本文提出了一套新的缩放定律,用于研究轻质钢筋混凝土隧道衬砌在 1g 振动台试验中的开裂后行为。开裂后行为缩放定律使用两个无量纲参数制定:脆性数 s ,它控制非钢筋混凝土构件的断裂现象;NP ,它对钢筋混凝土构件中混凝土断裂过程和钢塑性流动的稳定性起主要作用。提出的定律允许开发“充分”的实验模型,并使用原型和 1:30 模型比例的岩石钢筋隧道的数值分析进行验证。采用的实验装置的灵感来自现有的 1g 物理测试活动,该测试活动针对岩石混凝土隧道的地震响应,并且假设的定律表明在两个检查的地震记录下,模型和原型隧道的开裂行为具有令人满意的相似性。强调了在 1g 测试中使用提出的定律对钢筋混凝土隧道中不断发展的裂缝模式进行 A 级预测的潜力。在三种可能的边界条件下对所提出的定律进行了检验,结果表明,与设想的自由场边界模型相比,刚性箱和层流箱仍然可以显著改变行为。但分析表明,对于较大的土壤与衬砌刚度比,边界伪影可以大大减少。本研究为迄今为止尚不存在的未来 1g 测试提供了有用的建议,而所提出的缩放定律允许在设计新型隧道衬砌模型测试材料时具有多功能性。
我们的初步结果表明,与普通的波特兰水泥(OPC)混凝土相比,VPI用作SCM的利用率可实现碳排放量的重要减少。碳足迹位置VPI的这种显着下降是可持续混凝土生产的引人注目的替代方案。两个主要因素支持这一主张:i)初步测试确认VPI混凝土与OPC的可比特性,以及ii)欧洲粉煤灰的可用性减少需要替代来源,通常位于相当远的距离,从而升级相关的相关发射。
使用高级机器学习(ML)的物理信息建模(PIM)代表混凝土技术领域的范式转变,提供了科学严谨和计算效率的有效融合。通过利用基于物理原理和数据驱动算法之间的协同作用,PIM-ML不仅简化了设计过程,还可以增强混凝土结构的可靠性和可持续性。随着研究继续完善这些模型并验证其性能,他们的采用有望彻底改变整个全球建筑项目中混凝土材料的设计,测试和利用。在这项研究工作中,一项广泛的文献综述,生成了一个全球代表性数据库,用于沉迷于可回收骨料混凝土的裂纹拉伸强度(FSP)。测量并列出了研究的混凝土组件,例如C,W,NCAG,PL,RCAG_D,RCAG_P,RCAG_WA,VF和F_TYPE。将收集的257个记录分为200个记录(80%)的培训集和57个记录(20%)的验证集(20%),以与数据库的更可靠分区相符。使用“ WEKA数据挖掘” 3.8.6版创建的五种高级机器学习技术用于预测FSP,并且还使用了Hoffman&Gardinger方法和性能指标分别评估变量和ML模型的灵敏度和性能。结果表明,KSTAR模型证明了模型之间的性能和可靠性水平最高,以0.96的r 2为0.96,精度为94%。其RMSE和MAE在0.15 MPa时均较低,表明预测和实际值之间的偏差很小。其他指标,例如WI(0.99),NSE(0.96)和KGE(0.96),进一步证实了该模型的效率和一致性,使其成为实用应用的最可靠工具。的灵敏度分析还表明,水含量(W)在40%处发挥了最大的影响,这表明混合物中的水量是实现最佳拉伸强度的关键因素。这强调了需要仔细的水管理以平衡可持续混凝土生产中的可行性和力量。粗大的天然聚集物(NCAG)具有38%的实质影响,表明其在维持混凝土混合物的结构完整性中的重要作用。
混凝土,了解实时强度玛图型提供的好处,例如优化脱离时间,降低供暖费用并促进潜在问题的早期识别。在数十年中,已经使用了多种先进的测试方法,例如电气方法,核磁共振,波传播,声发射和计算建模,并且已被用于研究这些现象[4,5]。RILEM作为社会发表了有关该主题的全面知识[6]。从工程师的角度来看,加权成熟度方法基于温度 - 强度相关性,AP梨是最有用和实用的方法[7-12]。但是,对于
摘要:城市热岛效应已成为城市地区的关键问题,加剧了与热有关的问题并增加能源消耗。将普通的波特兰水泥(OPC)与源自Periwinkle壳粉的碳酸骨料结合起来,以开发有效的凉爽材料。通过碳酸过程,骨料会经历转换,捕获二氧化碳(CO 2)并将其转换为方解石。所得的水泥混合物表现出高太阳反射特性,使其成为凉爽路面和屋顶应用的潜在候选者。在这项研究中,对原材料(包括Periwinkle壳粉末)进行了表征,并评估了碳化过程以量化CO 2捕获效率。此外,对这种新水泥在屋顶上的效率的真实测试表明,该材料达到了显着的冷却效果,比在太阳辐射峰处的标准OPC凉爽6°C。关键字:城市热岛,碳捕获,凉爽的材料,碳酸骨料,回收骨料,水泥材料■简介
摘要 - 本文介绍了通信材料的设计及其在传感建筑行业传感混凝土中的应用。在构建和结构健康监测的背景下介绍了交流材料及其问题的概念之后,本文描述了迄今为止在物理开发中所做的主要贡献,这些贡献预计将超过三十年。为了获得它,使用具有传感和通信节点的两级无线传感器网络提出了特定的网络物理结构。为了最大程度地提高交流混凝土的寿命,通过两个建议来改善节能问题:使用无线功率传递的原始能源收集系统,用于嵌入式感应节点和分析估计模型,以预测通信节点网络的能量消耗。
elvysreis@yahoo.com.br 摘要 将碳纳米管 (CNT) 添加到胶凝基体中,更具体地说添加到混凝土中,可以提高其强度和耐久性。从这个角度来看,本文旨在回顾含碳纳米管混凝土 (CNT 混凝土) 的主要工程性能。为此,我们使用 ProKnow-C 方法查找过去五年中发表的最相关论文,并选择了 19 篇文章进行完整分析。收集的数据包括 CNT 的类型、含量和分散技术,以及 CNT 混凝土的类型和性能,即抗压强度、抗拉强度和抗弯强度、弹性模量、吸水率、孔隙率和渗透性、电导率和电阻率、碳化和氯离子渗透阻力、断裂能和韧性。这篇系统的文献综述表明,添加 CNT 通常会提高混凝土强度,但其对其他工程性能(如碳化和氯离子渗透阻力、蠕变和收缩)的影响仍需要进一步研究。 关键词:水泥基材料;碳纳米管;力学性能;耐久性。1. 引言混凝土是世界上消耗最多的建筑材料,也是污染最严重的材料,其生产约占全球二氧化碳排放量的 7% [1]。由于其多种使用方式,数以百万计的钢筋混凝土 (RC) 结构每天都面临着恶劣的天气条件、污染和其他化学侵蚀,这些侵蚀会渗透并损坏其钢筋。然而,修复这些损坏的成本可能很高,正如美国土木工程师学会 (ASCE) 年鉴中所述 [2]。从这个意义上说,一些 RC 结构不断出现一系列耐久性问题,主要与腐蚀、潮湿、氯离子侵蚀、硫酸盐和碱金属有关。
混凝土是最常见的建筑材料。混凝土类型丰富,配方取决于特定用途。混凝土的微观结构通常是强烈的异质性,具有水泥,细和粗骨料,充满空气的毛孔和各种增援。混凝土的计算模型通常会大大降低以确保安全性。更精确的模型可以从材料和CO 2排放方面巨大节省。通过3D计算机断层扫描(CT)观察到的原位机械测试,特别是观察到3D的裂纹起始和生长可以帮助改善这些模型。 大规模的CT系统gulliver专用于研究分别为6 m和1 m的现实大型混凝土束和宽度的疲劳动力学。 分析在原位弯曲测试中生成的图像数据需要特别可靠的检测和正确分割薄裂纹。 因此,最近比较了裂纹分割的算法[1],扩展到多尺度裂纹[2,3],适用于纤维增强的混凝土[4,5],甚至是新发明的[6,7]。 对于方法的公平定量比较以及机器学习模型的培训和开发,基于合成裂纹结构的半合成CT图像[8-10]至关重要。 首先,裂纹是作为分数布朗动作的实现[11]。 后来,由于其多功能性,首选由随机伏罗尼叶镶嵌物的小平面形成的最小表面[8]。 在[13,14]中研究了裂纹与混凝土微观结构之间的相互作用。通过3D计算机断层扫描(CT)观察到的原位机械测试,特别是观察到3D的裂纹起始和生长可以帮助改善这些模型。大规模的CT系统gulliver专用于研究分别为6 m和1 m的现实大型混凝土束和宽度的疲劳动力学。分析在原位弯曲测试中生成的图像数据需要特别可靠的检测和正确分割薄裂纹。因此,最近比较了裂纹分割的算法[1],扩展到多尺度裂纹[2,3],适用于纤维增强的混凝土[4,5],甚至是新发明的[6,7]。对于方法的公平定量比较以及机器学习模型的培训和开发,基于合成裂纹结构的半合成CT图像[8-10]至关重要。首先,裂纹是作为分数布朗动作的实现[11]。后来,由于其多功能性,首选由随机伏罗尼叶镶嵌物的小平面形成的最小表面[8]。在[13,14]中研究了裂纹与混凝土微观结构之间的相互作用。这些合成的裂纹结构可以模仿多种裂纹形态,包括局部厚度分布和分支,并具有几个程度的表面粗糙度,因为[12]很好地证明了。到目前为止,合成裂纹并未与将CT图像用作背景的混凝土的微观结构相互作用。特别是,将裂缝分类为周围的混凝土组件。这是通过两步过程实现的。首先,通过模板匹配对裂纹结构进行了分割。然后,根据模板的方向上的灰色值对裂纹进行分类。在这里,我们提出了一种依赖于分割裂纹和聚集体的方法。然后将裂纹分配给两个可能的类别之一:经晶(通过聚集体)或晶间(聚集体之间)。然后,经晶裂纹体素的相对数量产生了一个度量,以量化裂纹行为的差异。在这里,我们研究了相同组成的难治性混凝土样品,但在不同温度下被后加工(烧结)。在压缩应力下扫描样品。他们清楚地表明,裂缝确实与混凝土的微观结构相互作用,请参见图1。裂纹可能沿聚集体,通过它们或通过周围的水泥矩阵传播。在失败之前,分析载荷步骤的经晶和晶间体素的分数进一步量化了烧结温度的影响。我们在两个圆柱形耐火混凝土样品的示例中演示了这一分析,分别在1.000°C和1.600°C下烧结。最近,我们为裂纹结构设计了一种多功能几何模型[8,9],用于方法验证和比较以及机器学习方法的训练 - 由随机Voronoi Tessellation的相位形成的最小表面。最小表面计算的优化方法的改进版本可实现多标准优化[17]。在这里,我们利用了这种新的可能性来生成合成裂纹结构,该结构避免了聚集体或通过图1中的真实混凝土样品中观察到的。
Binder content ( B ) [kg/m 3 ] 303 321 361 344 313 413 Binder content ( b ) [wt.%] 12.5 13.2 14.8 14.3 12.9 16.9 Clinker content in binder ( c [wt.%] 95 73 15 67 67 24 Clinker content in concrete [wt.%] 11.9 9.6 2.2 9.6 8.6 4.1 CaO content在Binder(CAO)[wt。%] 64.8 48.9 45.1 46.9 57.8 47.3混凝土中的CAO含量[wt。%] 8.1 6.5 6.5 6.7 6.7 6.7 6.7 7.5 8.0 8.0