摻粉煤灰水泥穩定碎石材料溶蝕特性及預測模型研究

彭俊鋒, 黃少杰, 翁義建, 容洪流, 李大江

(1.廣西桂能工程咨詢集團有限公司, 廣西 南寧 530023;2.廣西大學 土木建筑工程學院, 廣西 南寧 530004)

水泥穩定碎石材料的溶蝕一直是道路工程建設中的難題,溶蝕損傷容易造成膠凝材料大量損失,影響路面基層材料的力學性能,降低材料與結構的耐久性。劉沖發現水泥穩定碎石材料的抗壓強度和間接抗拉強度隨著鈣溶出的增加而降低[1]。Faucon P.等研究發現,在水泥漿體試件表層有大量鈣和少量硅溶出,混凝土被軟水溶蝕的過程受局部化學平衡控制,鈣溶蝕過程受鈣離子擴散控制[2-3]。李響的研究表明摻20%粉煤灰可以延緩水泥結構微裂紋的溶蝕發展[4]。何紹麗研究發現單摻粉煤灰可以減緩水泥漿體的鈣溶蝕進程,提高其在去離子水中的抗溶蝕性能[5]。孫海燕通過微觀分析發現當粉煤灰摻量不超過50%時,水化硅酸鈣含量不斷增多,無害孔和少害孔數量增加,摻入一定粉煤灰可以減小空隙率[6]。方正青等的研究表明粉煤灰的摻入雖然可減少氫氧化鈣含量和鈣離子溶出量,但會增大試件的空隙率,加速材料的鈣溶蝕進程[7]。Rozière E.等的研究表明粉煤灰的摻入可減少混凝土中氫氧化鈣含量,使材料內部可溶蝕的氫氧化鈣含量減少,溶蝕破壞程度降低[8]。陳朋等的研究表明,低等級粉煤灰摻量為15%時,粉煤灰氣泡輕質土的各項物理力學指標均最優且經濟效益顯著[9]。現有研究表明在水泥材料中摻入粉煤灰可以延緩其溶蝕進程,提高其耐久性能。但針對道路工程中水泥穩定碎石材料溶蝕特性的研究很少。

近年來眾多學者利用BP 神經網絡預測了各種混凝土的強度和耐久性[10-14],預測結果較精確。本文研究粉煤灰摻量對水泥穩定碎石材料溶蝕特性的影響,并采用BP神經網絡模型對其溶蝕進程進行預測,為水泥穩定碎石病害防治與壽命預估提供參考。

1 試驗方案

1.1 原材料及試驗方案

采用P.O42.5普通硅酸鹽水泥,粗集料采用4.75～26.5 mm級配碎石,細集料為河砂,粉煤灰為Ⅰ級低鈣粉煤灰。水泥穩定碎石材料中水泥摻量分別為3%、4%、5%、6%、7%,水泥∶粉煤灰分別按1.0∶0.0、1.0∶0.1、1.0∶0.2、1.0∶0.3的比例摻入,共設計20組試驗(見表1)。制備6 mmol氯化銨溶液,采用氯化銨加速溶蝕方法模擬溶蝕過程,測試水泥穩定碎石材料未溶蝕及溶蝕1 d、3 d、7 d、9 d、11 d、13 d、15 d、17 d、19 d、21 d、23 d、25 d、27 d時鈣離子溶出量、溶出率及空隙率變化[15]。

表1 水泥穩定碎石材料中水泥及粉煤灰摻量

1.2 試驗方法

1.2.1 氯化銨加速溶蝕方法

采用氯化銨加速溶蝕方法模擬水泥穩定碎石材料的溶蝕過程。制備6 mmol氯化銨溶液,將試件放入氯化銨溶液中溶蝕,保證上下底面與溶液完全接觸,溶蝕過程中容器保持密封。

1.2.2 鈣離子濃度測試

充分攪拌溶蝕溶液,取5 mL待測溶液,向其中加入去離子水稀釋X倍,取稀釋后溶液50 mL裝入錐形瓶中;向錐形瓶中滴入3滴1∶1稀鹽酸,搖勻,放置在電加熱爐中加熱煮沸,充分排放溶液中CO2后冷卻;再次向錐形瓶中加入5 mL體積分數為20%的氫氧化鈉溶液、約80 mg鈣黃綠素指示劑,充分搖勻后等待滴定;用配置好的EDTA溶液滴定,記錄初始刻度V1,邊滴定邊搖晃,觀察錐形瓶中溶液變化,當溶液由黃綠色變為橙紅色時,結束滴定,記錄最終刻度V2。按式(1)計算鈣離子濃度C。

(1)

式中:M為溶液的濃度(mmol/L);Vw為測試溶液體積(mL)。

1.2.3 空隙率測試

通過飽水-干燥稱重法稱量溶蝕前后飽水質量,計算試件空隙率。取出溶蝕后試件并用濕毛巾擦去表面浮水,稱其飽水質量ms;將試件完全浸沒在水中,用下掛式秤稱其懸浮在水中的質量mx;將試件放入60 ℃烘箱中充分干燥至恒重,稱其干燥質量md。通過式(2)計算試件空隙率φ。

(2)

2 建立BP神經網絡預測模型

2.1 BP神經網絡計算原理

BP神經網絡包括信號正向傳播和誤差反向傳播兩個過程。將給定的信號參數從輸入層傳遞至隱含層,經隱含層處理后將結果傳遞至輸出層,若輸出結果與期望值不符,進入誤差反向傳播過程;按原正向傳播路徑將誤差信號反饋至隱含層,通過對各層神經元權值的不斷修正使網絡的誤差函數趨于最小[16]。圖1為BP神經網絡結構,輸出y的計算表達式見式(3)。

圖1 BP神經網絡的結構

(3)

式中:F為激活函數,采用sigmoid函數。

BP神經網絡算法可根據誤差函數的負值不斷調整網絡中的權值和閾值,直到將網絡錯誤降至最低為止。更新后的權值和閾值分別見式(4)、式(5)。

(4)

(5)

式中:w(k)為第k次迭代時各層之間的連接權值向量;α為訓練速率;?E(k)/?w(k)為第k次迭代時神經網絡輸出誤差對各權值的誤差梯度;E(k)為第k次迭代時神經網絡輸出的總誤差性能函數,由式(6)表示;b(k)為第k次迭代時各層之間的連接閾值向量;?E(k)/?b(k)為第k次迭代時神經網絡輸出誤差對各閾值的誤差梯度。

(6)

式中:ei為實測值與預測值的絕對誤差;n為數據總數。

2.2 訓練集數據

采用摻粉煤灰水泥穩定碎石材料溶蝕特性研究中的數據建立BP神經網絡預測模型,將水泥穩定碎石材料的水泥摻量、粉煤灰摻量、溶蝕時間作為BP 神經網絡的輸入參數,預測水泥穩定碎石材料的空隙率和鈣離子溶出量、溶出率。

2.3 網絡層數和隱含層節點數

采用3層BP神經網絡,分別為輸入層、隱含層、輸出層。輸入層神經元數量為3個,分別為水泥摻量、粉煤灰摻量、溶蝕時間。隱含層節點數l按式(7)確定,計算得l的取值范圍為3～13個,經多次嘗試后確定隱含層節點數l為7個。

(7)

式中:m為輸出層節點數;n為輸入層節點數;a為0～10之間的任意常數。

3 摻粉煤灰水泥穩定碎石材料的溶蝕特性分析與預測

3.1 鈣離子溶出量分析與預測

圖2為不同水泥摻量、粉煤灰摻量下水泥穩定碎石材料中鈣離子濃度變化。由圖2可知:隨著浸泡時間的增加,溶液中鈣離子濃度逐漸增大。水泥摻量一定時,隨著粉煤灰摻量的增加,鈣離子溶出量不斷減小,粉煤灰對水泥穩定碎石材料鈣離子溶出起到抑制作用。粉煤灰中的活性二氧化硅與水泥的水化產物充分反應生成較多水化硅酸鈣,相較于氫氧化鈣,水化硅酸鈣更難以溶蝕,因而鈣離子溶出量有所降低。在相同浸泡時間下,增大水泥摻量可減緩鈣離子溶出量。

圖2 水泥穩定碎石材料中鈣離子濃度的變化

分別采用BP 神經網絡預測模型和逐步回歸預測模型對20組水泥穩定碎石材料的鈣離子溶出量進行預測,并對預測值和實測值進行線性擬合,結果見圖3。由圖3可知:BP 神經網絡模型預測值與實測值的相關系數R為0.970,且數據點緊鄰擬合直線;逐步回歸模型預測值與實測值的相關系數為0.910,部分數據點距離擬合直線較遠,數據較離散。BP 神經網絡模型預測值的擬合程度更高,更貼近實測值。

圖3 鈣離子溶出量預測值與實測值的線性擬合分析

3.2 鈣離子溶出率分析與預測

圖4為水泥穩定碎石材料中鈣離子溶出率測試結果。由圖4可知:鈣離子溶出率隨著浸泡時間的增加而增大,與鈣離子濃度變化情況吻合。粉煤灰摻量一定時,鈣離子溶出率整體隨著水泥摻量的增大而逐漸降低。這是因為水泥摻量、粉煤灰摻量增大,試件空隙率降低,而水泥穩定碎石材料的溶蝕過程是從材料外部向內部的過程,空隙率降低,則腐蝕溶液更難進入材料空隙中,鈣離子溶出率降低。水泥摻量一致時,在相同時間內,增大粉煤灰摻量可以減少鈣離子的析出,降低鈣離子溶出率,從而減緩溶蝕進度,提高水泥穩定碎石材料抵抗溶蝕的能力。

圖4 水泥穩定碎石材料中鈣離子溶出率的變化

圖5為鈣離子溶出率預測值與實測值的擬合結果。由圖5可知:BP 神經網絡預測模型預測值基本位于擬合直線附近,相關系數為0.990,接近于1,擬合程度高;逐步回歸模型預測值與擬合直線偏差較大,相關系數僅0.950,預測準確性欠佳。BP 神經網絡預測模型預測結果與實測數據極為相近,更具真實性。

圖5 鈣離子溶出率預測值與實測值的線性擬合分析

3.3 空隙率分析與預測

圖6為溶蝕過程中不同水泥摻量和粉煤灰摻量下水泥穩定碎石材料空隙率的變化。由圖6可知:隨著浸泡時間的增加,空隙率不斷增大,空隙增多使水泥穩定碎石材料更容易被侵蝕,析出更多的鈣離子,抵抗溶蝕的能力逐步減弱。但在整個溶蝕過程中空隙率變化并不明顯。在其他條件一定時,空隙率隨著粉煤灰摻量的增大而降低。這是因為在水泥穩定碎石強度形成早期,水泥迅速水化產生大量氫氧化鈣,而粉煤灰中活性二氧化硅可以與氫氧化鈣反應生成空隙更小的水化硅酸鈣,使材料空隙率降低。說明摻入粉煤灰可有效降低水泥穩定碎石材料的空隙率,增強其抵抗溶蝕的能力。此外,增大水泥摻量可以顯著降低水泥穩定碎石材料的空隙率,進而延緩溶蝕的進程。

圖6 水泥穩定碎石材料空隙率的變化

采用BP神經網絡預測模型和逐步回歸預測模型對水泥穩定碎石的空隙率進行預測,并對預測值與實測值進行線性擬合,結果見圖7。由圖7可知:BP 神經網絡預測模型預測值比較集中地散落在擬合直線附近,線性相關系數為0.985;逐步回歸預測模型預測值離擬合直線較遠,線性相關系數為0.954,擬合程度比BP神經網絡預測模型差。

圖7 水泥穩定碎石材料空隙率預測值與實測值的線性擬合分析

4 結論

(1) 隨著浸泡時間的增加,水泥穩定碎石材料的鈣離子溶出量、溶出率、空隙率不斷增大。

(2) 在相同條件下,增大水泥摻量可以降低水泥穩定碎石材料的空隙率、鈣離子溶出量和溶出率,延緩材料的溶蝕進程。

(3) 在水泥穩定碎石材料中摻入適量粉煤灰可以減少鈣離子溶出量,降低鈣離子溶出率和空隙率,提高水泥穩定碎石材料抵抗溶蝕的能力。

(4) BP神經網絡模型對水泥穩定碎石材料溶蝕性能的預測結果和實測結果非常接近,相關系數大于0.985,優于逐步回歸預測模型,BP神經網絡模型可用于水泥穩定碎石材料溶蝕性能預測。