贝壳混合材对硅酸盐水泥性能的影响

以纯碳酸钙、贝壳和石灰石为混合材,探讨掺量变化对硅酸盐水泥性能的影响.试验表明:硅酸盐水泥掺入质量分数为5%～15%的贝壳混合材后,水泥标准稠度用水量减少.3 d、7 d抗折强度高于普通硅酸盐水泥,28 d抗折强度先增后减.28 d抗压强度损失率为石灰石-硅酸盐水泥>贝壳-硅酸盐水泥>纯碳酸钙-硅酸盐水泥.贝壳混合材最佳掺量为10%,此时减水效果最好.早期强度高,28 d抗压强度损失率最小.贝壳化学组成和微观结构使其具有颗粒形态效应、化学反应活性和微细集料填充效应,可成为石灰石混合材的良好替代品.     

低温钢纤维混凝土强度试验与预测

以不同温度(0℃、-5℃、-10℃、-15℃、-20℃)、不同钢纤维掺量及不同水灰比的钢纤维混凝土的抗压、抗拉、抗折与抗剪强度试验结果,建立以温度、钢纤维掺量以及水灰比作为输入矢量,混凝土预测强度作为输出矢量的网络模型。用人工神经网络分别为抗压强度、抗折强度、抗拉强度及抗剪强度建立了合适的网络模型,输入层和隐含层均采用双曲线正切S型传递函数,输出层采用线性传递函数。网络采用Levenberg-Marquardt算法进行训练,对低温钢纤维混凝土的强度进行了预测,预测的相对误差在0~0.05的范围内波动,各训练总标准差与仿真总标准差均在0.3的范围内,取得了满意的结果,这对低温条件下钢纤维混凝土强度预测有一定实用价值。     

基于GM-RBF神经网络组合模型的水泥强度预测方法

 为预测煤矸石代黏土煅烧水泥的28 d 抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数（RBF）神经网络技术相结合,提出了基于GM-RBF 神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF 神经网络输入向量,相应的实测28 d 抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF 神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM（1,N）模型或RBF 神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

快凝快硬高强混凝土制备与机理分析

以自制超早强剂与普通硅酸盐水泥为试验对象,采用常规工艺技术,制备出的快凝快硬高强混凝土6h抗压强度10 MPa,抗折强度1.5 MPa,1d抗压强度大于40 MPa,抗折强度达到5 MPa,28d抗压强度80MPa,抗折强度10 MPa,且180d强度有明显增长.使用XRD和TG-DSC等测试手段对水化试样进行分析,结果表明:超早强剂的掺入加速了硅酸盐水泥水化,促进早期钙矾石晶体生成,以及Ca(OH)2向钙矾石转化,从而促进早期强度发展,尤其促进6h到1d的水化硬化.     

基于GM-RBF神经网络组合模型的水泥强度预测方法

为预测煤矸石代黏土煅烧水泥的28 d抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数(RBF)神经网络技术相结合,提出了基于GM-RBF神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF神经网络输入向量,相应的实测28 d抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM(1,N)模型或RBF神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。     

基于BP网络的粉煤灰混凝土钢筋握裹力计算

基于改进的BP算法,建立了2个粉煤灰混凝土钢筋握裹力BP网络计算模型,模型1为2-6-1型,即该模型输入层为2个神经元,隐含层为6个神经元,输出层为1个神经元,模型1的输入为水胶比及粉煤灰掺量,输出为混凝土钢筋握裹力;模型2为2-8-2型,即该模型输入层为2个神经元,隐含层为8个神经元,输出层为2个神经元,模型2的输入为水胶比及粉煤灰掺量,输出为混凝土强度及钢筋握裹力.模型1混凝土钢筋握裹力计算相对误差为0.019 08%~3.128 92%;模型2混凝土强度及钢筋握裹力计算相对误差分别为2.248 55%~6.808 00%和0.112 74%~9.773 29%.计算结果较为理想.     

快硬早强磷渣基胶凝材料的制备及其微观结构研究

碱磷渣胶凝材料早期强度较低,不利于实现快速修补,通过在碱磷渣材料中掺入适量的石墨尾矿粉和普通硅酸盐水泥进行快硬早强磷渣基胶凝材料的研制.结果表明,掺入10%的普通硅酸盐水泥(占胶凝材料总质量的百分比,下同)和15%的石墨尾矿粉时,可有效提高碱磷渣胶凝材料的早期强度.当硅酸钠掺量为5%(以Na_2O计)时,所开发的快硬早强磷渣基胶凝材料胶砂试件的3d抗压强度27.3MPa、3d抗折强度4.1MPa,28d抗压强度56.8MPa、28d抗折强度8.3MPa,符合GB175-2007对普通硅酸盐水泥P.O42.5R的强度要求.运用XRD、SEM、综合热分析等微观测试技术研究了快硬早强磷渣基胶凝材料的水化硬化和微观结构.     

钢渣微粉改性及其助磨剂实验

运用助磨剂改性钢渣复合胶凝材料,研究改性钢渣复合胶凝材料粉体比表面积变化;研究复合胶凝材料抗折强度、抗压强度等力学性能;并分析材料3d、28 d水化矿物.结果显示S58助磨剂能够改善材料活性,使得胶凝材料28 d抗压强度达到42.5 MPa硅酸盐水泥标准;SEM-EDS显示水化初期矿物以氢氧化钙和钙矾石为主,水化28 d,材料较之迷化,生成大量的C-S-H凝胶,复合水泥强度大幅提高.     

尾矿砂对水泥胶砂性能影响的试验

将尾矿砂以不同比例代替天然砂,研究其对水泥胶砂性能的影响。试验结果表明,尾矿砂的掺入能够满足水泥胶砂流动度和强度的要求,与天然砂相比,掺加尾矿砂可以提高水泥胶砂的流动度,并使水泥胶砂3d抗折强度和抗压强度略有降低,但可以提高水泥胶砂28d抗折强度和抗压强度。     

纳米粒子和PVA纤维增强水泥基复合材料抗折性能研究

通过抗折试验和抗折试验后小立方体抗压强度试验,探讨了纳米粒子掺量、PVA纤维掺量和石英砂粒径对水泥基复合材料抗折性能的影响。结果表明,纳米粒子掺量、PVA纤维体积掺量和石英砂粒径对水泥基复合材料抗折强度和抗折试验后小立方体抗压强度有较大影响。PVA纤维水泥基复合材料的抗折强度和小立方体抗压强度随着纳米SiO₂掺量增加呈先增大后减小的趋势,当纳米SiO₂掺量达到1.5%和1.0%时,抗折强度和抗压强度分别达到最大值;随着纤维体积掺量的增大,掺纳米SiO₂水泥基复合材料抗折强度和小立方体抗压强度逐渐增大,但当PVA纤维体积掺量超过0.6%时,小立方体抗压强度有逐渐降低的趋势;随着石英砂粒径的减小,抗折强度和小立方体抗压强度逐渐降低,采用粒径a石英砂配制的水泥基复合材料具有更高的抗折强度和小立方体抗压强度。     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

基于BP网络的混凝土抗冻性

运用改进的BP算法,建立了3 5 2及3 5 1混凝土抗冻性BP网络计算模型·模型(1)(3 5 2)以水灰比、单位水泥用量及砂率为输入,以冻融后混凝土质量损失及冻融后混凝土强度损失为输出;模型(2)(3 5 1)及模型(3)(3 5 1)的输入与模型(1)相同,输出分别为冻融后混凝土质量损失和冻融后混凝土强度损失·计算结果与试验结果符合较好·     

BP神经网络预测混凝土抗渗性能的研究

综合考虑了双掺矿物、掺合料混凝土抗渗性能的各种影响因素，选取了双掺矿粉、粉煤灰混凝土配料中7个主要因素作为输入量，混凝土28d抗渗系数为输出量，建立了混凝土抗渗性能预测的BP网络模型，进而对双掺矿粉、粉煤灰混凝土配合比抗渗性能试验数据进行分析．结果表明此模型的可靠度高，可用于混凝土渗透性的虚拟化设计．     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

基于回归分析的工业废渣水泥标准养护28天抗压强度预测

以皖维集团生产的工业废渣水泥为例,应用统计学原理建立P.C32.5级水泥3天、28天抗压强度预测公式,再根据统计预测公式分别计算P.C32.5级水泥3天、28天抗压强度,并计算出2#线商品熟料3天、28天抗压强度,经过实测与预测的对比发现实测值与预测值很接近,说明所得到的预测公式具有准确性与实际意义.     

Applications of Neural Networks in Spinning Prediction

Th netal network spinning prediction model (BPana RBF Networks) trained by data from the mill canpredict yarn qualities and spinning performance. Theinput parameters of the model are as follows: yarncount, diameter, hauteur, bundle strength, spinningdraft, spinning speed, traveler number and twist.     

坠物撞击海底管道损伤的BP神经网络预测模型

为预测坠物撞击饱和黏土海床上海底管道的损伤，建立了坠物撞击下饱和黏土海床与海底管道相互作用的动力有限元模型，结合海底管道实际工作条件的变化范围，分析坠物撞击能量、管道直径、壁厚、钢材等级、内压、海床土不排水抗剪强度6个参数对海底管道损伤的影响规律，将6个参数作为输入层参数，以管道损伤作为输出参数，将数值模拟结果作为训练样本，通过学习和训练构建形成了海底管道损伤预测的BP神经网络模型。研究结果表明：坠物撞击能量越大，管道损伤越大，管道损伤增长速率随坠物撞击能量的增大而趋缓；管道直径、壁厚、内压、管道屈服强度增加，管道损伤减小；饱和黏土海床不排水抗剪强度越大，管道损伤越大。建立的海底管道损伤BP神经网络预测模型，仅需要坠物撞击能量、管道直径、壁厚、钢材等级、内压和海床土不排水抗剪强度6个参数，模型简单、便捷，能够较好地预测饱和黏土海床海底管道受坠物撞击的损伤，数值算例涵盖了常见饱和黏土海床海底管道的工作条件，具有很好的适用性，为海底管道损伤预测提供了新思路。     

基于BP神经网络的垃圾热值预测模型

 入炉垃圾热值不稳定,对焚烧炉的稳定运行有很大影响。采用遗传算法优化BP神经网络的权值和阈值,建立垃圾焚烧炉入炉垃圾热值的预测模型。利用Garson方法和主成分分析法对某垃圾焚烧电厂在线运行数据进行分析后,作为BP神经网络的输入参数,实现入炉垃圾热值的在线测量和预测。研究结果表明,该模型预测平均相对误差为2.64%,检验样本相对误差平均值概率为95%的置信区间为[-1.75,2.59],有较高的准确性和置信度,具有较好的工程应用价值。