基于神經(jīng)網(wǎng)絡(luò)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(xué) 城市建設(shè)學(xué)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(guān)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(guān)聯(lián)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(biāo)之一。近年來,亞洲、歐洲、北美等地區(qū)在發(fā)展和應(yīng)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(shù)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(huán)試驗、L形槽和U形箱試驗[4],評價指標(biāo)有:通過率、高度差、內(nèi)外階梯高度/總流量等。這些研究都表明,J形環(huán)與坍落度筒結(jié)合,可以對SCC的間隙通過能力進行簡單測試,結(jié)合V形漏斗還可以得到SCC拌合物的穩(wěn)定性指標(biāo)。但是這些方法都尚未形成一套標(biāo)準(zhǔn)、科學(xué)的理論體系,不同的試驗裝置評價指標(biāo)存在差異,優(yōu)越性難以區(qū)分。本研究通過選定J形環(huán)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(jīng)網(wǎng)絡(luò)進行數(shù)值模擬,并對模擬后的誤差和試驗數(shù)據(jù)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(nèi)外J形環(huán)裝置:本次研究采用圓鋼筋焊接一個直徑為300 mm的圓環(huán),根據(jù)《混凝土結(jié)構(gòu)設(shè)計規(guī)范》(GB50010-2002)10.2.1規(guī)定,選擇鋼筋凈距分別為20 mm、40 mm、50mm、60mm,經(jīng)計算所得在圓環(huán)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(huán)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(huán)流出,測量拌合物流平后的環(huán)內(nèi)外差H。

式中:hlm為中心最高點與環(huán)頂端的高度值;ham為環(huán)內(nèi)多點與環(huán)頂端高度值的平均值;hbm為環(huán)外多點與環(huán)頂端高度值的平均值。同時,為了檢測環(huán)內(nèi)外SCC的質(zhì)量,考慮到坍落度筒的體積有限,將環(huán)內(nèi)、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(biāo)準(zhǔn)養(yǎng)護28 d后測試抗壓強度。

1.3 試驗結(jié)果

試驗結(jié)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(huán),可以測試自密實混凝土的間隙通過能力。其評價指標(biāo)為:當(dāng)H值為8 mm～12 mm,環(huán)內(nèi)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(huán)內(nèi)外自密實混凝土強度基本沒有影響。

2 神經(jīng)網(wǎng)絡(luò)模擬

2.1 模擬方法

運用MATLAB7.1中的神經(jīng)網(wǎng)絡(luò)工具箱[5,6]來實現(xiàn)對SCC間隙通過性能網(wǎng)絡(luò)模型的建立及訓(xùn)練和測試過程。以無環(huán)(記為J0)的環(huán)外強度、環(huán)內(nèi)強度、環(huán)內(nèi)平均高度、環(huán)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(huán)(記為J60)環(huán)外強度、環(huán)內(nèi)強度、環(huán)內(nèi)平均高度、環(huán)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(shù)據(jù)作為測試數(shù)據(jù),如表2所示。統(tǒng)一設(shè)定目標(biāo)goal=0.001,訓(xùn)練次數(shù)一般設(shè)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(xùn)練了50次就達到了要求的輸出精度,大大地加快了訓(xùn)練速度。

表2 SCC測試數(shù)據(jù)

圖1 SCC間隙通過性試驗神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程圖

2.2 網(wǎng)絡(luò)預(yù)測結(jié)果

期望輸出誤差設(shè)定為0.001時,網(wǎng)絡(luò)訓(xùn)練后進行測試,將預(yù)測值與實際值繪制在一個坐標(biāo)系內(nèi),進行線性擬合。由圖2可見,預(yù)測值與實際值基本在擬合直線上,且直線幾乎通過坐標(biāo)原點,說明預(yù)測值與實際值的偏差不大,預(yù)測效果良好。預(yù)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(shù)據(jù),訓(xùn)練后的網(wǎng)絡(luò)預(yù)測值與目標(biāo)值的相對誤差絕大多數(shù)在0.15%以內(nèi),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(jié)構(gòu)的影響,對試驗數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)模擬后的誤差進行正交分析,采用綜合指標(biāo)法,根據(jù)試驗的目的,所選的7個指標(biāo)具有不同的重要性,即T50和擴展度的權(quán)重為0.2,中心點高度和環(huán)內(nèi)高度的權(quán)重為0.15,其余3個指標(biāo)的權(quán)重為0.1,七者之和為綜合量化指標(biāo)(如表4)。

圖2 SCC神經(jīng)網(wǎng)絡(luò)預(yù)測值與目標(biāo)值關(guān)系

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與試驗結(jié)果

表4 SCC模擬誤差正交分析

通過表4可以發(fā)現(xiàn):從單個指標(biāo)來看,隨鋼筋凈距的改變,環(huán)內(nèi)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(huán)內(nèi)外強度、環(huán)外高度極差相對其它并不是很明顯。對于綜合指標(biāo),K3、K4相差不大,即鋼筋凈距為最大粒徑2.5倍的環(huán)和鋼筋凈距為最大粒徑3倍的環(huán)綜合指標(biāo)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(huán)是優(yōu)環(huán)的話,鋼筋凈距為最大粒徑2.5倍的環(huán)是更優(yōu)環(huán),可以用來檢測自密實混凝土的間隙通過能力。

4 結(jié) 論

基于神經(jīng)網(wǎng)絡(luò)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(jié)論:

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

(2)用神經(jīng)網(wǎng)絡(luò)來模擬SCC間隙通過性,訓(xùn)練后網(wǎng)絡(luò)預(yù)測值與實際值的相對誤差絕大多數(shù)在0.15%以內(nèi),最大相對誤差只有0.36%,并且收斂得很快;

(3)通過神經(jīng)網(wǎng)絡(luò)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(huán)是最優(yōu)環(huán),可以用來測試自密實混凝土的間隙通過性能。其評價指標(biāo)為:H值為8 mm～12mm,內(nèi)外高差為5 mm～8mm,擴展度為675 mm～700mm。

[1]中國建筑標(biāo)準(zhǔn)設(shè)計研究院等.自密實混凝土應(yīng)用技術(shù)規(guī)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(jīng)網(wǎng)絡(luò)在自密實混凝土流動性能中的應(yīng)用[J].水利與建筑工程學(xué)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.