基于神经网络的自密实混凝土间隙通过能力评价

张志恒,綦春明

(南华大学 城市建设学院,湖南 衡阳421001)

自密实混凝土(Self-compacting concrete,简称SCC)的间隙通过能力[1]除了与骨料粒径有关外,还与自密实混凝土拌合物的流动性能、抗离析性能有很强的关联性,因此间隙通过能力已成为评价自密实混凝土施工性能的重要指标之一。近年来,亚洲、欧洲、北美等地区在发展和应用自密实混凝土的同时,高度重视自密实混凝土工作性测试方法和技术研究,并取得一系列突破[2,3],比较有代表性的试验有:J形环试验、L形槽和U形箱试验[4],评价指标有:通过率、高度差、内外阶梯高度/总流量等。这些研究都表明,J形环与坍落度筒结合,可以对SCC的间隙通过能力进行简单测试,结合V形漏斗还可以得到SCC拌合物的稳定性指标。但是这些方法都尚未形成一套标准、科学的理论体系,不同的试验装置评价指标存在差异,优越性难以区分。本研究通过选定J形环试验装置对自密实混凝土间隙通过能力进行试验研究,以神经网络进行数值模拟,并对模拟后的误差和试验数据进行正交分析。从试验和理论分析中,得出一种测试自密实间隙通过能力的简便有效的方法。

1 试验概况

1.1 试验原材料及配合比

试验所用的水泥(C)为衡阳“湘江”水泥(32.5R);粉煤灰掺合料(FA)为湘潭Ⅱ级灰,密度ρf=2.4 g/cm3,砂(S)为中砂,表观密度 ρs=2.65 g/cm3。粗骨料粒粒径为5 mm～20 mm的卵石(G),表观密度 ρs=2.7 g/cm3,堆积密度ρb=1.55 kg/m3。减水剂聚羧酸盐高效减水剂,水为普通自来水(W)。

本次研究的配合比如表1。

表1 自密实混凝土配合比(单位:kg/m3)

1.2 试验方法

参考国内外J形环装置:本次研究采用圆钢筋焊接一个直径为300 mm的圆环,根据《混凝土结构设计规范》(GB50010-2002)10.2.1规定,选择钢筋净距分别为20 mm、40 mm、50mm、60mm,经计算所得在圆环上分别垂直焊接31、19、14、13根等距的 Φ 10 mm×100 mm的圆钢,测试时,将J形环套在坍落筒外,用测试坍落扩展度的方法,让自密实混凝土拌合物通过J形环流出,测量拌合物流平后的环内外差H。

式中:hlm为中心最高点与环顶端的高度值;ham为环内多点与环顶端高度值的平均值;hbm为环外多点与环顶端高度值的平均值。同时,为了检测环内外SCC的质量,考虑到坍落度筒的体积有限,将环内、外自密实混凝土分别做成70.7 mm×70.7 mm×70.7 mm立方体试块、标准养护28 d后测试抗压强度。

1.3 试验结果

试验结果表明,钢筋间距为60 mm,即为粗骨料最大粒径的2.5～3倍,直径为300 mm的J形环,可以测试自密实混凝土的间隙通过能力。其评价指标为:当H值为8 mm～12 mm,环内外混凝土高差为5 mm～8 mm,扩展度为680 mm～710 mm,间隙通过能力好。钢筋间距对环内外自密实混凝土强度基本没有影响。

2 神经网络模拟

2.1 模拟方法

运用MATLAB7.1中的神经网络工具箱[5,6]来实现对SCC间隙通过性能网络模型的建立及训练和测试过程。以无环(记为J0)的环外强度、环内强度、环内平均高度、环外平均高度、中心点高度、T50时间(即扩展直径达到500 mm时所用的时间)、扩展度这7个量作为输入,以钢筋间距为60 mm的J形环(记为J60)环外强度、环内强度、环内平均高度、环外平均高度、中心点高度、T50时间、扩展度作为输出。随机抽出8个C40样本数据作为测试数据,如表2所示。统一设定目标goal=0.001,训练次数一般设为10 000次,并先后采用了TRAINCGF、TRAINOSS、TRAINSCG、TR AINRP、TR AINGDX和TRAINGDM共6种算法。如图1所示。从图中可以看出,TRAINRP算法只训练了50次就达到了要求的输出精度,大大地加快了训练速度。

表2 SCC测试数据

图1 SCC间隙通过性试验神经网络模型训练过程图

2.2 网络预测结果

期望输出误差设定为0.001时,网络训练后进行测试,将预测值与实际值绘制在一个坐标系内,进行线性拟合。由图2可见,预测值与实际值基本在拟合直线上,且直线几乎通过坐标原点,说明预测值与实际值的偏差不大,预测效果良好。预测值与实际值的相对误差见表3。由表3可以看出,对于8组用于测试的数据,训练后的网络预测值与目标值的相对误差绝大多数在0.15%以内,最大相对误差只有0.36%。

3 正交分析

3.1 模拟误差正交分析

为了进一步了解钢筋净距的变化对试验结构的影响,对试验数据和神经网络模拟后的误差进行正交分析,采用综合指标法,根据试验的目的,所选的7个指标具有不同的重要性,即T50和扩展度的权重为0.2,中心点高度和环内高度的权重为0.15,其余3个指标的权重为0.1,七者之和为综合量化指标(如表4)。

图2 SCC神经网络预测值与目标值关系

表3 神经网络预测结果与试验结果

表4 SCC模拟误差正交分析

通过表4可以发现:从单个指标来看,随钢筋净距的改变,环内高度、中心点高度、T50、扩展度的极差也比较大,说明影响比较大;对环内外强度、环外高度极差相对其它并不是很明显。对于综合指标,K3、K4相差不大,即钢筋净距为最大粒径2.5倍的环和钢筋净距为最大粒径3倍的环综合指标相近;而K1与K4相差比较大。总之,如果钢筋净距为最大粒径3倍的环是优环的话,钢筋净距为最大粒径2.5倍的环是更优环,可以用来检测自密实混凝土的间隙通过能力。

4 结 论

基于神经网络模拟、正交分析的自密实混凝土的间隙通过性研究,可以得出如下结论:

(1)利用直径为300 mm的J形环和坍落度筒来测定自密实混凝土的间隙通过能力是技术可行的;

(2)用神经网络来模拟SCC间隙通过性,训练后网络预测值与实际值的相对误差绝大多数在0.15%以内,最大相对误差只有0.36%,并且收敛得很快;

(3)通过神经网络以及模拟误差的正交分析表明:直径为300mm,钢筋净距为最大粒径2.5倍的J形环是最优环,可以用来测试自密实混凝土的间隙通过性能。其评价指标为:H值为8 mm～12mm,内外高差为5 mm～8mm,扩展度为675 mm～700mm。

[1]中国建筑标准设计研究院等.自密实混凝土应用技术规程[M].北京:中国计划出版社,2006.

[2]周绍青,石建军,杨晓锋,等.神经网络在自密实混凝土流动性能中的应用[J].水利与建筑工程学报,2005,3(4):42-45.

[3]傅沛兴,张全贵,黄艳平.自密实混凝土检测方法探讨[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.