混凝土骨料质量统计分析及骨料级配优化研究
周新刚 秦绪祥 吕英林
烟台大学土木学院
摘 要
利用自主研发的混凝土配合比设计及质量管理系统——ConDLab 对混凝土骨料的质量现状进行统计分析。结合统计分析结果，简要介绍ConDLab的功能及其在混凝土骨料级配优化及混凝土配合比调整方面的作用，分析讨论目前混凝土生产中骨料存在的问题。在最大密实度理论及WF-CF双因子理论的基础上，ConDLab采用人工神经网络智能方法对骨料级配进行优化、对预拌混凝土性能进行预测分析。分析计算结果与试验数据吻合良好。研究表明，混凝土配合比设计及质量管理系统——ConDLab是配合比设计、骨料优化及预拌混凝土质量控制与管理的良好工具。
关键词：混凝土 骨料质量 骨料级配优化 人工神经网络
混凝土是目前用量最大的建筑材料，而砂石骨料作为混凝土中用量最大的原材料，其年使用量巨大。混凝土骨料质量对混凝土性能影响巨大，质量差的骨料不仅会增加混凝土的胶材用量及用水量，还会增加混凝土开裂的风险。对于骨料对混凝土性能的影响，已经有了大量的研究，等规定了粗细骨料应当满足的质量标准，在水胶比的计算、用水量及砂率的确定中也考虑了骨料质量的影响。
随着我国城镇化进程的逐步开展，不少地区出现了砂石资源相对枯竭的现象，为了解决这一问题，近些年来研究人员对再生骨料、机制砂、尾矿砂等开展研究并推广使用，混凝土骨料体系较以往已经发生了巨大的变化。与此同时，劣质骨料的应用也呈现上扬的势头。在此背景下，造成了混凝土骨料质量普遍较差，进而影响了混凝土的性能。同时质量低劣、质量多变的骨料也增加了混凝土配合比设计及调整的难度，增加了混凝土试配的工作量，一定程度上造成了材料及人力资源的浪费。
为了控制及评价原材料质量，改善因原材料质量波动造成的材料及人力资源的浪费，笔者独立开发了混凝土配合比设计及管理系统——ConDLab（以下简称“ConDLab”）。利用 ConDLab 中的相关模块，不仅可以评价及分析原材料质量及其波动状况，还可以在使用人工神经网络智能工具的基础上，预测预拌混凝土性能，进而降低试配次数，节省人力物力。
ConDLab介绍
ConDLab主要有原材料录入及质量评价、配合比设计及优化、试验记录及管理等功能，其系统架构如图1所示，图中箭头表示数据的存储及调用。在原材料质量管理模块中输入的数据，可以判断原材料质量是否合格，经存储后还可供QA/QC 模块、混凝土配合比设计及优化模块、试验管理模块调用；混凝土配合比设计及优化模块通过调取原材料信息、试验记录来进行混凝土配合比设计或优化混凝土配合比；试验管理模块在记录试验信息时，自动调取所使用的原材料信息、配合比信息，将试验与具体的配合比及具体的原材料进行关联，确保了试验记录的完整性。
▲ 图1ConDLab系统架构图
骨料质量统计分析
利用ConDLab对某混凝土生产企业2016年2~4月份所使用骨料质量进行了统计分析，结果见表1~3。由表1可知，机制砂石粉含量均值约为10.57%，最大值为33%，最小值为1.5%，平均差为5.7 %，波动较大。文献中规定，当机制砂MB 值≤1.4时，石粉含量应≤10 %；当MB值＞1.4时，对石粉含量要求更为严格，其中 I 类砂石粉含量限值为0 %，II类砂石粉含量限值为1.0 %，III类砂石粉含量限值为2.0 %。对比可知，存在部分机制砂石粉含量超标的现象。表1中统计数据还反映了机制砂级配信息，将其与文献中的相关规定进行对比可以发现，其均值虽大都能够满足1~2区机制砂筛分要求，但相比天然砂，仍然存在着0.315mm、0.18mm粒径累计筛余偏少的现象。吴中伟与廉慧珍认为对于高性能混凝土，其细骨料0.315 mm累计筛余宜为85 %~95 %，0.18 mm累计筛余不宜＜98 %，机制砂级配远不能满足上述要求。
表1机制砂质量统计表（单位%）
表2 5~25mm碎石质量统计表（单位%）
表 3 5~20mm碎石质量统计表（单位%）
表2~3为碎石质量统计结果。文献中规定，对于 I、II、III类碎石，其含泥量分别应≤ 0.5、1.0及1.5 %，由表2~3中统计数据可知，碎石存在着含泥量过高的问题。由表2~3中筛分信息可知，5~25mm及5~20mm碎石筛分均值基本能够满足文献的相关规定，但存在着某些粒径累计筛余波动较大的问题，如5~20mm碎石的9.5 mm、16mm累计筛余离散度较大。
综上分析可知，目前混凝土骨料存在着泥/粉含量偏多，级配较差且波动较大的现象，一定程度上影响了混凝土生产控制水平，增加了混凝土质量波动增大的风险。
基于骨料级配优化的混凝土配合比设计
骨料级配优化理论及方法
最大密实度曲线
最大密实度曲线是在大量实验的基础上由美国科学家富勒（Fuller）提出的。他认为不同大小的固体颗粒按照一定的比例进行堆积，理论上可以得到密度最大、空隙率最小的骨料。Fuller级配曲线初期提出时由椭圆形曲线部分和与之相切的直线部分组成，其中椭圆形部分曲线反映了细骨料的颗粒级配，而直线部分则反映了粗骨料的颗粒级配，按照该级配曲线组合的骨料，可以达到最大密实度。由于该级配曲线椭圆部分计算较复杂，出于便于应用的考虑，后人经过研究和改进，将Fuller级配曲线改进为抛物线形式，并认为颗粒级配曲线越接近抛物线时，骨料的密度越大。改进后的 Fuller曲线公式如式（1）所示。
式中：Pi为各粒级的通过率，%；di为各级颗粒粒径，mm；D为最大粒径，mm；n为常数。
美国沥青协会认为n为0.4 时，骨料密实度最大，目前n=0.45的级配曲线已经有了广泛应用。
骨料双因子理论
粗糙度因子—工作性因子理论是由美国的Shilstone教授在多年混凝土配合比优化研究的基础上提出的一种骨料级配优化理论（简称为骨料双因子理论）。利用粗糙度因子（Coarseness Factor，缩写为CF，以下简称“CF”）和工作性因子（Workability Factor，缩写为WF，以下简称“ WF”）两个参数可以描述骨料级配与混凝土工作性之间的关系，并可以通过调整这两个参数来控制骨料级配，以优化混凝土性能。利用骨料双因子理论，结合相关规范建议的级配筛余，可以对混凝土骨料的级配进行优化，从而配制出性能优良的混凝土。WF和CF计算公式如式（2）~（3）所示。
式中：CF为粗糙度因子；WF为工作性因子；Q为骨料中粒径＞9.5mm的颗粒质量百分比，%；I骨料中粒径＜9.5mm并且＞2.36mm 的颗粒质量百分比，%；W为骨料中粒径＜2.36mm颗粒质量百分比，%；B为胶材质量，kg。
Shilstone在大量试验和工程实践的基础上，将CF－WF图分为5个区域，各区域分界点及代表的骨料特征如图2 所示。对于骨料最大粒级约为19.0～37.5mm的混凝土，宜使其CF－WF落于区域2内；对于骨料最大粒径≤19 mm的混凝土，应使其CF－WF落于区域3内。
▲ 图2 CF－WF图
ACI分计筛余
ACI302.1R建议骨料最大粒级的分计筛余宜控制在0~4 %，0.6mm、0.3mm粒级分计筛余宜控制在8%~15%，0.15mm粒级分计筛余宜控制在1.5%～5%。对于其他粒级的颗粒，当骨料最大粒径约为25～40mm时，各粒级分计筛余宜控制在8 %~18%之间，而对于骨料最大粒径较小者，如＜20 mm，其各粒级分计筛余可以适当放宽至8%~22%，如表4所示。
表4 ACI推荐的分计筛余
基于骨料级配优化的混凝土配合比设计实例
在ConDLab中使用了上述3种理论及方法对混凝土骨料进行优化，并试配了若干组混凝土。所使用的原材料分别为：水泥为P.O42.5R水泥，矿粉为S95级矿粉，粉煤灰为III级粉煤灰，减水剂为聚羧酸高效减水剂，减水率约为25%；细骨料筛分情况如表5所示，粗骨料为5~25 mm碎石，筛分情况如表6所示。混凝土配合比、工作性能及抗压强度结果如表7所示，由表7可知，利用ConDLab中混凝土配合比设计模块内置的骨料级配优化方法所设计并配制的混凝土具有良好的力学性能及工作性能。
表5 细骨料筛分表（单位%）
表6 粗骨料筛分表（单位%）
表7 混凝土配合比表（单位%）
基于人工神经网络的混凝土配合比调整与优化
由于预拌混凝土使用的原材料较多，原材料的质量也有较大波动，现有的配合比设计方法不能很好地反映原材料质量波动对混凝土性能的影响，也很难根据质量波动情况有效地对配合比优化调整以达到性能要求。实际中一般都是通过适时的大量试配方法来解决，而试配结果又需要标准养护条件下的28d试验结果来检验，从而出现滞后的问题。因此，迫切需要一种理论或方法解决原材料质量波动情况下的配合比优化和调整问题。在ConDLab中使用了人工神经网络方法来解决这个问题。人工神经网络方法最大的优点是可以通过大量的虚拟训练，使模糊的、定性的信息变成清晰的、定量的信息或结果。针对神经网络对混凝土性能预测、混凝土配合比设计及优化已经有了大量的研究，但由于编写神经网络需要一定的编程能力，并且要熟练掌握神经网络算法，大部分混凝土生产行业的从业人员并没有相关能力。为了解决这一系列问题，笔者开发了本系统的神经网络模块，用户可以根据软件提示一步步构建并训练自己的神经网络。
ConDLab的神经网络训练模块有2种模式——专业模式及通用模式。在专业模式中，当混凝土原材料种类、质量发生变化时，可以预测混凝土性能并为配合比调整提供参考；而通用模式则是为用户提供了一个通用的神经网络工具，当用户要研究的内容在ConDLab中没有对应的指标反映时，可以采用该模式，将数据录入在指定格式的文件中，供程序读取，再进行后续的训练、验证及推测等操作。
在此以混凝土骨料级配优化为例，对混凝土配合比设计管理系统的人工神经网络工具的作用进行介绍。以骨料双因子对混凝土性能影响的试验数据，即表8中数据，为训练数据对人工神经网络进行训练。主要步骤如下：1）首先设置人工神经网络基本信息，填写神经网络编号，并在输出指标中选择28d抗压强度及坍落度；2）其次在主控材料及其主控指标中勾选骨料及级配；3）接着选择相关试验记录，作为训练数据，如图3所示；4）设置神经网络相关参数如训练停止条件、S函数梯度等等，并进行训练。人工神经网络训练完成后即可用来预测混凝土性能，为混凝土配合比设计及调整提供参考。以表9中数据为测试数据，使用训练完成的人工神经网络预测混凝土性能，并与表4中的实测值进行对比，其结果如表10所示。
▲ 图3 选择训练数据
表8 神经网络训练数据
表9 神经网络测试数据
表10 神经网络测试结果
由表10可知，预测误差最大约为12.75%，最小仅为0.03 %，这在一定程度上说明了利用神经网络预测混凝土性能的可行性。当混凝土原材料发生变化时，可以利用训练好的神经网络预测混凝土性能是否满足要求，根据预测的结果对混凝土配合比进行调整，可以大大减少试配次数。而且ConDLab将创建、训练神经网络这一过程进行了“封装”，使用者只需要将原材料信息、配合比数据、试配数据录入到ConDLab的数据库中，就可以使用人工神经网络模块方便、快捷地建立人工神经网络，而且不需要使用者掌握相关算法知识。
结语
对混凝土配合比设计及管理系统——ConDLab进行了介绍，并使用ConDLab中的原材料管理及QA/QC模块对碎石及机制砂的质量状况进行了统计分析。统计结果显示，机制砂石粉含量偏多、石粉含量波动较大，级配较差，主要体现为0.315mm及0.18mm累计筛余偏少，且各个粒级的累计筛余波动也较大。碎石的平均含泥量为2.13 %，含泥量最大值为3.80%，远远不能满足文献中关于粗骨料含泥量的规定。
介绍了ConDLab的混凝土配合比设计模块中采用的3种骨料级配优化理论及方法，并使用骨料双因子理论配制了不同级配的混凝土，试配结果显示，其工作性能及抗压强度均能满足要求。在当前再生粗骨料、机制砂、尾矿砂等获得推广使用的环境下，骨料质量较差、质量波动大势必会增加混凝土性能的波动，影响混凝土质量。混凝土配合比设计及管理系统还提供了人工神经网络模块用以调整混凝土配合比，使用者可以利用存储在ConDLab数据库中的历史信息，训练人工神经网络，即可推测及分析原材料性能变化及混凝土配合比变化对混凝土性能的影响。
目前ConDLa的质量统计、分析功能、混凝土配合比设计功能为无计算机基础及算法基础的混凝土从业人员使用统计方法、人工智能的方法提供原材料质量管理水平及优化混凝土配合比提供了可能。后续还会对算法、人机交互等进行一系列的优化及深化，使其能够更好地为混凝土生产服务。
来源：知网
提 示
