掺粉煤灰水泥稳定碎石材料溶蚀特性及预测模型研究

2023-10-27彭俊锋黄少杰翁义建容洪流李大江

公路与汽运 2023年5期

彭俊锋, 黄少杰, 翁义建, 容洪流, 李大江

(1.广西桂能工程咨询集团有限公司, 广西南宁 530023;2.广西大学土木建筑工程学院, 广西南宁 530004)

水泥稳定碎石材料的溶蚀一直是道路工程建设中的难题,溶蚀损伤容易造成胶凝材料大量损失,影响路面基层材料的力学性能,降低材料与结构的耐久性。刘冲发现水泥稳定碎石材料的抗压强度和间接抗拉强度随着钙溶出的增加而降低[1]。Faucon P.等研究发现,在水泥浆体试件表层有大量钙和少量硅溶出,混凝土被软水溶蚀的过程受局部化学平衡控制,钙溶蚀过程受钙离子扩散控制[2-3]。李响的研究表明掺20%粉煤灰可以延缓水泥结构微裂纹的溶蚀发展[4]。何绍丽研究发现单掺粉煤灰可以减缓水泥浆体的钙溶蚀进程,提高其在去离子水中的抗溶蚀性能[5]。孙海燕通过微观分析发现当粉煤灰掺量不超过50%时,水化硅酸钙含量不断增多,无害孔和少害孔数量增加,掺入一定粉煤灰可以减小空隙率[6]。方正青等的研究表明粉煤灰的掺入虽然可减少氢氧化钙含量和钙离子溶出量,但会增大试件的空隙率,加速材料的钙溶蚀进程[7]。Rozière E.等的研究表明粉煤灰的掺入可减少混凝土中氢氧化钙含量,使材料内部可溶蚀的氢氧化钙含量减少,溶蚀破坏程度降低[8]。陈朋等的研究表明,低等级粉煤灰掺量为15%时,粉煤灰气泡轻质土的各项物理力学指标均最优且经济效益显著[9]。现有研究表明在水泥材料中掺入粉煤灰可以延缓其溶蚀进程,提高其耐久性能。但针对道路工程中水泥稳定碎石材料溶蚀特性的研究很少。

近年来众多学者利用BP 神经网络预测了各种混凝土的强度和耐久性[10-14],预测结果较精确。本文研究粉煤灰掺量对水泥稳定碎石材料溶蚀特性的影响,并采用BP神经网络模型对其溶蚀进程进行预测,为水泥稳定碎石病害防治与寿命预估提供参考。

1 试验方案

1.1 原材料及试验方案

采用P.O42.5普通硅酸盐水泥,粗集料采用4.75～26.5 mm级配碎石,细集料为河砂,粉煤灰为Ⅰ级低钙粉煤灰。水泥稳定碎石材料中水泥掺量分别为3%、4%、5%、6%、7%,水泥∶粉煤灰分别按1.0∶0.0、1.0∶0.1、1.0∶0.2、1.0∶0.3的比例掺入,共设计20组试验(见表1)。制备6 mmol氯化铵溶液,采用氯化铵加速溶蚀方法模拟溶蚀过程,测试水泥稳定碎石材料未溶蚀及溶蚀1 d、3 d、7 d、9 d、11 d、13 d、15 d、17 d、19 d、21 d、23 d、25 d、27 d时钙离子溶出量、溶出率及空隙率变化[15]。

表1 水泥稳定碎石材料中水泥及粉煤灰掺量

1.2 试验方法

1.2.1 氯化铵加速溶蚀方法

采用氯化铵加速溶蚀方法模拟水泥稳定碎石材料的溶蚀过程。制备6 mmol氯化铵溶液,将试件放入氯化铵溶液中溶蚀,保证上下底面与溶液完全接触,溶蚀过程中容器保持密封。

1.2.2 钙离子浓度测试

充分搅拌溶蚀溶液,取5 mL待测溶液,向其中加入去离子水稀释X倍,取稀释后溶液50 mL装入锥形瓶中;向锥形瓶中滴入3滴1∶1稀盐酸,摇匀,放置在电加热炉中加热煮沸,充分排放溶液中CO2后冷却;再次向锥形瓶中加入5 mL体积分数为20%的氢氧化钠溶液、约80 mg钙黄绿素指示剂,充分摇匀后等待滴定;用配置好的EDTA溶液滴定,记录初始刻度V1,边滴定边摇晃,观察锥形瓶中溶液变化,当溶液由黄绿色变为橙红色时,结束滴定,记录最终刻度V2。按式(1)计算钙离子浓度C。

(1)

式中:M为溶液的浓度(mmol/L);Vw为测试溶液体积(mL)。

1.2.3 空隙率测试

通过饱水-干燥称重法称量溶蚀前后饱水质量,计算试件空隙率。取出溶蚀后试件并用湿毛巾擦去表面浮水,称其饱水质量ms;将试件完全浸没在水中,用下挂式秤称其悬浮在水中的质量mx;将试件放入60 ℃烘箱中充分干燥至恒重,称其干燥质量md。通过式(2)计算试件空隙率φ。

(2)

2 建立BP神经网络预测模型

2.1 BP神经网络计算原理

BP神经网络包括信号正向传播和误差反向传播两个过程。将给定的信号参数从输入层传递至隐含层,经隐含层处理后将结果传递至输出层,若输出结果与期望值不符,进入误差反向传播过程;按原正向传播路径将误差信号反馈至隐含层,通过对各层神经元权值的不断修正使网络的误差函数趋于最小[16]。图1为BP神经网络结构,输出y的计算表达式见式(3)。

图1 BP神经网络的结构

(3)

式中:F为激活函数,采用sigmoid函数。

BP神经网络算法可根据误差函数的负值不断调整网络中的权值和阈值,直到将网络错误降至最低为止。更新后的权值和阈值分别见式(4)、式(5)。

(4)

(5)

式中:w(k)为第k次迭代时各层之间的连接权值向量;α为训练速率;∂E(k)/∂w(k)为第k次迭代时神经网络输出误差对各权值的误差梯度;E(k)为第k次迭代时神经网络输出的总误差性能函数,由式(6)表示;b(k)为第k次迭代时各层之间的连接阈值向量;∂E(k)/∂b(k)为第k次迭代时神经网络输出误差对各阈值的误差梯度。

(6)

式中:ei为实测值与预测值的绝对误差;n为数据总数。

2.2 训练集数据

采用掺粉煤灰水泥稳定碎石材料溶蚀特性研究中的数据建立BP神经网络预测模型,将水泥稳定碎石材料的水泥掺量、粉煤灰掺量、溶蚀时间作为BP 神经网络的输入参数,预测水泥稳定碎石材料的空隙率和钙离子溶出量、溶出率。

2.3 网络层数和隐含层节点数

采用3层BP神经网络,分别为输入层、隐含层、输出层。输入层神经元数量为3个,分别为水泥掺量、粉煤灰掺量、溶蚀时间。隐含层节点数l按式(7)确定,计算得l的取值范围为3～13个,经多次尝试后确定隐含层节点数l为7个。

(7)

式中:m为输出层节点数;n为输入层节点数;a为0～10之间的任意常数。

3 掺粉煤灰水泥稳定碎石材料的溶蚀特性分析与预测

3.1 钙离子溶出量分析与预测

图2为不同水泥掺量、粉煤灰掺量下水泥稳定碎石材料中钙离子浓度变化。由图2可知:随着浸泡时间的增加,溶液中钙离子浓度逐渐增大。水泥掺量一定时,随着粉煤灰掺量的增加,钙离子溶出量不断减小,粉煤灰对水泥稳定碎石材料钙离子溶出起到抑制作用。粉煤灰中的活性二氧化硅与水泥的水化产物充分反应生成较多水化硅酸钙,相较于氢氧化钙,水化硅酸钙更难以溶蚀,因而钙离子溶出量有所降低。在相同浸泡时间下,增大水泥掺量可减缓钙离子溶出量。

图2 水泥稳定碎石材料中钙离子浓度的变化

分别采用BP 神经网络预测模型和逐步回归预测模型对20组水泥稳定碎石材料的钙离子溶出量进行预测,并对预测值和实测值进行线性拟合,结果见图3。由图3可知:BP 神经网络模型预测值与实测值的相关系数R为0.970,且数据点紧邻拟合直线;逐步回归模型预测值与实测值的相关系数为0.910,部分数据点距离拟合直线较远,数据较离散。BP 神经网络模型预测值的拟合程度更高,更贴近实测值。

图3 钙离子溶出量预测值与实测值的线性拟合分析

3.2 钙离子溶出率分析与预测

图4为水泥稳定碎石材料中钙离子溶出率测试结果。由图4可知:钙离子溶出率随着浸泡时间的增加而增大,与钙离子浓度变化情况吻合。粉煤灰掺量一定时,钙离子溶出率整体随着水泥掺量的增大而逐渐降低。这是因为水泥掺量、粉煤灰掺量增大,试件空隙率降低,而水泥稳定碎石材料的溶蚀过程是从材料外部向内部的过程,空隙率降低,则腐蚀溶液更难进入材料空隙中,钙离子溶出率降低。水泥掺量一致时,在相同时间内,增大粉煤灰掺量可以减少钙离子的析出,降低钙离子溶出率,从而减缓溶蚀进度,提高水泥稳定碎石材料抵抗溶蚀的能力。

图4 水泥稳定碎石材料中钙离子溶出率的变化

图5为钙离子溶出率预测值与实测值的拟合结果。由图5可知:BP 神经网络预测模型预测值基本位于拟合直线附近,相关系数为0.990,接近于1,拟合程度高;逐步回归模型预测值与拟合直线偏差较大,相关系数仅0.950,预测准确性欠佳。BP 神经网络预测模型预测结果与实测数据极为相近,更具真实性。

图5 钙离子溶出率预测值与实测值的线性拟合分析

3.3 空隙率分析与预测

图6为溶蚀过程中不同水泥掺量和粉煤灰掺量下水泥稳定碎石材料空隙率的变化。由图6可知:随着浸泡时间的增加,空隙率不断增大,空隙增多使水泥稳定碎石材料更容易被侵蚀,析出更多的钙离子,抵抗溶蚀的能力逐步减弱。但在整个溶蚀过程中空隙率变化并不明显。在其他条件一定时,空隙率随着粉煤灰掺量的增大而降低。这是因为在水泥稳定碎石强度形成早期,水泥迅速水化产生大量氢氧化钙,而粉煤灰中活性二氧化硅可以与氢氧化钙反应生成空隙更小的水化硅酸钙,使材料空隙率降低。说明掺入粉煤灰可有效降低水泥稳定碎石材料的空隙率,增强其抵抗溶蚀的能力。此外,增大水泥掺量可以显著降低水泥稳定碎石材料的空隙率,进而延缓溶蚀的进程。

图6 水泥稳定碎石材料空隙率的变化

采用BP神经网络预测模型和逐步回归预测模型对水泥稳定碎石的空隙率进行预测,并对预测值与实测值进行线性拟合,结果见图7。由图7可知:BP 神经网络预测模型预测值比较集中地散落在拟合直线附近,线性相关系数为0.985;逐步回归预测模型预测值离拟合直线较远,线性相关系数为0.954,拟合程度比BP神经网络预测模型差。