基于BP神经网络的粉煤灰进场快速检测和性能预测技术研究

韩凤兰 戴闻斌 李玲玉 董赛阳 朱敏涛

上海同舜混凝土有限公司 上海 200080

根据行业内多年研究成果，在混凝土中掺加使用粉煤灰可达到以下目的：减少水泥用量；改善混凝土的工作性能；降低水化热；改善混凝土的内部结构；改善混凝土的力学性能和耐久性能；抑制碱-骨料反应等。粉煤灰因此改变了身份，从过去需要耗费大量人力、财力加以排除且占用大量土地的固体废弃物，一跃变成混凝土的优良原料，在大体积混凝土中优质粉煤灰更是不可或缺的组分[1]。

粉煤灰是一种直径1～100 μm、大小不均、矿物相组成复杂、活性多变的球状团聚体，受到原料来源和燃烧方式的随机叠加影响[2]。按照颗粒形貌可将粉煤灰颗粒分为玻璃微珠、海绵状玻璃体（包括颗粒较小、较密实、孔隙小的玻璃体和颗粒较大、疏松多孔的玻璃体）、碳粒[3]。我国每年产生约5亿 t粉煤灰，基于不同地区、不同电厂的煤种和燃烧条件不同，所产生的粉煤灰特征各异。对上海地区来说，随着大部分燃煤电厂的关停，粉煤灰来源不稳定，供应紧张，混凝土搅拌站应加大进场检验力度。

目前，对粉煤灰进场进行快速判定的方法主要有：外观颜色判断；与水泥净浆流动度进行比较；细度检测；用高倍显微镜观察样品外观形貌，快速鉴别粉煤灰真伪[4]；将粉煤灰加入热水中是否有刺鼻气味，是否漂浮一层黑色油状物；滴加一定量酚酞是否显色；将粉煤灰加入水中并搅拌，对漂浮微珠进行定性观察或定量测量等。因为粉煤灰的活性指数检测需较长时间，所以目前对粉煤灰进场进行初步快速判定的项目并不包括粉煤灰的活性指数。

神经网络（artifciial neural networks，ANNs）是一种通过模仿人脑结构及功能建立起的信息处理系统，BP神经网络模型是其中一种。神经网络模型具有超强的复杂数据非线性处理能力和大数据自学习能力，非常适合用于材料科学领域中复杂的非线性关系的寻找[5]。选取4家粉煤灰供应商的16批次粉煤灰进行了化学成分及物理性能的测试和分析，以期作为粉煤灰进场快速检验的参考。以粉煤灰的物理化学性能检测结果为输入数据，粉煤灰活性指数为输出数据，建立起BP神经网络模型，以探索粉煤灰活性的进场快速初步检测方法。

1 粉煤灰的化学成分分析

粉煤灰的化学成分主要来源于煤粉的无机成分，包括黏土矿物、少量的黄铁矿、方解石、石英等。因此我国燃煤电厂粉煤灰的主要化学成分为：SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O、SO3及未燃尽有机质（烧失量）等。不同来源的煤在不同燃烧条件下产生的粉煤灰化学成分差别非常大。粉煤灰的活性主要来自玻璃体二氧化硅和玻璃体三氧化二铝在一定碱性条件下的水化能力。结合态的氧化钙含量越高，越能提高其自硬性，对提高混凝土的早期强度有很大帮助。氧化镁含量过高时，将给掺入粉煤灰的混凝土安定性带来不利影响。三氧化硫含量会导致凝结时间延长及可能降低混凝土的早期强Ⅰ度。对4家粉煤灰供应商的16批次粉煤灰进行化学成分荧光分析，结果见表1。

表1 粉煤灰化学成分

表1化学成分分析表明，16批次粉煤灰的主要化学成分为SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、TiO2、SO3、MnO等，其中SiO2、Al2O3、Fe2O3的总量除凤台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》对C类粉煤灰的要求。

2 粉煤灰的物理性能分析

选取4家粉煤灰供应商的16批次粉煤灰进行细度、需水量比、三氧化硫、游离氧化钙、强度活性指数的试验测试。图1为灼烧前后粉煤灰样品的颜色变化情况，可以看出灼烧前后的粉煤灰在表观颜色上存在很大的差异，在深灰色到土黄色之间变化。灰色粉煤灰灼烧后呈浅黄色，黄色粉煤灰灼烧后呈铁锈色。

图1 灼烧前后粉煤灰样品颜色的变化情况

2.1 细度、需水量比、烧失量、SO3、f-CaO

粉煤灰的细度、需水量比、烧失量、三氧化硫含量、游离氧化钙含量的测试结果见表2。

表2 粉煤灰的物理性能

按C类Ⅱ级粉煤灰的性能要求，16批次粉煤灰的细度合格率为81%；需水量比的合格率为50%，需水量比表现出偏高的情况；烧失量指标、三氧化硫含量、游离氧化钙含量的合格率均为100%。由图2可以看出，粉煤灰的需水量比与烧失量呈正相关。粉煤灰中的未燃碳是有害成分，烧失量越大，其含碳量越高，由于碳物质疏松多孔、吸水率高，粉煤灰的需水量就越大。将粉煤灰的颜色考虑在内，表观颜色越深，烧失量越大，需水量也越大。

图2 需水量比与烧失量关系

2.2 强度活性指数

粉煤灰的强度活性指数结果见表3。

表3 粉煤灰强度活性指数

图3为粉煤灰需水量比与活性指数的关系，从图中可以看出，除前景3#和前景4#外，其他各粉煤灰的28 d活性指数均大于70%，与需水量比进行比较，发现需水量高的粉煤灰28 d活性指数偏低，需水量比处于100%左右的粉煤灰28 d活性指数最高。

图3 需水量比与活性指数的关系

3 粉煤灰活性预测

利用DPS数据处理系统，分别以粉煤灰的化学成分数据、物理性能数据以及化学成分和物理性能综合数据为输入数据，以表3中粉煤灰7 d活性指数和28 d活性指数为输出数据训练BP神经网络模型。

3个BP神经网络模型均以前景1#～3#、华太1#～3#、凤台1#～3#、石发1#～3#为训练数据，以前景4#、华太4#、凤台4#、石发4#为验证数据，对BP神经网络模型进行训练，并利用训练完成的BP神经网络模型对粉煤灰的活性指数进行预测。

3.1 以粉煤灰的化学成分预测其活性

以表1中粉煤灰的化学成分（除P2O5含量）为输入数据，经多次训练，选择BP神经网络模型训练参数如表4参数值1所示。利用前述训练完成的BP神经网络模型对粉煤灰7 d活性指数和28 d活性指数进行预测，预测结果如图4（a）和图4（b）所示。

表4 BP神经网络模型训练参数

图4 粉煤灰活性指数预测结果与实际值对比

对粉煤灰7 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差3.19%，标准差4.83%，差值误差平均数95%置信区间为－0.44%～4.71%。对粉煤灰28 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差1.60%，标准差2.46%，差值误差平均数95%置信区间为－0.78%～1.84%。

从图4（a）和图4（b）中容易看出，除华太4#和凤台4#外，粉煤灰7 d和28 d活性指数的预测结果均与实际值基本相符，28 d活性指数预测结果与实际值差值不超过6.4%，但7 d活性指数预测结果与实际值最大差值达到了14.5%。

总体来看，采用粉煤灰化学成分数据对粉煤灰活性指数进行预测，预测结果与实际结果基本相符，但个别样品存在较大偏差，即采用粉煤灰化学成分数据对粉煤灰活性指数进行预测具有一定参考价值，但用于粉煤灰进场快速检验可行性不高。

3.2 以粉煤灰的物理性能预测其活性

以表2中粉煤灰的物理性能（除颜色）为输入数据，经多次训练，选择BP神经网络模型训练参数如表4参数值2所示。利用前述训练完成的BP神经网络模型对粉煤灰7 d活性指数和28 d活性指数进行预测，预测结果如图4（c）和图4（d）所示。

对粉煤灰7 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差2.88%，标准差4.21%，差值误差平均数95%置信区间为－1.82%～2.66%。对粉煤灰28 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差2.00%，标准差2.51%，差值误差平均数95%置信区间为－0.07%～4.28%。

从图4（c）和图4（d）中可看出，粉煤灰7 d和28 d活性指数的预测结果均与实际值之间存在一定误差，7 d活性指数预测结果与实际值差值最大达到9.8%，28 d活性指数预测结果与实际值差值最大达到7.2%。

总体来看，采用粉煤灰物理性能数据对粉煤灰活性指数进行预测，与单独采用粉煤灰化学成分对其活性指数进行预测的预测准确度差异不大，即采用粉煤灰物理性能数据对粉煤灰活性指数进行预测具有一定的参考价值，但用于粉煤灰进场快速检验可行性也不高。

3.3 以粉煤灰的化学成分和物理性能综合数据预测其活性

以表1中粉煤灰的化学成分（除P2O5含量）和表2中粉煤灰的物理性能（除颜色）为输入数据，经多次训练，选择BP神经网络模型训练参数如表4参数值3所示。

利用前述训练完成的BP神经网络模型对粉煤灰7 d活性指数和28 d活性指数进行预测，预测结果如图4（e）和图4（f）所示。

对粉煤灰7 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差1.67%，标准差2.34%，差值误差平均数95%置信区间为－0.28%～2.21%。对粉煤灰28 d活性指数预测结果与实际值差值进行分析，结果如下：平均偏差0.84%，标准差1.49%，差值误差平均数95%置信区间为－0.83%～0.76%。综上可知，采用建立的BP神经网络模型对粉煤灰活性指数进行预测，预测结果与实际结果基本相符，预测结果较为准确，即可采用BP神经网络模型进行粉煤灰进场快速初步检测。

从图4（e）和图4（f）中容易看出，粉煤灰7 d和28 d活性指数的预测结果均与实际值相符，7 d活性指数预测结果与实际值的差值不超过7.3%，28 d活性指数预测结果与实际值的差值不超过4.0%，即采用化学成分和物理性能综合数据建立BP神经网络模型进行粉煤灰进场快速初步检测具有可行性。

3.4 3种预测方法对比分析

以上3种粉煤灰活性预测方法，区别在于输入层数据的差异，分别以粉煤灰的化学成分数据、物理性能数据及两者的集合为输入数据，显然由于输入数据的不同造成了预测结果准确性的差异。对以上3种基于神经网络的粉煤灰活性预测方法进行对比分析。粉煤灰活性指数预测结果与实际值差值3种预测方法的对比情况如图5所示，3种方法预测结果分析对比如图6所示。

图5 粉煤灰活性指数预测结果与实际值差值3种预测方法对比

图6 3种方法预测结果分析对比

从图5和图6中均可以看出，单纯以化学成分数据作为输入数据建立的预测模型和单纯以物理性能数据作为输入数据建立的预测模型预测的结果准确度均不是特别理想。

从图5（a）和图5（b）中可以看出，以粉煤灰化学成分和物理性能综合数据为输入数据建立的神经网络模型，无论对粉煤灰7 d活性指数还是28 d活性指数，其预测准确度都是最高的，预测结果的波动也最小。

从图6中可看出，3种神经网络模型对粉煤灰28 d活性指数的预测准确度都高于7 d活性指数，且以粉煤灰化学成分和物理性能综合数据为输入数据建立的神经网络模型预测结果的平均偏差和标准差都比较低，说明该预测方法的准确度更高，波动最小。

4 结语

1）细度和需水量比是不稳定指标，深灰色粉煤灰的需水量比偏高。烧失量、三氧化硫含量、游离氧化钙含量等指标相对稳定，处于标准规定范围内。

2）烧失量与粉煤灰颜色相关，灰色粉煤灰比黄色粉煤灰烧失量大，可能是受未燃碳等成分的影响。

3）强度活性指数与需水量比呈负相关，需水量高的粉煤灰其28 d强度活性指数偏低。

4）仅采用粉煤灰化学成分数据或物理性能数据对粉煤灰活性指数进行预测具有一定参考价值，但用于粉煤灰进场快速检验可行性不高。

5）以粉煤灰化学成分和物理性能综合数据为输入数据建立的神经网络模型，无论对粉煤灰7 d活性指数还是28 d活性指数，都比仅采用化学成分数据或物理性能数据预测准确度高、结果波动小。

6）采用BP神经网络模型对粉煤灰7 d和28 d活性指数进行预测，预测结果与实际值相符，28 d活性指数预测结果与实际值不超过4.0%，采用BP神经网络模型对粉煤灰进行进场快速初步检测具有可行性。

7）针对粉煤灰对混凝土冬季凝结时间、强度等的影响，后续将进行模拟温度在0～4 ℃的条件下粉煤灰对混凝土凝结时间、力学性能等影响的试验。