珊瑚混凝土碳化深度影响因素及其预测模型研究

头部文案

发布时间：2020-01-06 00:00:00

全国建材科技期刊
全国中文核心期刊
中国科技论文统计源期刊
万方数据-数字化期刊群入网期刊
中国学术期刊（光盘版）全文收录期刊

华东地区优秀科技期刊
江苏省期刊方阵“双效期刊”
中国期刊网全文收录期刊
中国科技期刊数据库全文收录期刊



珊瑚混凝土碳化深度影响因素及其预测模型研究

Study on Influencing Factors and Forecasting Model of Coral Concrete Carbonation

2020年第11期

珊瑚混凝土；碳化深度；影响因素；预测模型

Coral concrete; Carbonation depth; Influencing factor; Forecasting model

2020年第11期

10.19761/j.1000-4637.2020.11.015.05

国家自然科学基金项目（51568013）；广西自然科学基金项目（2016GXNSFBA380175）；广西中青年教师基础能力提升项目（KY2016YB191）。

陈爽1，元艳妃2，易金1,2

1.桂林理工大学广西新能源与建筑节能重点实验室，广西桂林 541000；2.桂林理工大学土木与建筑工程学院，广西桂林 541000

陈爽1，元艳妃2，易金1,2

Abstract: The effects of water-cement ratio, cement amount, fly ash content, and carbonization age on the coral concrete by using fast carbonation experiment were studied. The experimental ages were 3 d, 7 d, 14 d and 28 d, respectively. The results show that the carbonation depths of coral concrete are positive correlation with water-cement ratio, fly ash content and carbonation age, while negative correlation with the cement content. The carbonation depth increases with the increase of carbonization age. A forecast model of coral concrete carbonation depth was established based on double hidden layer BP neural network in MATLAB. The cyclic-training algorithm program was written, and the optimal neurons number of hidden layer was found to be 11 and 5 after 40 cycles nearly million times network training. It is verified the average prediction error of the prediction model is 5.57%, and the prediction accuracy is good.

陈爽,元艳妃,易金.珊瑚混凝土碳化深度影响因素及其预测模型研究[J].混凝土与水泥制品,2020(11):15-19.

CHEN S,YUAN Y F, YI J.Study on Influencing Factors and Forecasting Model of Coral Concrete Carbonation[J].CHINA CONCRETE AND CEMENT PRODUCTS,2020(11):15-19.

浏览量:

1000

摘要：通过快速碳化试验研究了水灰比、水泥用量、粉煤灰掺量、碳化龄期四个因素对珊瑚混凝土碳化深度的影响，试验龄期分别为3 d、7 d、14 d、28 d。结果表明：珊瑚混凝土的碳化深度与水灰比、粉煤灰掺量呈正比，与水泥用量呈反比；碳化深度均随碳化龄期增长而增大。基于MATLAB中双隐含层BP神经网络，建立了珊瑚混凝土碳化深度预测模型，编写了循环训练算法程序，经过40次循环近百万次网络训练筛选出了双隐含层最佳神经元节点数，分别为11、5，最小均方根误差为0.67。经验证，该预测模型预测平均误差为5.57%，预测精度良好。 Abstract: The effects of water-cement ratio, cement amount, fly ash content, and carbonization age on the coral concrete by using fast carbonation experiment were studied. The experimental ages were 3 d, 7 d, 14 d and 28 d, respectively. The results show that the carbonation depths of coral concrete are positive correlation with water-cement ratio, fly ash content and carbonation age, while negative correlation with the cement content. The carbonation depth increases with the increase of carbonization age. A forecast model of coral concrete carbonation depth was established based on double hidden layer BP neural network in MATLAB. The cyclic-training algorithm program was written, and the optimal neurons number of hidden layer was found to be 11 and 5 after 40 cycles nearly million times network training. It is verified the average prediction error of the prediction model is 5.57%, and the prediction accuracy is good.

英文名 : Study on Influencing Factors and Forecasting Model of Coral Concrete Carbonation

刊期 : 2020年第11期

关键词 : 珊瑚混凝土；碳化深度；影响因素；预测模型

Key words : Coral concrete; Carbonation depth; Influencing factor; Forecasting model

刊期 : 2020年第11期

DOI : 10.19761/j.1000-4637.2020.11.015.05

文章编号 :

基金项目 : 国家自然科学基金项目（51568013）；广西自然科学基金项目（2016GXNSFBA380175）；广西中青年教师基础能力提升项目（KY2016YB191）。

作者 : 陈爽1，元艳妃2，易金1,2

单位 : 1.桂林理工大学广西新能源与建筑节能重点实验室，广西桂林 541000；2.桂林理工大学土木与建筑工程学院，广西桂林 541000

陈爽1，元艳妃2，易金1,2

陈爽,元艳妃,易金.珊瑚混凝土碳化深度影响因素及其预测模型研究[J].混凝土与水泥制品,2020(11):15-19.

CHEN S,YUAN Y F, YI J.Study on Influencing Factors and Forecasting Model of Coral Concrete Carbonation[J].CHINA CONCRETE AND CEMENT PRODUCTS,2020(11):15-19.





摘要

参数

结论

参考文献

引用本文

关键词:

预测

the

碳化

and

carbonation

深度

龄期

扫二维码用手机看

[1] 王新志.南沙群岛珊瑚礁工程地质特性及工程建设可行性研究[D].北京:中国科学院研究生院,2018.
[2] MITCHELL M J,JENSEN O E,CLIFFE K A,et al.A model of carbon dioxide dissolution and mineral carbonation kinetics[J].Proceedings: Mathematical, Physical and Engineering Sciences,2010,466:2117.
[3] LEEMANN A, MORO F.Carbonation of concrete: the role of CO2 concentration, relative humidity and CO2 buffer capacity[J]. Materials and Structures,2017,50(1):30.
[4] 余强,姜振春.浅析西沙某岛海水－珊瑚礁砂混凝土的耐久性问题[J].施工技术,2013(42):258-260.
[5] HOWDYSHELL P A.The Use of Coral as an Aggregate for Portland Cement Concrete Structures[R].America:Army Construction Engineering Research Laboratory,1974.
[6] EHLERT R A.Coral Concrete at Bikini Atoll[J].Concrete International,1991(1):13.
[7] 韩建德,孙伟,潘钢华.混凝土碳化反应理论模型的研究现状及展望[J].硅酸盐学报,2012,40(8):1143-1153.
[8] 陈树亮.混凝土碳化机理、影响因素及预测模型[J].华北水利水电学院学报,2010,31(3):35-39.
[9] 陈晓雨,孔丽娟,刘行,等.基于神经网络预测粗骨料对混凝土抗碳化性能的影响[J].工业建筑.2016(S2):627-631.
[10] 崔东文.多隐层BP神经网络模型在径流预测中的应用[J].水文,2013,33(1):68-73.
[11] 中华人民共和国建设部.轻骨料混凝土技术规程:JGJ 51—2002[S].北京:中国建筑工业出版社,2002．
[12] 余强.珊瑚礁砂海水混凝土的配合比设计与抗压强度规律[J].混凝土,2017(2):155-157,160.
[13] 中华人民共和国住房和城乡建设部.普通混凝土长期性能和耐久性能试验方法标准:GB/T 50082—2009[S].北京:中国建筑工业出版社,2010.
[14] 张小伟.粉煤灰对混凝土碳化的影响[J].中国建材科技, 2012,21(5):49-51.
[15] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013.
[16] 左江波.基于人工神经网络的粉煤灰混凝土氯离子扩散系数预测[D].衡阳:南华大学,2012．
[17] 高攀祥,于军琪,牛荻涛,等.神经网络在混凝土碳化深度预测中的研究应用[J].计算机工程与应用,2014,50(14):238-241,250.

上一个

不同释放时间保坍型聚羧酸高性能减水剂研究

下一个

装配式桥梁湿接缝混凝土变形及界面性能研究

头部文案

珊瑚混凝土碳化深度影响因素及其预测模型研究

相关文件