再生骨料裹浆改性用碱激发材料浆液配比优化

李克亮, 弓晋伟, 申翔宇, 孙作正, 杜晓蒙, 李宁宁

(1.华北水利水电大学 土木与交通学院,河南 郑州 450045; 2.同济大学 机械与能源工程学院,上海 200092;3.郑州鼎盛工程技术有限公司,河南 郑州 450001)

随着“碳达峰、碳中和”战略的持续推进,工业固废与建筑垃圾资源化利用任务紧迫。当前我国建筑垃圾产量每年超过15亿t,其中建筑拆除垃圾中混凝土占54.21%,建筑施工垃圾中混凝土占18.42%[1]。目前,我国主要利用建筑垃圾制得再生骨料,进而制备再生混凝土[2-3]、建筑砂浆[4]、路基混合材料等[5],资源利用率仅为5%左右。再生骨料经破碎、筛分后表面存在许多微裂缝和残余砂浆,导致由其制备的再生混凝土强度较低,直接利用困难,因此需要对再生骨料进行改性处理。

再生骨料改性手段主要包括以下几种。①物理改性:加热研磨[6]、机械研磨[7]等;②化学改性:化学溶液浸泡[8-9]、酸洗[10]、裹浆法[11-13]等;③微生物改性:不同菌液矿化沉积处理[14]。其中,裹浆法改性相较于其他改性手段更节约能源,成本低,制备周期短。ZHANG H R等[11]通过硫铝酸盐水泥浆液对再生骨料进行裹浆改性处理,制备的再生混凝土的抗压强度和动态弹性模量明显提高,同时硫铝酸盐水泥形成的界面过渡区可以阻止硫酸盐侵蚀。HO H L等[12]对再生细骨料裹浆处理后发现,不同浆液对再生混凝土性能的影响不同,粉煤灰可改善再生混凝土的和易性,矿渣粉可提高再生混凝土的抗压强度和劈裂强度,水化产物C-S-H填充在界面过渡区可降低再生混凝土的孔隙率,且吸水率可降低60%。曹鑫铖等[13]通过42.5R水泥对再生粗骨料裹浆,优化了骨料的物理性能,改善了混凝土新旧界面过渡区,增强了其密实性,150次冻融循环后混凝土相对动弹性模量提高了18.6%。上述研究表明,对再生骨料裹浆改性处理可以提升再生混凝土的性能。但传统裹浆改性工艺存在两个弊端:一是水泥基裹浆浆液成本高,且造成资源的二次消耗;二是仅使用工业固废粉体制备浆液对再生骨料进行裹浆改性,工业固废粉体活性未被充分激发,再生混凝土性能提升不显著。史才军等[15]介绍了不同碱-激发胶凝材料的胶凝组分的特性,总结了碱-激发胶凝材料的水化和微观结构,与硅酸盐水泥的生产和性能相比,它们具有能耗低、强度高、耐久性好等特点。杨达等[16]以矿渣与粉煤灰为原料,在利用碱激发剂制备胶凝材料并探究其水化反应机理时发现,当矿渣和粉煤灰含量之比为4∶1时,胶凝材料的28 d抗压强度达到峰值37.1 MPa,水化产物中含有Friedel盐、托贝莫来石、钙矾石、C-S-H/C-A-S-H凝胶,粉煤灰中残留α石英相。DONGHO J等[17]研究发现,粉煤灰体系中添加氯盐作为激发剂能促进粉煤灰的溶解程度,增加水化硅酸钙凝胶的生成,同时减小胶凝材料硬化后的孔隙率,使得强度增加。因此,利用碱激发材料浆液代替水泥浆液对再生骨料进行裹浆改性值得深入研究。

碱激发材料浆液配比是影响裹浆改性再生骨料性能的主要因素之一,需要对其进行优化设计。目前,对水泥基材料配比的优化手段主要有响应面法、神经网络预测优化等。付自国等[18]利用Design-Expert软件中的Box-Behnken中心组合试验设计及响应面法,通过建立料浆质量分数、水泥用量和骨料配比的回归模型优选出以胶结体强度为响应的最优料浆配比;胡亚飞等[19]利用响应面法Box-Behnken优化试验设计,分析不同组分交互作用对尾砂湿喷混凝土强度的影响,并通过建立ANN-GA(Artificial Neural Network-Genetic Algorithm)模型对其配比进行预测优化;李立涛等[20]通过BP(Back Propagation)神经网络优化全尾砂充填胶凝材料配方,并建立了新型胶凝材料的高精度预测模型。辛振科[21]对比响应面拟合模型与BP神经网络模型对水工沥青混凝土动态抗压强度的预测结果发现,响应面模型能拟合出具体的表达式,BP神经网络模型的预测精度则更高。综合上述配比优化方法发现,不同试验设计方法结合神经网络优化算法能够提高对目标参数的优化精度。

本文对再生骨料裹浆改性用碱激发材料浆液配比进行优化设计,基于响应面设计方法(Response Surface Methodology,RSM)中Box-Behnken优化试验设计(RSM-BBD),建立以浆液中矿渣粉与粉煤灰比值(GGBFS/FA)、水泥熟料掺量、氯盐掺量为变量,再生混凝土强度为响应的多元非线性回归模型,探究浆液中GGBFS/FA、水泥熟料掺量、氯盐掺量交互作用对再生混凝土强度的影响;通过构建BP-GA模型来预测再生混凝土强度和高精度优化浆液配比。

1 碱激发材料浆液配比初步优化

1.1 试验材料

1)再生骨料。再生骨料为郑州鼎盛工程技术有限公司用建筑垃圾中的废混凝土经破碎、筛分、冲洗、烘干后制得,粒径范围为5.0～31.5 mm,其基本物理性能见表1。

表1 再生骨料基本物理性能

2)碱激发材料浆液。选用S95级粒化高炉矿渣粉(以下简称矿渣粉)、Ⅱ级粉煤灰、水泥熟料、氯盐和水配制成。硅酸盐水泥熟料和氯盐(主要成分为CaCl2)为碱激发剂。氯盐为白色多孔球状颗粒,易溶于水,纯度为AR分析纯,矿渣粉、粉煤灰和水泥熟料的化学组成见表2。

表2 矿渣粉、粉煤灰和水泥熟料的化学组成 %

1.2 试验步骤

主要试验步骤如图1所示。碱激发浆液配制方法为:先取出部分水将氯盐充分融化;再将剩余水和氯盐溶液倒入水泥净浆搅拌机搅拌锅内;然后在5～10 s内,将称好的粉体材料加入水中,防止水和粉体溅出;启动搅拌机,先低速搅拌120 s,停15 s,接着高速搅拌120 s。

图1 试验步骤

将再生骨料表面全部浸于碱激发材料浆液中,置于振动台上震动90 s,静置60 s,如此循环2次;然后将再生骨料静置于方孔筛上,5 min翻动1次,循环2次,防止再生骨料黏连。再生骨料裹浆改性后,自然养护3 d,标准养护箱养护25 d,得到碱激发材料浆液裹浆改性再生骨料。

根据《混凝土物理力学性能试验方法标准》(GB/T 50081—2019)[22]制备再生混凝土和测试再生混凝土抗压强度,并以抗压强度为目标变量,通过响应面法和神经网络对浆液配比进行高精度优化。

1.3 碱激发材料浆液配比单因素试验

按照1.2节试验步骤制备裹浆改性再生骨料,根据《普通砂石检验方法标准》(JGJ 52—2006)[23]测试其表观密度、吸水率、压碎指标,并以这3个指标为响应指标对碱激发材料浆液配比进行初步优化。通过单因素试验依次分析浆液中矿渣粉与粉煤灰质量比GGBFS/FA(0.6、0.8、1.0、1.2、1.4)、水泥熟料掺量(6%、8%、10%、12%、14%)、氯盐掺量(1%、2%、3%、4%、5%)、水胶比(0.50、0.52、0.54、0.56、0.58、0.60)对裹浆改性再生骨料基本物理性能的影响。上述参数选择均基于作者以往关于碱激发胶凝材料的研究成果。

1.3.1 GGBFS/FA对再生骨料基本物理性能的影响

图2为GGBFS/FA对再生骨料表观密度、吸水率、压碎指标的影响情况。由图2可知:随着浆液中GGBFS/FA的增加,表观密度先增加后显著降低,吸水率先降低后缓慢增加,压碎指标始终保持稳定;当浆液中GGBFS/FA为1.0时,表观密度最大为2 601 kg/m3,吸水率和压碎指标相对较低。综上所述,初步优选GGBFS/FA为1.0。

图2 GGBFS/FA对再生骨料性能的影响

1.3.2 水泥熟料掺量对再生骨料基本物理性能的影响

图3为水泥熟料掺量对再生骨料表观密度、吸水率、压碎指标的影响情况。由图3可知:随着水泥熟料掺量的增加,表观密度变化波动较大,吸水率呈现出先减小后增大的变化趋势,压碎指标显著降低然后趋于稳定;当水泥熟料掺量为10%时,表观密度最大为2 681 kg/m3,吸水率和压碎指标最小分别为6.22%、16.24%。综上所述,初步优选水泥熟料掺量为10%。

图3 水泥熟料掺量对再生骨料性能的影响

1.3.3 氯盐掺量对再生骨料基本物理性能的影响

图4为氯盐掺量对再生骨料表观密度、吸水率、压碎指标的影响情况。由图4可知:当氯盐掺量为3%时,表观密度为2 774 kg/m3,远高于其他掺量时的;吸水率呈先降低后增加的缓慢变化趋势,当氯盐掺量为3%时吸水率最低,为6.24%,此时压碎指标保持稳定且相对较低。综上所述,初步优选氯盐掺量为3%。

图4 氯盐掺量对再生骨料性能的影响

1.3.4 水胶比对再生骨料基本物理性能的影响

图5为水胶比对再生骨料表观密度、吸水率、压碎指标的影响情况。由图5可知:水胶比对裹浆性再生骨料基本物理性能的影响并不显著,3个性能随水胶比的增大变化不明显;当水胶比为0.58时,表观密度、吸水率、压碎指标均处于最佳。综上所述,初步优选水胶比为0.58。

图5 水胶比对再生骨料性能的影响

1.4 RSM-BBD 试验优化设计

响应面设计方法(Response Surface Methodology,RSM)是通过建立设计变量与目标响应值之间的回归模型,经方差分析、优化、预测得到目标响应值的一种统计方法[24],与普通正交试验相比,可反映出不同变量间交互作用的影响。

根据前期单因素试验,固定水胶比为0.58,通过Design-Expert 12软件中的响应面Box-Behnken(RSM-BBD)优化试验设计,以再生混凝土强度(Y)为响应值,以对碱激发材料浆液影响显著的3个因素矿渣粉与粉煤灰比例(GGBFS/FA)(A)、水泥熟料掺量(B)和氯盐掺量(C)为考察因素进行响应面优化试验。再生混凝土配合比见表3,试验因素与水平见表4,试验设计及结果见表5。

表3 再生混凝土配合比 kg/m3

表4 试验因素与水平

表5 试验设计及结果

2 碱激发浆液配比响应面优化

2.1 再生混凝土强度模型构建及方差分析

根据表5试验结果,通过Design-Expert 12进行数据拟合,可建立再生混凝土强度(Y)与浆液中GGBFS/FA(A)、水泥熟料掺量(B)、氯盐掺量(C)的多元非线性回归模型:

Y=35.18+1.38A+0.52B+1.07C+0.25AB+0.57AC-

0.67BC-0.59A2-0.08B2+0.70C2。

(1)

表6 回归模型方差分析表

经方差分析可知,碱激发材料浆液中GGBFS/FA(A,p<0.01)、氯盐掺量(C,p<0.01)对再生混凝土强度的影响极显著;水泥熟料掺量(B,p<0.05)对再生混凝土强度的影响显著,单因素影响的主次顺序为A>C>B。交互项中,碱激发材料浆液中激发剂掺量(BC,p<0.05)的交互作用对再生混凝土强度的影响最大;浆液中GGBFS/FA与水泥熟料掺量(AB,p>0.05)的交互作用对再生混凝土强度的影响最小,交互作用影响的主次顺序为BC>AC>AB。

2.2 再生混凝土强度响应面分析

图6为浆液中氯盐掺量为3%时,浆液中GGBFS/FA和水泥熟料掺量交互作用下再生混凝土强度的响应面和等高线图。由图6可知:当浆液中GGBFS/FA一定时,随着水泥熟料掺量的增加,再生混凝土强度几乎不受影响,响应面坡度平缓,等高线疏密程度基本保持不变;当水泥熟料掺量一定时,随着浆液中GGBFS/FA增加,再生混凝土强度显著增加,响应面坡面陡峭。但随着浆液中GGBFS/FA增加,等高线逐渐稀疏,水泥熟料掺量对再生混凝土强度的提升作用并不显著。分析可知,浆液中GGBFS/FA与水泥熟料掺量基本不存在相互制约关系,所以两者之间的交互作用并不显著(AB,p>0.05)。

图6 GGBFS/FA与水泥熟料掺量交互作用

图7为浆液中水泥熟料掺量为10%时,浆液中GGBFS/FA和氯盐掺量交互作用下再生混凝土强度的响应面和等高线图。由图7可知:当浆液中GGBFS/FA较低时,随着氯盐掺量的增加,再生混凝土强度基本保持不变;当浆液中GGBFS/FA较高时,响应面逐渐陡峭,等高线逐渐密集,再生混凝土强度逐渐升高且增速逐渐增加;当氯盐掺量较低时,随着GGBFS/FA增加,再生混凝土强度缓慢增加;当氯盐掺量较高时,随着浆液中GGBFS/FA增加,再生混凝土强度显著增加,响应面陡峭,等高线密集。但随着浆液中GGBFS/FA增加,氯盐掺量对再生混凝土强度的提升作用并不显著。分析可知,浆液中GGBFS/FA与氯盐掺量两者之间的交互作用并不显著(AC,p>0.05)。比较图6可知,AB、AC交互作用虽均不显著,但浆液中GGBFS/FA增加时,氯盐掺量比水泥熟料掺量对再生混凝土强度的提升作用更显著(AC>AB)。

图7 GGBFS/FA与氯盐掺量交互作用

图8为浆液中GGBFS/FA为1时,水泥熟料掺量和氯盐掺量交互作用下再生混凝土强度的响应面和等高线图。由图8可知,当水泥熟料掺量高于10%时,随着氯盐掺量的增加,再生混凝土强度先降低后缓慢增加;当水泥熟料掺量低于10%时,随着氯盐掺量的增加,响应面陡峭,等高线逐渐密集,氯盐掺量对再生混凝土强度的提升作用逐渐增强;当氯盐掺量高于3%时,再生混凝土强度不随水泥熟料掺量的变化而变化;当氯盐掺量低于3%时,水泥熟料掺量与再生混凝土强度呈正相关关系,且随着水泥熟料掺量的增加,氯盐掺量对再生混凝土强度的提升作用逐渐减弱甚至消失。这说明水泥熟料掺量和氯盐掺量之间的交互作用显著(BC,p<0.05)。

图8 水泥熟料掺量与氯盐掺量交互作用

综合图6、图7和图8可知,浆液中GGBFS/FA(A)分别与水泥熟料掺量(B)、氯盐掺量(C)两者交互作用,对再生混凝土强度的影响不显著,碱激发剂中水泥熟料掺量(B)和氯盐掺量(C)的交互作用对再生混凝土强度的影响显著(BC>AC>AB),这与方差分析结果一致。

2.3 RSM-BBD预测优化混凝土强度可行性分析

通过Design-Expert 12软件中Optimization功能,寻得再生混凝土强度望大情况下碱激发材料浆液的最优配比:GGBFS/FA为1.198、水泥熟料掺量为10.747%、氯盐掺量为3.993%,再生混凝土强度预测值为38.32 MPa。根据预测优化后的参数进行试验验证,3次平行试验再生混凝土强度为36.84 MPa。预测值与真实值之间相对误差为4.00%,表明该模型能反映出不同影响因素交互作用对再生混凝土强度的影响,可用于再生混凝土强度预测。

3 碱激发浆液配比BP-GA协同优化

由于RSM-BBD中优化配比均在给定范围内,且由于裹浆浆液中激发剂与胶凝材料对再生混凝土强度的影响呈非线性关系,为得到预测精度更高的多元非线性回归模型,可通过人工神经网络对碱激发裹浆浆液配比进行优化。

3.1 BP神经网络模型构建

BP神经网络是一种基于误差反向传播算法(Error Back Propagation Training)的前馈型人工神经网络(Artificial Neural Network,ANN)[25],对样本数据训练时表现出优良的多维非线性函数映射能力。典型的BP神经网络模型结构上主要包括:输入层、隐含层、输出层。本文采用3-n-1网络结构。输入层3个神经元包括:GGBFS/FA、水泥熟料掺量、氯盐掺量。输出层1个神经元为再生混凝土强度。隐含层节点数对模型预测的准确性和泛化性有显著影响,通常采用试凑法和经验公式(2)相结合确定[26]。

(2)

式中:M为隐含层节点数;m为输入层节点数;n为输出层节点数;a为整数,取值范围为[0,10]。

根据图9中不同隐含层节点数均方根误差(RMSE)和决定系数(R2)的变化可知,当隐含层节点数为9个时,RMSE最小为0.409 8,R2最大为0.926 9,表明该模型可用于预测再生混凝土强度。最终,构建BP神经网络模型拓扑结构为3-9-1,如图10所示。

图9 不同隐含层节点数RMSE和R2变化图

模型训练时采用Levenberg-Mrquardt(L-M)算法,隐含层和输出层分别采用logsig和purelin作为激活函数,设定训练次数为1 000,学习率取0.01。训练目标最小误差为0.000 01对BP神经网络进行训练。由图11预测值与实际值误差比较可知,误差值范围为[-1,1];由图12预测值与实际值回归曲线可知,均方根误差RMSE为0.409 8,决定系数R2为0.926 9,表明该BP神经网络预测结果能较好地反映再生骨料裹浆改性用碱激发材料浆液配比与再生混凝土强度的非线性关系。

图11 预测值与实际值误差比较

图12 预测值与实际值回归曲线

3.2 BP神经网络-遗传算法(BP-GA)模型构建

遗传算法(GA)是借鉴生物的自然选择和遗传进化机制开发出的一种全局优化自适应概率搜索算法[27],通过对参数集进行编码,建立包含多个个体的种群,通过选择、交叉、变异等方式,不断迭代更新,改进个体和种群,经一系列演化,最终收敛到全局最优解。BP-GA进行全局寻优时,将个体进行实数编码,种群规模设为50,进化迭代次数为100,选择概率取0.05、交叉概率取0.8、变异概率取0.2。

BP-GA模型协同寻优[28]时,将预测再生混凝土强度的BP神经网络模型作为目标函数F=max(fBP),并将fBP作为遗传算法中个体的适应度函数,通过选择、交叉和变异操作寻找模型的全局最优值即再生混凝土强度最大值,所对应的解即为碱激发材料浆液的最优配比。图13为BP-GA协同优化流程图。

图13 BP-GA协同优化流程图

图14为遗传算法寻优过程中个体适应度变化曲线。由图14可知,随着迭代次数的增加,个体适应度值迅速增加,第24代后趋于稳定,最后收敛于37.41 MPa,表明以fBP为适应度函数可有效实现再生骨料裹浆改性用碱激发裹浆浆液配比的优化。

图14 个体适应度变化曲线

为验证BP-GA模型的优化精度,根据优化后的参数进行试验验证,3次平行试验再生混凝土强度为37.12 MPa,优化值与真实值之间的相对误差为0.78%,与RSM-BBD试验优化设计相比,BP-GA模型的精度显著提高。可见,BP-GA模型实现了再生骨料裹浆改性用碱激发裹浆浆液配比的高精度优化。BP-GA模型优化配合比见表7。

表7 BP-GA模型优化配比

4 结论

1)单因素试验和响应面Box-Behnken优化试验设计表明,再生骨料裹浆改性用碱激发材料浆液中GGBFS/FA(A)、水泥熟料掺量(B)、氯盐掺量(C)单因素影响大小顺序为A>C>B;交互作用影响大小顺序为BC>AC>AB,即裹浆改性浆液中的碱激发剂对再生骨料改性的影响最显著。

2)通过响应面Box-Behnken(RSM-BBD)优化试验设计建立的多元非线性回归模型,可以进行误差为4.0%的碱激发材料浆液配比优化,并分析不同组分交互作用的影响。

3)利用BP-GA神经网络可以对碱激发材料浆液配比进行更高精度优化,并预测再生混凝土强度。模型预测的相对误差为0.78%,与响应面优化试验设计相比,精度更高、效果更好。

4)经不同模型预测优化后,得再生骨料裹浆改性用碱激发材料浆液的最优配比:GGBFS/FA为1.18,水泥熟料掺量为9.30%,氯盐掺量为4.00%,水胶比为0.58。