水泥強(qiáng)度影響因素及預(yù)測研究進(jìn)展

初必旺

摘 要：水泥強(qiáng)度影響因素很多，其中熟料的礦物組成是其顯著影響因子。將眾多水泥強(qiáng)度影響因子作為輸入變量，通過不同的預(yù)測模型，可預(yù)測水泥28d強(qiáng)度。其中組合模型預(yù)測方法結(jié)合了不同預(yù)測模型的優(yōu)點(diǎn)，可提高水泥強(qiáng)度的預(yù)測精度。

關(guān)鍵詞：水泥強(qiáng)度；影響因素；預(yù)測

按照水泥行業(yè)和國家標(biāo)準(zhǔn)的要求，水泥強(qiáng)度的檢測齡期為28d，其28d強(qiáng)度也是判斷水泥標(biāo)號(hào)的主要依據(jù)，這個(gè)要求給現(xiàn)場施工進(jìn)度帶來了困擾，也給水泥生產(chǎn)企業(yè)庫存和資金帶來壓力，因而眾多水泥生產(chǎn)和使用單位都在積極探索水泥28d強(qiáng)度的預(yù)測方法。

1 水泥強(qiáng)度的影響因素

預(yù)測水泥28d強(qiáng)度的方法是基于常規(guī)的化學(xué)和物理指標(biāo)，應(yīng)用數(shù)學(xué)的方法建立強(qiáng)度和其影響因子的經(jīng)驗(yàn)公式，對28d強(qiáng)度作出預(yù)測。因此，要準(zhǔn)確預(yù)測水泥強(qiáng)度，必須了解水泥強(qiáng)度的影響因素。

水泥強(qiáng)度是水泥物理性能中最重要的指標(biāo)之一，其影響因素很多：熟料的礦物組成和礦物形態(tài)，水泥細(xì)度（或比表面積）和顆粒級(jí)配、混合材、石膏、堿含量、游離氧化鈣含量等。

1.1 礦物組成和礦物形態(tài)

不同水泥品種規(guī)定了熟料在水泥組成中的比例，熟料強(qiáng)度很大程度上取決于其礦物組成和礦物形態(tài)，熟料則是水泥產(chǎn)生強(qiáng)度的源頭。熟料四種主要礦物組成為：硅酸三鈣（C3S）、硅酸二鈣（C2S）、鋁酸三鈣（C3A）和鐵鋁酸四鈣（C4FA），當(dāng)其含量改變時(shí)，水泥的物理性能也隨之改變。一般說來，C3S的水化產(chǎn)物對水泥早期強(qiáng)度和后期強(qiáng)度起主要作用，C2S的水化產(chǎn)物對水泥早期強(qiáng)度貢獻(xiàn)較小，但對水泥后期強(qiáng)度起重要作用，C3A對水泥早期強(qiáng)度起一定作用，C4FA水化后強(qiáng)度不高，但對水泥的抗折和抗沖磨性能起到重要作用。水泥熟料中的礦物形態(tài)也會(huì)對水泥強(qiáng)度有一定影響，熟料礦物晶體發(fā)育良好，晶體尺寸適中，晶體自形好，則水泥強(qiáng)度相對較高。

1.2 細(xì)度和顆粒級(jí)配

一般來說，水泥細(xì)度小，比表面積大，水泥早期強(qiáng)度越高，水化熱也較大。水泥顆粒分布對強(qiáng)度影響的研究顯示：3～30μm的水泥顆粒是擔(dān)負(fù)強(qiáng)度增長的主要粒級(jí)，0～3μm的顆粒主要對早期強(qiáng)度有利，但3μm以下顆粒對后期強(qiáng)度仍有一定貢獻(xiàn)，而3μm以上顆粒對早期強(qiáng)度同樣具有一定貢獻(xiàn)。

1.3 混合材

目前水泥中應(yīng)用最廣泛的混合材種類是粉煤灰、礦渣粉、火山灰和石灰石粉等。不同水泥品種規(guī)定了可摻入混合材的品種和摻量范圍，不同混合材對強(qiáng)度的也有不同的影響。摻入一定量優(yōu)質(zhì)的活性混合材，如粉煤灰、礦渣或火山灰，其早期強(qiáng)度降低，而后期強(qiáng)度下降速度緩慢，甚至有可能得到提高；摻入適量石灰石等惰性混合材，可以提高水泥的早期強(qiáng)度，但后期強(qiáng)度下降。

1.4 石膏

石膏的存在可以有效調(diào)節(jié)水泥凝結(jié)時(shí)間，適量的石膏可提高早期強(qiáng)度，但如果SO3過多的話，多余的SO3能夠在水泥硬化后繼續(xù)與C3A和水生成鈣礬石，固相體積比反應(yīng)物增大約129%，導(dǎo)致安定性不良。

1.5 其他因素

水泥中的堿含量的增加能加快水泥早期的水化程度，故能提高早期強(qiáng)度，但不利于后期強(qiáng)度的發(fā)展；而少量的游離CaO能提高水泥強(qiáng)度，但隨著游離CaO含量的增大，水泥強(qiáng)度亦降低，并會(huì)引起水泥安定性不合格。

2 水泥強(qiáng)度預(yù)測研究進(jìn)展

2.1 線性回歸模型預(yù)測

在較早的研究中，蘇聯(lián)學(xué)者葉戈羅夫研究了水泥熟料的組成與物質(zhì)之間的相互關(guān)系，提出用礦物組成推算水泥28d強(qiáng)度；Knofel基于德國水泥廠數(shù)據(jù)，總結(jié)出水泥28d強(qiáng)度特征值F28和其礦物成分關(guān)系，而F28和水泥28d抗壓強(qiáng)度有著良好的線性關(guān)系，F(xiàn)28預(yù)測模型如式（1）：

F28=3C3S+2C2S+C3A-C4AF （1）

式中，F(xiàn)28為水泥28d強(qiáng)度特征值，C3S、C2S、C3A、C4FA分別為水泥中硅酸三鈣、硅酸二鈣、鋁酸三鈣和鐵鋁酸四鈣質(zhì)量百分?jǐn)?shù)，其數(shù)值可用X射線定量分析、化學(xué)萃取等方法測定，但一般采用Bogue計(jì)算法計(jì)算獲得。

Y·M·Zhang等人以此為基礎(chǔ)，詳細(xì)研究了水泥比表面積、顆粒級(jí)配、礦物組成和強(qiáng)度的關(guān)系，將比表面積和顆粒級(jí)配引入新的預(yù)測模型，可預(yù)測水泥3d、7d和28d強(qiáng)度；中國建筑材料科學(xué)研究院的周雙喜等人利用四個(gè)水泥廠的120組數(shù)據(jù)建立起了水泥28d抗壓強(qiáng)度與4種礦物組成的數(shù)學(xué)關(guān)系式，見式（2）：

R28=0.7603（C3S+C2S+C3A-C4AF）-16.95 （2）

式中，R28為水泥28d抗壓強(qiáng)度。

線性回歸模型預(yù)測方法簡單可行，主要依靠熟料的礦物組成來對強(qiáng)度進(jìn)行預(yù)測，更適于原材料和工藝穩(wěn)定的出廠水泥強(qiáng)度預(yù)測，但當(dāng)水泥其他影響因子發(fā)生大的變化時(shí)，該預(yù)測方法會(huì)引起較大誤差。

2.2 多元非線性單一模型預(yù)測

實(shí)際上水泥強(qiáng)度是大時(shí)滯、非線性問題，影響因素較多，計(jì)算機(jī)技術(shù)的迅速發(fā)展為水泥強(qiáng)度的預(yù)測提供了更多新的方法。為了更準(zhǔn)確的預(yù)測水泥強(qiáng)度，研究人員在計(jì)算模型中引入了更多的強(qiáng)度影響因素：細(xì)度、比表面積、游離CaO含量、SO3含量、堿含量，并將水泥1d抗壓強(qiáng)度和抗折強(qiáng)度作為輸入變量引入預(yù)測模型中。李曉波等人運(yùn)用遺傳算法，得到了滿意的預(yù)測結(jié)果；董吉文等人開展了基于模糊神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測；郁時(shí)煉等人建立了BP神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測模型；王歡、郭一軍比較研究了BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測方法，認(rèn)為后者明顯優(yōu)于前者。

該類預(yù)測方法引入了更多的水泥強(qiáng)度影響因子，能更精確的對水泥強(qiáng)度進(jìn)行預(yù)測，適應(yīng)性強(qiáng)，使用范圍廣，其中研究較多的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測方法，但也有國外學(xué)者指出，RBF雖然具有良好的非線性信息處理能力，可以逼近任何非線性函數(shù)，卻由于只分析輸入和輸出，隨機(jī)性大。

2.3 組合模型預(yù)測

不同的神經(jīng)網(wǎng)絡(luò)模型或算法都有著自身數(shù)值模擬的優(yōu)缺點(diǎn)，因此，有學(xué)者采用兩種模型結(jié)合的方法來提高預(yù)測精度。Sedat Akkurt等人采用模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，取得了水泥28d抗壓強(qiáng)度預(yù)測模型；崔秀云等人針對水泥強(qiáng)度預(yù)測的多變量、非線性、大時(shí)滯特點(diǎn)，提出一種以人工神經(jīng)網(wǎng)與特殊的十進(jìn)制數(shù)編碼的遺傳算法相結(jié)合的水泥28d強(qiáng)度預(yù)測方法；裘國華等人利用灰色預(yù)測模型和RBF神經(jīng)網(wǎng)絡(luò)模型各自的優(yōu)點(diǎn)，提出灰色GM-RBF神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，可輸出28d抗壓強(qiáng)度，預(yù)測精度優(yōu)于單一的灰色GM模型或RBF神經(jīng)網(wǎng)絡(luò)模型。

組合模型預(yù)測方法可結(jié)合不同模型的優(yōu)點(diǎn)，提高了水泥預(yù)測的精度，但需要的原始數(shù)據(jù)信息量大，數(shù)據(jù)預(yù)處理步驟復(fù)雜。

3 結(jié)語

（1）水泥強(qiáng)度的影響因素有熟料的礦物組成和礦物形態(tài)，水泥細(xì)度（或比表面積）和顆粒級(jí)配、混合材、石膏、堿含量、游離氧化鈣含量等因素。其中熟料的礦物組成是影響水泥強(qiáng)度最顯著的因素。

（2）將水泥強(qiáng)度的影響因子作為預(yù)測模型的輸入變量，可開展水泥強(qiáng)度預(yù)測，預(yù)測方法可概括為三類：線性回歸模型預(yù)測、多元非線性單一模型預(yù)測、組合模型預(yù)測，每種預(yù)測方法都有著各自的優(yōu)缺點(diǎn)。但隨著計(jì)算機(jī)技術(shù)發(fā)展對神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能算法的完善，以及水泥工作者對水泥強(qiáng)度預(yù)測精度要求的提高，人工智能算法及其組合應(yīng)用在未來的水泥強(qiáng)度預(yù)測工作中將取得更多的研究進(jìn)展。

參考文獻(xiàn)

[1] 羅云峰，樊粵明，盧迪芬等.水泥熟料礦物組成及礦物形態(tài)對水泥強(qiáng)度的影響[J].水泥，2008（10）：5-9.

[2] 陳云波，徐培濤，韓仲琦等.粉磨方法和粉磨細(xì)度對水泥強(qiáng)度的影響[J].硅酸鹽學(xué)報(bào)，2002，30（z1）：53-58.

[3] 王瑩瑩.游離氧化鈣含量對水泥安定性和強(qiáng)度的影響[J].福建建材，2012（10）：11-12.

[4] T·B·葉戈羅夫.從水泥組成估算強(qiáng)度的研究[A].第六屆國際水泥化學(xué)會(huì)議論文集[C].1981：319-324

[5] Knoefel D.Relations between chemistry， phase content，and strength in portland cements[J].ZKG.Zement-Kalk-Gips，Edition A，1979，32（09）：448-54.

[6] GB/T21372-2008.硅酸鹽水泥熟料[S].北京：中國標(biāo)準(zhǔn)出版社， 2008.

[7] Zhang Y M， Napier-Munn T J.Effects of particle size distribution， surface area and chemical composition on Portland cement strength[J].Powder Technology，1995， 83（03）：245-252.

[8] 周雙喜，陳益民，張文生等.顆粒分布、比表面積、化學(xué)組成對水泥強(qiáng)度的影響[J].硅酸鹽通報(bào)，2006，25（01）：81-85.

[9] 李曉東，楊波，董吉文.基于遺傳算法的水泥強(qiáng)度預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（12）：205-207.

[10] 董吉文，陳月輝，袁潤章等.基于模糊神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測[J].山東建筑大學(xué)學(xué)報(bào)，2005，20（01）：1-3.

[11] 郁時(shí)煉， 高輝.基于神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測[J].合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版， 2002， 25（2）：316-320.

[12] 王歡，張?jiān)龉?，李海濱等.基于RBF神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測[J].自動(dòng)化與儀表，2004，19（02）：7-9.

[13] 郭一軍.基于人工神經(jīng)網(wǎng)絡(luò)的水泥強(qiáng)度預(yù)測模型研究[D].昆明：昆明理工大學(xué)，2006.

[14] Alexandridis A， Triantis D， Stavrakas I， et al.A neural network approach for compressive strength prediction in cement- basedmaterials through the study of pressure- stimulated electrical signals[J].Construction and Building Materials， 2012（30）：294-300

[15] Akkurt S， Tayfur G， Can S.Fuzzy logicmodel for the prediction of cement compressive strength[J].Cement & Concrete Research， 2004，34（08）：1429-1433.

[16] 崔秀云，陳月輝，史奎凡等.人工神經(jīng)網(wǎng)—遺傳算法在水泥強(qiáng)度預(yù)測中的應(yīng)用[J].山東建材學(xué)院學(xué)報(bào)，1998（03）：275-277.

[17] 裘國華，申屠南瑛，施正倫.基于GM-RBF神經(jīng)網(wǎng)絡(luò)組合模型的水泥強(qiáng)度預(yù)測方法[J].科技導(dǎo)報(bào)，2014，32（03）：56-61.