SAP内养护机制砂混凝土力学性能及其BP神经网络预测_刘荣桂.pdf

2023 年 5 月May 2023第 44 卷第 3 期Vol 44No 3doi:10 3969/j issn 1671 7775 2023 03 017开放科学(资源服务)标识码(OSID):SAP 内养护机制砂混凝土力学性能及其 BP 神经网络预测刘荣桂1，2，陈浩2，崔钊玮2，陈业强2，张邵峰2，闫乾勋2(1 南通理工学院 建筑工程学院，江苏 南通 226001;2 江苏大学 土木工程与力学学院，江苏 镇江 212013)摘要:为研究高吸水性树脂(SAP)对不同石粉掺量机制砂混凝土力学性能的影响规律，在机制砂混凝土中掺入不同掺量的 SAP 和石粉，对其开展抗压强度与抗折强度的试验，并用 BP(backpropagation)神经网络对抗压强度进行预测 研究结果表明:机制砂混凝土各龄期抗压强度随SAP 掺量的增加呈先升高、后降低的趋势，当 SAP 掺量为 0.08%时，抗压强度最高;不同石粉掺量下，掺入掺量为 0.08%的 SAP 能够显著提高混凝土抗压强度，特别是与掺量为 9%石粉复掺时，抗压强度提升效果最好;不同石粉掺量下，混凝土抗折强度均随 SAP 掺量增加呈先降低、后升高、再降低的趋势;当 SAP 掺量为 0.16%时，抗折强度达到最大值 因而复掺时的最佳掺量组合为 0.16%SAP 与 6%石粉;通过对 48 组抗压强度试验数据进行预测，发现预测值与试验值的结果较为吻合关键词:机制砂混凝土;高吸水性树脂;石粉;力学性能;BP 神经网络中图分类号:TU528文献标志码:A文章编号:1671 7775(2023)03 0367 06引文格式:刘荣桂，陈浩，崔钊玮，等 SAP 内养护机制砂混凝土力学性能及其 BP 神经网络预测J 江苏大学学报(自然科学版)，2023，44(3):367 372收稿日期:2021 06 28基金项目:国家自然科学基金资助项目(51778272);南通市科技计划项目(JC2019064);南通市建筑结构重点实验室项目(CP12015005)作者简介:刘荣桂(1957)，男，江苏江都人，博士，教授，博士生导师(liurg ujs edu cn)，主要从事混凝土结构耐久性研究崔钊玮(1986)，男，山西洪洞人，博士研究生，实验师(通信作者，czwei ujs edu cn)，主要从事内养护混凝土力学性能研究Mechanical properties of SAP internal curing machine-made sandconcrete and BP neural network predictionLIU onggui1，2，CHEN Hao2，CUI Zhaowei2，CHEN Yeqiang2，ZHANG Shaofeng2，YAN Qianxun2(1School of Architectural Engineering，Nantong Institute of Technology，Nantong，Jiangsu 226001，China;2Faculty of CivilEngineering and Mechanics，Jiangsu University，Zhenjiang，Jiangsu 212013，China)Abstract:The machine-made sand concrete was mixed with different amounts of super absorbent polymer(SAP)and stone powder，and the compressive strength and flexural strength tests were carried out toinvestigate the influence of SAP on the mechanical properties of machine-made sand concrete withdifferent amounts of stone powder Back propagation(BP)neural network was used to predict thecompressive strength The results show that the compressive strength of machine-made sand concrete atvarious ages is increased first with latter decreasing by increasing SAP content When SAP content is0.08%，the compressive strength is the highest The addition of 0.08%SAP can significantly increasethe compressive strength with the mixing of various stone powders The compressive strength of concretemixed with 9%stone powder has the best effect The flexural strength of concrete with different stonepowder content is decreased first with latter increasing and decreasing by increasing the SAP content368第 44 卷When SAP content is 0.16%，the flexural strength reaches the maximum value，and the optimal mixingamount is 0.16%SAP with 6%stone powder compound According to the prediction of 48 sets ofcompressive strength test data，the predicted value is well consistent with the test valueKey words:machine-made sandconcrete;superabsorbentpolymer;stonepowder;mechanicalproperties;BP neural network随着我国天然砂资源的日益枯竭，以及政府对天然砂开采的限制，使得土木工程的用砂矛盾日益突出 为此，越来越多的工程项目开始使用机制砂来替代天然砂 但是与天然砂相比，机制砂在生产过程中会不可避免地产生大量的石粉 研究结果1 2 表明:石粉对机制砂混凝土的性能具有重大的影响;适量石粉可以填充水泥颗粒间微小空隙，提高界面过渡区密实度，从而提高混凝土强度;过多石粉则会加大混凝土的干燥收缩，从而导致混凝土开裂，严重影响混凝土力学性能高吸水性树脂(SAP)是一种内部含有多种亲水基团的有机高分子化合物，具有独特的吸水 储水 释水特性，能够预先吸收相当于自身质量几百倍甚至上千倍的水，并稳定地储存在内部 待水化反应过程中水分不足时，释放其内部预先吸收的水分，使水泥继续水化，有效地缓解因干缩开裂而导致强度下降的问题 近年来，学者们对掺 SAP 内养护混凝土力学性能开展了大量的研究 研究发现:少量的 SAP 能够有效细化混凝土内部的空隙3;掺入0.2%粒径为 50 目的 SAP 能够明显提高混凝土的早期强度4;SAP 的掺入使混凝土水化反应更充分，有利于强度的发展5;发现在水化反应后期，SAP 对高强度混凝土的强度有明显的提升作用6 因此，通过 SAP 对机制砂混凝土进行内养护，可有效解决机制砂混凝土因干缩开裂而造成的强度下降问题为此，笔者所在课题组依托蒲炎高速三明段工程，采用现场隧道开挖洞渣生产的机制砂，研究不同石粉掺量下 SAP 对机制砂混凝土力学性能的影响规律，并利用 BP(back propagation)神经网络对机制砂混凝土抗压强度进行预测，为机制砂混凝土应用于实际工程提供理论依据和实践指导1材料与试验方法1.1原材料试验用水泥为鹤林牌 P O42.5 级普通硅酸盐水泥 粗骨料采用粒径为 5 20 mm 的连续级配碎石 细骨料中的河砂为中砂 机制砂采用现场隧道开挖洞渣生产的级配为区的机制砂，其级配组成见表 1表 1级配区的机制砂级配组成类别通过以下筛孔(mm)的百分率/%475236118060030015机制砂50840275702746082848716机制砂级配区0 105 3535 6571 8580 9585 97减水剂为聚羧酸混凝土高效减水剂，掺量为胶凝材料总重量的 0.2%试验用水为实验室自来水石粉采用机制砂生产过程中生成的粒径小于 0.075mm 的颗粒 高吸水性树脂(SAP)的粒径为 0.15 0.25 mm，吸水倍率为400 500 g/g 盐水吸收倍率为60 g/g，加压吸水倍率为 26 g/g 堆积密度为 0.65 0.85 g/mL pH 值为 6.2文中，某种物质的掺量是指其质量占胶凝材料质量的百分比;S0F0 表示 SAP 和石粉掺量均为 0，S8F0 表示 SAP 掺量为 0.08%和石粉掺量为 0，其余依此类推，S16F9 表示 SAP 掺量为 0.16%和石粉掺量为 9%7 1.2配合比设计依据 JGJ 552011普通混凝土配合比设计规程 的规定，对机制砂混凝土配合比进行设计 其中机制砂替代率为80%，与施工现场替代率相同 机制砂混凝土配合比见表2，其中 w 为掺量，为密度表 2机制砂混凝土配合比试验组号w(SAP)/%w(石粉)/%(水泥)/(kg/m3)(河砂)/(kg/m3)(机制砂)/(kg/m3)(石子)/(kg/m3)(水)/(kg/m3)(减水剂)/(kg/m3)S0F000455 014156421 057818200091S8F00080454 714156421 057819109091S16F00 160454 314156421 057819109091第 3 期刘荣桂等:SAP 内养护机制砂混凝土力学性能及其 BP 神经网络预测369续表试验组号w(SAP)/%w(石粉)/%(水泥)/(kg/m3)(河砂)/(kg/m3)(机制砂)/(kg/m3)(石子)/(kg/m3)(水)/(kg/m3)(减水剂)/(kg/m3)S24F00240453 914156421 057819108091S0F303441 414156421 057818200091S0F606427 714156421 057818200091S0F909414 114156421 057818200091S8F30083441 014156421 057819082091S8F60086427 314156421 057819055091S8F90089413 714156421 057819027091S16F30163440 614156421 057819081091S16F60166427 014156421 057819054091S16F90169413 314156421 057819027091S24F30243440 114156421 057819080091S24F60246426 614156421 057819053091S24F90249413 014156421 0578190260911.3试验方法材料混合采用干拌方式 将 SAP、石粉、水泥、河砂、机制砂、石子及减水剂放入混凝土搅拌机中，干拌30 s，待 SAP、石粉与胶凝材料充分混合后，再加水搅拌 依据 GB/T 500812019混凝土物理力学性能试验方法标准，对机制砂混凝土开展力学性能试验 抗压强度试验采用100 mm 100 mm 100 mm 的立方体试件，抗折强度试验采用 100 mm 100 mm 400 mm 的棱柱体试件 试件成型后放入标准养护箱中静置 24 h，随后取出试件进行拆模、编号，再继续放入养护箱中养护 其中抗压强度试件养护龄期分别为3、7 和28 d，抗折强度试件养护龄期为28 d 养护完成后取出试件开展力学性能测试2结果与讨论2.1对抗压强度的影响在龄期 t 为 3、7 和 28 d 时，分别单掺不同掺量SAP 和石粉的混凝土抗压强度 p变化曲线如图 1所示 由图 1a 可知，与 w(SAP)=0 混凝土相比，w(SAP)=0.08%混凝土在龄期为 3、7 和28 d 时抗压强度均有较大程度的提高，分别比 w(SAP)=0 混凝土增加了 14.32%、4.71%和 8.48%，说明少量的SAP 可以提高机制砂混凝土各个龄期的抗压强度这主要是因为 SAP 掺入到混凝土中吸收了浆体中的水分，减少了混凝土中自由水含量，导致水胶质量比减小，从而提高了机制砂混凝土的密实性和强度 当 SAP 掺量超过 0.08%时，由于过多 SAP 的掺入，使得 SAP 释水后在混凝土内部留下的孔洞增多，导致机制砂混凝土在龄期为 3、7 和 28 d 时抗压强度开始逐渐降低，这与文献 5 结果类似图 1单掺 SAP 和石粉的各个龄期机制砂混凝土抗压强度变化曲线由图 1b 可知:w(石粉)=0 9%时，机制砂混凝土各个龄期的抗压强度均随石粉掺量的增加而不断提高;当石粉掺量为 9%时，机制砂混凝土在龄期为 3、7 和 28 d 时抗压强度均达到最高值;与w(石粉)=0 混凝土抗压强度相比，在龄期为3、7 和28 d 时，w(石粉)=3%混凝土分别提高了 8.67%、2.33%和 0.58%，w(石粉)=6%混凝土分别提高了23.43%、7.11%和 4.86%，w(石粉)=9%混凝土分别提高了 25.08%、7.29%和 6.84%可见，石粉对不同龄期机制砂混凝土抗压强度的影响程度从大至小依次为 3、7 和 28 d 这主要是由于石粉主要成分是 CaCO3，将其加入混凝土中能够促进硅酸三钙(C3S)水化反应，而 C3S 的水化反应发生在混凝土早期8，因此混凝土的早期强度得到了提高图 2 为龄期为 28 d 时复掺 SAP 和石粉的各组370第 44 卷机制砂混凝土抗压强度曲线图 2龄期为 28 d 时各复掺组机制砂混凝土抗压强度曲线由图2 可知，除 S24F3 组外，其他复掺组的抗压强度均高于 S0F0 组，特别是 S8F9 组(SAP 掺量为0.08%，石粉掺量为 9%)混凝土的抗压强度提高了14.44%，效果最好 说明掺量为 0.08%0.16%的SAP 与掺量为 3%9%的石粉复掺，两者可以同时发挥各自优势，共同改善混凝土的性能2.2对抗折强度的影响图 3 显示了龄期为 28 d 时复掺 SAP 和石粉的机制砂混凝土抗折强度 b曲线图 3龄期为 28 d 时复掺 SAP 和石粉的机制砂混凝土抗折强度曲线由图 3a 可知:当石粉掺量一定时，机制砂混凝土抗折强度均随 SAP 掺量的增加呈现先降低、后升高、再降低的变化趋势，可见 SAP 掺量过多或者过少都会对机制砂混凝土的抗折强度产生不利影响;当 SAP 掺量为 0.16%时，4 种石粉掺量的机制砂混凝土抗折强度均达到最大值，与未掺 SAP 时相比，石粉掺量为 0、3%、6%和 9%的机制砂混凝土抗折强度分别提高 1.82%、1.69%、13.85%和 1.56%分析其原因可能来源于两个方面:一方面，由于 SAP的释水特性，使得微孔周围水化反应充分进行，在孔洞内壁及其四周形成大量针状的钙矾石，这些针状的钙矾石能够填充混凝土中微裂缝和微孔隙，从而提高混凝土的强度;另一方面，SAP 在释水时，由于混凝土基体已经初步形成了稳定结构，当 SAP 预先吸收的水分释放完全后，混凝土内部会形成连续的球形孔洞，从而导致混凝土强度降低由图 3b 可知:当 SAP 掺量一定时，机制砂混凝土的抗折强度随石粉掺量增加均呈现先增大、后减小的趋势;当石粉掺量达到 6%时，SAP 掺量为 0、0.08%、0.16%和 0.24%的机制砂混凝土抗折强度均达到最大值，与未掺石粉相比，分别提高了18.18%、7.41%、32.14%和 8.51%;之后随着石粉掺量的增加，混凝土的抗折强度逐渐降低，出现这种现象的原因是石粉粒径较小，能够填充水泥颗粒间微小空隙，使得界面过渡区密实度提高 此外，石粉能够与水泥中的铝酸三钙(C3A)和铁铝酸四钙(C4AF)的水化产物发生二次反应，生成水化碳铝酸钙，而水化碳铝酸钙可以与其他水化产物相互交错，使混凝土结构更加密实，从而使混凝土具有更高强度 当混凝土密实度达到最大程度后，此时继续增加石粉掺量，会产生一部分游离态的石粉出现在混凝土界面过渡区，影响水泥与石粉的粘结，从而导致混凝土强度下降由图 3 还可知，在机制砂混凝土中复掺适量的SAP 和石粉，对机制砂混凝土的抗折强度有较大的增强作用，并且增强作用大于单掺 SAP 和石粉对机制砂混凝土的增强幅度，特别是 SAP 掺量为 0.16%和石粉掺量为 6%时，增强效果最为显著，其抗折强度与 S0F0 组相比提高了 34.55%3BP 神经网络预测模型3.1输入层和输出层的确定BP 神经网络是一种基于误差逆向传播算法训练的多层前向型神经网络，通常由一个输入层、多个隐含层和一个输出层组成9 本课题组结合 SAP内养护机制砂混凝土抗压强度的影响因素，选取SAP 掺量、石粉掺量、水灰质量比、水泥用量、用水量、机制砂替代率、减水剂用量及养护龄期作为输入向量 将龄期为 3、7 和 28 d 的混凝土抗压强度作为输出向量，建立一个网络结构为 8 K 1(8 为输入层节点个数，K 为隐含层节点个数，1 表示输出层第 3 期刘荣桂等:SAP 内养护机制砂混凝土力学性能及其 BP 神经网络预测371节点个数为 1 个)的 SAP 内养护机制砂混凝土抗压强度预测模型 其中隐含层节点数 K 对网络预测精度的影响重大，数目过多容易出现过拟合的现象，数目过少又会增大误差10 因此，笔者先利用经验公式确定 K 的大致范围，再用试凑法找出其最佳数目 经验公式10 11 为K=lb m，(1)K=mn，(2)K=m+n+，(3)式中:m、n 分别为输入层和输出层的节点个数，个;为常数，取值为 1 10 通过对 BP 神经网络预测模型不断进行测试，得知节点个数为 10 个时拟合效果最好，因此，建立结构为 8 10 1 神经网络模型BP 神经网络拓扑结构如图 4 所示，图中 Wij为输入层第 i 个神经元节点与隐含层第 j 个神经元节点之间连接权值，Vjk为隐含层第 j 个神经元节点与输出层第 k 个神经元节点之间连接权值图 4BP 神经网络拓扑结构3.2样本选取及量纲一化处理神经网络预测模型包括训练和预测两个部分 本研究中，在48 组试验数据的基础上，随机选取70%的数据作为训练样本，其余 30%的数据作为测试样本神经网络训练前，为了能够达到更加精准的预测结果，需要对试验数据进行量纲一处理，使得各个维度不同的数据统一转化到 0，1 区间内，以此来消除各输入样本之间数量级的差异 目前最常用的量纲一化处理方法为最大最小法，该方法的计算式12 为xu=xu xminxmax xmin，(4)式中:xu和 xu分别为第 u 个样本量纲一化前、后的数据;xmax和xmin分别为样本数据 xu的最大值和最小值3.3神经网络预测与结果分析本研究中，设定的最大迭代次数为 2 000 次，目标误差为 1 105次，对神经网络进行训练 经过12 次迭代后，训练停止 图 5 为神经网络模型的训练集、验证集、测试集及全部数据的线性回归拟合结果，该结果能够反映样本实测值与预测值之间的相关程度13 由图 5 可知，训练集、验证集、测试集及全部数据拟合精度 分别为 0.999 98、0.988 74、0.986 74 及 0.996 32，可见神经网络中 3 个子集及全部数据的期望输出值与网络输出值均有较高的拟合度，说明该神经网络具有良好的工作性能龄期 为 28 d 时，组 号 S16F0、S24F0、S0F3、S0F6、S0F9、S8F3、S8F6、S8F9、S16F3、S16F6、S16F9、S24F3、S24F6 和 S24F9 的样本编号依次为1 14，其抗压强度试验实测值与预测值对比如图 6 所示 由图 6 可知，BP 神经网络预测的 2为 0.956 22，并且抗压强度预测值与试验实测值之间的误差绝对值均小于4 MPa，最大相对误差为 8.16%，平均相对误差为 4.54%由于训练样本有限，预测样本较少，因此会存在一定的误差，但总体预测结果较为理想说明采用 BP 神经网络建立 SAP 内养护机制砂混凝土抗压强度预测模型是可行的，可以直接应用于工程实践中图 5神经网络模型各子集的线性回归拟合结果372第 44 卷图 6抗压强度试验值与预测值对比4结论1)机制砂混凝土在不同龄期的抗压强度随SAP 掺量的增加均呈先升高、后降低的趋势 当 SAP掺量为 0.08%时，相比其他 SAP 掺量，机制砂混凝土在不同龄期的抗压强度均达到最大值，且不同石粉掺量机制砂混凝土的抗压强度得到显著提高，特别是与 9%石粉复掺时，抗压强度最高2)不同石粉掺量的机制砂混凝土抗折强度均随 SAP 掺量的增加呈现先降低、后升高、再降低的趋势 当 SAP 掺量为0.16%时，相比其他 SAP 掺量，不同石粉掺量的机制砂混凝土抗折强度均达到最大值，其中 0.16%SAP 与 6%石粉进行复掺，机制砂混凝土抗折强度增强效果最好3)结合本研究中抗压强度的数据，建立了 BP神经网络抗压强度预测模型，将预测值与试验值进行拟合，拟合精度 2达到 0.956 22，因此可以直接应用于工程实践中参考文献(eferences)1 ABDULWAHID M Y Influences of different stone pow-ders on pervious concrete strengthJ Structural Con-crete，2021，22(1):528 5342 杨海峰，蒋家盛，李德坤，等 机制砂再生混凝土基本力学性能与微观结构分析J 硅酸盐通报，2018，37(12):3946 3950YANG H F，JIANG J S，LI D K，et al Analysis on basicmechanical properties and microstructure of concretemade with manufactured sand and recycled coarse aggre-gate J Bulletin of the Chinese Ceramic Society，2018，37(12):3946 3950(in Chinese)3 MA X W，LIU J H，WU Z M，et al Effects of SAP onthe properties and pore structure of high performance ce-ment-based materials J Construction and BuildingMaterials，2017，131:476 4844 DING H Y，ZHANG L，ZHANG P Y Factors influen-cing strength of super absorbent polymer(SAP)con-crete J Transactions of Tianjin University，2017，23(3):245 2575 魏定邦，李晓民，王起才，等 高吸水树脂对机制砂混凝土收缩性能和强度的影响研究 J 兰州交通大学学报，2020，39(3):19 24WEI D B，LI X M，WANG Q C，et al Study on shrinkperformance and strength of manufactured sand concretewith super absorbent polymerJ Journal of LanzhouJiaotong University，2020，39(3):19 24(in Chinese)6 HAN J G，FANG H，WANG K J Design and controlshrinkage behavior of high-strength self-consolidatingconcrete using shrinkage-reducing admixture and super-absorbent polymerJ Journal of Sustainable Cement-Based Materials，2014，3(3/4):182 1907 王豪杰，刘荣桂，崔钊玮，等 纳米二氧化硅改性 SAP内养护水泥基材料的力学性能研究J 硅酸盐通报，2020，39(1):41 49WANG H J，LIU G，CUI Z W，et al Mechanical pro-perties of cement-based materials using SAP as internalcuring agent modified by nano-silica J Bulletin of theChinese Ceramic Society，2020，39(1):41 49(inChinese)8 王发洲，商得辰，齐广华 SAP 对高水胶比混凝土塑性开裂的影响 J 建筑材料学报，2015，18(2):190 194WANG F Z，SHANG D C，QI G H Effects of SAP onthe plastic shrinkage cracking of concrete of high water-binder ratio J Journal of Building Materials，2015，18(2):190 194(in Chinese)9 张少敏 遗传算法优化 BP 神经网络玄武岩纤维橡胶轻骨料混凝土强度预测与微观试验研究 D 呼和浩特:内蒙古农业大学，2019 10 WANG Cesearch on GPS height partition fittingmethodJ Applied Mechanics and Materials，2014，580/581/582/583:2860 2864 11 HUANG F C，LIU D X，AN T S，et al Port containerthroughput forecast based on ABC optimized BP neuralnetwork J IOP Conference Series:Earth and Environ-mental Science，doi:101088/1755-1315/571/1/012068 12 GU P，ZHU C M，WU Y Y，et al Energy consumptionprediction model of SiCp/Al composite in grinding basedon PSO-BP neural network J Solid State Phenomena，2020，305:163 168 13 赵敏 基于遗传算法优化神经网络的再生保温混凝土强度预测 D 太原:太原理工大学，2018(责任编辑赵鸥)