CN117521532A - 一种基于数值仿真的混凝土早龄期开裂风险预测方法 - Google Patents
一种基于数值仿真的混凝土早龄期开裂风险预测方法 Download PDFInfo
- Publication number
- CN117521532A CN117521532A CN202410018365.0A CN202410018365A CN117521532A CN 117521532 A CN117521532 A CN 117521532A CN 202410018365 A CN202410018365 A CN 202410018365A CN 117521532 A CN117521532 A CN 117521532A
- Authority
- CN
- China
- Prior art keywords
- concrete
- early
- cracking risk
- age cracking
- humidity
- 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
- 238000005336 cracking Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004088 simulation Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000013058 risk prediction model Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 239000004570 mortar (masonry) Substances 0.000 claims description 53
- 239000000463 material Substances 0.000 claims description 31
- 230000007704 transition Effects 0.000 claims description 29
- 239000004568 cement Substances 0.000 claims description 13
- 239000000654 additive Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001035 drying Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000006703 hydration reaction Methods 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 5
- 239000010881 fly ash Substances 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- 230000023753 dehiscence Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000036571 hydration Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 239000000835 fiber Substances 0.000 description 11
- 239000012615 aggregate Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于数值仿真的混凝土早龄期开裂风险预测方法，涉及混凝土技术领域，包含以下步骤：建立混凝土早龄期开裂风险计算模型，获得样本数据库；建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练；利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测。本发明从细观角度考虑混凝土配合比和环境温湿度对混凝土早龄期开裂风险的影响，对于不同配合比、不同环境下的混凝土更具针对性；利用有限的数值模拟计算建立样本数据库，并通过智能算法进行样本训练，避免重复计算，提升了预测效率。
Description
技术领域
本发明涉及混凝土技术领域，特别是基于数值仿真与智能算法的混凝土早龄期开裂风险预测方法。
背景技术
随着城市现代化建设的推进，大量人口涌入中心城市，城市现有的基础设施逐渐无法满足人们的生活需求。对此，中心城市开始兴建楼房、地下商场、地下铁路系统等。混凝土具有强度高、稳定性好、可塑性强等特点，是现代建筑不可或缺的主要材料。受材料特性的影响，混凝土结构在早龄期阶段出现的热变形与干燥收缩易引起混凝土裂缝，导致混凝土结构出现开裂与渗水问题，严重时会影响结构的耐久性与稳定性。此外，恶劣的环境条件会加剧混凝土裂缝的形成。因此，控制混凝土早龄期裂缝是十分必要的。
目前，已有的早龄期混凝土开裂风险预测与控制方法多从宏观角度出发，忽略了混凝土的组成部分（例如骨料含量、外加剂、水泥含量以及外部约束等）对开裂风险的影响，而采用的开裂风险控制措施易因操作不规范大大降低施工效果；此外，现有预测方法往往针对特定的混凝土结构，忽略了混凝土混合比对混凝土开裂风险的影响。
发明内容
本发明的目的在于解决现有技术中在预测混凝土开裂时忽略混凝土配合比、环境温度与湿度的影响，提出一种结合数值仿真计算与智能算法的混凝土早龄期开裂风险预测方法，通过优化混凝土配合比进行开裂风险控制，提升混凝土配合比的设计与优化效率，有效解决混凝土结构出现的开裂与渗水问题。
本发明解决其技术问题所采用的技术方案是：提供一种基于数值仿真的混凝土早龄期开裂风险预测方法，包含以下步骤：
建立混凝土早龄期开裂风险计算模型，获得样本数据库；
建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练；
利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测。
优选的，所述建立混凝土早龄期开裂风险计算模型，建立样本数据库，包括以下步骤：
建立混凝土几何模型，混凝土几何模型包括砂浆区、骨料区与砂浆骨料界面过渡区；
定义混凝土几何模型的温度场、湿度场和力学性能参数，模拟混凝土的温度、湿度和受力；
对混凝土几何模型进行模型参数标定，保证数值仿真计算结果的准确性，获得最终的混凝土早龄期开裂风险计算模型；
利用混凝土早龄期开裂风险计算模型进行数值仿真计算早龄期开裂风险系数，建立不同混凝土配合比、不同环境温度与湿度下的混凝土早龄期开裂风险样本数据库。
优选的，所述温度场包括热平衡方程和温度边界条件，热平衡方程表示为
；
式中，C为材料的比热；为材料的密度； Q为单位时间内材料的水化放热量； />为材料的热传导系数；T表示当前温度；t为时间。
温度边界条件表达式为
；
式中，n为模型的x、y和z方向， Text为环境温度；T0为混凝土的初始温度；为混凝土的表面放热系数。
优选的，所述湿度场包括湿度平衡方程和湿度边界条件，湿度平衡方程表示为
；
式中，h为材料的相对湿度；Dh为湿度扩散系数；为水化反应引起的湿度损失速率；
湿度边界条件表达式为
；
式中，n为模型的x、y和z方向，hext为环境的相对湿度；h0为混凝土的初始湿度；为混凝土表面的水分交换系数。
优选的，所述力学性能参数包括弹性模量、抗拉强度、热变形量和干燥收缩量，其中，不同区域的弹性模量和抗拉强度不一样，定义骨料区为弹性，定义弹性模量与抗拉强度为定制，分别为Eg和fg；砂浆区与砂浆骨料界面过度区的弹性模量和抗拉强度表示为
式中，和/>分别表示砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，/>和/>分别表示28天龄期时砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，a为第一弹性参数，b为第二弹性参数；/>和/>分别表示砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，/>和/>分别表示28天龄期时砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，c为第一抗拉参数，d为第二抗拉弹性参数；
热变形量表示为
；
式中，为混凝土材料的热膨胀系数；T0为混凝土材料的初始温度，T表示当前温度；
干燥收缩量表示为
；
式中，为混凝土材料的干燥收缩系数；h0为混凝土材料的初始湿度，h表示当前湿度。
优选的，所述力学性能参数还包括力场边界条件，具体为设置混凝土模型的边界位移：当模型边界为约束边界条件时，模型边界设置为位移固定，模拟混凝土周边有其它混凝土的情况；当模型边界不受任何约束时，模型边界设置为位移自由，模拟混凝土周边无其它混凝土的情况。
优选的，所述早龄期开裂风险系数定义为：
；
式中，表示早龄期开裂风险系数，/>为t时刻的最大拉应力，根据混凝土几何模型的温度场、湿度场和力学性能参数获得；/>为最大拉应力对应位置的t时刻的抗拉强度，其中骨料区的抗拉强度为fg，砂浆区的抗拉强度为/>，砂浆骨料界面过度区的抗拉强度为/>。
优选的，所述混凝土配合比包括水泥重量、细骨料重量、粗骨料重量、粉煤灰重量、矿渣粉重量、水的重量和外加剂重量。
优选的，所述建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练，包括以下步骤：
基于神经网络建立混凝土早龄期开裂风险预测模型；
利用样本数据库训练混凝土早龄期开裂风险预测模型，建立混凝土早龄期开裂风险与混凝土配合比、环境温度、环境湿度以及外部约束之间的关系，同时判断计算精度是否满足要求，若不满足需要再次进行训练直至满足计算精度要求。
优选的，所述利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测，包括以下步骤：
判断混凝土配合比是否处于样本数据库的范围内，是则开始进行预测，否则对样本数据库进行扩充使混凝土配合比处于训练样本范围内，并利用扩充后的样本数据库再次训练混凝土早龄期开裂风险预测模型；
将混凝土配合比、环境温度与环境湿度、外部约束输入训练好的混凝土早龄期开裂风险预测模型，预测混凝土的早龄期开裂风险。
本发明具有如下有益效果：
1）从细观角度考虑了混凝土组成部分（骨料、砂浆、砂浆骨料界面过度区等）、环境温湿度对混凝土早龄期开裂风险的影响，预测模型适用于不同配合比与不同环境下的混凝土早龄期开裂风险预测，更具针对性；
2）利用有限的数值模拟计算建立样本数据库，并通过智能算法进行混凝土配合比开裂风险样本训练，避免了数值模拟的重复计算，大大提升了混凝土早龄期开裂风险的预测效率。
以下结合附图及实施例对本发明作进一步详细说明，但本发明不局限于实施例。
附图说明
图1为本发明实施例的方法步骤图；
图2为本发明实施例的详细流程图。
具体实施方式
参见图1及图2所示，为本发明实施例的方法步骤图及详细流程图，包括以下步骤：
S101，建立混凝土早龄期开裂风险计算模型，获得建立样本数据库；
S102，建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练；
S103，利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测。
所述S101包括以下步骤：
1）建立细观混凝土的几何模型，模型包括砂浆、骨料与砂浆骨料界面过渡区，当混凝土为纤维混凝土时，还需要建立纤维的几何模型；此外，骨料的级配需要符合紧密堆积理论；随后，对网格模型进行单元划分以便后续进行数值仿真技术；
2）定义细观混凝土骨料、砂浆、砂浆骨料界面过度区的热平衡方程与湿度平衡方程，具体的表达式为：
所述热平衡方程表示为
；
式中，C为材料的比热；为材料的密度； Q为单位时间内材料的水化放热量； />为材料的热传导系数；T为温度；t为时间。
所述湿度平衡方程表示为
；
式中，h为材料的相对湿度；Dh为湿度扩散系数；为水化反应引起的湿度损失速率。
3）定义骨料、砂浆、砂浆骨料界面过度区的力学性能参数（弹性模量、抗拉强度）、热变形方程与干燥收缩方程。由材料性能可知，骨料的弹性模量Eg和抗拉强度fg为定值，而砂浆与砂浆骨料界面过度区的弹性模量E(t)与抗拉强度f(t)随时间的增加而延长，表现出较强的时变性。
砂浆区与砂浆骨料界面过度区的弹性模量和抗拉强度表示为
；
式中，和/>分别表示砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，/>和/>分别表示28天龄期时砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，a为第一弹性参数，b为第二弹性参数；/>和/>分别表示砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，/>和/>分别表示28天龄期时砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，c为第一抗拉参数，d为第二抗拉弹性参数。
骨料、砂浆与砂浆骨料界面过度区热变形表示为：
；
骨料、砂浆与砂浆骨料界面过度区干燥收缩表示为：
；
式中，为混凝土材料的热膨胀系数；T0为混凝土材料的初始温度，T表示当前温度；/>为混凝土材料的干燥收缩系数；h0为混凝土材料的初始湿度，h表示当前湿度。
4）开展细观混凝土早龄期性能参数标定，以考虑粉煤灰、矿粉、外加剂、纤维等对混凝土早龄期性能的影响，保证数值仿真计算结果的准确性；
5）对不同混凝土配合比、环境温度与湿度下混凝土早龄期开裂风险进行大量数值仿真计算，形成样本数据库。
具体的，所述早龄期开裂风险系数定义为：
；
式中，表示早龄期开裂风险系数，/>为t时刻的最大拉应力，根据混凝土几何模型的温度场、湿度场和力学性能参数获得；/>为最大拉应力对应位置的t时刻的抗拉强度，其中骨料区的抗拉强度为fg，砂浆区的抗拉强度为/>，砂浆骨料界面过度区的抗拉强度为/>。
所述S102具体为：基于神经网络智能算法对样本数据库进行训练，建立混凝土配合比（水泥含量、细骨料含量、粗骨料含量、粉煤灰含量、矿渣粉含量、水的含量、外加剂含量）、环境温度、环境湿度、外部约束与混凝土早龄期开裂风险的关系，同时判断训练样本的计算精度是否满足要求；此外，由于水泥与混凝土外加剂的种类并不单一，在神经网络工具箱输入水泥与外加剂含量时，需要区分水泥与外加剂的种类，明确不同水泥与不同外加剂的掺量；当需要预测纤维混凝土的开裂风险时，还需要输入纤维混凝土中纤维的种类和纤维的含量。本实施例中采用MATLAB软件进行模型建立与训练，包括以下步骤：
1）调用MATLAB软件的神经网络工具箱，建立混凝土早龄期开裂风险网络；
2）在神经网络工具箱中输入混凝土配合比，具体包括水泥重量、细骨料重量、粗骨料重量、粉煤灰重量、矿渣粉重量、水的重量、外加剂重量、环境温度与环境湿度、若混凝土为纤维混凝土还需要输入纤维含量，对样本进行训练，建立混凝土早龄期开裂风险与混凝土配合比、环境温度、环境湿度、外部约束之间的关系，同时判断训练样本的计算精度是否满足要求，若不满足则需要再次进行训练，直至满足精度要求；
所述S103具体为：输入待预测混凝土的配合比、环境温度与湿度，判断配合比、环境温度与环境湿度是否处于训练样本范围，实则对具体混凝土配合比的开裂风险进行预测；否则对混凝土配合比训练样本进行扩充，并进行再次训练，以保证预测的混凝土配合比、环境温度与环境湿度处于训练样本范围内，然后再对具体混凝土配合比的开裂风险进行预测。
具体的，当混凝土为纤维混凝土时，混凝土几何模型还包括纤维区。
具体的，当混凝土为纤维混凝土时，所述混凝土配合比还包括纤维含量。
具体的，建立混凝土几何模型时，需要利用连续级配理论确定不同粒径的骨料含量，以满足骨料的堆积密度；
具体的，由于水泥与混凝土外加剂的种类并不单一，在神经网络工具箱输入水泥与外加剂含量时，需要区分水泥与外加剂的种类，明确不同水泥与不同外加剂的掺量；
具体的，混凝土材料的初始湿度取100%。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，包含以下步骤：
建立混凝土早龄期开裂风险计算模型，获得样本数据库；
建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练；
利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测。
2.根据权利要求1所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述建立混凝土早龄期开裂风险计算模型，建立样本数据库，包括以下步骤：
建立混凝土几何模型，混凝土几何模型包括砂浆区、骨料区与砂浆骨料界面过渡区；
定义混凝土几何模型的温度场、湿度场和力学性能参数，模拟混凝土的温度、湿度和受力；
对混凝土几何模型进行模型参数标定，保证数值仿真计算结果的准确性，获得最终的混凝土早龄期开裂风险计算模型；
利用混凝土早龄期开裂风险计算模型进行数值仿真计算早龄期开裂风险系数，建立不同混凝土配合比、不同环境温度与湿度下的混凝土早龄期开裂风险样本数据库。
3.根据权利要求2所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述温度场包括热平衡方程和温度边界条件，热平衡方程表示为
；
式中，C为材料的比热；为材料的密度； Q为单位时间内材料的水化放热量； />为材料的热传导系数；T表示当前温度；t为时间
温度边界条件表达式为
；
式中，n为模型的x、y和z方向，Text为环境温度；T0为混凝土的初始温度；为混凝土的表面放热系数。
4.根据权利要求2所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述湿度场包括湿度平衡方程和湿度边界条件，湿度平衡方程表示为
；
式中，h为材料的相对湿度；Dh为湿度扩散系数；为水化反应引起的湿度损失速率；
湿度边界条件表达式为
；
式中，n为模型的x、y和z方向，hext为环境的相对湿度；h0为混凝土的初始湿度；为混凝土表面的水分交换系数。
5.根据权利要求2所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述力学性能参数包括弹性模量、抗拉强度、热变形量和干燥收缩量，其中，不同区域的弹性模量和抗拉强度不一样，定义骨料区为弹性，弹性模量与抗拉强度均为定值，分别为Eg和fg；砂浆区与砂浆骨料界面过度区的弹性模量和抗拉强度表示为
；
；
；
；
式中，和/>分别表示砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，和/>分别表示28天龄期时砂浆区的弹性模量和砂浆骨料界面过度区的弹性模量，a为第一弹性参数，b为第二弹性参数；/>和/>分别表示砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，/>和/>分别表示28天龄期时砂浆区的抗拉强度和砂浆骨料界面过度区的抗拉强度，c为第一抗拉参数，d为第二抗拉弹性参数；
热变形量表示为
；
式中，为混凝土材料的热膨胀系数；T0为混凝土材料的初始温度，T表示当前温度；
干燥收缩量表示为
；
式中，为混凝土材料的干燥收缩系数；h0为混凝土材料的初始湿度，h表示当前湿度。
6.根据权利要求5所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述力学性能参数还包括力场边界条件，具体为设置混凝土模型的边界位移：当模型边界为约束边界条件时，模型边界设置为位移固定，模拟混凝土周边有其它混凝土的情况；当模型边界不受任何约束时，模型边界设置为位移自由，模拟混凝土周边无其它混凝土的情况。
7.根据权利要求2所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述早龄期开裂风险系数定义为：
；
式中，表示早龄期开裂风险系数，/>为t时刻的最大拉应力，根据混凝土几何模型的温度场、湿度场和力学性能参数获得；/>为最大拉应力对应位置的t时刻的抗拉强度，其中骨料区的抗拉强度为fg，砂浆区的抗拉强度为/>，砂浆骨料界面过度区的抗拉强度为。
8.根据权利要求2所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述混凝土配合比包括水泥重量、细骨料重量、粗骨料重量、粉煤灰重量、矿渣粉重量、水的重量和外加剂重量。
9.根据权利要求1所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述建立混凝土早龄期开裂风险预测模型并基于样本数据库进行训练，包括以下步骤：
基于神经网络建立混凝土早龄期开裂风险预测模型；
利用样本数据库训练混凝土早龄期开裂风险预测模型，建立混凝土早龄期开裂风险与混凝土配合比、环境温度、环境湿度以及外部约束之间的关系，同时判断计算精度是否满足要求，若不满足需要再次进行训练直至满足计算精度要求。
10.根据权利要求1所述的基于数值仿真的混凝土早龄期开裂风险预测方法，其特征在于，所述利用训练好的混凝土早龄期开裂风险预测模型对混凝土进行早龄期开裂风险预测，包括以下步骤：
判断混凝土配合比是否处于样本数据库的范围内，是则开始进行预测，否则对样本数据库进行扩充使混凝土配合比处于训练样本范围内，并利用扩充后的样本数据库再次训练混凝土早龄期开裂风险预测模型；
将混凝土配合比、环境温度与环境湿度、外部约束输入训练好的混凝土早龄期开裂风险预测模型，预测混凝土的早龄期开裂风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018365.0A CN117521532B (zh) | 2024-01-05 | 2024-01-05 | 一种基于数值仿真的混凝土早龄期开裂风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018365.0A CN117521532B (zh) | 2024-01-05 | 2024-01-05 | 一种基于数值仿真的混凝土早龄期开裂风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117521532A true CN117521532A (zh) | 2024-02-06 |
| CN117521532B CN117521532B (zh) | 2024-04-19 |
Family
ID=89764917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410018365.0A Active CN117521532B (zh) | 2024-01-05 | 2024-01-05 | 一种基于数值仿真的混凝土早龄期开裂风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117521532B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160010332A1 (en) * | 2013-10-31 | 2016-01-14 | Thomas A. Gentry | High performance architectural precast concrete wall system |
| CN106021709A (zh) * | 2016-05-18 | 2016-10-12 | 中建三局集团有限公司 | 一种混凝土早期开裂风险的评估和控制方法 |
| CN110907632A (zh) * | 2019-12-27 | 2020-03-24 | 上海建工集团股份有限公司 | 一种大体积混凝土开裂预警系统及方法 |
| CN111460720A (zh) * | 2020-04-07 | 2020-07-28 | 中国水利水电科学研究院 | 混凝土结构养护方法、装置、系统及存储介质 |
| CN113654927A (zh) * | 2021-07-21 | 2021-11-16 | 深圳前海砼源建设科技有限公司 | 一种通过净浆自由变形试验以判定混凝土抗开裂性能的方法 |
| CN114693669A (zh) * | 2022-04-20 | 2022-07-01 | 中电建路桥集团有限公司 | 基于深度学习的自密实混凝土早期裂缝预测方法及装置 |
| CN116502492A (zh) * | 2023-04-23 | 2023-07-28 | 武汉大学 | 一种混凝土的多场耦合模型构建方法及其求解方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728093B (zh) * | 2019-10-23 | 2021-05-04 | 中国水利水电科学研究院 | 一种大体积混凝土温控优化方法 |
-
2024
- 2024-01-05 CN CN202410018365.0A patent/CN117521532B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160010332A1 (en) * | 2013-10-31 | 2016-01-14 | Thomas A. Gentry | High performance architectural precast concrete wall system |
| CN106021709A (zh) * | 2016-05-18 | 2016-10-12 | 中建三局集团有限公司 | 一种混凝土早期开裂风险的评估和控制方法 |
| CN110907632A (zh) * | 2019-12-27 | 2020-03-24 | 上海建工集团股份有限公司 | 一种大体积混凝土开裂预警系统及方法 |
| CN111460720A (zh) * | 2020-04-07 | 2020-07-28 | 中国水利水电科学研究院 | 混凝土结构养护方法、装置、系统及存储介质 |
| CN113654927A (zh) * | 2021-07-21 | 2021-11-16 | 深圳前海砼源建设科技有限公司 | 一种通过净浆自由变形试验以判定混凝土抗开裂性能的方法 |
| CN114693669A (zh) * | 2022-04-20 | 2022-07-01 | 中电建路桥集团有限公司 | 基于深度学习的自密实混凝土早期裂缝预测方法及装置 |
| CN116502492A (zh) * | 2023-04-23 | 2023-07-28 | 武汉大学 | 一种混凝土的多场耦合模型构建方法及其求解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王青;卫泽众;徐港;项健;赵娟;: "配筋方式对混凝土沟盖板早龄期收缩特性的影响", 水电能源科学, no. 02, 25 February 2017 (2017-02-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117521532B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elemam et al. | Optimizing fresh properties and compressive strength of self-consolidating concrete | |
| Castel et al. | Bond strength between blended slag and Class F fly ash geopolymer concrete with steel reinforcement | |
| Golewski | Assessing of water absorption on concrete composites containing fly ash up to 30% in regards to structures completely immersed in water | |
| Dvorkin et al. | Using mathematical modeling for design of self compacting high strength concrete with metakaolin admixture | |
| Song et al. | Key parameters in optimizing fibres orientation and distribution for Ultra-High Performance Fibre Reinforced Concrete (UHPFRC) | |
| Zelić et al. | A mathematical model for prediction of compressive strength in cement–silica fume blends | |
| Sun et al. | A new mixture design methodology based on the Packing Density Theory for high performance concrete in bridge engineering | |
| Suryanita et al. | The effect of silica fume admixture on the compressive strength of the cellular lightweight concrete | |
| Figueiras et al. | Linking fresh and durability properties of paste to SCC mortar | |
| Kanavaris et al. | Enabling sustainable rapid construction with high volume GGBS concrete through elevated temperature curing and maturity testing | |
| Mehdipour et al. | Linking stability characteristics to material performance of self-consolidating concrete-equivalent-mortar incorporating fly ash and metakaolin | |
| CN116597919A (zh) | 一种基于人工智能的3d打印水泥基材料设计方法 | |
| CN115206463A (zh) | 一种基于机器学习的混凝土配合比智能化设计方法 | |
| WO2023107026A1 (en) | An optimization method of material mixture used in temporary concrete houses constructed with a 3d printer after disasters | |
| Koksal et al. | Experimental and numerical analysis of new bricks made up of polymer modified-cement using expanded vermiculite | |
| Lu et al. | Development of flexible grouting material for cement-stabilized macadam base using response surface and genetic algorithm optimization methodologies | |
| CN117521532B (zh) | 一种基于数值仿真的混凝土早龄期开裂风险预测方法 | |
| Al-Zwainy et al. | Prediction of residual strength of sustainable self-consolidating concrete exposed to elevated temperature using artificial intelligent technique | |
| Rezaie et al. | Prediction of slump and density of lightweight concretes using ANFIS and linear regression | |
| Papadakis et al. | Predictive modeling of concrete compressive strength based on cement strength class | |
| CN113408171B (zh) | 超高性能混凝土的力学性能预测方法 | |
| Zumba et al. | Forecasting the rheological state properties of self-compacting concrete mixes using the response surface methodology technique for sustainable structural concreting | |
| Ganasen et al. | Experimental investigation and optimization of lightweight concrete bricks developed using vermiculite | |
| CN110516405B (zh) | 硅酸盐水泥基胶凝材料体系水化热无假定预测模型的构建方法 | |
| Romadhon et al. | Design of Low Alkali activator Geopolymer concrete mixtures |
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 |