高与超高性能钢纤维增强水泥基复合材料的制备与力学行为

《高与超高性能钢纤维增强水泥基复合材料的制备与力学行为》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东南人学硕十学位论文摘要本文采用多重复合技术和神经网络模型，充分发挥混合材的复合效应和纤维对混凝土的强化、韧化与阻裂功效，制备出高性能与超高性能钢纤维增强水泥基复合材料，系统研究了庄静载作用的力学行为和在高速冲击下的动力特性，验证了钢纤维混凝土的多点开裂和延性特征。并运用近代断裂力学、塑性力学和有限元理论建立了相应的数学模型，揭示了钢纤维混凝土的破坏机理。试验结果表明：混凝土中矿物外掺料和钢纤维因各自组分间优势互补、功效叠加，大大地提高了混凝士的强度、韧性和阻裂能力；高强混凝七的破坏呈脆性，而掺入钢纤维与之复台后，高强混凝十的脆性下降涎性和韧性明显提高，单稳定破坏形态；强度、韧性随着纤维体积率

2、的增长黾递增趋势，戍变率增大，材料强度提高，韧性降低；大掺量超细工业废渣制备的生态型RPC具有优异的动载力学性能。借助于由计算机控制能够实现实时反馈的电液伺服试验机和Hopkinson压杆得到了变应变速率的应力．戍变全曲线，剖析了应变随应变率的提高而提高，应变率只要有很小的变化就可导致流动戍力的明显变化i借助于人[：神经网络技术，构建了BP网络模型，可以预测所配制灌凝十基体的强度和其他性能；借助于有限元分析，构建了ANSYS断裂模碰，可以估算线弹性状态下的应力强度阅子和J积分以及弹塑性状态F的J积分。本文从实验和理论两个方面研究了钢纤维混凝土的静态、准静态和动态的力学行为，这对于更准确地理解钢

3、纤维混凝土的力学性能和设计施工都具有重要意义。同时所提供的数学模型和思路可以用来研究解决相关的问题。[关键词]：高性能钢纤维增强水泥基复合材料，力学性能，纤维体积率，变应变率增强机理，韧性，冲击特性，神经网络模型，断裂力学模型东南人学坝士学位论文ABSTRACTAbstractBasedonthemulti—compoundtechniqueandneuralnetworksmodel．thecompoundeffectofblendedmaterialsandcontributionsofsteelfibertoconcrete．suchasstrengthandtoughnessimpro

4、vedaswellascrackprevented，areprominent．Thehighorultra—highperformancecementitiouscompositematerialshavebeenbroughtout．Themechanicalbehaviourunderstatic10adanddynamic10adunderhi曲一speedimpacthavebeeninvestigatedbythenumbers，whichvalidatesmultiplecrackingandductilityofsteelfiberreinforcedconcrete．Inadd

5、ition，themechanicalperforlTtanccoffailureofsteelfiberconcretehasbeenanalyzedbylatter-dayfracturemechanics，plasticmechanicsandthefiniteelementmethod．Itcanbeconcludedfromresultsofexperimeritthatthestrength，toughnessandcrackarrestingpropertiesofconcretehaveimprovedbytheaddingofthecompositeofmineraladmi

6、xturesandsteelfibers．Thou甜lhighperformanceconcreteiSbrittleness，bymixingsteeIfiberswithit，thebrittlenesshasbeenreducedaswelIasthetoughnessandductibilityhavebeenimprovedobviously．Aftertheterrainal10ad，highperformancesteelfiberconcretewillfailurestably；strength，toughnessandstrainratiowillbeadvancedasv

7、olumeratioofsteelfibersincreased．ByusingservosystemandHopkinsonpresspole，thestress-straincalvesofwholeprocessunderchangedstrainratio10adsCanbegot．TheBPnetworkmodel．basedontheartificialneuralnetwc'rkst