文摘

进行了正交实验研究环保含有粉煤灰混凝土的抗弯强度(FA)和地面粒状高炉矿渣(GGBFS)。不同的测试参数的影响,例如水胶比(W / B),足总内容,GGBFS内容、砂比、碎石级配,和固化时间,在混凝土的抗弯强度进行了分析。各影响因素的显著性水平和最佳的混合比例的具体分析和层次分析测定范围。发现W / B比例对混凝土的抗弯强度影响最大的。混凝土的抗弯强度降低了逐渐增加的W / B。GGBFS内容和砂率有一个更大的影响力在混凝土的早期养护。混凝土养护的中后期阶段主要是影响砾石级配和英足总内容。混凝土的抗弯强度预测模型开发了基于反向传播神经网络(摘要)和支持向量机(SVM)模型。注意到,摘要和SVM模型比经验公式都有更高的精度,和摘要模型比SVM模型更准确。

1。介绍

混凝土是使用最广泛的建筑材料之一,由于其高质量和低的价格1]。混凝土结构主要承受弯曲而不是轴向拉力。然而,混凝土的抗弯性能差,容易出现拉应力条件下裂缝。因此,对提高混凝土的抗弯强度具有重要意义[2]。辅助胶结材料,如粉煤灰、地面粒状高炉矿渣和硅粉,通常用于提高混凝土的性能,减少废料,降低建设成本(3]。

粉煤灰(FA)是煤粉燃烧后的废物。它有一个高存储成本和能引起环境污染4,5]。Nili M et al。6)研究了不同年龄的足总对混凝土的影响,发现FA大大增强的后期养护的混凝土强度。Golewski [7]研究了混凝土的抗压强度和断裂韧性与足总含量为20%和30%。据报道,混凝土的抗压强度和断裂韧性显著提高,英足总替代率为20%。FA替代率为30%时,材料特性的改善没有出现,直到六个月后治愈。Golewski [8)发现,最优FA内容改善混凝土的断裂韧度是17%(按重量计算)。混凝土的断裂韧度开始下降时,足总含量超过23%的胶结材料。Atis航站(9)报道,70%的挠曲强度FA-replaced混凝土后7日,28日,90年和365年天降低了46.83%,24.71%,26.2%,和35.16%,分别比FA-replaced混凝土的50%。

地面粒状高炉矿渣(GGBFS)是铁冶炼的副产品(10]。GGBFS-substituted混凝土进行了大量的研究。霍根et al。11)进行了比较研究对普通混凝土和GGBFS-substituted混凝土置换率40%和60%。GGBFS-substituted混凝土的抗压强度被发现低于普通混凝土的头三天。然而,GGBFS-substituted混凝土抗压强度的增加以更高的速度比普通混凝土的三天后,尤其是当GGBFS替代率为40%。GGBFS-substituted混凝土相同或更高的抗弯强度比普通混凝土后七天。Sivasundaram et al。12]研究GGBFS-substituted混凝土的抗弯强度的变化与置换率50% - -75%。14天后GGBFS-substituted混凝土的抗弯强度高于普通混凝土。然而,一些研究报道相反的结果。例如,哈提卜et al。13)研究了不同GGBFS置换率的影响(0%,40%,60%,80%)对混凝土的抗弯强度。发现的混凝土抗弯强度GGBFS替代率为60%,明显高于对照组和替代率时略微下降40%。抗弯强度明显下降时注意到替代率为80%。Bharatkumar et al。14]报道GGBFS-substituted混凝土的抗弯强度的减少。当胶结物质的总量是472公斤/米3和水灰比为0.36,添加50%的GGBFS 56-day弯曲强度降低了7.2%。当胶结物质的总量是430公斤/米3和水灰比为0.4,下降达到11.29%。Nazari和Riahi15- - - - - -18)发现,7天混凝土抗弯强度降低了24.32%和32.43%,分别,当水泥GGBFS部分替换为45%和60%。相反,GGBFS的加入增加了28天,90天的混凝土的抗弯强度。

机器学习方法也广泛应用领域的混凝土强度预测。郑et al。19)开发了一种稳定的混凝土抗压强度的发展随着时间的推移(CCSDOT)模型,结合传统方法与人工智能。Chithra et al。20.)使用多元回归分析和人工神经网络来预测混凝土的抗压强度包含硅和铜渣和报道,人工神经网络模型有更高的准确性和相关性。周et al。21)高性能混凝土的抗压强度预测的支持向量机(SVM)模型基于平均绝对百分误差(日军)。奥木兰·et al。22]预测包含轻骨料混凝土的抗压强度和石灰石硅酸盐水泥由七种不同models-three先进的预测模型,四个回归树模型,和两个集合的方法。支持向量机模型是基于序列最小优化和测试结果显示,所有模型获得可接受的预测性能,除了决定树桩。Thi Mai et al。23)开发了一种随机森林模型来预测混凝土的抗压强度基于人工神经网络(ANN)和adaptive-network-based模糊推理系统模型(简称ANFIS),发现这两种机器学习方法有很高的精度。Palika Chopra et al。24]使用决策树(DT)模型,随机森林(RF)模型,和一个神经网络来预测混凝土的抗压强度,和神经网络模型被发现有更高的预测精度。

越来越多的环境污染问题和绿色建设的迫切需求,环保混凝土需要开发。在目前的工作中,正交实验研究环保的挠曲强度混凝土包含FA和GGBFS。不同的测试参数的影响,例如水胶比(W / B),足总内容,GGBFS内容、砂比、碎石级配,和固化时间,在混凝土的抗弯强度进行了分析。各影响因素的显著性水平是由分析和层次分析范围。此外,混凝土的抗弯强度预测模型开发了基于反向传播神经网络(摘要)模型和支持向量机模型的预测精度和这两个机器学习模型和经验公式进行了比较。

2。材料和方法

2.1。材料

水、水泥、河沙、砾石、FA、GGBFS,减水剂作为原材料。波特兰水泥42.5 R是本研究中使用,和它的初始和最终设定时间145 - 211分钟,分别。据中国建筑规范GB / T 14684 - 2011”天然河沙建设、“自然河流砂细度模数为2.8作为细骨料。根据中国标准GB / T 14685 - 2011”碎石,碎石施工使用两种类型的砾石与不同等级(最大粒径是20毫米(G1)和40毫米(G2))。一级足总选择根据中国标准GB / t1596 - 2005”粉煤灰在水泥和混凝土使用。“GGBFS密度为2.88克/厘米3和一个特定的表面面积463 m2使用/公斤。不同混合物的级配曲线如图所示1。FA的化学成分和GGBFS展示在表1,他们的属性表中列出2。


图1
级配曲线不同的混合物。
表1
化学成分的FA和GGBFS。
表2
FA和GGBFS的主要属性。
2.2。混合的比例

W / B比率,FA的内容和GGBFS,沙滩上的沙子比(质量比骨料的总质量(质量和砂和粗骨料)(25]),和碎石分级被认为是主要影响因素,每个因素有四个水平。因此,16个不同的混合比例确定基于正交设计方法。水平由文献[7,8,26- - - - - -28]:W / B比率= 0.35,0.375,0.40,0.425,砂率= 33%,35%,37%,39%,FA和GGBFS内容= 5%,10%,15%,20%,砾石级配小石头(5 - 20毫米),中等(20 - 40毫米)= 30%:70%,40%:60%,50%:50%,60%:40%(表3)。

表3
混合比例。
2.3。测试程序

标本与不同的混合比例是治愈1天,3天,7天、14天、28天,和在标准条件下45天。三个标本在每个时代,形成和标本的大小是150毫米×150毫米×550毫米。的每个标本放在一个支持,和放置位置的检查,以确保压力位置标本符合指定的要求。加载速度0.05和0.08 MPa / s之间是不同的。当一个标本在失败的边缘,试验机的油门保持稳定,直到测试结束后,和破坏载荷被记录。在处理测试结果,115%和85%的三个测量值的平均值作为上限和下限,分别。当只有一个测量值不符合指定的要求,另外两个测量值的平均值作为最终结果。当超过一个的测量值不符合指定的要求,测试reperformed [29日]。测试装置如图2。混凝土的抗弯强度计算 在哪里 混凝土的抗弯强度, 是最大负载时混凝土的失败, 是距离的支持(跨度; ), 样品部分的宽度, 样品部分的高度。

(一)
(一)
(b)
(b)
图2
抗弯强度测试设置。(一)原理图。(b)测试设备。

3所示。结果与讨论

3.1。测试结果

混凝土的抗弯强度不同年龄的标本在图所示3和表。4。


图3
混凝土的抗弯强度的变化与不同年龄标本。
表4
混凝土在不同年龄段的挠曲强度。

从图可以看出3混凝土的抗弯强度标本不同混合比例的增加固化时间的延伸。标本的挠曲强度在1和3 d之间存在着显著的差异,略28 - 45 d,表明挠曲强度逐渐变小的增量扩展的固化时间30.]。

3.1.1。W / B的比例对混凝土抗弯强度的影响

很明显从图4混凝土的抗弯强度下降逐渐增加的W / B比率。W / B比率的增加与减少混凝土的胶结材料。胶结材料的短缺导致向上迁移水化反应后剩余的水,形成水膜在粗骨料之间的粘结强度,减少粗骨料和水泥砂浆。此外,损失的水形成了一个小通道混凝土内部,导致微裂隙的形成。因此,密实度和结构的界面粘结强度降低,导致混凝土的抗弯强度下降(31日]。


图4
W / B的比例对混凝土抗弯强度的影响。
3.1.2。足总含量对混凝土抗弯强度的影响

从图可观察到的5混凝土的抗弯强度先增加然后减少与英足总内容的增加。英足总含量为15%时,混凝土的抗弯强度达到最大,除了标本与一维治疗时代。这是因为足总主要参与胶结材料的硬化过程通过微团聚体的形成和粒子(32]。英足总内容的增加降低了水泥的比例和降低水泥的水化速率,导致减少混凝土的抗弯强度。


图5
足总含量对混凝土抗弯强度的影响。
3.1.3。GGBFS含量对混凝土抗弯强度的影响

GGBFS添加后的混凝土,水泥颗粒之间的缝隙填满,提高密实度和弯曲阻力得到加强。GGBFS改善水泥水化后的早期挠曲强度的反应。GGBFS也减少了钙离子浓度之间的水泥和粗骨料和增加它们之间的粘合性能。因此,提高了混凝土的抗弯强度增加后GGBFS [6]。然而,一定数量后,GGBFS间接影响水泥的水化反应和减少弯曲阻力(图6)。


图6
GGBFS含量对混凝土抗弯强度的影响。
3.1.4。砂率对混凝土抗弯强度的影响

从图可观察到的7混凝土的抗弯强度与砂率的增加逐渐增加。砂率的增加,混凝土的微孔隙逐渐装满沙子,和密实度也逐渐提高;因此,混凝土的刚度增强。然而,混凝土的抗弯强度样本之间的差异与砂37%和39%的比例不是很大。28 d标本的挠曲强度作为一个例子,抗弯强度的砂比例的37%和39%分别为6.26和6.35 MPa增量(只有1.44%),分别为。这表明,混凝土的密实度时并没有显著增加砂比例从37%上升到39%。


图7
砂率对混凝土抗弯强度的影响。
3.1.5。碎石级配混凝土抗弯强度的影响

从图可观察到的8当碎石级配从3:增加7 - 4:6,混凝土的抗弯强度增加,当它超过4:6,抗弯强度逐渐降低。适当的碎石级配可以完全用水泥砂浆表面大小的砾石,增强水泥颗粒之间的粘合度,使每个组件的内部分布的具体统一,通过减少之间的差距,提高密实度水泥粒子。当有足够的小砾石和太多的大砾石在粗骨料,粗骨料和水泥颗粒之间的粘结强度的影响,导致减少挠曲强度(33]。然而,当有太多的小碎石,粗骨料的影响;因此,混凝土的抗弯强度开始下降。


图8
碎石级配混凝土抗弯强度的影响。
3.2。范围分析

范围根据正交试验结果,进行了分析和提出了相应的观察表5W / B比率,英足总内容,GGBFS内容,砂率,和碎石级配称为为A, B, C, D和E,分别。

表5
分析混凝土抗弯强度范围。

现在,比较不同影响因素的R值后1 d的衰老,它是检测 ;因此,五个影响因素的顺序是W / B >砂率>碎石级配比例> GGBFS内容> FA内容。同样,后3、7、14、28日和45 d老化,趋势W / B比>砂比> GGBFS内容>碎石分级> FA内容、W / B >碎石级配比例> GGBFS内容> FA >砂比、W / B >碎石级配比例> FA内容> GGBFS >砂比、W / B >碎石级配比例> FA内容> > GGBFS含砂率,和W / B比率> FA内容>砂率> GGBFS >碎石分级,分别。

此外,通过对比 值,发现 因素的水平,表明混凝土的抗弯强度达到最大时的因素是在第二个层次。同样,最优因素水平B, C, D, E和第二,第三,第四,其次,分别。因此,A2B2C3D4E2水平组合时,混凝土的抗弯强度最大的考虑下一个行动的因素;因此,这个水平组合是最佳的制备过程组合来提高混凝土的抗弯强度后1 d的老化。同样,混凝土的最佳混合比例后3、7、14、28日和45 d老化A1B2C3D4E2, A1B3C3D4E2, A1B3C3D4E2, A1B3C3D4E2和A1B3C3D4E2分别。然而,A1B3C3D4E2混合比例为工程应用建议。

3.3。层次分析法

层次分析法(AHP)把复杂的问题转化为易于理解的层次结构。区间分析用于正交测试不能获得每个因素的水平影响测试结果。层次分析法可以获得每个因素的影响程度和影响的重量每一层(31日]。图9在这个实验中显示了AHP模型使用。该模型分为三个层第一层包含测试的指标,第二层包括不同的影响因素,第三层是由不同因素的水平。


图9
AHP模型抗弯强度测试。

假设的平均值以下测试数据的总和 水平的因素 是 (表5),它被称为的效果 水平的因素 测试( ; )。此外, ;因此,三个矩阵派生。矩阵 介绍了水平层的影响,矩阵 归一化矩阵的每一列吗 ,和矩阵 是一个权重矩阵代表不同的因素对测试的影响。

现在, ;因此,每个因素的权重指数水平的测试 。中提供的数据表4被替换到矩阵。在四个级别的W / B比率,A1(35%)最大的重量。在四个层次的FA内容,年龄1 d时,B2(10%)最大的重量。年龄在7和14 d时,B4(20%)和B3(15%)最大的重量,分别。随着治疗时间的增加,足总对抗弯强度的影响的重量逐渐增加。GGBFS四层的内容,年龄1 d时,C3(15%)最大的重量。年龄是7 d时,C2(10%)和C4(20%)最大的重量。当年龄达到14 d, C3的重量(15%)成为最大的。四层的砂率,D4(39%)最大的重量,以及碎石级配的四层,E2(40%: 60%)的最大重量。因此,W / B比的最佳值,FA内容,GGBFS内容、砂比、碎石级配分别为35%,15%,15%,39%,和40%:60%。

范围分析和层次分析法用于分析不同的影响因素对混凝土的抗弯强度。很明显,每个因素对混凝土抗弯强度的影响明显不同的在不同的年龄。在五个因素中,W / B比例对混凝土的抗弯强度影响最大的。与W / B比率的增加,混凝土的抗弯强度逐渐降低。足总主要扮演了一个角色在混凝土凝固和硬化的后期,和英足总含量的增加,混凝土的抗弯强度先增加,然后降低。GGBFS主要扮演了一个角色在混凝土养护的早期阶段。与GGBFS含量的增加,混凝土抗弯强度先增加,然后降低。砂率也扮演了一个更明显的作用,混凝土的早期养护。混凝土的抗弯强度也增加砂比例增加。碎石分级主要扮演了一个角色在混凝土养护的中间阶段。 The flexural strength of the concrete first increased and then decreased with the increase of the amount of small gravels.

很明显从图10的挠曲强度变化造成的混凝土W / B比总是最大的所有6岁(34),这表明W / B的影响是最大的五个影响因素之一。这是因为胶结材料包括水泥、FA和GGBFS。这三个材料不断改变他们的形式和特点与老化时间的延长和“积极”参加在混凝土硬化(33]。水泥胶结材料不断接受了水化反应,生成的化合物,提高混凝土的抗弯强度。GGBFS扮演了一个角色的早期治疗,提高早期混凝土的抗弯强度。FA的积极作用是注意到后期的养护,这提高了抗弯强度。


图10
影响体重的因素水平测试指标。

足总内容的影响混凝土的抗弯强度1 - 7 d养护期间不显著。然而,随着老化时间的延长,FA极大地影响了挠曲强度,这种现象与FA的矿物成分。主要包括SiO足总2,艾尔。2O3、铁2O3曹,和其他组件。这些元素与Ca某些活动和反应2 +水泥水化离子后形成C-S-H,涂布FA和水泥和粉煤灰之间形成多孔结构。因此,英足总不可能完全与水泥水化反应产品在早期阶段和体现低抗弯强度影响程度。然而,第二个反应开始,因为涂层FA逐渐分解,形成更稳定的化合物,从而提高混凝土的抗弯强度(6,32]。

影响GGBFS总是高于FA水平在早期阶段。这是因为钙2 +离子水化产生的反应变得丰富在混凝土内部接口。活跃的SiO2原子与Ca GGBFS反应2 +离子和生成C-S-H稳定,从而提高混凝土的抗弯强度。然而,随着固化时间的延长,GGBFS不断减少的内容;因此,它的影响力水平开始下降。这时,FA逐渐取代了GGBFS和混凝土与不稳定化合物发生反应,提高抗弯强度。因此,影响GGBFS水平低于FA在以后的阶段。

细砂颗粒胶结材料间的缝隙和粗骨料和抗弯强度增加了改善混凝土的内部密实度(35,36]。在早期阶段,水泥水化反应速度太慢;因此,水泥浆和粗骨料不能彼此。因此,砂比扮演重要角色在提高抗弯强度1 - 3 d的养护。内部混凝土的完整性与固化时间的延长逐渐提高;因此,材料之间的粘合性能不断加强,FA和碎石的影响逐渐显现。在以后的阶段,混凝土的抗弯强度稳步增长,和W / B的重要性,粗骨料,而其他材料有所下降;然而,砂率的影响增加。

碎石级配的影响先增加然后减少延长固化时间。粗骨料的比例的增加和减少是挠曲强度的增加密切相关。键的强度粗骨料与水泥石之间表现出显著影响界面粘结强度。养护时间的延长,混凝土中产生稳定的材料的数量逐渐增加,和增长的粗骨料和水泥石之间的粘结强度也增加,从而提高混凝土的抗弯强度。固化后28 d,增长率之间粘结强度的粗骨料和水泥石减慢;因此,粗骨料对抗弯强度的影响降低了。

4所示。对混凝土抗弯强度预测模型基于机器学习

这是明显的从数据6- - - - - -10五个因素之间的关系和混凝土非线性挠曲强度;因此,有必要建立一个多元非线性回归模型,量化的影响这五个因素对混凝土的抗弯强度。在这个分析、摘要和支持向量机被用来优化预测模型通过调整相关参数和函数。W / B比率、FA内容GGBFS内容、砂比、碎石级配,和老化时间被用作输入数据的输入层,和挠曲强度的混凝土层的输出数据。96组数据被用来形成一个数据库;为了避免过度拟合的数据,一套分层20倍交叉验证被用来训练模型;图11显示概要描述了交叉验证。这两个机器学习模型的设计和测试进行了Matlab 2018 b。


图11
20倍的示意图描述验证。
4.1。预测模型结构
以下4.4.1。支持向量机

支持向量机,智能算法,可以克服非线性的问题,适用于小样本(37]。挠曲强度预测的过程中进行了使用核函数学习的输入指标和输出指标之间的关系。支持向量机模型中,内核函数定义在高维特征空间被用来估计回归。内核函数从低维空间映射到高维空间,因此输入非线性性能(图12)。基于统计学习理论的支持向量机模型进行回归估计通过风险最小化。Vapnik的ε不敏感损失函数是用来衡量风险。风险函数组成的一个经验误差和置信水平值最小化了结构风险最小化原则(38]。


图12
支持向量机的非线性映射。

4.1.1.1。核函数。核函数的支持向量机的预测精度有很大的影响。在不同的预测模型,应该选择合适的核函数根据特征的研究(39]。高斯核函数是用于预测模型由于其径向基核函数的优点和良好的抗干扰能力。

4.1.1.2。实现步骤。首先,模型的样本数据集给出了N自由度:( ),( ),…( )}, 是输入矢量(预测), 是输出矢量(目标)。的集合 和 是一个子集的人口 未知的概率密度分布。此外, 被映射到一个高维特征空间的非线性函数 ,然后线性回归是在高维空间中进行。预测向量和目标向量之间的关系被拟合函数模拟 ,在哪里ω和 是参数。

4.1.2。摘要利用

摘要主要由两个过程:信号正向传播和误差反向传播。输入层是由隐藏层处理,然后传播到输出层。输出值和实际值之间的误差传播通过隐层向输入层,这样每个单元可以分享错误。进一步,通过反复调整重量,实现所需的预测精度(35]。摘要的结构模型如图13包括一个输入层、一个输出层,几位隐藏层40]。


图13
摘要利用结构。

(1)隐藏层的摘要。一般来说,一个隐藏层具有一个或两个层次。根据柯尔莫哥洛夫定理,一个简单的摘要只有一个隐藏层可以近似非线性连续函数的复杂性程度与闭集任意精度。在实际应用中,隐藏层的数量通常是决定通过比较网络训练精度在不同的隐藏层(41]。经过反复测试,在这个分析中使用一个隐藏层,组成一个网络结构的“1 + 1 + 1”。

确定隐层节点的数量 ,在哪里N隐层节点的数量,n输入层节点的数量,米输出层节点的数目, 是一个常数1和10之间42]。这个方程是与试错方法结合使用来改善网络性能。隐藏层是迭代的节点数量从3到13到一个最优的网络性能。最优数量减少隐层的节点被选为10。

(2)确定传递函数和训练算法。(1)传递函数:为了选择传递函数,一个典型的设计摘要。采用log-Sigmoid函数作为隐层的传递函数,和输出层使用一个线性传递函数,因为它的输出值可以任意分配作为输出函数(42]。(2)训练算法:传统的摘要属于最快下降法,学习效率低,容易陷入局部最小值点。Levenberg-Marquardt规则适用于求解大型和中等规模的问题,因为一个迭代可以显著减少错误43]。

4.2。分析预测结果

为了验证模型的预测精度,均方误差(MSE),均方根误差(RMSE)和拟合优度(R2)进行评估。MSE反映之间的分散程度,预测和实际值和RMSE MSE的标准值,而R2验证了预测和实际值之间的符合程度。 在哪里 是观测值, 是平均观测值, 预测价值。

4.2.1。准备摘要利用预测结果比较,支持向量机

摘要利用模型的性能验证通过比较它与支持向量机模型。从表6和图14,可以看出,支持向量机模型和摘要模型精度高,但相比之下,R2支持向量机训练集是0.883,R2摘要利用训练集的0.888,SVM的MSE测试集是0.332,R2是0.841,0.143和摘要的MSE测试集,然后呢R2是0.927。基于这些观察结果,可以得出结论,摘要优于支持向量机模型预测在训练集和测试集的数据。

表6
机器学习方法的评价参数。

图14
实际之间的相关性和预测输出使用机器学习的方法。

表7和图15显示样品的数量和相应的百分比误差范围从摘要和SVM模型和最常见的错误预测的价值率作为本文中给出的模型。这些关键统计数据表明,摘要模型具有较高的预测能力相比,支持向量机模型。摘要利用的比例模型训练集和测试集预测误差范围的5% 93.9%和92.7%,分别,而支持向量机模型值是89.25和88.5。

表7
样品数量和相应的百分比误差范围从机器学习的预测。
(一)
(一)
(b)
(b)
图15
分布从机器学习方法的错误。(一)培训。(b)测试。

因为摘要的基本原则和方法是不同的,和运行机制也不一致,模型预测结果的显著性差异分析可以更好地分析和比较结果。SPSS 21.0软件被用来测试的重要性的不同预测结果,t以及选择方法来比较这两种方法之间的显著差异,以及P值为0.28 > 0.05,这表明没有显著差异这两种方法的拟合结果。虽然没有显著差异的两种建模方法之间的结果,摘要是更适合的预测混凝土的抗弯强度,因为有更高的混凝土强度预测精度的要求。

4.2.2。预测结果与经验公式

现有的挠曲强度预测模型主要是由混凝土的抗压强度。中国的代码(44)提出了一种混凝土的抗压强度和抗弯强度之间的关系,我们比较了机器学习方法的预测精度,为混凝土28天抗折强度经验公式,计算了从机器学习方法和文献[抗压强度45),分别。测试结果如表所示8。

表8
机器学习方法的评价参数和经验公式。

因为只有混凝土的抗压强度和抗弯强度之间的关系在28天的年龄是给定的规范,28天混凝土抗弯强度的预测结果在机器学习方法也为比较,选择和结果表明,摘要模型仍有最高的精度。与此同时,t以及结果表明,有一个机器学习的显著区别预测结果和经验方程预测的结果。此外,机器学习方法的使用可以避免复杂的实验,减少人工干预的误差,所以建议摘要模型作为预测工具时混凝土的抗弯强度的数据类型类似于这项研究。

5。结论

进行了正交实验研究环保的挠曲强度混凝土包含FA和GGBFS。W / B比值的影响,FA内容,GGBFS内容、砂比、碎石级配的混凝土的抗弯强度进行了分析和层次分析范围。此外,提出了两种机器学习模型预测混凝土的抗弯强度。本研究的主要观测总结如下。

不同因素的影响,每个因素的不同水平混凝土的抗弯强度进行了分析,具体的和最佳的混合比例6不同年龄也决定。W / B比的最佳值,FA内容,GGBFS内容、砂比、碎石级配分别为35%,15%,15%,39%,和40%:60%。

W / B比率影响最大的混凝土的抗弯强度。与W / B的增加,混凝土的抗弯强度逐渐降低。混凝土的早期养护主要是受GGBFS内容和砂率的影响。通过使用Ca GGBFS表示强烈的活动2 +离子在混凝土。混凝土的抗弯强度的增加先增加然后减少GGBFS内容。砂率有积极作用的改善混凝土的抗弯强度。

碎石级配中间有一个大的影响混凝土养护阶段。混凝土的抗弯强度的增加先增加然后减少小碎石的内容。足总主要扮演了一个角色在混凝土养护的后期,因为最初C-S-H表面覆盖的FA,混凝土的抗弯强度先增加然后减少与英足总内容的增加。

摘要利用和SVM模型精度都高于20倍交叉验证后的经验方程。然而,摘要模型比SVM模型更准确,虽然没有显著差异在两种方法的拟合结果。因此,摘要更适合预测混凝土的抗弯强度,因为有更高的混凝土强度预测精度的要求。

本研究建立的模型具有良好的适应性。在未来,未来训练机器学习模型的验证更多的混合比例,需要进行养护条件。此外,一些机器学习模型预测精度较高的值得建立复杂性允许。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突有关的出版。

确认

本研究的主要项目是由河南省水利科学技术(批准号GG202062)。