浅议水泥强度和其预测探究现状

《浅议水泥强度和其预测探究现状》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、浅议水泥强度和其预测探究现状摘要：采用遗传规划理论可以对水泥强度这种非线性关系复杂、变量多、大时滞问题进行预测，并可以获得强度和其影响因素之间的显性的非线性表达式。关键词：水泥强度；预测研究中图分类号：TU528文献标识码：A文章编号：1006-3315(2013)06-173-001水泥强度通常是指水泥试件在单位面积上所承受的外力，水泥强度是衡量水泥性能的重要指标之一。作为混凝土的主要胶结材料，水泥强度既是水泥胶结能力的体现，又为混凝土强度的基本来源。水泥强度与水泥标号是密切相关的。水泥标号是依据

2、国家规定的强度检验方法在28天的抗压强度和抗折强度来确定的，水泥强度越高，其标号越高，出厂水泥的强度和标号都必须符合国家的标准。水泥强度是对水泥质量进行评价的一个重要指标，它是水泥划分强度等级的依据。通常来说，水泥应当在养护28d后，通过抗压试验后方能出厂。但是，由于各种原因，在我国水泥厂生产的水泥一般在28d内即发货。水泥厂均按照CB/T17671-1999的要求进行水泥的检测,虽然在保证水泥质量和水泥设计与工程质量方面起到了积极作用，但需要28天以后才能确定水泥标号，不能满足水泥生产控制和水泥使

3、用的要求。水泥的强度通常用抗压强度、抗折强度和抗拉强度来表示，单位为MPa（兆帕），是水泥重要的物理力学性能之一。水泥的抗压强度是指水泥硬化胶砂试体在承受压缩破坏时所受到的最大应力；抗折强度是指水泥硬化胶砂试体在承受弯曲破坏时所受到的最大应力；而水泥的抗拉强度是指水泥胶砂硬化试体在承受拉伸破坏时所承受的最大应力。其中，水泥的抗压强度往往是水泥的抗折强度的10-20倍。因而，水泥的28d抗压强度是水泥主要的性能指标，也是水泥划分标号的依据。水泥抗压强度是水泥性能最重要指标，因此，国内及国外对水泥的性能

4、研究主要是对水泥的抗压强度进行预测研究。在水泥强度预测中，国内外对其的快速测定进行了大量的研究，提出了干硬试件法、统计法、化学法、湿热法、沸水法、促凝压蒸法等多种方法。计算机技术的发展为水泥强度的预测提供了新的方法，主要有人工神经网络技术，遗传算法等方法。硬试件测定法是将在常温养护条件下，通过小水灰比、净浆、小试件的加压成型等手段，达到快速增强的目的。但是水泥胶砂标准强度与净浆快速强度之间的换算关系复杂且相关性较差。统计法多釆用基于数理统计的一元线性回归方法预测，该方法操作简便，方法灵活，多应用于大

5、中型的水泥生产厂。化学法根据析出Ca(OH)2量推算出水泥的强度，由于该方法的影响因素比较复杂，所以往往准确性不高。水泥强度的快速预测研究，几十年来，均是采用提高养护温度以提高水泥的水化速度，根据一定的换算关系预测28天强度，方法有蒸养法、温水法、沸水法、压蒸法等。促凝压蒸法通过在试件中掺和促凝剂，再在蒸压釜中养护，以快速测得水泥强度，但是该法测定精度不高。55*湿热法经过我国几十家的科研单位以及水泥厂和施工单位的联合试验，取得了比较满意的结果，因此一些单位采用此法来预测水泥的28天强度。湿热法和沸

6、水法等传统的水泥强度预测方法，主要是通过提高水泥的水化温度，来快速获得水泥的强度值，进而推得水泥的28d强度值。自1976年第六届国际水泥化学会议上提出以数学方法预测水泥强度的论文后，就引起各国水泥科技界的高度重视。在1980年第七届国际水泥化学会议上，又单独列出课题讨论水泥浆体性质随时间变化的数学模型问题。1991年，美国国家研究委员会又提出加强数学科学在材料科学中应用的课题。20多年来，国内外的水泥科技工作者在数学预测水泥强度方面进行了大量的工作，取得了许多成果。传统的线性回归分析预测法把水泥强

7、度与各检测值之间的高度非线性关系简化为线性函数关系，势必影响预测结果的准确性[9]。聚类分析预测法把水泥强度值固定为几个聚类中心值,对水泥强度这样一个高度非线性问题而言，缺乏必要的泛化能力。利用软计算技术预测水泥强度，利用模糊神经网络良好的非线性逼近能力建立了水泥强度的模糊神经网络预测模型。仿真结果表明，该模型在预测水泥28d强度方面达到了很高的精度，有较好的实用价值。根据水泥强度预测具有多变量、非线性、大时滞的特点，运用遗传算法，建立了水泥强度的非线性预测模型。通过对有关数据进行实例计算，得到了满

8、意的效果。SedatAkkurt等采用模糊逻辑与人工神经网络相结合，成功的取得了水泥28天抗压强度与相应参数之间关系的模糊逻辑预测模型。近年来，由于遗传规划通过采用计算机程序的灵活性和强大的计算搜索学习能力，可以在可能的搜索解空间中搜寻最优解，因此，引起了科学界的广泛关注。遗传规划借助自然界的进化理论，在已知的数据和解空间内的数学表达式之间建立并发现内部联系，将解空间内的数学表达式进行优胜劣汰，并对较优解进行遗传和变异，从而在较优解中不断的进化选择以获得最优数学表达式