基于BP神經網絡的粉煤灰進場快速檢測和性能預測技術研究

韓鳳蘭 戴聞斌 李玲玉 董賽陽 朱敏濤

上海同舜混凝土有限公司 上海 200080

根據行業內多年研究成果，在混凝土中摻加使用粉煤灰可達到以下目的：減少水泥用量；改善混凝土的工作性能；降低水化熱；改善混凝土的內部結構；改善混凝土的力學性能和耐久性能；抑制堿-骨料反應等。粉煤灰因此改變了身份，從過去需要耗費大量人力、財力加以排除且占用大量土地的固體廢棄物，一躍變成混凝土的優良原料，在大體積混凝土中優質粉煤灰更是不可或缺的組分[1]。

粉煤灰是一種直徑1～100 μm、大小不均、礦物相組成復雜、活性多變的球狀團聚體，受到原料來源和燃燒方式的隨機疊加影響[2]。按照顆粒形貌可將粉煤灰顆粒分為玻璃微珠、海綿狀玻璃體（包括顆粒較小、較密實、孔隙小的玻璃體和顆粒較大、疏松多孔的玻璃體）、碳粒[3]。我國每年產生約5億 t粉煤灰，基于不同地區、不同電廠的煤種和燃燒條件不同，所產生的粉煤灰特征各異。對上海地區來說，隨著大部分燃煤電廠的關停，粉煤灰來源不穩定，供應緊張，混凝土攪拌站應加大進場檢驗力度。

目前，對粉煤灰進場進行快速判定的方法主要有：外觀顏色判斷；與水泥凈漿流動度進行比較；細度檢測；用高倍顯微鏡觀察樣品外觀形貌，快速鑒別粉煤灰真偽[4]；將粉煤灰加入熱水中是否有刺鼻氣味，是否漂浮一層黑色油狀物；滴加一定量酚酞是否顯色；將粉煤灰加入水中并攪拌，對漂浮微珠進行定性觀察或定量測量等。因為粉煤灰的活性指數檢測需較長時間，所以目前對粉煤灰進場進行初步快速判定的項目并不包括粉煤灰的活性指數。

神經網絡（artifciial neural networks，ANNs）是一種通過模仿人腦結構及功能建立起的信息處理系統，BP神經網絡模型是其中一種。神經網絡模型具有超強的復雜數據非線性處理能力和大數據自學習能力，非常適合用于材料科學領域中復雜的非線性關系的尋找[5]。選取4家粉煤灰供應商的16批次粉煤灰進行了化學成分及物理性能的測試和分析，以期作為粉煤灰進場快速檢驗的參考。以粉煤灰的物理化學性能檢測結果為輸入數據，粉煤灰活性指數為輸出數據，建立起BP神經網絡模型，以探索粉煤灰活性的進場快速初步檢測方法。

1 粉煤灰的化學成分分析

粉煤灰的化學成分主要來源于煤粉的無機成分，包括黏土礦物、少量的黃鐵礦、方解石、石英等。因此我國燃煤電廠粉煤灰的主要化學成分為：SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O、SO3及未燃盡有機質（燒失量）等。不同來源的煤在不同燃燒條件下產生的粉煤灰化學成分差別非常大。粉煤灰的活性主要來自玻璃體二氧化硅和玻璃體三氧化二鋁在一定堿性條件下的水化能力。結合態的氧化鈣含量越高，越能提高其自硬性，對提高混凝土的早期強度有很大幫助。氧化鎂含量過高時，將給摻入粉煤灰的混凝土安定性帶來不利影響。三氧化硫含量會導致凝結時間延長及可能降低混凝土的早期強Ⅰ度。對4家粉煤灰供應商的16批次粉煤灰進行化學成分熒光分析，結果見表1。

表1 粉煤灰化學成分

表1化學成分分析表明，16批次粉煤灰的主要化學成分為SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、TiO2、SO3、MnO等，其中SiO2、Al2O3、Fe2O3的總量除鳳臺1#外均大于50%，符合GB/T 1596—2017《用于水泥和混凝土中的粉煤灰》對C類粉煤灰的要求。

2 粉煤灰的物理性能分析

選取4家粉煤灰供應商的16批次粉煤灰進行細度、需水量比、三氧化硫、游離氧化鈣、強度活性指數的試驗測試。圖1為灼燒前后粉煤灰樣品的顏色變化情況，可以看出灼燒前后的粉煤灰在表觀顏色上存在很大的差異，在深灰色到土黃色之間變化。灰色粉煤灰灼燒后呈淺黃色，黃色粉煤灰灼燒后呈鐵銹色。

圖1 灼燒前后粉煤灰樣品顏色的變化情況

2.1 細度、需水量比、燒失量、SO3、f-CaO

粉煤灰的細度、需水量比、燒失量、三氧化硫含量、游離氧化鈣含量的測試結果見表2。

表2 粉煤灰的物理性能

按C類Ⅱ級粉煤灰的性能要求，16批次粉煤灰的細度合格率為81%；需水量比的合格率為50%，需水量比表現出偏高的情況；燒失量指標、三氧化硫含量、游離氧化鈣含量的合格率均為100%。由圖2可以看出，粉煤灰的需水量比與燒失量呈正相關。粉煤灰中的未燃碳是有害成分，燒失量越大，其含碳量越高，由于碳物質疏松多孔、吸水率高，粉煤灰的需水量就越大。將粉煤灰的顏色考慮在內，表觀顏色越深，燒失量越大，需水量也越大。

圖2 需水量比與燒失量關系

2.2 強度活性指數

粉煤灰的強度活性指數結果見表3。

表3 粉煤灰強度活性指數

圖3為粉煤灰需水量比與活性指數的關系，從圖中可以看出，除前景3#和前景4#外，其他各粉煤灰的28 d活性指數均大于70%，與需水量比進行比較，發現需水量高的粉煤灰28 d活性指數偏低，需水量比處于100%左右的粉煤灰28 d活性指數最高。

圖3 需水量比與活性指數的關系

3 粉煤灰活性預測

利用DPS數據處理系統，分別以粉煤灰的化學成分數據、物理性能數據以及化學成分和物理性能綜合數據為輸入數據，以表3中粉煤灰7 d活性指數和28 d活性指數為輸出數據訓練BP神經網絡模型。

3個BP神經網絡模型均以前景1#～3#、華太1#～3#、鳳臺1#～3#、石發1#～3#為訓練數據，以前景4#、華太4#、鳳臺4#、石發4#為驗證數據，對BP神經網絡模型進行訓練，并利用訓練完成的BP神經網絡模型對粉煤灰的活性指數進行預測。

3.1 以粉煤灰的化學成分預測其活性

以表1中粉煤灰的化學成分（除P2O5含量）為輸入數據，經多次訓練，選擇BP神經網絡模型訓練參數如表4參數值1所示。利用前述訓練完成的BP神經網絡模型對粉煤灰7 d活性指數和28 d活性指數進行預測，預測結果如圖4（a）和圖4（b）所示。

表4 BP神經網絡模型訓練參數

圖4 粉煤灰活性指數預測結果與實際值對比

對粉煤灰7 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差3.19%，標準差4.83%，差值誤差平均數95%置信區間為－0.44%～4.71%。對粉煤灰28 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差1.60%，標準差2.46%，差值誤差平均數95%置信區間為－0.78%～1.84%。

從圖4（a）和圖4（b）中容易看出，除華太4#和鳳臺4#外，粉煤灰7 d和28 d活性指數的預測結果均與實際值基本相符，28 d活性指數預測結果與實際值差值不超過6.4%，但7 d活性指數預測結果與實際值最大差值達到了14.5%。

總體來看，采用粉煤灰化學成分數據對粉煤灰活性指數進行預測，預測結果與實際結果基本相符，但個別樣品存在較大偏差，即采用粉煤灰化學成分數據對粉煤灰活性指數進行預測具有一定參考價值，但用于粉煤灰進場快速檢驗可行性不高。

3.2 以粉煤灰的物理性能預測其活性

以表2中粉煤灰的物理性能（除顏色）為輸入數據，經多次訓練，選擇BP神經網絡模型訓練參數如表4參數值2所示。利用前述訓練完成的BP神經網絡模型對粉煤灰7 d活性指數和28 d活性指數進行預測，預測結果如圖4（c）和圖4（d）所示。

對粉煤灰7 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差2.88%，標準差4.21%，差值誤差平均數95%置信區間為－1.82%～2.66%。對粉煤灰28 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差2.00%，標準差2.51%，差值誤差平均數95%置信區間為－0.07%～4.28%。

從圖4（c）和圖4（d）中可看出，粉煤灰7 d和28 d活性指數的預測結果均與實際值之間存在一定誤差，7 d活性指數預測結果與實際值差值最大達到9.8%，28 d活性指數預測結果與實際值差值最大達到7.2%。

總體來看，采用粉煤灰物理性能數據對粉煤灰活性指數進行預測，與單獨采用粉煤灰化學成分對其活性指數進行預測的預測準確度差異不大，即采用粉煤灰物理性能數據對粉煤灰活性指數進行預測具有一定的參考價值，但用于粉煤灰進場快速檢驗可行性也不高。

3.3 以粉煤灰的化學成分和物理性能綜合數據預測其活性

以表1中粉煤灰的化學成分（除P2O5含量）和表2中粉煤灰的物理性能（除顏色）為輸入數據，經多次訓練，選擇BP神經網絡模型訓練參數如表4參數值3所示。

利用前述訓練完成的BP神經網絡模型對粉煤灰7 d活性指數和28 d活性指數進行預測，預測結果如圖4（e）和圖4（f）所示。

對粉煤灰7 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差1.67%，標準差2.34%，差值誤差平均數95%置信區間為－0.28%～2.21%。對粉煤灰28 d活性指數預測結果與實際值差值進行分析，結果如下：平均偏差0.84%，標準差1.49%，差值誤差平均數95%置信區間為－0.83%～0.76%。綜上可知，采用建立的BP神經網絡模型對粉煤灰活性指數進行預測，預測結果與實際結果基本相符，預測結果較為準確，即可采用BP神經網絡模型進行粉煤灰進場快速初步檢測。

從圖4（e）和圖4（f）中容易看出，粉煤灰7 d和28 d活性指數的預測結果均與實際值相符，7 d活性指數預測結果與實際值的差值不超過7.3%，28 d活性指數預測結果與實際值的差值不超過4.0%，即采用化學成分和物理性能綜合數據建立BP神經網絡模型進行粉煤灰進場快速初步檢測具有可行性。

3.4 3種預測方法對比分析

以上3種粉煤灰活性預測方法，區別在于輸入層數據的差異，分別以粉煤灰的化學成分數據、物理性能數據及兩者的集合為輸入數據，顯然由于輸入數據的不同造成了預測結果準確性的差異。對以上3種基于神經網絡的粉煤灰活性預測方法進行對比分析。粉煤灰活性指數預測結果與實際值差值3種預測方法的對比情況如圖5所示，3種方法預測結果分析對比如圖6所示。

圖5 粉煤灰活性指數預測結果與實際值差值3種預測方法對比

圖6 3種方法預測結果分析對比

從圖5和圖6中均可以看出，單純以化學成分數據作為輸入數據建立的預測模型和單純以物理性能數據作為輸入數據建立的預測模型預測的結果準確度均不是特別理想。

從圖5（a）和圖5（b）中可以看出，以粉煤灰化學成分和物理性能綜合數據為輸入數據建立的神經網絡模型，無論對粉煤灰7 d活性指數還是28 d活性指數，其預測準確度都是最高的，預測結果的波動也最小。

從圖6中可看出，3種神經網絡模型對粉煤灰28 d活性指數的預測準確度都高于7 d活性指數，且以粉煤灰化學成分和物理性能綜合數據為輸入數據建立的神經網絡模型預測結果的平均偏差和標準差都比較低，說明該預測方法的準確度更高，波動最小。

4 結語

1）細度和需水量比是不穩定指標，深灰色粉煤灰的需水量比偏高。燒失量、三氧化硫含量、游離氧化鈣含量等指標相對穩定，處于標準規定范圍內。

2）燒失量與粉煤灰顏色相關，灰色粉煤灰比黃色粉煤灰燒失量大，可能是受未燃碳等成分的影響。

3）強度活性指數與需水量比呈負相關，需水量高的粉煤灰其28 d強度活性指數偏低。

4）僅采用粉煤灰化學成分數據或物理性能數據對粉煤灰活性指數進行預測具有一定參考價值，但用于粉煤灰進場快速檢驗可行性不高。

5）以粉煤灰化學成分和物理性能綜合數據為輸入數據建立的神經網絡模型，無論對粉煤灰7 d活性指數還是28 d活性指數，都比僅采用化學成分數據或物理性能數據預測準確度高、結果波動小。

6）采用BP神經網絡模型對粉煤灰7 d和28 d活性指數進行預測，預測結果與實際值相符，28 d活性指數預測結果與實際值不超過4.0%，采用BP神經網絡模型對粉煤灰進行進場快速初步檢測具有可行性。

7）針對粉煤灰對混凝土冬季凝結時間、強度等的影響，后續將進行模擬溫度在0～4 ℃的條件下粉煤灰對混凝土凝結時間、力學性能等影響的試驗。