基于神經網絡的自密實混凝土間隙通過能力評價

張志恒,綦春明

(南華大學 城市建設學院,湖南 衡陽421001)

自密實混凝土(Self-compacting concrete,簡稱SCC)的間隙通過能力[1]除了與骨料粒徑有關外,還與自密實混凝土拌合物的流動性能、抗離析性能有很強的關聯性,因此間隙通過能力已成為評價自密實混凝土施工性能的重要指標之一。近年來,亞洲、歐洲、北美等地區在發展和應用自密實混凝土的同時,高度重視自密實混凝土工作性測試方法和技術研究,并取得一系列突破[2,3],比較有代表性的試驗有:J形環試驗、L形槽和U形箱試驗[4],評價指標有:通過率、高度差、內外階梯高度/總流量等。這些研究都表明,J形環與坍落度筒結合,可以對SCC的間隙通過能力進行簡單測試,結合V形漏斗還可以得到SCC拌合物的穩定性指標。但是這些方法都尚未形成一套標準、科學的理論體系,不同的試驗裝置評價指標存在差異,優越性難以區分。本研究通過選定J形環試驗裝置對自密實混凝土間隙通過能力進行試驗研究,以神經網絡進行數值模擬,并對模擬后的誤差和試驗數據進行正交分析。從試驗和理論分析中,得出一種測試自密實間隙通過能力的簡便有效的方法。

1 試驗概況

1.1 試驗原材料及配合比

試驗所用的水泥(C)為衡陽“湘江”水泥(32.5R);粉煤灰摻合料(FA)為湘潭Ⅱ級灰,密度ρf=2.4 g/cm3,砂(S)為中砂,表觀密度 ρs=2.65 g/cm3。粗骨料粒粒徑為5 mm～20 mm的卵石(G),表觀密度 ρs=2.7 g/cm3,堆積密度ρb=1.55 kg/m3。減水劑聚羧酸鹽高效減水劑,水為普通自來水(W)。

本次研究的配合比如表1。

表1 自密實混凝土配合比(單位:kg/m3)

1.2 試驗方法

參考國內外J形環裝置:本次研究采用圓鋼筋焊接一個直徑為300 mm的圓環,根據《混凝土結構設計規范》(GB50010-2002)10.2.1規定,選擇鋼筋凈距分別為20 mm、40 mm、50mm、60mm,經計算所得在圓環上分別垂直焊接31、19、14、13根等距的 Φ 10 mm×100 mm的圓鋼,測試時,將J形環套在坍落筒外,用測試坍落擴展度的方法,讓自密實混凝土拌合物通過J形環流出,測量拌合物流平后的環內外差H。

式中:hlm為中心最高點與環頂端的高度值;ham為環內多點與環頂端高度值的平均值;hbm為環外多點與環頂端高度值的平均值。同時,為了檢測環內外SCC的質量,考慮到坍落度筒的體積有限,將環內、外自密實混凝土分別做成70.7 mm×70.7 mm×70.7 mm立方體試塊、標準養護28 d后測試抗壓強度。

1.3 試驗結果

試驗結果表明,鋼筋間距為60 mm,即為粗骨料最大粒徑的2.5～3倍,直徑為300 mm的J形環,可以測試自密實混凝土的間隙通過能力。其評價指標為:當H值為8 mm～12 mm,環內外混凝土高差為5 mm～8 mm,擴展度為680 mm～710 mm,間隙通過能力好。鋼筋間距對環內外自密實混凝土強度基本沒有影響。

2 神經網絡模擬

2.1 模擬方法

運用MATLAB7.1中的神經網絡工具箱[5,6]來實現對SCC間隙通過性能網絡模型的建立及訓練和測試過程。以無環(記為J0)的環外強度、環內強度、環內平均高度、環外平均高度、中心點高度、T50時間(即擴展直徑達到500 mm時所用的時間)、擴展度這7個量作為輸入,以鋼筋間距為60 mm的J形環(記為J60)環外強度、環內強度、環內平均高度、環外平均高度、中心點高度、T50時間、擴展度作為輸出。隨機抽出8個C40樣本數據作為測試數據,如表2所示。統一設定目標goal=0.001,訓練次數一般設為10 000次,并先后采用了TRAINCGF、TRAINOSS、TRAINSCG、TR AINRP、TR AINGDX和TRAINGDM共6種算法。如圖1所示。從圖中可以看出,TRAINRP算法只訓練了50次就達到了要求的輸出精度,大大地加快了訓練速度。

表2 SCC測試數據

圖1 SCC間隙通過性試驗神經網絡模型訓練過程圖

2.2 網絡預測結果

期望輸出誤差設定為0.001時,網絡訓練后進行測試,將預測值與實際值繪制在一個坐標系內,進行線性擬合。由圖2可見,預測值與實際值基本在擬合直線上,且直線幾乎通過坐標原點,說明預測值與實際值的偏差不大,預測效果良好。預測值與實際值的相對誤差見表3。由表3可以看出,對于8組用于測試的數據,訓練后的網絡預測值與目標值的相對誤差絕大多數在0.15%以內,最大相對誤差只有0.36%。

3 正交分析

3.1 模擬誤差正交分析

為了進一步了解鋼筋凈距的變化對試驗結構的影響,對試驗數據和神經網絡模擬后的誤差進行正交分析,采用綜合指標法,根據試驗的目的,所選的7個指標具有不同的重要性,即T50和擴展度的權重為0.2,中心點高度和環內高度的權重為0.15,其余3個指標的權重為0.1,七者之和為綜合量化指標(如表4)。

圖2 SCC神經網絡預測值與目標值關系

表3 神經網絡預測結果與試驗結果

表4 SCC模擬誤差正交分析

通過表4可以發現:從單個指標來看,隨鋼筋凈距的改變,環內高度、中心點高度、T50、擴展度的極差也比較大,說明影響比較大;對環內外強度、環外高度極差相對其它并不是很明顯。對于綜合指標,K3、K4相差不大,即鋼筋凈距為最大粒徑2.5倍的環和鋼筋凈距為最大粒徑3倍的環綜合指標相近;而K1與K4相差比較大。總之,如果鋼筋凈距為最大粒徑3倍的環是優環的話,鋼筋凈距為最大粒徑2.5倍的環是更優環,可以用來檢測自密實混凝土的間隙通過能力。

4 結 論

基于神經網絡模擬、正交分析的自密實混凝土的間隙通過性研究,可以得出如下結論:

(1)利用直徑為300 mm的J形環和坍落度筒來測定自密實混凝土的間隙通過能力是技術可行的;

(2)用神經網絡來模擬SCC間隙通過性,訓練后網絡預測值與實際值的相對誤差絕大多數在0.15%以內,最大相對誤差只有0.36%,并且收斂得很快;

(3)通過神經網絡以及模擬誤差的正交分析表明:直徑為300mm,鋼筋凈距為最大粒徑2.5倍的J形環是最優環,可以用來測試自密實混凝土的間隙通過性能。其評價指標為:H值為8 mm～12mm,內外高差為5 mm～8mm,擴展度為675 mm～700mm。

[1]中國建筑標準設計研究院等.自密實混凝土應用技術規程[M].北京:中國計劃出版社,2006.

[2]周紹青,石建軍,楊曉鋒,等.神經網絡在自密實混凝土流動性能中的應用[J].水利與建筑工程學報,2005,3(4):42-45.

[3]傅沛興,張全貴,黃艷平.自密實混凝土檢測方法探討[J].混凝土,2006,(9):77-79.

[4]Dias W P S,Pooliyadda S P.Neural networks for predicting properties of concretes with admixtures[J].Construction and Building Materials,2000,(15):371-379.

[5]Jepsen M T.Predicting concrete durability by using artificial neural networks[J].Published in a Special NCR-Publication,2002,(6):52-68.

[6]Yeh C.Exploring concrete slump model using artificial neural networks[J].J Compute Civil Eng ASCE,2006,20(3):217-221.