进行分段拟合，在模数2-3这个区间，很容易出现以曲代直的情况，从而导致较大误差。将其分段处理，尽量避免了拟合出现较大误差。在水玻璃模数小于2的情况下，拟合系数G1-G4的取值为：G1＝0，G2＝0，G3＝-326.74，G4＝386.58；在水玻璃模数大于等于2且小于等于3的情况下，拟合系数G1-G4的取值为：G1＝-542.18，G2＝3664.55，G3＝-8197.20，G4＝6076.71；
拟合系数H1-H2的取值为：H1＝-10074.92，H2＝588.44。
在碱矿渣混凝土高温作业机制的六个响应面函数
中，
碱矿渣混凝土第一阶段养护温度在20-25℃浮动，属于室内养护(即常温养护)阶段；第二阶段养护温度在25-90℃，属于高温养护阶段。这两个阶段对残余强度的影响不同，故进行分段拟合。具体地，在养护温度大于等于20℃并小于25℃的情况下，拟合系数I1-I3的取值为：I1＝0，I2＝-115.74，I3＝-2349.29；在养护温度大于等于25℃并小于等于90℃的情况下，拟合系数I1-I3的取值为：I1＝-0.03469，I2＝0.20584，I3＝36.55566；
拟合系数J1-J6的取值为：J1＝-0.0008；J2＝2.6；J3＝-3032.2；J4＝1528228.3；J5＝-351004994.03；
J6＝3.86；
拟合系数K1-K4的取值为：K1＝0.94；K2＝-32.52；K3＝302.93；K4＝-780.44；
拟合系数L1-L5的取值为：L1＝15.69；L2＝-205.28；L3＝-1116.83；L4＝373.10；
在自然冷却的情况下，拟合系数M的取值为M＝0.010649；在淋水冷却的情况下，拟合系数M的取值为M＝-0.295810；
拟合系数N的取值为：N1＝1.95；N2＝-1543.00；N3＝4173.44。
受热温度T、养护温度CT的单位是摄氏度(℃)，目标温度保持时间KT的单位是小时(h)，升温速率V的单位是摄氏度每分钟(℃/min)，高温后静置时间D的单位是天(d)，水玻璃碱浓度
的单位是百分比(％)。
水玻璃模数按公式12计算：
MS＝SiO2％/Na2O％ 公式12
其中SiO2％和Na2O％分别为通过中和滴定法测定的水玻璃中SiO2和Na2O的浓度；
水玻璃碱浓度按公式13计算：
其中，WG是水玻璃用量，slag是矿渣用量；
水胶比按公式14计算：
w/b＝(water+WG*LWG)/(slag+WG*SWG) 公式14
其中，water是用水量，SWG是水玻璃中固含量(SWG＝Na2O％+SiO2％)，LWG是水玻璃中液含量(LWG＝100％-SWG)。
公式1-10的计算结果精确至0.000001；公式11的计算结果精确至0.01；公式12和公式14的计算结果精确至0.01；公式13的计算结果精确至1％。
下面通过具体实例对本方法做详细说明，以验证本方法的合理性和准确性。
实施例
表1列出了9组碱矿渣混凝土试验组1-9，每一组具有相同的材料参数以及养护温度、受热温度、升温速率、目标温度保持时间、冷却方式以及高温后静置时间，并且每一组提供四种目标温度条件，即200℃、400℃、600℃和800℃。如此，每一试验组对应四种材料参数以及高温作业机制。
将表1所示9组碱矿渣混凝土的36种材料参数以及高温作业机制代入公式1-11，即可计算出碱矿渣混凝土高温后抗压强度损失率预测值共计36个。预测值的结果见表2。
采用表1中的材料参数，制作若干混凝土试件，分为九个混凝土试件试验组1-9，每组中的混凝土试件具有相同的材料参数。
每一组试件试验组中，一部分试件在常温条件下进行压力试验，其余试件按表1所示的高温作业机制进行高温作业后完成压力试验，得到碱矿渣混凝土高温后抗压强度损失率实测值，见表2。
表1 材料参数及高温作业机制参数
具体地，为了减少实测误差，本实施例针对每一组试验组1-9，各制作至少13个混凝土试件。其中，一个试件用于在常温条件下进行压力试验，获得常温下抗压强度测试值。其余试件选择一种高温作业机制进行高温作业。
更具体地，针对每一组试验组的高温作业机制均提供四种目标温度条件，本实施例中提供的目标温度为200℃、400℃、600℃和800℃。提供至少三个试件在同一温度条件下(200℃、400℃、600℃或800℃)进行试验，获得相应高温后抗压强度的三个测试值。将三个测试值进行平均，获得对应该种高温作业机制的高温后抗压强度的测试平均值。根据该组试验组的碱矿渣混凝土在常温下抗压强度测试值与高温后抗压强度的测试平均值的差异，按照公式15和16，计算得到碱矿渣混凝土高温后抗压强度损失率实测值。
由此，可以获得每组4个×9组共计36个碱矿渣混凝土高温后抗压强度损失率实测值。实测值结果见表2。
表2中碱矿渣混凝土高温后抗压强度损失率预测值与实测值的比较数据可以以图形的方式可视化地在图11中呈现。可以看出，碱矿渣混凝土高温后抗压强度损失率预测值与实测值基本吻合。
碱矿渣混凝土高温后抗压强度损失率预测值与实测值的误差根据公式17和18进行评差后的结果见表3。模型误差RMSE、MAE越接近0，模型精度越高，预测越准确，模型误差在0-20范围内较为准确。从表3数据可以看出，本发明模型误差RMSE、MAE均小于2，证明模型精度较高，普通混凝高温后抗压强度损失率预测值与实测值，误差趋近于0，本方法合理准确。
表2 抗压强度损失率预测值与实测值
表2 抗压强度损失率预测值与实测值(续表)
表2 抗压强度损失率预测值与实测值(续表)
表3 误差结果
Claims (6)
1.一种预测碱矿渣混凝土高温后抗压强度损失率的方法，其特征在于：包括以下步骤：
检测和计算碱矿渣混凝土材料参数：水胶比、水玻璃模数及水玻璃碱浓度；
获取碱矿渣混凝土高温作业机制：养护温度、受热温度、升温速率、目标温度保持时间、冷却方式以及高温后静置时间；
根据以下公式1-公式9计算出九个响应面函数
的值；
再根据公式10-公式11计算出碱矿渣混凝土高温后抗压强度损失率；
R＝7.37X2+37.60X-44.77 公式11
其中，w/b为水胶比，MS为水玻璃模数，
为水玻璃碱浓度，CT为养护温度，T为受热温度，V为升温速率，KT为目标温度保持时间，D为高温后静置时间；
F1-F3、G1-G4、H1-H2、I1-I3、J1-J6、K1-K4、L1-L4、M、N1-N3为拟合系数；
X为所述响应面函数的和，R为碱矿渣混凝土高温后抗压强度损失率。
2.根据权利要求1所述的方法，其特征在于：
所述拟合系数通过非参数回归计算确定。
3.根据权利要求2所述的方法，其特征在于：
在碱矿渣混凝土材料参数的三个响应面函数
中，
拟合系数F1-F3的取值为：F1＝22.75，F2＝-19.6，F3＝4.09；
在水玻璃模数小于2的情况下，拟合系数G1-G4的取值为：G1＝0，G2＝0，G3＝-326.74，G4＝386.58；在水玻璃模数大于等于2且小于等于3的情况下，拟合系数G1-G4的取值为：G1＝-542.18，G2＝3664.55，G3＝-8197.20，G4＝6076.71；
拟合系数H1-H2的取值为：H1＝-10074.92，H2＝588.44。
4.根据权利要求2所述的方法，其特征在于：
在碱矿渣混凝土高温作业机制的六个响应面函数
中，
在养护温度大于等于20℃并小于25℃的情况下，拟合系数I1-I3的取值为：I1＝0，I2＝-115.74，I3＝-2349.29；在养护温度大于等于25℃并小于等于90℃的情况下，拟合系数I1-I3的取值为：I1＝-0.03469，I2＝0.20584，I3＝36.55566；
拟合系数J1-J6的取值为：J1＝-0.0008；J2＝2.6；J3＝-3032.2；J4＝1528228.3；J5＝-351004994.03；J6＝3.86；
拟合系数K1-K4的取值为：K1＝0.94；K2＝-32.52；K3＝302.93；K4＝-780.44；
拟合系数L1-L5的取值为：L1＝15.69；L2＝-205.28；L3＝-1116.83；L4＝373.10；
在自然冷却的情况下，拟合系数M的取值为M＝0.010649；在淋水冷却的情况下，拟合系数M的取值为M＝-0.295810；
拟合系数N的取值为：N1＝1.95；N2＝-1543.00；N3＝4173.44。
5.根据权利要求1所述的方法，其特征在于：
水玻璃模数按公式12计算：
MS＝SiO2％/Na2O％ 公式12
其中SiO2％和Na2O％分别为通过中和滴定法测定的水玻璃中SiO2和Na2O的浓度；
水玻璃碱浓度按公式13计算：
其中，WG是水玻璃用量，slag是矿渣用量；
水胶比按公式14计算：
w/b＝(water+WG*LWG)/(slag+WG*SWG) 公式14
其中，water是用水量，SWG是水玻璃中固含量(SWG＝Na2O％+SiO2％)，LWG是水玻璃中液含量(LWG＝100％-SWG)。
6.根据权利要求1所述的方法，其特征在于：
公式1-10的计算结果精确至0.000001；公式11的计算结果精确至0.01；公式12和公式14的计算结果精确至0.01；公式13的计算结果精确至1％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210363173.4A CN114839356B (zh) | 2022-04-07 | 2022-04-07 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210363173.4A CN114839356B (zh) | 2022-04-07 | 2022-04-07 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114839356A true CN114839356A (zh) | 2022-08-02 |
| CN114839356B CN114839356B (zh) | 2023-09-15 |
Family
ID=82563231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210363173.4A Active CN114839356B (zh) | 2022-04-07 | 2022-04-07 | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114839356B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398759A (en) * | 1993-12-21 | 1995-03-21 | Halliburton Company | Set retarded ultra fine cement compositions and methods |
| CN1945322A (zh) * | 2006-10-24 | 2007-04-11 | 武汉理工大学 | 一种混凝土高温作用后性能劣化的测试方法 |
| CN101566618A (zh) * | 2009-05-22 | 2009-10-28 | 昆明理工大学 | 快速监控混凝土质量的原料分析方法 |
| CN104020046A (zh) * | 2014-06-04 | 2014-09-03 | 王卫仑 | 一种早期推定混凝土抗压强度方法 |
| CN109678436A (zh) * | 2019-01-01 | 2019-04-26 | 中国人民解放军63653部队 | 一种耐高温低烧损自流平混凝土浇筑料 |
| CN110067266A (zh) * | 2019-05-07 | 2019-07-30 | 三峡大学 | 一种反映真实水泥土桩在不同赋存温度历程下的组合指数式抗压强度模型 |
| CN110987709A (zh) * | 2019-12-13 | 2020-04-10 | 河海大学 | 快速预测加气混凝土干密度、出釜含水率和吸水率的方法 |
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN115019909A (zh) * | 2022-01-10 | 2022-09-06 | 昆明理工大学 | 一种预测碱激发矿渣混凝土抗压强度的方法 |
| US20230090940A1 (en) * | 2020-03-04 | 2023-03-23 | Jessica H. CUI | Heat and fire resistant geopolymer materials |
-
2022
- 2022-04-07 CN CN202210363173.4A patent/CN114839356B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5398759A (en) * | 1993-12-21 | 1995-03-21 | Halliburton Company | Set retarded ultra fine cement compositions and methods |
| CN1945322A (zh) * | 2006-10-24 | 2007-04-11 | 武汉理工大学 | 一种混凝土高温作用后性能劣化的测试方法 |
| CN101566618A (zh) * | 2009-05-22 | 2009-10-28 | 昆明理工大学 | 快速监控混凝土质量的原料分析方法 |
| CN104020046A (zh) * | 2014-06-04 | 2014-09-03 | 王卫仑 | 一种早期推定混凝土抗压强度方法 |
| CN109678436A (zh) * | 2019-01-01 | 2019-04-26 | 中国人民解放军63653部队 | 一种耐高温低烧损自流平混凝土浇筑料 |
| CN110067266A (zh) * | 2019-05-07 | 2019-07-30 | 三峡大学 | 一种反映真实水泥土桩在不同赋存温度历程下的组合指数式抗压强度模型 |
| CN110987709A (zh) * | 2019-12-13 | 2020-04-10 | 河海大学 | 快速预测加气混凝土干密度、出釜含水率和吸水率的方法 |
| US20230090940A1 (en) * | 2020-03-04 | 2023-03-23 | Jessica H. CUI | Heat and fire resistant geopolymer materials |
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN115019909A (zh) * | 2022-01-10 | 2022-09-06 | 昆明理工大学 | 一种预测碱激发矿渣混凝土抗压强度的方法 |
Non-Patent Citations (19)
| Title |
|---|
| QIANMIN MA等: "performance of modified lightweight aggregate concrete after exposure to high temperatures", MAGIZINE OF CONCRETE RESEARCH, vol. 70, no. 24, pages 1243 - 1255 * |
| QIHONG FENG: "The use of alternating conditional expectation to predict methane sorption capacity on coal", INTERNATIONAL JOURNAL OF COAL GEOLOGY, vol. 121, pages 137 - 147, XP028671147, DOI: 10.1016/j.coal.2013.11.011 * |
| RICHIE I.UMASABOR: "evaluation of temperature effects on grade 20 concrete using response surface methodology", AFRICAN JOURNAL OF SCIENCE，TECHNOLOGY，INNOVATION AND DEVELOPMENT, vol. 13, no. 1, pages 97 - 100 * |
| XIAOYU QIN等: "Compressive Strength Prediction of Alkali-Activated Slag Concretes by Using Artificial Neural Network (ANN) and Alternating Conditional Expectation (ACE)", 《ADVANCES IN CIVIL ENGINEERING》 * |
| XIAOYU QIN等: "Compressive Strength Prediction of Alkali-Activated Slag Concretes by Using Artificial Neural Network (ANN) and Alternating Conditional Expectation (ACE)", 《ADVANCES IN CIVIL ENGINEERING》, 2 August 2022 (2022-08-02), pages 1 - 24 * |
| XING-YI CHEN等: "PREDICTION OF CARBON STEEL CORROSION RATE BASED ON AN ALTERNATING CONDITIONAL EXPECTATION (ACE) ALGORITHMl", CHEMISTRY AND TECHNOLOGY OF FUELS AND OILS, vol. 51, no. 6, pages 728 - 739, XP035902819, DOI: 10.1007/s10553-016-0664-7 * |
| ZHAOMIN LI: "Accurate Determination of the CO2−Brine Interfacial Tension Using Graphical Alternating Conditional Expectationl", ENERGY FUELS, vol. 28, pages 624 - 635 * |
| 刘倩等: "碱激发剂对碱矿渣混凝土高温后抗压强度的影响研究", 《新型建筑材料》 * |
| 刘倩等: "碱激发剂对碱矿渣混凝土高温后抗压强度的影响研究", 《新型建筑材料》, 28 February 2022 (2022-02-28), pages 70 - 74 * |
| 卞立波等: "碱激发矿渣/粉煤灰多孔混凝土基本性能试验研究", 《材料导报》 * |
| 卞立波等: "碱激发矿渣/粉煤灰多孔混凝土基本性能试验研究", 《材料导报》, vol. 34, no. 2, 31 December 2020 (2020-12-31), pages 299 - 303 * |
| 吕天启等: "人工神经网络在高温后静置混凝土抗压强度预报中的应用", 《工程力学》 * |
| 吕天启等: "人工神经网络在高温后静置混凝土抗压强度预报中的应用", 《工程力学》, vol. 20, no. 6, 31 December 2003 (2003-12-31), pages 52 - 57 * |
| 孙庆巍等: "基于响应面方法的粉煤灰地质聚合物混凝土制备", 《安全与环境学报》 * |
| 孙庆巍等: "基于响应面方法的粉煤灰地质聚合物混凝土制备", 《安全与环境学报》, vol. 18, no. 1, 28 February 2018 (2018-02-28), pages 296 - 300 * |
| 孙雪: "低温环境对C25沙漠砂混凝土抗压强度和抗拉强度影响", 中国优秀博硕士学位论文数据库（硕士）工程科技I辑, pages 5 - 20 * |
| 郭荣鑫等: "改性轻骨料混凝土高温抗压性能及微观结构", 建筑材料学报, vol. 20, no. 03, pages 333 - 338 * |
| 高阳: "硫酸亚锡对混凝土材料影响的试验研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》 * |
| 高阳: "硫酸亚锡对混凝土材料影响的试验研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》, 15 December 2015 (2015-12-15), pages 47 - 54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114839356B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sagoe-Crentsil et al. | Drying shrinkage and creep performance of geopolymer concrete | |
| Bahurudeen et al. | Performance evaluation of sugarcane bagasse ash blended cement in concrete | |
| Wang et al. | Study on the engineering properties and prediction models of an alkali-activated mortar material containing recycled waste glass | |
| Poole et al. | Methods for calculating activation energy for Portland cement | |
| KR101993493B1 (ko) | 시멘트 품질 또는 제조 조건의 예측 방법 | |
| Kabir et al. | Predicting 28 days compressive strength of concrete from 7 days test result | |
| CN113779760B (zh) | 基于可预测气候模态的动力-统计结合季节气候预测方法 | |
| US20060058904A1 (en) | Method and system for concrete quality control based on the concrete's maturity | |
| Nadeem et al. | Evaluation of fly ash and metakaolin concrete at elevated temperatures through stiffness damage test | |
| CN109342254A (zh) | 一种快速定量分析高温合金夹杂物含量的方法 | |
| Chen et al. | Development of structure-informed artificial neural network for accurately modeling viscosity of multicomponent molten slags | |
| CN114839356A (zh) | 一种预测碱矿渣混凝土高温后抗压强度损失率的方法 | |
| Sathiparan et al. | Predicting compressive strength of cement-stabilized earth blocks using machine learning models incorporating cement content, ultrasonic pulse velocity, and electrical resistivity | |
| Hansen | Report on Early-Age Cracking. | |
| CN115019909A (zh) | 一种预测碱激发矿渣混凝土抗压强度的方法 | |
| CN114065517A (zh) | 一种采用新型模型无损预测混凝土耐久性能的方法与系统 | |
| CN112509642B (zh) | 一种高炉炉渣粘度的在线预测方法 | |
| CN113603428A (zh) | 一种具有导电性和机敏性的超高性能混凝土材料、其制备方法和机敏性检测方法 | |
| CN110987709B (zh) | 快速预测加气混凝土干密度、出釜含水率和吸水率的方法 | |
| Gao et al. | Modelling the strength and fracture parameters of dam gallery concrete considering ambient temperature and humidity | |
| CN114878791A (zh) | 一种预测普通混凝土高温后抗压强度损失率的方法 | |
| CN111983200A (zh) | 一种早期龄混凝土强度确定方法 | |
| Chen et al. | Designing structure–thermodynamics-informed artificial neural networks for surface tension prediction of multi-component molten slags | |
| Akiyoshi et al. | Thermal conductivity modelling based on physical and chemical properties of refractories | |
| CN115034079B (zh) | 确定含钢渣骨料的混凝土结构安全性的方法 |
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 |