掺钢渣(Steel Slag, SS)、粒化高炉矿渣粉(Ground-Granulated Blast-Furnace Slag, GGBS)及纤维的生态高效再生骨料混凝土(Recycled Aggregate Concrete, RAC)的研制——力学性能及基于人工智能技术的强度预测

《Materials》：Development of Eco-Efficient Recycled Concrete Incorporating Steel Slag, Ground-Granulated Blast-Furnace Slag, and Fiber: Mechanical Properties and Strength Prediction Based on Artificial Intelligence Techniques

　　

再利用工业副产品制备再生骨料混凝土（Recycled Aggregate Concrete, RAC）是一种可保护生态环境的可持续途径。本研究探讨了掺入钢渣（Steel Slag, SS）、粒化高炉矿渣粉（Ground-Granulated Blast-Furnace Slag, GGBS）及聚丙烯（Polypropylene, PP）纤维制备生态高效再生混凝土的可行性，以期避免资源浪费与耗竭并降低CO2排放。为此，研究人员设计了12组配合比，分析SS、GGBS及PP纤维对该RAC宏观及微观性能的影响。试验结果表明，提高SS掺量会降低RAC力学强度，而在RAC中以GGBS部分替代SS可改善其力学性能，尤其在后期表现显著。向含SS和GGBS的RAC中添加PP纤维可显著提高劈裂抗拉强度；但当PP纤维掺量低于0.6%时对抗压强度影响甚微。微观试验揭示，掺入GGBS促进了SS的水化程度，降低了Ca(OH)2含量，使界面过渡区（Interfacial Transition Zone, ITZ）结构更致密，并优化了RAC的孔特征。此外，研究人员依据原材料参数及力学性能试验结果，提出一种混合遗传算法/人工神经网络（Genetic Algorithm/Artificial Neural Network, GA-ANN）技术来预测含SS、GGBS及PP纤维RAC的抗压强度，发现所建GA-ANN模型可有效预测其抗压强度。研究结果表明，制备掺SS、GGBS及PP纤维的RAC在工业副产品与建筑垃圾资源化利用方面具有广阔前景。

论文解读：掺钢渣(Steel Slag, SS)、粒化高炉矿渣粉(Ground-Granulated Blast-Furnace Slag, GGBS)及聚丙烯(Polypropylene, PP)纤维的生态高效再生骨料混凝土(Recycled Aggregate Concrete, RAC)的力学性能及基于遗传算法-人工神经网络(Genetic Algorithm/Artificial Neural Network, GA-ANN)的强度预测

本文发表于期刊《Materials》。再生骨料混凝土（Recycled Aggregate Concrete, RAC）可节约60–70%天然集料并减少15–20% CO₂排放，但因再生骨料（Recycled Aggregate, RA）附着砂浆增多了界面过渡区（Interfacial Transition Zone, ITZ）数量，致使其力学性能与耐久性通常低于普通混凝土。采用辅助胶凝材料（Supplementary Cementitious Materials, SCMs）如粒化高炉矿渣粉（Ground-Granulated Blast-Furnace Slag, GGBS）可改善RAC性能，但受地域与技术限制且成本较高。钢渣（Steel Slag, SS）作为钢铁冶炼副产品，具潜在水硬活性、填隙效应且经济易得，但直接大掺量替代水泥会因SS早期水化活性低导致强度下降。GGBS具高火山灰活性，可与SS协同互补，而聚丙烯（Polypropylene, PP）纤维可抑制微裂缝扩展、提升韧性与抗裂性。目前关于SS、GGBS与PP纤维三元复掺改性RAC及采用遗传算法优化的人工神经网络（Genetic Algorithm-Artificial Neural Network, GA-ANN）预测其抗压强度的研究尚有限。为此，研究人员设计并成型12组含不同SS（0–30%）、GGBS（5–20%）及PP纤维（0–0.8%体积掺量）的RAC试件，测试其坍落度、抗压及劈裂抗拉强度（3、7、14、28、56、90 d），通过X射线衍射（X-Ray Diffraction, XRD）、热重分析（Thermogravimetry, TG）、压汞法（Mercury Intrusion Porosimetry, MIP）及扫描电镜（Scanning Electron Microscope, SEM）分析水化产物、孔结构与ITZ微观形貌，并基于8项配合比输入参数建立GA-ANN预测模型，经与普通人工神经网络（Artificial Neural Network, ANN）及线性回归（Linear Regression Analysis, LRA）对比验证精度。

主要关键技术方法：研究人员设计水胶比0.42的12组RAC配合比，变量为SS替代水泥比例（0–30%）、GGBS替代SS比例（5–20%）及PP纤维体积掺量（0、0.2%、0.4%、0.6%、0.8%），以水玻璃（模数调至1.2）为SS/GGBS活化剂（用量为SS+GGBS总质量4%）。成型100 mm立方体试件，标准养护后按ASTM标准测坍落度、抗压与劈裂抗拉强度。取净浆试样经异丙醇中止水化、50℃烘干后进行XRD、TG-DTG（30–900℃，10℃/min，N₂气氛）、MIP（孔径3 nm–360 μm）及SEM-能谱（Energy Dispersive Spectrometer, EDS）分析。收集文献及本试验共135组数据集，以普通硅酸盐水泥（Ordinary Portland Cement, OPC）、SS、GGBS、细骨料（Fine Aggregate, FA）、粗骨料（Natural Aggregate, NA）、RA、水胶比（Water-to-Cement Ratio, W/C）、PP纤维体积分数及砂率（FA占FA+粗骨料质量百分比）为输入层，抗压强度为输出层，构建9-20-1拓扑结构的多层感知器（Multilayer Perceptron, MLP）反向传播ANN，并用遗传算法（Genetic Algorithm, GA）全局寻优初始权值与阈值（种群100，交叉概率0.70，变异概率0.10，进化代数100），将数据集按约7:3划分为训练集与测试集进行建模与验证。

研究结果：

3.1 SS/GGBS及PP纤维对RAC坍落度的影响

研究人员测得随SS替代水泥比例增加（10%、20%、30%），RAC坍落度分别增大4.45%、7.78%、12.22%，归因于SS早期水化活性低且具微球形颗粒的润滑与填充效应。以GGBS部分取代SS后坍落度略降至190–202 mm，因GGBS比表面积更大需更多自由水。掺0.2%–0.8% PP纤维使坍落度降至165–138 mm，系纤维吸湿并形成三维网络骨架限制了拌合物流动及RA离析。

3.2 SS/GGBS及PP纤维对RAC抗压强度的影响

单掺SS除10%组因成核与填充效应略有促进外，整体使3–28 d抗压强度降低（3 d降12.21–28.61%，28 d降6.76–16.56%），过量SS惰性组分超越填充效应。以GGBS部分替代SS后，较全掺30% SS组，RACS₂₅G₅、RACS₂₀G₁₀、RACS₁₅G₁₅、RACS₁₀G₂₀的3 d抗压强度分别提高2.09%、3.06%、4.95%、6.32%，90 d分别提高7.21%、9.09%、10.25%、13.03%，源于GGBS火山灰反应消耗Ca(OH)₂生成C–S–H凝胶并促进SS后期水化。PP纤维掺量≤0.6%对抗压强度影响较小，其中0.6%掺量组（RACS₁₅G₁₅P_0.6）较无纤维组3、7、14、28、56、90 d强度分别提高1.58%、2.27%、3.23%、3.82%、4.12%，超过0.6%后因纤维结团与孔结构劣化强度回落，故PP纤维最佳体积掺量为0.6%。

3.3 SS/GGBS及PP纤维对RAC劈裂抗拉强度的影响

SS单掺降低早龄劈裂抗拉强度（10%除外），90 d因高碱环境中SS持续水化有所发展。部分以GGBS替代SS后90 d劈裂抗拉强度较全掺30% SS组提高4.23%–11.13%。掺0.2%–0.6% PP纤维使28 d劈裂抗拉强度提高1.25%–8.66%，RACS₁₅G₁₅P_0.6组56 d与90 d较无纤维组分别提高3.45%与5.36%；0.8% PP纤维组因分散不均、引入大气孔致强度较0.6%组下降0.85%–2.1%。

3.4 SS/GGBS对水化产物的改性作用

90 d净浆XRD显示单掺SS时Ca(OH)₂（CH）衍射峰随SS增加而减弱，未水化C₃S与C₂S峰增强；掺入5%–20% GGBS后CH、C₃S、C₂S峰渐减，表明GGBS促进[SiO₄]与[AlO₄]解聚生成C–S–H/C–(A)–S–H凝胶。TG-DTG显示CH含量随SS及GGBS总替代率增加而降低，化学结合水（Chemically Combined Water, W_CCW）随SS替代增加而降低、随GGBS替代增加而升高，证实GGBS助SS水化。RO相在GGBS掺入后仍呈化学惰性。

3.5 SS/GGBS及PP纤维对RAC孔结构的影响

MIP显示RAC最可几孔径为42.64 nm，单掺30% SS增至70.57 nm；复掺GGBS后最可几孔径减小，GGBS比例越高细化越明显。RACS₁₅G₁₅P_0.6最可几孔径48.09 nm（近RACS₁₅G₁₅之45.1 nm），0.8% PP纤维组升至55.05 nm。按孔隙分类，掺SS增大有害孔（50–100 nm及100 nm–10 μm）比例与总孔隙率；掺GGBS使＜50 nm无害/少害孔比例上升（RACS₁₅G₁₅较RACS₃₀增13.82%），孔隙率降低。PP纤维对孔结构优化作用微弱，其强度提升主要源于阻裂桥接效应而非孔细化。

3.6 SEM-EDS分析

SEM显示基准RAC之ITZ致密；RACS₃₀之ITZ出现气孔与微裂纹，C–S–H凝胶Ca/Si比为1.65；RACS₁₅G₁₅之ITZ均匀致密，C–S–H凝胶Ca/Si比升至1.94，C–(A)–S–H凝胶发育好。PP纤维在基体中随机分布形成三维网络，拔断或拔出时纤维表面黏附C–S–H/C–A–S–H凝胶，表明纤维-基体界面黏结强，产生桥接摩擦耗能机制。

3.7 作用机理

3.7.1 GGBS的改性机理：SS与GGBS微细颗粒填充新旧ITZ（ITZ-O及ITZ-N）孔隙并提供成核位点促水泥水化。GGBS火山灰反应消耗CH并与SS中残余C_{23S反应持续生成纳米级C–S–H/(C–A)–S–H凝胶，将有害孔转化为少害/凝胶孔，提高ITZ密实度与Ca/Si比，RO相不因GGBS掺入而反应，f-CaO经处理满足体积稳定性要求。}

3.7.2 PP纤维的作用机理：PP纤维不参加水化也不显著改变孔结构，通过初期抑制塑性收缩裂缝、弹塑性阶段桥接微裂缝削弱应力集中、裂缝扩展阶段纤维断裂或拔出耗能（界面摩擦黏结强）来提高极限拉应变与抗裂性。过量纤维（＞0.6%）易结团引气致使基体疏松，故最佳体积掺量为0.6%。

3.8 GA-ANN模型的建立与验证

研究人员以135组数据集（文献+本试验）训练9-20-1结构MLP-ANN，GA优化初权阈（交叉0.70，变异0.10，种群100代）。GA-ANN训练集R²=0.9337，最大误差＜6%；对比LRA（不适于非线性拟合）与普通ANN（R²=0.8365，RMSE与MAPE更高），GA-ANN之均方根误差（Root Mean Square Error, RMSE）=3.4553%，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）=5.776%，精度优于ANN（R²提升11.62%）。模型可用于基于目标强度的RACSGP配合比反演初拟设计。

讨论与结论总结：

研究人员经试验与GA-ANN模拟得出以下结论：(1) SS与GGBS替代部分OPC因早期水化活性低使RAC坍落度增大，PP纤维降低工作性；(2) 28 d前SS与GGBS替代OPC降低RAC力学性能（10% SS组除外），28 d后各龄强度持续增长，GGBS部分替代SS可显著补偿SS带来的负效应；(3) PP纤维掺量＜0.6%时RACSGP力学性能与基准相当，综合考虑工作性与力学性能，RACSGP中PP纤维最佳体积掺量为0.6%；(4) 微观测试表明GGBS消耗CH生成C–(A)–S–H凝胶，致密化ITZ并细化孔结构，适量PP纤维可降低RACSG孔隙率；(5) 所建GA-ANN模型预测含SS、GGBS及PP纤维RAC抗压强度之R²=0.9337，RMSE=3.4553%，MAPE=5.776%，证明GA-ANN模型预测精度可靠，可用于配合比初步设计与性能预估，推进工业副产品与建筑垃圾在生态高效RAC中的应用。