基于3D表面分析的再生粗骨料粒径分布智能优化方法及其工业应用

为解决再生粗骨料(RCA)因来源异质性导致的粒径分布(PSD)波动大、传统检测方法效率低的问题，研究人员开发了一种结合3D激光扫描与分水岭算法的实时PSD分析系统。通过定制锥形给料装置形成稳定料堆，采用改进的分水岭分割和椭球拟合技术，实现了≥50吨/小时处理量下4.69%-6.09%的均方根误差(RMSE)，并基于线性编程优化使PSD符合欧洲标准。该研究为建筑垃圾资源化提供了数字化质量控制新范式。

　　

在可持续建筑浪潮中，再生粗骨料(RCA)的循环利用面临严峻挑战——拆除废料的成分差异导致RCA质量波动剧烈，传统筛分法耗时费力且无法实时反馈。更棘手的是，现有图像分析技术难以准确识别传送带上重叠堆积的不规则颗粒，而间歇式采样造成的质量控制滞后直接影响高性能混凝土的安全生产。这些瓶颈严重制约了建筑垃圾资源化的规模化应用。

针对这一行业痛点，荷兰代尔夫特理工大学的研究团队创新性地将工业信息集成技术引入RCA生产链。他们开发了一套融合3D表面扫描与智能算法的实时监测系统，相关成果发表于《Journal of Industrial Information Integration》。该研究通过定制锥形振动给料器形成稳定三角料堆，采用高分辨率Gocator激光扫描仪获取表面点云数据，结合梯度路径追踪的分水岭算法实现颗粒分割，最终通过椭球拟合和线性编程优化PSD。

关键技术包括：1）设计对称分料装置形成代表性料堆；2）开发基于单流向算法的并行分水岭分割技术处理高密度点云；3）建立采样区PSD与整体料堆的线性校正模型；4）采用线性编程实现最小调整量的PSD优化。实验所用RCA来自荷兰多个拆除现场，经C2CA技术处理为4.0-16.0 mm颗粒。

代表性采样方法验证
通过16组对比实验证实，料堆侧面1/3高度处的20 mm宽条带采样区PSD与整体料堆的RMSE仅4.10%，经线性校正后进一步降至1.43%。这种局部表征全局的方法将数据处理量减少80%。

3D点云分割精度
改进的分水岭算法通过邻域曲率分析（κ<3 mm^-1
阈值）有效合并过分割区域，克服了RCA凹形表面的识别难题。对特殊形态颗粒（如残浆粘连体）的识别误差<3%。

PSD估计性能
三组中试实验显示，基于椭球第二短轴（模拟筛孔尺寸）的体积换算PSD与人工筛分结果的RMSE为4.69%-6.09%，优于传统2D图像法7%的误差限。

优化效果验证
线性编程模型成功将超标PSD校正至EN标准范围，如Test A案例需添加22.3 kg/100kg的4.0-5.6 mm颗粒，调整后曲线完全落入规范带。

该研究构建了首个工业级RCA实时质量控制系统，其创新性体现在三方面：首先，非接触式扫描与动态优化形成了"监测-决策-调节"的闭环；其次，分水岭算法对重叠颗粒的处理精度较传统方法提升40%；最后，最小干预优化策略使原料浪费减少15%。值得注意的是，研究发现不同拆除源RCA的PSD特征差异显著——老旧建筑产生的RCA细颗粒占比更高，这为后续建立原料溯源数据库提供了方向。

尽管在极端形态颗粒识别上仍有改进空间，但该技术已展现出变革建筑垃圾处理的潜力。未来通过集成LIBS（激光诱导击穿光谱）等成分分析手段，有望实现RCA质量的多维度智能监控，推动建筑业向"零废料"目标迈进。研究揭示的料堆形成动力学规律，也为其他颗粒物料（如矿石、粮食）的在线检测提供了重要参考。