三钙硅酸盐在海水相关盐体系中的水化行为:结合机器学习的混合研究
《Advanced Intelligent Discovery》:Hydration Behavior of Tricalcium Silicate in Seawater Relevant Salt Systems: A Hybrid Study with the Aid of Machine Learning
【字体:
大
中
小
】
时间:2026年05月01日
来源:Advanced Intelligent Discovery
编辑推荐:
摘要
为了更好地应用海水,本研究探讨了三钙硅酸盐(C3S)的水化行为。C3S与不同浓度的海水相关溶液(NaCl、MgCl2、Na2SO4)进行了混合。采用简化的C3S模型系统来系统地分离各个海水离子的作用及其相互作用。结果表明,海水相关溶液在早期加速了C3S的水化速率。随着盐浓
摘要
为了更好地应用海水,本研究探讨了三钙硅酸盐(C3S)的水化行为。C3S与不同浓度的海水相关溶液(NaCl、MgCl2、Na2SO4)进行了混合。采用简化的C3S模型系统来系统地分离各个海水离子的作用及其相互作用。结果表明,海水相关溶液在早期加速了C3S的水化速率。随着盐浓度的增加,热流峰值也随之增加。在所研究的盐中,MgCl2表现出最明显的效果,表明其在加速海水作用中起主导作用。海水的影响比任何单一盐溶液在其典型海水浓度下的影响都要显著。随着盐的添加,水化产物的成核速率增加,这是加速效应的主要原因。引入了神经网络来帮助理解海水相关溶液对简化模型系统的影响。该神经网络基于实验数据进行了训练,预测的量热结果与实验数据一致。模型的平均决定系数超过95%,这突显了其作为从海水组成预测水化行为的实用工具的潜力。
1 引言
由于人类活动的增加,淡水资源正变得越来越稀缺[1, 2]。其中,建筑行业由于混凝土成本低廉且性能稳健,需要大量的混凝土。根据生命周期分析,2012年用于混凝土生产的水量为166亿升,占全球工业用水量的约18%[2]。因此,在混凝土生产中节约淡水将有助于解决水资源短缺问题。近年来,使用海水进行混凝土配比的兴趣日益增加[3-6],尤其是在偏远岛屿和沿海城市。过去,由于海水中的高氯化物含量可能导致钢筋腐蚀,不允许在混凝土混合中使用海水[7-9]。然而,由于纤维增强聚合物(FRP)在建筑行业的开发和应用,现在可以在混凝土混合中使用海水,这成为近年来的一个热门话题[5, 10]。实际上,海水混凝土的想法并不新鲜。可以追溯到2000年前,当时古罗马人建造了海堤[11]。这些结构显示出很高的耐久性,并一直保存至今。这充分证明了海水混凝土应用的可行性。关于海水混合混凝土已有大量的研究成果[5, 12-15],特别是在工作性[5, 13, 16]、微观结构[13, 17]和机械性能[5, 13, 16]方面。普遍认为海水在早期加速了水泥的水化速率[4, 12, 18-22]。与淡水混合的水泥浆相比,海水混合的水泥浆具有更高的热演化峰值和累积热量释放[4-6, 18]。早期水化显著影响了水泥浆的凝固和混凝土的早期强度发展。因此,为了促进海水在混凝土中的更广泛应用,有必要深入理解水泥在水中的水化行为。由于水泥和海水都是复杂的系统,研究C3S在单一盐溶液中的水化行为以及在水中的水化行为,可以成为量化海水影响的有效策略。已经有许多关于C3S与海水或其相关盐溶液水化的研究[23-25]。然而,关于不同浓度海盐及其对C3S水化动力学的协同效应的知识仍有空白。已经引入了基于神经网络的混凝土设计方法,以帮助设计复杂的混凝土结构[26-30]。计算机模型神经网络受到人脑的启发,由一组称为“神经元”的节点组成,这些节点向其他连接的神经元发送信号[31]。最近,由于神经网络能够模拟人类认知过程,它们在预测混凝土性能方面的应用得到了广泛使用。基于神经网络的特性,可以预测混凝土的性能,如水化行为[34]、机械性能[27, 35-39]、流变学[28, 32]、蠕变和收缩[40, 41]以及碳化行为[42, 43],这些预测基于水泥的组成、水灰比、外加剂等因素。本文旨在提供对海水相关溶液及其浓度对C3S水化影响的更深入理解。基于这些结果,开发了一个用于水化行为的预测框架,作为在水相关条件下进行数据驱动分析的水化动力学概念验证。
2 结果与讨论
2.1 简化单一盐溶液效果的实验研究
2.1.1 量热测试结果
如图1a所示,在48小时内,NaCl(NC)混合的C3S浆体的累积热量释放量高于DI混合样品。随着NC浓度的增加(从0.029 mol/L增加到0.42 mol/L),48小时内的累积热量释放量增加了15%–64%。根据C3S的焓,水化热可以大致转换为水化程度(DoH)[44, 45]。这一结果表明,在NC系统中消耗了更多的C3S。热流模式也显示出类似的趋势(图1b)。NC的加速效应导致热流在参考系统之前出现,主要在24小时内。之后,所有组的水化速率趋于一致。从这些结果来看,NC的显著效应主要发生在加速期,且C3S的消耗速率更快。图1:(a) 48小时内与NC溶液混合的C3S浆体的累积热量释放;(b) 水化热流;(c) 水化机制剖面;(d) 24小时、48小时以及24小时到48小时之间的热量释放。NC溶液的浓度范围从0到0.42 mol/L。为了进一步分析NC对C3S浆体水化动力学的影响,提取了与水化动力学相关的关键参数,并展示了它们随NC浓度的变化(图1c,d)。图1c绘制了累积热量释放与热流之间的关系。累积热量与水化程度相关,而热流对应于水化速率。这有助于更好地理解C3S的水化机制。最初的剧烈热量释放是由于C3S在水中的溶解热[46]。之后是一个诱导期,热流低于0.4 mW/g。加速期的累积热量释放显著低于后期。在加速期,模式非常相似,但峰值向更高的累积热量释放和热流偏移。加速期的结束可能是由于空间限制和水分不足等因素[46]。由于溶液与粘合剂的比例为0.5,高于常用比例,加速期的结束主要是由于水化产物的堆积造成的空间限制[47, 48]。NC0.42系统在加速期结束时具有最高的累积热量释放,为80 J/g,而DI系统的最低,为57 J/g。这表明在相同水化程度下,NC系统中的水化产物占用的空间较少。加速期之后,减速期可以分为两个阶段:在矩形区域之前(如图1c所示),热流仍然很高,尽管空间有限,但水化产物的成核和生长仍控制着反应。然而,在矩形区域内,孔溶液中的离子扩散速率变慢,水化动力学变为扩散控制[46]。由于本研究主要关注早期水化,因此只分析了减速期的第一部分。结果显示,即使在减速期的第一阶段,NC系统的热量释放速率仍然比DI系统更明显。图1d显示了24小时和48小时时的累积热量释放。随着NC浓度的增加,24小时和48小时时的累积热量释放量增加。然而,随着NC浓度的持续增加,增加速率放缓。24–48小时内的累积热量释放在各组之间变化不大,且小于50 J/g,甚至低于前24小时。这表明NC的加速效应主要体现在前24小时内。对于MgCl2(MC)组,观察到了与NC组相似的趋势。图2显示,MC的加入增加了C3S浆体的累积热量释放和热流峰值。随着MC浓度从0.029 mol/L增加到0.42 mol/L,48小时时的累积热量释放增加了33%–135%(与参考系统相比,图2a)。MC的效果在相同浓度下比NC更显著。图2b显示了热流模式,其中峰值增加,峰值出现时间随着MC浓度的增加而从0.029 mol/L增加到0.42 mol/L而减少。36小时后,各组的水化速率趋于一致,MC的效应变得不明显。图2:(a) 48小时内与MC溶液混合的C3S浆体的累积热量释放;(b) 水化热流;(c) 水化机制剖面;(d) 24小时、48小时以及24小时到48小时之间的热量释放。MC溶液的浓度范围从0到0.42 mol/L。图2c显示了累积热量释放与热流之间的关系。加速期的峰值坐标从57 J/g、2.2 mW/g变为88 J/g、9.0 mW/g,随着MC浓度的增加。图2d显示了各系统24小时和48小时时的累积热量释放。随着MC浓度的增加,数值有所增加。然而,随着MC浓度的持续增加,增量变小。24–48小时内的累积热量释放在各组之间变化不大,且小于60 J/g。与NC系统相比,MC系统在24小时和48小时时的累积热量释放更高,表明其加速效应更明显。
2.1.2 BNG模拟
边界成核和生长(BNG)模型更好地拟合了等温量热数据。拟合结果如图4所示。在减速期的某个阶段进行混合后,拟合结果相当好。当拟合曲线与实验结果开始偏离时,就确定了分岔点。随着纳米碳(NC)浓度的增加,拟合中的分岔点被推迟。DI组的分岔时间为23.3小时,而当浓度增加到33.2摩尔/升时,这一时间延长了42%。此外,随着NC浓度从0增加到0.42摩尔/升,分岔点的累积热量释放从100焦耳/克增加到了213焦耳/克。分岔点表明由于空间限制,转变从由成核和生长控制转变为由扩散控制[47, 48]。因此,纳米碳的加入延长了成核和生长过程,并在此过程中产生了更多的水化产物。图4(在图查看器中打开)PowerPoint。
BNG拟合结果显示了(a)累积热量释放和(b)与不同浓度的DI水和NC溶液混合的C3S浆料的热流。空心符号代表实际实验数据,实线代表BNG模型拟合结果。不同NC浓度系统的拟合值总结在表1中。A值是给定厚度层内形成的水化产物数量的指标。该值越高,表示在BNG过程中形成的水化产物越多。随着NC浓度的增加,A值也随之增加。参数t0是一个时间常数,用于将成核和生长过程的开始时间从混合时间偏移。所有系统的负值归因于原材料暴露在湿度环境中[49]。从表1还可以看出,随着NC浓度的增加,速率常数ks的值增加,而速率常数kp的值减少,尽管在0.42摩尔/升时略有增加。速率常数ks描述了C3S颗粒表面被水化产物覆盖的速率,而kp描述了颗粒之间的毛细孔隙被水化产物填充的速率[49]。成核率Rn和生长率Rg是描述水化行为的两个最直接指标。拟合结果显示,与参考系统相比,加入NC显著提高了水化产物的成核率。NC0.42系统的成核率为0.625微米^-2小时^-1,增加了约16倍。与成核率的趋势不同,水化产物的生长率随着NC的加入而降低。然而,其降低程度没有成核率的降低那么严重。NC0.42系统的生长率为0.040微米小时^-1,比DI系统的生长率低约33%。这些结果表明,加入NC提高了C3S的整体水化率。主要原因在于成核率的增强。表1。BNG拟合参数A、t0、ks和kp用于NC水化,以及派生的物理参数Rn和Rg。NC浓度,摩尔/升。
对于MC组,拟合结果显示分岔点随着MC浓度的增加而推迟,当浓度低于0.21摩尔/升时。DI组的分岔时间为23.3小时,而MC0.21组的分岔时间为36.9小时,增加了58%。然而,当浓度增加到0.42摩尔/升时,分岔时间减少到29.3小时;这个值仍然高于参考系统。随着MC浓度从0增加到0.21摩尔/升,分岔的累积热量释放从100焦耳/克增加到309焦耳/克。当MC浓度增加到0.42摩尔/升时,累积热量释放没有显著增加,值为312焦耳/克。这表明当MC浓度达到一定水平时,成核和生长过程的最终水化程度(DoH)不会有太大变化。图5(在图查看器中打开)PowerPoint。
BNG拟合结果显示了(a)与不同浓度的DI水和MC溶液混合的C3S浆料的累积热量释放和(b)热流。空心符号代表实际实验数据,实线代表BNG模型拟合结果。不同MC浓度系统的拟合值总结在表2中。随着MC浓度的增加,A值增加,表明在给定厚度层内形成的水化产物更多。当MC浓度增加时,t0值趋于变为正值,这可能是由于反应开始时的成核速率较慢。当MC添加时,速率常数ks高于参考系统,而当MC浓度增加到0.055摩尔/升时,速率常数kp的值首先减少。当MC浓度增加到0.42摩尔/升时,kp的值开始增加,但仍然低于参考系统的值。这些结果表明C3S颗粒表面很快被水化产物覆盖,但当MC浓度低于0.055摩尔/升时,水化产物不会占据太多孔隙空间。然而,当MC浓度较高时,孔隙空间被更多占据,这可能是由于形成了勃姆石,勃姆石可以占据大量孔隙空间。拟合结果显示,与参考系统的0.038微米^-2小时^-1相比,加入MC显著提高了水化产物的成核率。0.42摩尔/升MC系统的成核率为3.495微米^-2小时^-1,增加了约92倍。与成核率不同,水化产物的生长率低于参考系统。然而,其降低程度没有成核率的降低那么严重。参考系统的生长率为0.060微米小时^-1,而0.055摩尔/升MC系统的生长率为0.033微米小时^-1,降低了约45%。这些结果表明,加入MC提高了C3S的整体水化率,主要原因是成核率的增强。表2。BNG拟合参数A、t0、ks和kp用于MC水化,以及派生的物理参数Rn和Rg。MC浓度,摩尔/升。
对于NS组,拟合结果显示随着NS浓度的增加,分岔点推迟,当浓度降至0.029摩尔/升时。例如,DI组的分岔时间为23.3小时,而NS组的分岔时间增加到33.0小时,增加了42%,如图6所示。然而,当NS浓度为0.42摩尔/升时,分岔时间减少到22.0小时,低于参考系统。随着NS浓度从0增加到0.42摩尔/升,分岔的累积热量释放从100焦耳/克增加到164焦耳/克。这表明当NS浓度非常高时,成核和生长过程的最终水化程度(DoH)更高。图6(在图查看器中打开)PowerPoint。
BNG拟合结果显示了(a)与不同浓度的DI水和NS溶液混合的C3S浆料的累积热量释放和(b)热流。空心符号代表实际实验数据,实线代表BNG模型拟合结果。不同NS浓度系统的拟合值总结在表3中。随着NS浓度的增加,A值增加。当NS浓度增加时,t0值趋于变为正值,这可能是由于石膏形成的延迟效应[46]。还可以看出,随着NS浓度的增加,速率常数ks增加。然而,当NS浓度增加到0.029摩尔/升时,速率常数kp最初减少。当NS浓度增加到0.21摩尔/升时,kp的值开始增加,但当浓度增加到0.42摩尔/升时,值再次降低到0.065小时^-1。这些结果表明C3S颗粒表面很快被水化产物覆盖,但当NS浓度低于0.055摩尔/升时,水化产物不会占据太多C3S颗粒之间的孔隙空间。然而,当NS浓度较高时,孔隙空间被更充分占据,这可能是由于形成了勃姆石,勃姆石可以占据大量孔隙空间。拟合结果显示,与参考系统的0.038微米^-2小时^-1相比,加入NS显著提高了水化产物的成核率。NS0.42系统的成核率为0.578微米^-2小时^-1,增加了约15倍。与成核率不同,水化产物的生长率在0.029摩尔/升时首先降低。然后随着NS浓度的增加,生长率开始增加。然而,在NS浓度为0.42摩尔/升时,生长率再次降低。这种增加可能是由于形成的石膏具有较大的棒状结构。这些结果表明,加入NS提高了C3S的整体水化率。主要原因是成核率的增强。表3。BNG拟合参数A、t0、ks和kp用于NS水化,以及派生的物理参数Rn和Rg。NS浓度,摩尔/升。
关于2.1.3 XRD结果,在图7中报告了C3S浆料随时间的相变情况。其结果与量热测试的结果相似。NC0.42组中波特兰石的形成比DI组早。然而,波特兰石的形成是在200分钟后开始的,这是在加速期开始之后。这表明诱导期的结束主要是由于C–S–H的沉淀。这与先前的研究一致,即C–S–H核在诱导期继续形成,而加速期在达到特定尺寸后开始[50]。在诱导期内,两组C3S的消耗都是有限的。主要的加速效应发生在加速期。在500分钟时,NC0.42组消耗了约24%的C3S,而DI组仅为约8%(图7b)。图7(在图查看器中打开)PowerPoint。
(a)与DI水和NC0.42溶液混合的C3S浆料的XRD图案和(b)定量分析结果。对于MC组,基于波特兰石的早期形成,也观察到了类似的加速效应,如图8a所示。然而,在波特兰石形成之前,已经形成了勃姆石。由于这一过程消耗了孔隙溶液中的OH?,因此C3S的溶解可以加速。此外,勃姆石的形成为水化产物提供了更多的成核位点。结果,MC的加速效应显著。这在图8b中得到体现,图8b显示大约500分钟内约有53%的C3S发生了水化。图8(在图查看器中打开)PowerPoint。
(a)与DI水和MC0.42溶液混合的C3S浆料的XRD图案和(b)定量分析结果。由于溶液中存在某些成分,石膏在波特兰石形成之前就已经形成,如图9a所示。与MC的效果类似,石膏的形成消耗了孔隙溶液中的Ca2+,并为水化产物提供了成核位点。这导致在相同浓度下C3S的消耗量比NC组更多(图9b)。图9:在PowerPoint图查看器中打开
(a) C3S浆料与去离子水(DI water)和NS0.42溶液混合后的XRD图谱;(b) 定量分析结果。
2.2 盐的协同效应
由于单一盐的效果不能简单叠加来解释海水的影响,因此也研究了盐组合的协同效应。如图10所示,加入海水中典型的丰富盐类可以增加C3S浆料的累积放热量和热流峰值。其中效果最弱的是0.029摩尔/升(mol/L)的NS。尽管浓度低于0.42摩尔/升(mol/L)的NC,0.055摩尔/升(mol/L)的MC的效果仍然显著。为了模拟海水,准备了这三种盐的组合,结果表明其协同效应比任何单一盐溶液都要强。NC0.42 + MC0.055的组合效果比NC0.42 + NS0.029的组合更显著。
图10:在PowerPoint图查看器中打开
盐对C3S浆料的(a)累积放热量和(b)水化热流的协同效应。进一步分析了等温量热法数据,如图11所示。图11a显示了累积放热量和热流之间的关系。在加速阶段,两种盐的效果相似;然而加入盐后,峰值向更高的累积放热量和热流方向移动。SW系统的累积放热量最高,为100焦耳/克(J/g),而去离子水(DI)系统的最低,为57焦耳/克(J/g)。这表明SW系统的水化产物占据的空间比DI系统少。SW系统水化产物的密度更高,两种单一盐的组合效果比任何单一盐都更显著。加速阶段过后,含盐系统的减速阶段仍然比参考系统释放更多的水化热。这也是因为水化产物有足够的空间形成。图11b显示了每个系统的诱导期和加速期持续时间。加入NC0.42后,诱导期缩短(2.11小时)。加入MC0.055和NS0.029会延长诱导期。两种或三种盐的组合会进一步延长诱导期。加入SW会使诱导期延长至3.90小时。对于SW系统,由于存在Mg2+,会形成硬石膏(brucite)和石膏[51],因此OH?和Ca2+的浓度降低,导致C–S–H的形成延迟。然而,一旦成核开始,盐的存在显著增加了成核密度,并在加速阶段加快了水化速率。因此,尽管诱导期较长,整体早期水化过程仍然得到增强。所有盐的加入都缩短了加速期持续时间。加速期与成核和生长过程相关,因此加盐会缩短成核和生长时间,从而缩短凝固时间。图11c显示了每个系统24至48小时内的累积放热量。加入单一盐或其组合后,24小时内的累积放热量增加。此外,48小时内的累积放热量趋势相似。SW系统的影响最为显著。24至48小时内的累积放热量在各组之间变化不大,且低于50焦耳/克(J/g),这表明海水中的丰富盐类主要影响前24小时的水化过程。因此,加入SW主要影响C3S浆料的早期行为。
图11:在PowerPoint图查看器中打开
盐对C3S浆料水化动力学的协同效应:(a) 水化机制剖面;(b) 诱导期和加速期持续时间;(c) 24小时、48小时内的累积放热量以及24至48小时之间的放热量。如图12所示,还引入了BNG模型。总体而言,加入盐可以延长成核和生长过程,但效果取决于盐的含量。对于NC0.42和MC0.055,这种增加更为明显,因此这两种盐的组合导致成核和生长过程比单独使用任何一种盐都要长。然而,加入NS0.029的效果不那么明显。NC和NS的组合过程更短,这也是SW系统在所有系统中成核和生长过程不是最长的原因。
图12:在PowerPoint图查看器中打开
(a) 与去离子水及不同浓度混合溶液混合后的C3S浆料的累积放热量;(b) 热流的BNG拟合结果。空心符号代表实际实验数据,实线代表BNG模型拟合结果。红色圆圈表示偏离点。不同盐溶液系统的拟合值总结在表4中。随着所有这些盐的加入,A值增加。SW的影响最大,表明在给定厚度层内形成了更多的水化产物。表4还显示,随着盐的加入,速率常数ks的值增加。速率常数kp随着盐的加入而减少。NC0.42系统的ks值最高,为0.107小时^-1;0.055摩尔/升(mol/L)MC系统的ks值最低,为0.036小时^-1。速率常数ks描述了C3S颗粒表面被水化产物覆盖的速率,而kp描述了颗粒之间的毛细孔隙被水化产物填充的速率[49]。这些结果表明,C3S颗粒表面迅速被水化产物覆盖,但随着盐的加入,水化产物并未占据太多颗粒间的孔隙空间。拟合结果显示,加入盐会显著提高水化产物的成核速率,达到0.038微米^-2小时^-1,而参考系统的这一值为0.792微米^-2小时^-1,增加了约21倍。与成核速率的趋势不同,水化产物的生长速率随着盐的加入而减少。这些结果表明SW提高了C3S的整体水化速率。然而,由于NS的存在,这种效果被削弱了。
表4:BNG拟合参数A、t0、ks和kp,以及衍生的物理参数Rn和Rg。
| 组别 | A(J/g) | t(小时) | k(秒/小时) | k_p(秒/小时) | R_n(微米^-2小时) | R_g(微米·小时) |
|---------------|-----------------|-------------|-----------------|-----------------|-----------------|-----------------|
| DI | 118 | -1.74 | 0.055 | 0.066 | 0.038 | 0.060 |
| NC0.42 | 176 | 0.68 | 0.107 | 0.065 | 0.578 | 0.059 |
| MC0.055 | 246 | -0.44 | 0.066 | 0.036 | 0.495 | 0.033 |
| NS0.029 | 149 | -2.37 | 0.058 | 0.041 | 0.197 | 0.037 |
| NC0.42 + MC0.055 | 277 | 0.35 | 0.086 | 0.044 | 0.792 | 0.040 |
| NC0.42 + NS0.029 | 223 | 0.60 | 0.089 | 0.055 | 0.457 | 0.050 |
| SW | 294 | 1.20 | 0.077 | 0.044 | 0.502 | 0.040 |
图13a显示,NS0.029溶液和MC0.055的效果比其他盐溶液弱,这主要是由于它们的浓度较低。至于氢氧化钙(portlandite)的形成,加入SW延长了氢氧化钙的形成时间,这是由于硬石膏(brucite)的形成消耗了OH?,以及石膏(gypsum)的形成消耗了Ca2+。然而,在500分钟后,所有含盐系统中仍然形成了更多的氢氧化钙。此外,在NC0.42系统中,氢氧化钙的含量最高,因为没有新的相形成。
(a) 与去离子水和盐溶液混合后的C3S浆料的C3S含量;(b) 氢氧化钙含量。为了进一步解释观察到的水化行为,可以根据最近关于海水水泥系统的研究分析潜在机制。据报道,海水离子可以改变水化动力学和相组成。其中,氯离子在通过促进C3S的溶解和促进水化产物的成核来加速早期水化方面起主导作用,从而导致更高的放热量和更早的反应峰值[13, 52]。至于Mg2+,它的影响更为复杂。Mg2+可以与OH?反应形成硬石膏,降低孔隙溶液的碱度并促进C3S的进一步溶解。同时,Mg2+也可能诱导C–S–H的脱钙,改变水化产物的成核和生长行为。类似地,硫酸根离子参与石膏的形成,消耗Ca2+离子并改变孔隙溶液中的离子平衡[51]。此外,热力学和微观结构研究表明,海水离子可以改变相演变,从而在早期阶段实现更高的水化程度和更密集的微观结构[52, 53]。这些机制与本研究的结果一致,并为NC、MC和NS系统中观察到的不同效果提供了进一步的解释。
2.3 利用神经网络预测水化放热行为
由于我们可能无法进行太多测试来表征不同盐溶液的效果,我们可以使用神经网络来预测水化行为。水化热代表水化程度;该模型主要用于预测其效果。为了预测与不同盐溶液混合的C3S的水化放热量,采用了留一法交叉验证[32, 54]进行模型训练和测试。图14显示了神经网络预测与实际放热率之间的比较。总体而言,预测值与实际值之间的吻合度令人满意,平均归一化均方根误差(NRMSE)和决定系数(R2)分别为4.46%和97.23%(表5)。相比之下,多项式模型(作为基线)无法充分捕捉水化过程的复杂非线性行为,平均NRMSE为7.23%。这一比较突显了神经网络的优越预测能力。
图14:部分测试集的神经网络预测性能。
表5:每个训练网络的NRMSE和决定系数R2。
| 测试集 | NRMSE(%) | R2(%) |
|-----------------|-----------------|-------------|
| Network 1 | 8.95 | 93.00 |
| Network 2 | 1.83 | 99.68 |
| Network 3 | 2.36 | 99.46 |
| Network 4 | 1.38 | 99.81 |
| Network 5 | 3.90 | 98.53 |
| Network 6 | 2.82 | 99.27 |
| Network 7 | 2.81 | 99.32 |
| Network 8 | 6.79 | 95.86 |
| Network 9 | 11.55 | 84.60 |
| Network 10 | 2.38 | 99.48 |
| Network 11 | 2.81 | 99.32 |
| Network 12 | 8.24 | 93.61 |
| Network 13 | 7.30 | 94.66 |
| Network 14 | 6.53 | 96.58 |
| Network 15 | 4.50 | 98.14 |
| Network 16 | 2.33 | 99.49 |
| Network 17 | 2.31 | 99.51 |
| Network 18 | 1.47 | 99.80 |
| 平均值 | 4.46 | 97.23 |
然而,当从测试集中排除去离子水(DI)组时,预测准确性下降。在这种情况下,NRMSE增加到8.95%,R2值降至93.00%,这两个值都显著低于总体平均值。此外,对于MC或NS浓度较高的组(0.21和0.42摩尔/升),模型的性能也不令人满意。特别是MC0.42组,预测结果与实际结果之间的相关性非常弱,NRMSE为11.55%,R2为84.60%。这种差异可以归因于数据限制和化学反应。首先,高浓度组的样本数量有限,限制了模型的泛化能力。其次,在高MC(锰酸钙)和NS(硝酸钠)浓度下,水化行为变得更加复杂,这是由于形成了水滑石和石膏。这改变了孔隙溶液的组成。因此,在这些条件下,预测的准确性会降低。这些发现证明了需要一个更丰富的数据集,特别是包含更高浓度MC和NS的数据集,以提高神经网络对水化行为的预测准确性。此外,这里使用神经网络主要是作为辅助工具来支持水化行为的解释,而不是作为直接的预测模型。
3 结论
C3S与去离子水以及不同浓度的盐溶液混合,以研究C3S浆体的水化动力学行为。根据研究结果,可以得出以下结论:在海水水平的浓度下(MC为0.055 mol/L,NS为0.029 mol/L),由于水滑石和石膏的形成,诱导期略有延长。然而,随后的加速期显著增强,导致早期水化速率总体提高。随着NC(硝酸钙)、MC和NS浓度的增加(在0.42 mol/L以内),整体加速效果更加明显。水化产物的成核速率随着盐的加入和浓度的增加而增加。尽管MC的浓度没有NC高,但其影响非常显著。可能需要仔细控制MC的浓度,因为较高的浓度会显著改变水化动力学并影响材料的性能。尽管神经网络显示出良好的预测潜力,但其性能受到数据可用性的限制。这些局限性突显了进一步数据丰富和验证的必要性。还需要注意的是,这些发现是基于简化的C3S系统得出的,需要对水泥系统进行进一步研究以完全验证其适用性。
4 实验部分
4.1 材料和样品制备
本研究使用了实验室合成的C3S,合成过程遵循了Li等人提出的方法[55]。根据X射线衍射(XRD)分析,原料的纯度达到了94.1 wt%。采用Malvern MS3000激光颗粒分析仪来分析颗粒大小分布。C3S粉末的平均颗粒大小和比表面积分别为16.9 μm和7202 cm2/g。模拟海水(SW)是根据ASTM D1141-98标准制备的,其中只使用了三种最丰富的盐:NC、MC和NS。标准海水浓度分别为NC(0.029 mol/L)、MC(0.055 mol/L)和NS(0.029 mol/L)。因此,为了研究不同盐及其浓度的影响,选择了这些浓度。此外,还选择了0.21 mol/L的浓度作为比例倍数来探索浓度依赖性效应。这三种盐的单盐溶液的浓度分别为0.029 mol/L(0.029)、0.055 mol/L(0.055)、0.21 mol/L(0.21)和0.42 mol/L(0.42)。此外,还准备了NC0.42 + MC0.055和NC0.42 + NS0.029的二元盐溶液,以研究它们的协同效应。
4.2 特性分析方法
等温量热法是量化添加剂和掺合料对水泥行业水化动力学影响的理想测试方法[56, 57]。本研究在等温量热仪(I-Cal 4000,Calmetrix)上进行了测试,该仪器用于研究水泥水化过程的动力学[32, 33]。每次测试中,将10 g的C3S粉末与相应的盐溶液或去离子水(5 g)用手工具充分混合1分钟。之后,将浆体放入量热仪腔室中。在20°C的恒定温度下收集48小时的热量和能量数据。通过识别热流曲线的导数来确定诱导期的结束。加速期的结束直接从热流峰的坐标确定。等温量热数据使用BNG模型进行分析。BNG模型由Thomas[58]开发,他修改了Cahn[59]提出的多晶固体研究中的现有理论。该模型已在许多关于C3S[47, 60]和水泥[61]早期水化动力学行为的研究中得到应用和验证,包括填料含量[62]、温度[63, 64]、氯化钙添加[49, 63]、纳米材料[65]和成核种子[57]对水泥水化的影响。根据该模型,可以获得一些关于水化动力学的关键参数,如水化产物的成核和生长速率。根据BNG模型,水化产物的成核发生在C3S颗粒表面。之后,水化产物颗粒沿着边界不断生长。BNG模型可以模拟从混合开始到减速期的C3S早期水化过程。实验研究也证明,在早期阶段,成核和生长过程是控制C3S水化的关键因素[66-68]。BNG模型的详细函数如下:
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
其中Rg和Rn分别是水化产物的生长速率和成核速率。Ay是距离y处的平面与水化产物颗粒之间的横截面积。该值根据方程(1)计算得出。方程(2)显示了距离y处的平行平面与颗粒之间的总横截面积(Atot)的计算方法。由于水化产物颗粒会相互碰撞,因此方程(2)需要修改为方程(3),以得到实际的总横截面积Aact。所有横截面积的积分通过方程(4)计算,表示为Vtot。Ab是单位体积的边界面积。由于颗粒从不同边界成核,方程(4)还需要修改为方程(5)和(6),实际体积表示为Vact。为了进一步简化函数,可以引入两个参数:ks(方程(7))和kp(方程(8))。最后,为了建立BNG模型与量热数据之间的关系,引入了乘法因子A和起始时间t0。原位XRD使用Rigaku SmartLab衍射仪进行。电源发生器的工作参数为45 kV和200 mA,使用Cu Kα辐射。C3S与预定溶液按0.5的水灰比混合1分钟,然后放置在样品架上。样品用Kapton聚酰亚胺薄膜覆盖,以减少水分损失和碳化。在原位XRD测试期间,每50分钟记录一次数据,持续最多500分钟。扫描范围为5°至80°(2θ),步长为0.02°(2θ)。使用HighScore Plus 4.9进行Rietveld精修,并应用了外部K因子校正方法。采用ZnO作为外部标准来校准K因子。使用Kapton薄膜覆盖的ZnO样品通过Pawley拟合获得Kapton薄膜模型[69]。使用类似的方法,用水/ZnO比为0.5的样品确定水模型,用24小时水化的C3S浆体确定C–S–H模型。量化分析如图15所示,其中可以确定浆体中C3S和氢氧化钙的含量。图15展示了水化500分钟后C3S浆体的原位XRD图谱。每个剖面的图谱都显示了出来。神经网络的应用提高了热量释放预测的准确性、灵活性和效率。因此,本研究使用神经网络来预测与各种盐溶液混合的C3S的水化热量释放;框架如图16所示。本研究使用的数据集来自量热测试结果。每个样品对应于给定盐组成下的特定水化时间,输入特征包括水化时间、盐类型和相应的盐浓度,输出变量表示累积热量释放。数据分为两个数据集:一个用于训练模型,另一个用于使用随机80:20的训练-测试分割(random_state = 42)来测试模型。在将数据输入模型之前,使用MinMaxScaler对数据进行标准化,以确保所有输入特征在模型训练过程中具有相同的权重。分类盐类型使用one-hot编码进行编码,而浓度值直接作为数值输入。输出的热量释放数据保持其原始值。神经网络使用TensorFlow的Keras API构建[70]。它由两个隐藏层(64个神经元,使用ReLU激活函数)和一个输出层(一个神经元,使用线性激活函数)组成。模型使用Adam优化器进行编译,学习率为0.001,误差函数为均方误差。在训练过程中,10%的训练数据被用作验证集来监控模型性能。训练了100个周期,批量大小为32。
致谢
本研究部分得到了香港研究资助委员会(项目编号PolyU25600624、N_PolyU5179/25和N_PolyU567/24)、创新与技术基金(项目编号ITS/052/23MX和PRP/009/22FX)的支持。
资助
本研究得到了香港研究资助委员会(项目编号PolyU25600624、N_PolyU5179/25和N_PolyU567/24)、创新与技术基金(项目编号ITS/052/23MX和PRP/009/22FX)的支持。
数据可用性声明
支持本研究发现的数据可向相应作者提出合理请求后获得。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号