DE4437970A1

DE4437970A1 - Verfahren und Einrichtung zur Vorhersage der Konsistenz von Transportbeton

Info

Publication number: DE4437970A1
Application number: DE4437970A
Authority: DE
Inventors: Ernst-Friedrich De Dipl I Haas; Martin Schweisser
Original assignee: Siemens AG; Siemens Corp
Current assignee: Siemens AG; Siemens Corp
Priority date: 1994-10-24
Filing date: 1994-10-24
Publication date: 1996-05-02

Description

Ein wichtiges Qualitätsmerkmal von Frischbeton ist seine Kon sistenz, die entscheidend für die Verarbeitbarkeit des Frischbetons auf der Baustelle ist. Die Frischbetonkonsistenz ist vor Baubeginn unter Berücksichtigung der Verarbeitungs bedingungen festzulegen. Das nachträgliche Zumischen von Was ser zu fertigem Frischbeton, z. B. bei Ankunft auf der Bau stelle, ist nach den deutschen Betonvorschriften nicht ge stattet, weil dadurch die Qualität sowohl des Frischbetons als auch des Fertigbetons erheblich beeinträchtigt werden kann. Daher muß Transportbeton bei der Übergabe an der Bau stelle die vereinbarte Konsistenz aufweisen, wobei das er forderliche Konsistenzvorhaltemaß um so größer sein muß, je länger der Transportweg und je höher die Betontemperatur ist.

Ziel bei der Herstellung von Transportbeton ist es somit, die Frischbetonkonsistenz im Transportbetonwerk so einzustellen, daß die gewünschte Konsistenz bei der Übergabe an der Bau stelle gegeben ist. Die Konsistenz ist abhängig von der Zu sammensetzung des Frischbetons, also dem Mischungsverhältnis von Bindemittel (Zement), Zuschlägen, Wasser, Zusatzmitteln und Zusatzstoffen, und von weiteren Parametern, wie der Um gebungstemperatur und der Transportzeit zur Baustelle. Nach DIN 1045 werden die vier Konsistenzbereiche KS (steif), KP (plastisch), KR (weich) und KF (fließfähig) unterschieden. Als Meßverfahren für die Frischbetonkonsistenz sind in Deutschland der Ausbreitversuch und der Verdichtungsversuch genormt und allgemein gebräuchlich. Sowohl der Ausbreitver such als auch der Verdichtungsversuch müssen manuell durchge führt werden und erfordern dementsprechend Zeit- und Perso nalaufwand, so daß diese Meßverfahren für die Steuerung und Korrektur der Betonproduktion nicht geeignet sind. Darüber hinaus läßt sich die Konsistenz nur indirekt und dementspre chend ungenau über Hilfsgrößen, wie z. B. die elektrische Wirkleistungsaufnahme des Mischerantriebs, erfassen. Weiter hin stellt sich das Problem, daß von der Konsistenz des Frischbetons während seiner Herstellung nicht ohne weiteres auf die Konsistenz zum Zeitpunkt der Übergabe des Frischbe tons auf der Baustelle geschlossen werden kann.

Der Erfindung liegt daher die Aufgabe zugrunde, eine zuver lässige Vorhersage für die Transportbetonkonsistenz bei der Übergabe an der Baustelle zu ermöglichen und damit eine Mög lichkeit zur effektiven Steuerung der Betonproduktion zu schaffen.

Gemäß der Erfindung wird die Aufgabe durch das in Patentan spruch 1 angegebene Verfahren bzw. die in Patentanspruch 5 angegebene Einrichtung gelöst.

Vorteilhafte Weiterbildung des erfindungsgemäßen Verfahrens sind in den Unteransprüchen angegeben.

Zur weiteren Erläuterung der Erfindung wird im folgenden auf die Figuren der Zeichnung Bezug genommen; im einzelnen zeigen

Fig. 1 ein Ausführungsbeispiel für die erfindungsgemäße Ein richtung mit einem neuronalen Netzwerk und

Fig. 2 ein Beispiel für das neuronale Netzwerk.

Fig. 1 zeigt in einem stark vereinfachten Blockschaltbild eine Steuereinrichtung 1, die über Steuersignale 2 die Herstellung von Frischbeton in einem Transportbetonwerk in Abhängigkeit von gemessenen und vorgegebenen Prozeßgrößen 3 steuert. Eine Auswerteeinrichtung 4 erzeugt eine vorgegebene Anzahl von Einflußgrößen, die einen Einfluß auf die Konsistenz des her zustellenden Frischbetons bei der Übergabe an der Baustelle haben und hier in einem Vektor x zusammengefaßt sind. Die Einflußgrößen x umfassen insbesondere die Gewichte der Binde mittelkomponenten, Zuschlagskomponenten, Zusatzmittel, Zu satzstoffe und des Zugabewassers, ferner Qualitätsmerkmale, wie die Körnung, Festigkeit und Angaben über den Hersteller der Bindemittelkomponenten, Zuschlagkomponenten, Zusatzmittel und Zusatzstoffe, außerdem Prozeßparameter, wie insbesondere die Feuchte der Zuschlagkomponenten, die Temperatur und Dich te des Zugabewassers, die elektrische Stromaufnahme des Mi scherantriebs und die Umgebungstemperatur, und schließlich die Fahrzeit zur Baustelle. Diejenigen Einflußgrößen, die als Prozeßgrößen 3 zur Steuerung der Betonherstellung verwendet werden, werden über eine Schnittstelle 5 der Auswerteeinrich tung 4 zugeführt. Andere Einflußgrößen, die bei der Steuerung der Betonherstellung nicht verwendet werden, werden der Aus werteeinrichtung 4 entweder als zusätzliche Meßwerte 6 oder als Vorgabewerte 7 über eine Eingabe- und Anzeigeeinheit 8 zugeführt. Die in dem Vektor x zusammengefaßten Einflußgrößen werden einem neuronalen Netzwerk 9 zugeführt, das als Netz werkantwort y_NN eine Vorhersage über die Frischbetonkonsi stenz bei der Übergabe an der Baustelle liefert. Die vorher gesagten Konsistenzwerte werden auf der Eingabe- und Anzeige einrichtung 8 angezeigt.

In umgekehrter Richtung kann dem neuronalen Netzwerk 9 über die Eingabe- und Anzeigeeinrichtung 8 ein Sollwert für die Frischbetonkonsistenz bei der Übergabe an der Baustelle vor gegeben werden, wobei das neuronale Netzwerk 9 als Antwort auf die vorgegebene Konsistenz diejenigen Werte für die Ein flußgrößen x berechnet, bei denen sich die gewünschte Konsi stenz des Frischbetons einstellt. Aus den so berechneten Ein flußgrößen x ermittelt die Auswerteeinrichtung 4 entsprechen de Werte für die Prozeßgrößen 3, die über die Schnittstelle 5 der Steuereinrichtung 1 zur Steuerung der Herstellung des Frischbetons übergeben werden.

Fig. 2 zeigt als Beispiel für das neuronale Netzwerk 9 ein Feedforward-Netzwerk, das eine Eingangsschicht mit jeweils einem Eingangselement 10 für jede der in dem Eingangsvektor x zusammengefaßten n Einflußgrößen aufweist. Über ein zusätzli ches Eingangselement 11 wird dem neuronalen Netzwerk ein Off setwert K1 zugeführt. Der Eingangsschicht ist eine verdeckte Schicht, bestehend aus m Elementen 12 nachgeordnet, von denen jedes Element 12 ein Antwortverhalten mit einem sigmoiden Verlauf zwischen -1 und +1 aufweist. Die den Elementen 12 eingangsseitig zugeführten Eingangsgrößen x_j, j=1, . . . , n+1 werden in jedem Element 12 der verdeckten Schicht jeweils mit individuellen Gewichtsfaktoren w_ÿ, i=1, . . . , m, j=1, . . , n+1 versehen aufsummiert, wobei aus der so gebildeten Summe aus gangsseitig die Antwort

erzeugt wird. Die verdeckte Schicht weist ein zusätzliches Element 13 auf, das als Eingabeelement für einen weiteren Offsetwert K2 dient und ein entsprechendes Ausgangssignal z_m+1 erzeugt. Der verdeckten Schicht sind drei Ausgabeelemen te 14, 15 und 16 nachgeordnet, die die Antworten z_i der Ele mente 12 und 13 der verdeckten Schicht jeweils mit indivi duellen Gewichtsfaktoren b_i, c_i bzw. d_i zu den Netzwerkant worten

aufsummieren. Dabei ist a_NN ein Vorhersagewert für das Aus breitmaß, v_NN ein Vorhersagewert für das Verdichtungsmaß und k_NN ein Vorhersagewert für den Konsistenzbereich des Frisch betons nach DIN 1045 bei der Übergabe des Betons an der Bau stelle.

Da zwischen den unterschiedlichen Größen zur Bestimmung der Frischbetonkonsistenz kein linearer Zusammenhang besteht, werden die Vorhersagewerte a_NN, v_NN und k_NN bei dem gezeig ten Ausführungsbeispiel von drei unterschiedlichen Ausgabe elementen 14, 15 und 16 des neuronalen Netzwerkes 9 erzeugt. Es ist jedoch auch möglich, nur ein einziges Ausgabeelement, beispielsweise für den Vorhersagewert a_NN, vorzusehen und die beiden anderen Vorhersagewerte v_NN und k_NN aufgrund einer vorgegebenen Beziehung rechnerisch aus dem Vorhersagewert a_NN zu ermitteln.

Das Training des neuronalen Netzwerkes erfolgt nach dem Back propagationalgorithmus, indem jeweils das Minimum der Fehler funktionen E_a = 1/2(a-a_NN)², E_v = 1/2(v-v_NN)² und E_k = 1/2(k-k_NN)² durch Abstieg in der Gradientenrichtung gesucht wird. Dazu werden die Netzwerkantworten a_NN, v_NN und k_NN in Vergleichs punkten 17, 18, 19 mit dem an der Baustelle tatsächlich ge messenen Ausbreitmaß a, dem Verdichtungsmaß v und dem ermit telten Konsistenzbereich k des Frischbetons verglichen, wobei in nachgeordneten Adaptionsalgorithmen 20, 21 und 22 die Netzwerkparameter w_ÿ, b_i, c_i und d_i schrittweise in Richtung einer Verringerung der Fehler E_a, E_v und E_k adaptiv verändert werden.

Anstelle des in Fig. 2 gezeigten vorwärtsgerichteten neurona len Netzwerkes 9 kann auch ein rekursives Netzwerk verwendet werden.

Claims

1. Verfahren zur Vorhersage der Konsistenz von Transportbe ton bei der Übergabe an der Baustelle, wobei vorgegebene Einflußgrößen (x, x_j), von denen die Konsistenz abhängig ist, als Eingangsgrößen einem neuronalen Netzwerk (9) zuge führt werden, das als Netzwerkantwort (y_NN; a_NN, v_NN, k_NN) einen Vorhersagewert für die Konsistenz des Transportbetons bei der Übergabe an der Baustelle liefert.

2. Verfahren nach Anspruch 1, wobei zum Training des neuro nalen Netzwerkes (9) die Einflußgrößen (x) aus der Produk tion des Frischbetons und die an der Baustelle gemessene Konsistenz (a, v, k) herangezogen werden.

3. Verfahren nach Anspruch 1 oder 2, wobei als Eingangsgrö ßen (x, x_j) für das neuronale Netzwerk (9) zumindest einige der folgenden Einflußgrößen verwendet werden: die Gewichte der Bindemittelkomponenten, Zuschlagkomponenten, Zusatzmit tel, Zusatzstoffe und des Zugabewassers; Qualitätsmerkmale, darunter insbesondere die Körnung, die Festigkeit und der Hersteller der Bindemittelkomponenten, Zuschlagkomponenten, Zusatzmittel und Zusatzstoffe; Prozeßparameter, darunter insbesondere die Feuchte der Zuschlagkomponenten, die Tempe ratur und Dichte des Zugabewassers, die elektrische Strom aufnahme des Mischerantriebs und die Umgebungstemperatur, sowie die Fahrzeit zur Baustelle.

4. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, daß als neuronales Netzwerk (9) ein Feedforward-Netzwerk mit zumindest einer verdeckten Schicht, bestehend aus Elementen (12) mit sigmoidem Antwortverhalten verwendet wird.

5. Einrichtung zur Vorhersage der Konsistenz von Transport beton bei der Übergabe an der Baustelle mit einem neuronalen Netzwerk (9), das Eingänge für vorgegebene Einflußgrößen (x, x_j), von denen die Konsistenz abhängig ist, und einen Aus gang aufweist, der einen Vorhersagewert (y_NN; a_NN, v_NN, k_NN) für die Konsistenz des Transportbetons bei der Übergabe an der Baustelle liefert.