《Materials Today Communications》:Experimental investigation and ANN optimization of cement mortar production using marble and granite waste powder as partial cement replacement
编辑推荐:
本研究开展了利用大理石与花岗岩废粉(Marble and Granite Waste Powder, MGWP)部分替代水泥的砂浆生产试验研究及人工神经网络(Artificial Neural Network, ANN)优化。为此,研究人员采用固定比例为50:
本研究开展了利用大理石与花岗岩废粉(Marble and Granite Waste Powder, MGWP)部分替代水泥的砂浆生产试验研究及人工神经网络(Artificial Neural Network, ANN)优化。为此,研究人员采用固定比例为50:50的花岗岩与大理石废粉混合物,以重量为基准将水泥替代水平从0%逐步增加至45%。根据相关ASTM标准进行砂浆试件的拌合、测试和养护,证实了在受控实验室条件下,花岗岩和大理石废粉具有改善水泥砂浆力学性能和耐久性能的潜力。压缩强度和超声波脉冲速度(Ultrasonic Pulse Velocity, UPV)作为衡量力学性能的两项核心指标;同时,研究还通过抗硫酸盐侵蚀性、孔隙率和吸水率等耐久性相关指标对砂浆性能进行了综合评估。试验结果表明,当MGWP掺量不超过15%时,砂浆的吸水率和孔隙率均有所降低,这主要归因于更优的颗粒堆积效应和基体致密化作用。在10%替代水平下,试验最优压缩强度达到33.9 MPa,最大UPV值为4.1 km/s,相较于对照组(0% MGWP)压缩强度提高约18%。同替代水平下的试件在经历硫酸盐侵蚀后仅损失0.5 MPa,表现出良好的抗硫酸盐侵蚀性能。研究人员采用基于田口方法(Taguchi method)的试验设计构建数据集,进而开发ANN模型进行性能预测。ANN预测结果与试验数据高度吻合,最大预测误差仅为2.65%。本次试验的最优性能出现在10% MGWP替代水平,压缩强度为33.9 MPa;而ANN模型预测的最优替代水平为11.89%,对应压缩强度为34.88 MPa,较试验最优值高出2.8%。这种试验与数据驱动方法相结合的研究路径表明,花岗岩和大理石废粉可用于制备具有更优力学性能和耐久性能的环保型胶凝材料。
## 研究背景与问题提出
建筑业正面临提升材料性能与降低水泥生产环境负荷的双重压力。普通硅酸盐水泥(Ordinary Portland Cement, OPC)制造过程中产生大量二氧化碳排放,促使研究人员探索以工业副产品和废料部分替代水泥的可持续途径。大理石废粉和花岗岩废粉因其储量丰富、颗粒细小,以及在水泥基复合材料中潜在的填料效应和火山灰效应而备受关注。已有研究表明,低替代水平下单独使用大理石废粉或花岗岩废粉部分替代水泥不会损害砂浆和混凝土的力学性能,且通过改善颗粒堆积和二次水化反应可提升压缩强度、耐久性及微观结构致密化。然而,现有研究多集中于单一材料替代,对于大理石与花岗岩废粉联合使用的研究相对匮乏,尽管二者在化学和物理特性上具有互补性。与此同时,机器学习(Machine Learning, ML)技术的进步为水泥基材料性能的精准预测与优化提供了新工具,其中ANN在建立混合参数与性能指标之间的复杂非线性关系方面表现突出。但现有研究存在明显不足:多数仍依赖传统统计方法,或虽应用ML模型却缺乏系统的试验设计,制约了其鲁棒性和预测能力;此外,现有研究多以压缩强度为唯一优化指标,忽视抗硫酸盐侵蚀性、孔隙率和吸水率等耐久性指标;更缺乏将结构化试验设计技术(如田口方法)与ML模型相结合的集成框架,难以在减少试验工作量的同时保持预测精度。为填补上述空白,本研究提出了一种试验-机器学习集成框架,用于优化掺入固定比例50:50花岗岩-大理石废粉(MGWP)的水泥砂浆。
## 主要技术方法概述
本研究采用的关键技术方法包括:基于田口方法的试验设计以构建高效试验矩阵;ANN建模技术,采用Levenberg-Marquardt算法、双曲正切Sigmoid激活函数、2-11-6网络架构(2个输入节点、11个隐藏层节点、6个输出节点),数据集按75%训练、15%验证、15%测试的比例划分,并辅以5折交叉验证;激光衍射分析进行粒径分布测定;X射线衍射(X-ray Diffraction, XRD)结合Rietveld精修进行物相定量分析;热重分析(Thermogravimetry, TGA)评估火山灰活性;扫描电子显微镜(Scanning Electron Microscopy, SEM)观测微观结构;以及覆盖力学性能(压缩强度、UPV)和耐久性能(抗硫酸盐侵蚀性、吸水率、孔隙率)的全方位性能测试体系。试样来源于埃塞俄比亚Woldia地区Kokeb Marble and Granite Factory提供的工业废料。
## 研究结果
### 堆积密度分析
砂浆堆积密度随养护龄期增长而增加,在56天和90天达到峰值。所有替代水平中,10% MGWP替代在56天和90天时达到最高堆积密度约2808 kg/m3;超过10%后堆积密度持续下降,15%以上尤为明显。低密度替代水平(5%~10%)下,细颗粒花岗岩-大理石粉末作为微填料改善颗粒堆积、减少内部空隙,加之持续水化形成额外C-S-H凝胶,使基体密度增加。当水泥替代超过10%~15%时,稀释效应导致水化不充分、孔隙率增加,堆积密度降低。
### 压缩强度分析
压缩强度随MGWP替代量增加先升后降,10%替代时达到峰值。90天龄期下,10% MGWP替代的压缩强度为33.9 MPa,5%~10%低替代水平的强度发展源于MGWP中高含量CaO和SiO
2的填充效应及有限火山灰活性;超过15%替代水平后因水泥含量降低、水化受限,强度低于对照组。细颗粒MGWP形成的致密微观结构降低了孔隙率,从而提高了强度。
### 砂浆抗硫酸盐侵蚀性能
依据ASTM C1012标准,将砂浆试件浸入5%硫酸钠(Na
2SO
4)溶液中进行抗硫酸盐侵蚀试验。不超过10% MGWP替代的砂浆表现出优异的抗硫酸盐性能,90天抗压强度保持率达32.5 MPa;超过此替代水平后抗硫酸盐性能逐步下降。花岗岩废粉的火山灰活性使其与游离氢氧化钙[Ca(OH)
2]反应生成额外C-S-H凝胶,改善抗硫酸盐侵蚀能力。对照组因未引入MGWP而无额外二次C-S-H形成,抗硫酸盐性能最差。
### 砂浆吸水率
所有配比砂浆的吸水率均随养护龄期增长而降低。10% MGWP替代时吸水率最低,90天约为3.8%;更高替代水平导致吸水率增加。细MGWP颗粒填充水泥基体空隙使微观结构致密化,降低了孔隙率。对照组90天吸水率为4.8%,表明部分MGWP替代显著改善了砂浆抗水渗透性能。
### 砂浆孔隙率
孔隙率随养护龄期增长而降低。10% MGWP替代时孔隙率最低,90天为5.7%;更高替代水平孔隙率增加。对照组孔隙率最高(90天为8.5%),证实了MGWP部分替代对砂浆压实和致密化的有效性。
### 超声波脉冲速度
UPV值随MGWP替代量增加先升后降,10%替代时达到最高。所有配比UPV值均随养护龄期延长而增长。10%替代水平在90天时产生最高UPV测量值4.1 km/s,依据IS 13311(第1部分):1992标准属于"优质砂浆"。该水平下致密的微观结构形成、低孔隙率以及良好的C-S-H凝胶发展促进了UPV提升。超过10%替代后UPV开始下降,表明更多空隙和微观结构不连续性的出现。
### 硬化砂浆微观结构测试——扫描电子显微镜分析
SEM观察显示:对照组呈现高度不规则微观结构,存在毛细孔和微裂纹;10% MGWP替代组显示更致密、更紧凑的基体,可见孔隙较少,C-S-H凝胶网络连续;20%(及30%、40%、45%)替代组则出现更多未反应颗粒、凝胶区域不连续以及更大空隙。10%替代组观察到大量 foil-like结构C-S-H凝胶和plate-like结构CH(水化硅酸钙)键合,而30%替代组和对照组均观察到针状结构的钙矾石(ettringite)。
### 砂浆生产中的机器学习优化
基于田口 minimalsum效率准则(Taguchi approach),利用ANN对输入参数(水泥量、花岗岩大理石量)与输出响应(堆积密度、压缩强度、吸水率、抗硫酸盐侵蚀性、孔隙率、UPV)进行建模。通过试错法优化隐藏层节点数,确定2-11-6架构为最优模型,最小均方误差(Mean Square Error, MSE)为0.000437,最大相关系数(R)达0.99979,决定系数(R
2)为0.99958。ANN预测最优替代水平为11.89%,对应压缩强度34.88 MPa,较试验最优值(10%,33.9 MPa)高出2.8%。预测值与试验值的最大百分比误差为4.97%(吸水率),最小为0.13%(堆积密度),验证了模型的可靠性。
## 讨论与结论翻译
本研究表明,大理石和花岗岩等废料常用于水泥生产,但这些材料与水泥拌合过程中工艺参数设置不当会对所制备混凝土的力学性能和耐久性产生负面影响。为此,本研究旨在确定从水泥、大理石和花岗岩制备混凝土的最优工艺参数设置,主要结论如下:
? 试验最优结果出现在花岗岩-大理石废粉替代水泥10%时,压缩强度达到33.9 MPa,UPV为4.1 km/s,并表现出良好的抗硫酸盐侵蚀性能。
? 试验最优配比下的砂浆试件孔隙率和吸水率较低,硫酸盐暴露后仅损失0.5 MPa,确认了耐久性的改善。
? ANN预测的最优水泥替代水平为11.89%,对应预测压缩强度34.88 MPa。ANN最优强度较试验最优条件下的强度高出2.8%,证明了该模型在离散试验水平之上优化配比的能力。
? 试验最优值与ANN最优值的高度吻合证实了机器学习辅助优化在开发低碳高性能胶凝材料方面的可靠性。
? 集成的田口-ANN方法为配比设计优化提供了高效手段,促进了石材废料的循环利用,推动了建筑行业的闭环经济实践。