基于計算智能的水泥水化過程建模方法與關鍵技術研究.pdf

1、水泥在與砂石、水等混合后形成硬化體的水化、硬化過程中要經過多種物理和化學的變化，其內部機理的復雜性及隨時間變化的特征使高性能水泥材料的研究存在一些挑戰(zhàn)性的問題。為將高性能水泥材料的研究水平推向新的高度，急需新的科學方法和高效、適用的分析設計工具。由于計算機及計算技術的飛速發(fā)展，材料領域在材料科學與材料工程的基礎上，發(fā)展出計算材料學這一門計算機科學和材料科學的交叉學科，并日益成為計算機與材料研究的重要分支。材料性能的計算機預測、材料演化過

2、程的計算機模擬、材料設計和工藝的計算機仿真一直是計算材料學的主要研究目標。通過計算機模擬，可以深入研究材料的結構、組成及其在各物理、化學過程中微觀變化機制以達到材料成份、結構及制備參數(shù)的最佳組合，即以高性能材料設計為目的。將先進的計算機仿真技術與傳統(tǒng)的實驗研究方法相結合，為水泥的水化過程建立計算模型，對高性能水泥材料的開發(fā)和產品質量的提高具有重大的科學價值和廣闊的應用前景。雖然國內外的研究已經取得了很多進展，但是由于水泥水化過程的極端復

3、雜性，人工建立水化模型存在很高的難度。本文研究了將計算智能方法與傳統(tǒng)的實驗研究方法相結合，建立起水泥水化過程的計算模型。主要工作分別從動力學建模、強度預測和三維微觀結構演化三個方面進行了闡述：
　　 ⑴水泥水化早期動力學模型的自動生成。早期水化反應對于硅酸鹽水泥漿體微觀結構的形成和強度的發(fā)展有著重要影響。由于水泥水化過程中發(fā)生了多相多尺寸并且相互關聯(lián)的復雜的化學和物理變化，因此使得人工推導水化動力學方程的研究存在很高的難度。從觀

4、測到的硅酸鹽水泥水化程度時間序列數(shù)據中自動化的構建出了水化早期的動力學模型。提出了兩種水化動力學模型的自動生成方法，一種是利用基因表達式編程算法從觀測到的實驗數(shù)據中反向萃取出表達式形式的水化動力學方程，另一種是利用柔性神經樹作為方程的右端，建立水化動力學模型。兩種方法均采用基因表達式編程算法分別迭代進化動力學方程的函數(shù)形式或柔性神經樹結構。其間對每個生成的方程和神經樹結構，用粒子群算法優(yōu)化其調節(jié)參數(shù)，該過程反復進行直到尋找到最優(yōu)的動力學

5、方程及其調節(jié)參數(shù)為止。此外，為了加速計算過程，還利用高性能計算處理器GPU來對算法進行并行化。通過挖掘多組水化程度時間序列數(shù)據，得到了硅酸鹽水泥水化早期的動力學模型。實驗結果表明，采用兩種方法得到的動力學模型都可以很好的吻合訓練數(shù)據，而且具有良好的泛化能力。兩種模型相比各有優(yōu)點，F(xiàn)NT動力學模型對實驗曲線的逼近程度更高，而反向萃取的動力學方程需要調節(jié)的參數(shù)更少。
　　 ⑵基于浮動質心法的神經網絡分類器的混凝土強度分類。作為最重要

6、的水泥基材料，混凝土所含有的水泥材料的水化機制直接影響其物理力學性能的發(fā)展。常規(guī)的混凝土強度等級檢測方法需要消耗大量的原料，成本很高并且時間較長。提出了一種全新的神經網絡分類方法-浮動質心法，該方法去除了傳統(tǒng)方法中固定質心的限制并且增大了找到最優(yōu)神經網絡的概率。研究了基于浮動質心法的神經網絡分類器對混凝土等級進行了歸類。利用UCI所提供的混凝土抗壓強度數(shù)據集作為實驗數(shù)據，證實了該算法可以較好的改進混凝土強度等級的分類結果，包括訓練精度、

7、測試精度以及平均F-Measture等。
　　 ⑶水泥水化過程三維微觀結構演化模型。提出了一種面向真實三維微觀結構的水泥漿體水化過程的演化模型。搭建模型的過程主要包括三個步驟：水泥水化數(shù)據的獲取，細胞自動機三維演化模型的生成以及神經網絡強度計算模型的生成。其中水泥水化數(shù)據的獲取為三維演化模型和強度計算模型提供訓練數(shù)據。三維演化模型根據一定的初始圖象利用細胞自動機逐步演化水泥結構，而強度計算模型則根據每步演化的結果直接通過神經網絡