评估颗粒组成对混凝土搅拌功率消耗曲线影响的方法学

《CEMENT AND CONCRETE RESEARCH》：Methodology for assessing the effects of granular composition on power consumption curves in concrete mixing

　　

本文提出了一种新颖的方法学，用于分析混凝土搅拌过程中的功率消耗曲线（power consumption curve, PCC），特别关注其与混合物颗粒组成（granulometric composition）的关系。所提出的方法学能够将功率消耗曲线解释为混凝土配方颗粒组成变化的指标，从而促进在线测量系统（inline measurement system）的实施，以实现搅拌过程中的实时质量控制（real-time quality control）。通过这种方式，混凝土搅拌机不仅可以被解释为一种加工设备，还可以作为能够捕获生产过程中混合物组成特征信号的传感系统。在新拌状态下，混凝土表现出跨越多个学科的复杂物理现象，从与流动行为和泵送相关的流体动力学（fluid dynamics），到处理粒度分布和堆积密度随机变化的统计力学（statistical mechanics）。对功率消耗曲线的深入分析可以显著增强质量控制，并优化采用该方法学的混凝土生产和工业应用。

**论文解读文章**

**研究背景与问题**
混凝土的颗粒组成（granulometric composition）直接影响其新拌和硬化性能，尤其是骨料粒度分布（particle size distribution, PSD）决定了颗粒骨架的堆积密度（packing density）和空隙含量，进而影响浆体需求、工作性和流变行为。然而，确保颗粒组成的稳定性在技术上极具挑战性，尤其在成本约束下。现有控制方法包括骨料分级筛分，但这只能部分解决问题，因为同一级配内颗粒尺寸仍有差异。另一种方法是将计算机视觉与机器学习结合用于监测骨料粒度分布，但生产线上的粉尘、振动等环境干扰会影响其应用。较为直接的方法是分析搅拌过程中的搅拌能量数据，即功率消耗曲线（power consumption curve, PCC）。PCC反映了搅拌装置与不断演化的混凝土混合物之间的相互作用，可用于识别搅拌过程的特征阶段。然而，文献综述表明，多数研究仅分析信号趋势（如上升或下降），而未深入考察整个信号及其属性。因此，本研究旨在探究可控的颗粒组成变化是否与搅拌过程中记录的PCC可重复变化相关，并开发、适应和优化一种从测量信号中提取此类描述符的方法学，为在线监测和实时质量控制奠定基础。

**研究内容与结论**
研究人员开展了系统的实验研究，在固定搅拌条件与测量参数下，仅改变最细骨料（0–2 mm砂）与最粗骨料（8–16 mm圆砾石）的质量比例，用参数r表示。共设计了10种配合比，r值从0.289逐步增至1.000，同时保持中间级配（2–4 mm和4–8 mm）、水泥、水及浆体体积恒定。实验采用Pemat Zyklos ZK 30 HE逆流强制式搅拌机，通过CLT 310变送器以3.33 Hz采样频率记录PCC，经标准化加料与搅拌流程获得数据。研究得出以下结论：所提出的方法学能够系统性地提取PCC描述符，并与颗粒组成变化相关联；关键参数如平均功率、功率比κ（准稳态阶段功率与干拌阶段功率之比）以及波动概率密度函数（probability density function, PDF）的最大值f_max与r高度相关，可作为混凝土混合物稠度（扩展度）的鲁棒指标；该方法学为混凝土生产中的在线质量控制提供了可行框架，并有望集成到工业物联网（IIoT）系统中。论文发表在《CEMENT AND CONCRETE RESEARCH》。

**主要关键技术方法**
研究人员采用的主要关键技术方法包括：（1）累积和（Cumulative Sum, CUSUM）检验算法，用于识别PCC中准稳态均质化阶段（Phase IV）的起始边界；（2）奇异谱分析（Singular Spectrum Analysis, SSA），用于从准稳态信号中提取趋势分量，并分离出波动噪声；（3）波动分析，基于归一化后的残差重建概率密度函数（PDF），并通过拟合累积分布函数（CDF）获得PDF的平滑表达式；（4）特征向量构建，将无限维PCC参数化为三维向量η=[κ, f_max, r]，用于后续机器学习预测。所有实验均在实验室控制条件下进行，使用20 L批次，未涉及试剂或质粒构建。

**研究结果**
**5.1 CUSUM检验与平均功率**
通过CUSUM检验识别出准稳态阶段后，计算干拌阶段（Phase II）和湿拌准稳态阶段（Phase IV）的平均功率P_II和P_IV，以及两者比值κ。结果显示，P_II随粗骨料比例降低（r增大）而单调递减，在r≈0.7处趋于饱和，这归因于堆积密度降低。P_IV则随细颗粒比例增加呈指数上升，在r≈0.7后显著增长，与水-颗粒表面相互作用增强有关。κ在整个r范围内单调递增近30%，且与扩展度（S）的变化幅度相当，线性拟合的决定系数R²超过0.9，分段线性拟合R²接近1。

**5.2 趋势比较**
应用SSA提取准稳态阶段的趋势分量，发现所有混合物的趋势均呈现微弱正向斜率，表明功率随时间略有增加，这归因于水化反应驱动的粘度动态变化。但斜率值相近，且需要较长的搅拌时间以获得可靠统计量，因此实际应用受限。

**5.3 波动分析**
提取波动分量并重建PDF，发现PDF呈不对称形状，左翼陡峭、右尾沉重，反映了大功率跳跃事件的出现频率。PDF最大值f_max与r高度相关，R²高达0.994（线性回归）。f_max随r增大而增大，表明细颗粒比例高时瞬时功率值更集中围绕平均值，混合物更易内聚、不易离析。相反，粗颗粒比例高时波动散度大，局部性质变异性高。

**总结讨论与结论翻译**
讨论部分指出，κ和f_max可作为特征向量η=[κ, f_max, r]的组成部分，用于在线监测和扩展度预测。该特征向量将无限维PCC简化为三维参数，便于应用高斯过程等机器学习方法，并集成到工业物联网（IIoT）系统中。研究还评估了参数的可重复性：各参数的不确定性（10%–15%）与扩展度测量相当，但劳动强度更低。虽然所有结果均在特定强制式搅拌机和20 L批次下获得，且未使用化学外加剂，但该方法学为混凝土生产中的实时质量控制提供了可行框架。未来工作将整合更多配合比特征，验证不同搅拌机类型和尺度下的适用性，并嵌入智能控制系统。

**结论翻译**：本文介绍了一种分析混凝土搅拌过程中PCC的新方法学。该方法提供了系统评估搅拌过程能耗与混凝土颗粒组成之间关系的途径，能够预测和监测混凝土混合物在加工过程中的扩展度，使其成为混凝土生产中在线质量控制的有力工具。结果表明，关键参数——如特定搅拌阶段的平均功率和PCC的波动特征——与混合物的颗粒组成强相关。值得注意的是，参数κ和波动PDF的最大值f_max被证明是混合物稠度的鲁棒指标。这代表了在混凝土生产预测建模和实时调整方面迈向实际应用的第一步。研究还确认了这些参数的可重复性和稳定性，使其成为自动化系统可靠的特征。此外，该研究强调了该方法学的更广泛意义，特别是与建筑行业向更高效率、自动化和可持续性转型的契合。通过提供实时质量控制框架，该方法增强了混凝土生产过程对可变材料特性的适应性，同时应对了具有波动特性材料（如再生骨料）带来的挑战，并促进了资源的高效利用。所有结果均在受控实验室条件下获得，使用特定强制式搅拌机配置和20 L批次，配合比采用恒定水泥浆体体积且无化学外加剂，颗粒组成变化仅限于最细与最粗骨料级配的比例。因此，该方法学及所报告的定量关系应在此受控实验条件和特定搅拌机配置范围内解释，其向其他搅拌机类型、尺度或运行条件的迁移性需要进一步验证。未来工作将聚焦于完善分析模型以纳入更多配合比特征，将该方法学集成到机器学习算法中进行预测分析，并验证其在多种搅拌机类型和施工环境中的适用性。最终，这项研究标志着在施工实践中嵌入智能控制系统迈出了重要一步，有助于开发和维护弹性、可持续的基础设施。