卵石破碎原状机制砂混凝土石粉含量限值试验研究

论文摘要

天然砂是地方性资源,短时间内不可再生且不适合长距离运输,混凝土用砂供需矛盾尤为突出,发展新的砂源—机制砂势在必行。但现行标准对机制砂石粉含量的限值存在争议,制约了机制砂的应用。本文以卵石破碎的原状机制砂为研究对象,通过分析和测试机制砂与石粉的特性,研究了石粉含量变化对机制砂混凝土性能的影响规律,探讨了卵石破碎原状机制砂混凝土中石粉含量的限值。研究了机制砂及石粉试样的主要特性指标;研究了石粉含量对机制砂级配及堆积密度的影响,提出了机制砂级配与0.6mm档累计筛余的关系;从宏观与微观两方面研究了石粉含量对水泥砂浆强度的影响,石粉并不完全是惰性矿物掺合料,适当增加石粉含量,对水泥的强度有一定的贡献作用,特别是对早期砂浆强度的提高有较大帮助。研究了石粉含量对机制砂混凝土性能的影响,石粉有利于改善机制砂混凝土拌合物的工作性;石粉含量的增加,对轴心抗压强度的影响大于对立方体抗压强度的影响,对较高强度等级混凝土的影响大于对较低强度等级混凝土的影响,但总体上看影响效果均比较小,实际工程应用可以不考虑石粉含量对混凝土抗压强度的影响;石粉含量对抗拉强度具有一定的影响作用,对强度等级高的混凝土影响相对明显;抗折强度与抗拉强度具有基本相同的变化规律;弹性模量随石粉含量的增加基本呈减小的规律。据此提出了机制砂混凝土中石粉的适宜含量为10%左右。提出了卵石破碎原状机制砂混凝土的配合比设计方法,给出了混凝土强度计算公式中的实用参数值及有利的水灰比区间,同时对单位用水量、砂率和石粉含量的选择也相应地给出了建议参考值。基于国内外关于混凝土强度预测的研究成果,结合人工神经网络原理,运用加入动量项的BP算法和L-M算法训练网络,经试算、对比预测结果,最后利用L—M算法,建立起收敛速度快、精度高和网络结构合理的机制砂混凝土强度预测模型,对比利用多元线性回归模型的预测结果,BP网络模型精度更高,误差更小,可控制在2%以内,能有效避免出现混凝土强度预测偏差较大的问题。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题来源及意义
• 1.2 机制砂及机制砂混凝土国内外研究现状
• 1.2.1 机制砂
• 1.2.2 机制砂与天然砂的物理力学特性比较
• 1.2.3 机制砂混凝土的国内外应用概况
• 1.3 机制砂中石粉含量对混凝土性能的影响
• 1.3.1 机制砂中石粉对胶凝材料体系水化过程的影响
• 1.3.2 机制砂中石粉对混凝土工作性的影响
• 1.3.3 机制砂中石粉对混凝土力学性能的影响
• 1.4 存在的问题
• 1.5 研究内容
• 2 机制砂及其石粉的特性研究
• 2.1 试验材料
• 2.2 试验方法
• 2.2.1 机制砂
• 2.2.2 石粉
• 2.3 试验结果及分析
• 2.3.1 机制砂的特性
• 2.3.2 石粉的特性
• 2.3.3 石粉含量对机制砂性能的影响
• 2.3.4 石粉含量对胶砂强度的影响
• 2.3.5 石粉含量对水化产物的影响
• 2.4 本章小结
• 2.4.1 机制砂的特性
• 2.4.2 石粉的特性
• 2.4.3 石粉含量对机制砂性能的影响
• 2.4.4 石粉含量对胶砂强度的影响
• 2.4.5 石粉含量对水化产物的影响
• 3 含石粉机制砂混凝土的探索性试验研究
• 3.1 试验材料
• 3.1.1 水泥
• 3.1.2 集料
• 3.1.3 外加剂等
• 3.2 配合比设计
• 3.3 试件制作及养护
• 3.4 试验方法
• 3.4.1 水泥
• 3.4.2 机制砂
• 3.4.3 混凝土
• 3.5 试验结果及分析
• 3.5.1 石粉对机制砂混凝土工作性的影响
• 3.5.2 石粉对机制砂混凝土力学性能的影响
• 3.6 本章小结
• 3.6.1 石粉对机制砂混凝土工作性的影响
• 3.6.2 石粉对机制砂混凝土力学性能的影响
• 4 含石粉的机制砂混凝土验证性试验研究及配合比分析
• 4.1 试验材料
• 4.1.1 水泥
• 4.1.2 集料
• 4.1.3 外加剂等
• 4.2 配合比设计
• 4.3 试件制作及养护
• 4.4 试验方法
• 4.5 试验结果及分析
• 4.6 卵石破碎原状机制砂混凝土配合比分析
• 4.6.1 水灰比
• 4.6.2 用水量
• 4.6.3 砂率
• 4.6.4 石粉含量
• 4.7 本章小结
• 5 基于人工神经网络的机制砂混凝土强度预测的研究
• 5.1 概述
• 5.2 人工神经网络
• 5.2.1 人工神经网络特点
• 5.2.2 BP（Back-Propagation）神经网络
• 5.3 BP 神经网络混凝土强度预测模型的建立
• 5.3.1 变换处理网络数据
• 5.3.2 确定网络结构
• 5.3.3 选择网络传递函数
• 5.3.4 确定网络收敛的极小值
• 5.4 BP 训练算法的实现
• 5.5 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 攻读硕士学位期间参加的科研实践及发表的论文
• 致谢
• 参考文献