DE4437970A1 - Predicting consistency of concrete in transit - Google Patents
Predicting consistency of concrete in transitInfo
- Publication number
- DE4437970A1 DE4437970A1 DE4437970A DE4437970A DE4437970A1 DE 4437970 A1 DE4437970 A1 DE 4437970A1 DE 4437970 A DE4437970 A DE 4437970A DE 4437970 A DE4437970 A DE 4437970A DE 4437970 A1 DE4437970 A1 DE 4437970A1
- Authority
- DE
- Germany
- Prior art keywords
- consistency
- concrete
- neural network
- construction site
- additives
- 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.)
- Ceased
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 239000000654 additive Substances 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 239000011230 binding agent Substances 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000000306 component Substances 0.000 claims description 10
- 230000000996 additive effect Effects 0.000 claims 1
- 239000012615 aggregate Substances 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 239000011395 ready-mix concrete Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009969 flowable effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Ceramic Engineering (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Abstract
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.An important quality characteristic of fresh concrete is its con that is decisive for the processability of the Fresh concrete is on site. The fresh concrete consistency is before the start of construction taking into account the processing to set conditions. The subsequent addition of what water to finished fresh concrete, e.g. B. on arrival at construction is not ge according to the German concrete regulations because it improves the quality of both the fresh concrete as well as the ready-mixed concrete are significantly impaired can. Therefore, ready-mixed concrete must be handed over to the construction place the agreed consistency, which he required consistency reserve must be the greater, ever the longer the transport route and the higher the concrete temperature.
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.The goal in the production of ready-mixed concrete is therefore that Adjust the fresh concrete consistency in the ready-mixed concrete plant so that the desired consistency when handing over to the construction place is given. The consistency depends on the Zu composition of the fresh concrete, i.e. the mixing ratio of binders (cement), aggregates, water, additives and additives, and of other parameters, such as the order temperature and the transport time to the construction site. To DIN 1045 the four consistency areas KS (stiff), KP (plastic), KR (soft) and KF (flowable). As a measuring method for the fresh concrete consistency are in Germany the attempt to spread and the compression standardized and commonly used. Both the spreading such as the compression test must be carried out manually accordingly and require time and personal data nal effort so that these measurement methods for control and Correction of concrete production are not suitable. About that in addition, the consistency can only be determined indirectly and accordingly chend imprecise about auxiliary variables, such as. B. the electrical Record the active power consumption of the mixer drive. Next The problem arises that the consistency of the Fresh concrete is not readily available during its manufacture on the consistency at the time the fresh beet is handed over tons can be closed at the construction site.
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.The invention is therefore based on the object verver casual prediction for ready-mix concrete consistency at To enable handover at the construction site and thus a poss to effectively control concrete production create.
Gemäß der Erfindung wird die Aufgabe durch das in Patentan spruch 1 angegebene Verfahren bzw. die in Patentanspruch 5 angegebene Einrichtung gelöst.According to the invention the object is achieved by the in Patentan Proceed 1 specified method or in claim 5 specified facility solved.
Vorteilhafte Weiterbildung des erfindungsgemäßen Verfahrens sind in den Unteransprüchen angegeben.Advantageous further development of the method according to the invention are specified in the subclaims.
Zur weiteren Erläuterung der Erfindung wird im folgenden auf die Figuren der Zeichnung Bezug genommen; im einzelnen zeigenTo further explain the invention, the following is based on the figures of the drawing are referred to; show in detail
Fig. 1 ein Ausführungsbeispiel für die erfindungsgemäße Ein richtung mit einem neuronalen Netzwerk und Fig. 1 shows an embodiment of the device according to the invention with a neural network and
Fig. 2 ein Beispiel für das neuronale Netzwerk. Fig. 2 shows an example of the neural network.
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 yNN 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. Fig. 1 shows in a highly simplified block diagram of a controller 1 that controls the production of fresh concrete in a ready-mix concrete plant in dependence of the measured and predetermined process parameters via control signals 2 3. An evaluation device 4 generates a predetermined number of influencing variables, which have an influence on the consistency of the fresh concrete to be produced during the transfer at the construction site and are summarized here in a vector x. The influencing variables x include, in particular, the weights of the binder components, aggregate components, additives, additives and the addition water, as well as quality features such as the grain size, strength and information about the manufacturer of the binder components, aggregate components, additives and additives, as well as process parameters, such as in particular the moisture the aggregate components, the temperature and density of the feed water, the electrical power consumption of the mixer drive and the ambient temperature, and finally the travel time to the construction site. Those influencing variables that are used as process variables 3 for controlling the concrete production are fed via an interface 5 to the evaluation device 4 . Other influencing variables that are not used in the control of the concrete production are fed to the evaluation device 4 either as additional measured values 6 or as default values 7 via an input and display unit 8 . The influencing variables summarized in the vector x are fed to a neural network 9 which, as the network response y NN, provides a prediction of the fresh concrete consistency during the transfer at the construction site. The predicted consistency values are displayed on the input and display device 8 .
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.In the opposite direction, the neural network 9 can be given a setpoint for the fresh concrete consistency when handing it over to the construction site via the input and display device 8 , the neural network 9 calculating those values for the influencing variables x in response to the predetermined consistency, where the desired consistency of the fresh concrete is achieved. From the flow variables x thus calculated, the evaluation device 4 determines corresponding values for the process variables 3 , which are transferred via the interface 5 to the control device 1 for controlling the production of the fresh concrete.
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 xj, j=1, . . . , n+1 werden in jedem Element 12 der verdeckten Schicht jeweils mit individuellen Gewichtsfaktoren wÿ, i=1, . . . , m, j=1, . . , n+1 versehen aufsummiert, wobei aus der so gebildeten Summe aus gangsseitig die Antwort Fig. 2 shows as an example of the neural network 9 is a feedforward network, each having an input element 10 combined an input layer for each of the in the input vector x having n influencing variables. An offset value K1 is fed to the neural network via an additional input element 11 . The input layer is a hidden layer, consisting of m elements 12 , of which each element 12 has a response behavior with a sigmoid course between -1 and +1. The elements 12 on the input side supplied input variables x j, j = 1,. . . , n + 1 are in each element 12 of the hidden layer with individual weight factors w ÿ , i = 1 ,. . . , m, j = 1,. . , n + 1 added up, the answer being from the sum formed in this way from the output side
erzeugt wird. Die verdeckte Schicht weist ein zusätzliches Element 13 auf, das als Eingabeelement für einen weiteren Offsetwert K2 dient und ein entsprechendes Ausgangssignal zm+1 erzeugt. Der verdeckten Schicht sind drei Ausgabeelemen te 14, 15 und 16 nachgeordnet, die die Antworten zi der Ele mente 12 und 13 der verdeckten Schicht jeweils mit indivi duellen Gewichtsfaktoren bi, ci bzw. di zu den Netzwerkant wortenis produced. The hidden layer has an additional element 13 , which serves as an input element for a further offset value K2 and generates a corresponding output signal z m + 1 . The hidden layer is followed by three output elements 14 , 15 and 16 , which respond to the network responses with responses z i from elements 12 and 13 of the hidden layer, each with individual weighting factors b i , c i and d i
aufsummieren. Dabei ist aNN ein Vorhersagewert für das Aus breitmaß, vNN ein Vorhersagewert für das Verdichtungsmaß und kNN ein Vorhersagewert für den Konsistenzbereich des Frisch betons nach DIN 1045 bei der Übergabe des Betons an der Bau stelle.add up. Here, a NN is a predictive value for the extent, v NN is a predictive value for the compaction dimension and k NN is a predictive value for the consistency range of the fresh concrete according to DIN 1045 when the concrete is handed over to the construction site.
Da zwischen den unterschiedlichen Größen zur Bestimmung der Frischbetonkonsistenz kein linearer Zusammenhang besteht, werden die Vorhersagewerte aNN, vNN und kNN 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 aNN, vorzusehen und die beiden anderen Vorhersagewerte vNN und kNN aufgrund einer vorgegebenen Beziehung rechnerisch aus dem Vorhersagewert aNN zu ermitteln. Since there is no linear relationship between the different parameters for determining the fresh concrete consistency, the predictive values a NN , v NN and k NN are generated in the exemplary embodiment shown by three different output elements 14 , 15 and 16 of the neural network 9 . However, it is also possible to provide only a single output element, for example for the prediction value a NN , and to calculate the two other prediction values v NN and k NN on the basis of a predetermined relationship from the prediction value a NN .
Das Training des neuronalen Netzwerkes erfolgt nach dem Back propagationalgorithmus, indem jeweils das Minimum der Fehler funktionen Ea = 1/2(a-aNN)², Ev = 1/2(v-vNN)² und Ek = 1/2(k-kNN)² durch Abstieg in der Gradientenrichtung gesucht wird. Dazu werden die Netzwerkantworten aNN, vNN und kNN 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 wÿ, bi, ci und di schrittweise in Richtung einer Verringerung der Fehler Ea, Ev und Ek adaptiv verändert werden.The training of the neural network takes place according to the back propagation algorithm, in that the minimum of the error functions E a = 1/2 (aa NN ) ², E v = 1/2 (vv NN ) ² and E k = 1/2 (kk NN ) ² is sought by descending in the gradient direction. For this purpose, the network responses a NN , v NN and k NN are compared in comparison points 17 , 18 , 19 with the spread dimension a actually measured at the construction site, the compaction dimension v and the determined consistency range k of the fresh concrete, with subordinate adaptation algorithms 20 , 21 and 22, the network parameters w ÿ , b i , c i and d i are gradually changed adaptively in the direction of a reduction in the errors E a , E v and E k .
Anstelle des in Fig. 2 gezeigten vorwärtsgerichteten neurona len Netzwerkes 9 kann auch ein rekursives Netzwerk verwendet werden.Instead of the forward-looking neural network 9 shown in FIG. 2, a recursive network can also be used.
Claims (5)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4437970A DE4437970A1 (en) | 1994-10-24 | 1994-10-24 | Predicting consistency of concrete in transit |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4437970A DE4437970A1 (en) | 1994-10-24 | 1994-10-24 | Predicting consistency of concrete in transit |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE4437970A1 true DE4437970A1 (en) | 1996-05-02 |
Family
ID=6531561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE4437970A Ceased DE4437970A1 (en) | 1994-10-24 | 1994-10-24 | Predicting consistency of concrete in transit |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE4437970A1 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0901017A2 (en) * | 1997-09-02 | 1999-03-10 | Tarmac Heavy Building Materials UK Limited | Method of checking the slump of a ready-mix concrete load |
| GB2392502A (en) * | 2002-08-31 | 2004-03-03 | Hymix Ltd | Concrete mixing truck with incorporated monitoring system |
| US8118473B2 (en) * | 2004-02-13 | 2012-02-21 | Verifi, LLC | System for calculating and reporting slump in delivery vehicles |
| US8491717B2 (en) | 2011-12-12 | 2013-07-23 | Verifi Llc | Multivariate management of entrained air and rheology in cementitious mixes |
| US8746954B2 (en) | 2007-06-19 | 2014-06-10 | Verifi Llc | Method and system for calculating and reporting slump in delivery vehicles |
| US9518870B2 (en) | 2007-06-19 | 2016-12-13 | Verifi Llc | Wireless temperature sensor for concrete delivery vehicle |
| WO2020167728A1 (en) * | 2019-02-11 | 2020-08-20 | Construction Research & Technology Gmbh | Systems and methods for formulating or evaluating a construction composition |
| WO2020245503A1 (en) * | 2019-06-03 | 2020-12-10 | Caidio Oy | Concrete quality assurance |
| CN112976332A (en) * | 2020-12-24 | 2021-06-18 | 中山艾尚智同信息科技有限公司 | Neural network based method for predicting rheological property of ready-mixed concrete |
| US11594305B2 (en) | 2017-12-22 | 2023-02-28 | Verifi Llc | Managing concrete mix design catalogs |
| CN116619574A (en) * | 2023-07-24 | 2023-08-22 | 山东质能新型材料有限公司 | Glue solid mortar production monitoring system |
| US12049023B2 (en) | 2019-05-10 | 2024-07-30 | Gcp Applied Technologies Inc. | Instrument for direct measurement of air content in a liquid using a resonant electroacoustic transducer |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3732231A1 (en) * | 1987-09-24 | 1989-04-13 | Hudelmaier Ingrid | METHOD FOR DETERMINING THE CONSISTENCY OF CONCRETE AND RELATED CONCRETE MIXERS |
-
1994
- 1994-10-24 DE DE4437970A patent/DE4437970A1/en not_active Ceased
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3732231A1 (en) * | 1987-09-24 | 1989-04-13 | Hudelmaier Ingrid | METHOD FOR DETERMINING THE CONSISTENCY OF CONCRETE AND RELATED CONCRETE MIXERS |
Non-Patent Citations (3)
| Title |
|---|
| DE-Z: tm 57 (1990) 11, S. 437-444 * |
| DIN 1048, Entwurf März 1968 * |
| US-Z: Ceram.Trans. (1993) 37, S. 91-103 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0901017A2 (en) * | 1997-09-02 | 1999-03-10 | Tarmac Heavy Building Materials UK Limited | Method of checking the slump of a ready-mix concrete load |
| GB2329027A (en) * | 1997-09-02 | 1999-03-10 | Tarmac Uk Ltd | Method of checking the slump of a ready-mix concrete load |
| EP0901017A3 (en) * | 1997-09-02 | 2000-11-08 | Tarmac Heavy Building Materials UK Limited | Method of checking the slump of a ready-mix concrete load |
| GB2329027B (en) * | 1997-09-02 | 2001-12-19 | Tarmac Uk Ltd | Method of checking the slump of a ready-mix concrete load |
| GB2392502A (en) * | 2002-08-31 | 2004-03-03 | Hymix Ltd | Concrete mixing truck with incorporated monitoring system |
| GB2392502B (en) * | 2002-08-31 | 2007-02-21 | Hymix Ltd | Monitoring a concrete mixer |
| US8118473B2 (en) * | 2004-02-13 | 2012-02-21 | Verifi, LLC | System for calculating and reporting slump in delivery vehicles |
| US8727604B2 (en) | 2004-02-13 | 2014-05-20 | Verifi Llc | Method and system for calculating and reporting slump in delivery vehicles |
| US9518870B2 (en) | 2007-06-19 | 2016-12-13 | Verifi Llc | Wireless temperature sensor for concrete delivery vehicle |
| US8746954B2 (en) | 2007-06-19 | 2014-06-10 | Verifi Llc | Method and system for calculating and reporting slump in delivery vehicles |
| US8764273B2 (en) | 2011-12-12 | 2014-07-01 | W. R. Grace & Co.-Conn. | Multivariate management of entrained air and rheology in cementitious mixes |
| US8491717B2 (en) | 2011-12-12 | 2013-07-23 | Verifi Llc | Multivariate management of entrained air and rheology in cementitious mixes |
| US11594305B2 (en) | 2017-12-22 | 2023-02-28 | Verifi Llc | Managing concrete mix design catalogs |
| WO2020167728A1 (en) * | 2019-02-11 | 2020-08-20 | Construction Research & Technology Gmbh | Systems and methods for formulating or evaluating a construction composition |
| EP3924906B1 (en) | 2019-02-11 | 2023-08-30 | Construction Research & Technology GmbH | Systems and methods for formulating or evaluating a construction composition |
| US12049023B2 (en) | 2019-05-10 | 2024-07-30 | Gcp Applied Technologies Inc. | Instrument for direct measurement of air content in a liquid using a resonant electroacoustic transducer |
| WO2020245503A1 (en) * | 2019-06-03 | 2020-12-10 | Caidio Oy | Concrete quality assurance |
| CN112976332A (en) * | 2020-12-24 | 2021-06-18 | 中山艾尚智同信息科技有限公司 | Neural network based method for predicting rheological property of ready-mixed concrete |
| CN116619574A (en) * | 2023-07-24 | 2023-08-22 | 山东质能新型材料有限公司 | Glue solid mortar production monitoring system |
| CN116619574B (en) * | 2023-07-24 | 2023-09-22 | 山东质能新型材料有限公司 | Glue solid mortar production monitoring system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE4437970A1 (en) | Predicting consistency of concrete in transit | |
| DE69910173T2 (en) | FIBERS WITH IMPROVED SINE-FORM, THUS REINFORCED CONCRETE AND CORRESPONDING METHOD | |
| DE69624383T2 (en) | METHOD FOR CODING AND DECODING AUDIO SIGNALS | |
| DE69325781T2 (en) | Two-piece golf ball | |
| WO1996001705A1 (en) | Metal band rolling process | |
| WO2021116279A1 (en) | Computer-assisted method and device for controlling a concrete mixing facility | |
| DE4227251C2 (en) | Method for calculating a delay time and device for carrying out the method | |
| WO1998015882A1 (en) | A process and device for identification or pre-calculation of parameters of a time-variant industrial process | |
| DE102019208736A1 (en) | Method for casting a cast strand in a continuous caster | |
| DE3220662A1 (en) | METHOD FOR AUTOMATICALLY REGULATING FOUNDRY SAND PREPARATION PLANTS | |
| DE102019115896A1 (en) | LIMITED TIMING ANALYSIS OF IN-VEHICLE COMMUNICATION | |
| WO2020001972A1 (en) | Vehicle pu composite component comprising a layered construction having a honeycomb structure | |
| EP0813986B1 (en) | Method for distance control in a vehicle | |
| WO2018041581A1 (en) | Method for controlling a fibrous web production machine | |
| DE2032139A1 (en) | Process for the production of structural elements from polyester resin | |
| EP0600569B1 (en) | Method for evaluating a number of linguistic rules | |
| DE3307977A1 (en) | Method for the production of flow screed | |
| DE2116172B2 (en) | TRAFFIC SIGNAL CONTROL DEVICE | |
| DE2929324C3 (en) | Method of predicting the useful life of silicon nitride articles | |
| DE3005589C2 (en) | Process for the transport and production of building material mixtures | |
| WO2000049472A1 (en) | Step regulator | |
| DD208385A5 (en) | STEEL FIBERS FOR CONCRETE REINFORCEMENT | |
| DE2611419C3 (en) | Admixture for hydraulic cement mixes and its use | |
| DE102011002115A1 (en) | Concrete composition for use in screed dry mix, comprises hydraulic binder, preferably cement, and aggregate substance having grain size of preset range | |
| DE3115677C2 (en) | Process for the batchwise production of bituminous mix according to the recipe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| OP8 | Request for examination as to paragraph 44 patent law | ||
| 8131 | Rejection |