基于计算智能的水泥水化过程建模方法与关键技术研究

【摘要】：水泥在与砂石、水等混合后形成硬化体的水化、硬化过程中要经过多种物理和化学的变化,其内部机理的复杂性及随时间变化的特征使高性能水泥材料的研究存在一些挑战性的问题。为将高性能水泥材料的研究水平推向新的高度,急需新的科学方法和高效、适用的分析设计工具。 由于计算机及计算技术的飞速发展,材料领域在材料科学与材料工程的基础上,发展出计算材料学这一门计算机科学和材料科学的交叉学科,并日益成为计算机与材料研究的重要分支。材料性能的计算机预测、材料演化过程的计算机模拟、材料设计和工艺的计算机仿真一直是计算材料学的主要研究目标。通过计算机模拟,可以深入研究材料的结构、组成及其在各物理、化学过程中微观变化机制以达到材料成份、结构及制备参数的最佳组合,即以高性能材料设计为目的。将先进的计算机仿真技术与传统的实验研究方法相结合,为水泥的水化过程建立计算模型,对高性能水泥材料的开发和产品质量的提高具有重大的科学价值和广阔的应用前景。 虽然国内外的研究已经取得了很多进展,但是由于水泥水化过程的极端复杂性,人工建立水化模型存在很高的难度。论文研究了将计算智能方法与传统的实验研究方法相结合,建立起水泥水化过程的计算模型。主要工作分别从动力学建模、强度预测和三维微观结构演化三个方面进行了阐述： (1)水泥水化早期动力学模型的自动生成 早期水化反应对于硅酸盐水泥浆体微观结构的形成和强度的发展有着重要影响。由于水泥水化过程中发生了多相多尺寸并且相互关联的复杂的化学和物理变化,因此使得人工推导水化动力学方程的研究存在很高的难度。 论文从观测到的硅酸盐水泥水化程度时间序列数据中自动化的构建出了水化早期的动力学模型。提出了两种水化动力学模型的自动生成方法,一种是利用基因表达式编程算法从观测到的实验数据中反向萃取出表达式形式的水化动力学方程,另一种是利用柔性神经树作为方程的右端,建立水化动力学模型。两种方法均采用基因表达式编程算法分别迭代进化动力学方程的函数形式或柔性神经树结构。其间对每个生成的方程和神经树结构,用粒子群算法优化其调节参数,该过程反复进行直到寻找到最优的动力学方程及其调节参数为止。此外,为了加速计算过程,还利用高性能计算处理器GPU来对算法进行并行化。通过挖掘多组水化程度时间序列数据,得到了硅酸盐水泥水化早期的动力学模型。实验结果表明,采用两种方法得到的动力学模型都可以很好的吻合训练数据,而且具有良好的泛化能力。两种模型相比各有优点,FNT动力学模型对实验曲线的逼近程度更高,而反向萃取的动力学方程需要调节的参数更少。 (2)基于浮动质心法的神经网络分类器的混凝土强度分类 作为最重要的水泥基材料,混凝土所含有的水泥材料的水化机制直接影响其物理力学性能的发展。常规的混凝土强度等级检测方法需要消耗大量的原料,成本很高并且时间较长。 论文首次提出了一种全新的神经网络分类方法-浮动质心法,该方法去除了传统方法中固定质心的限制并且增大了找到最优神经网络的概率。研究了基于浮动质心法的神经网络分类器对混凝土等级进行了归类。利用UCI所提供的混凝土抗压强度数据集作为实验数据,证实了该算法可以较好的改进混凝土强度等级的分类结果,包括训练精度、测试精度以及平均F-Measure等。 (3)水泥水化过程三维微观结构演化模型 论文提出了一种面向真实三维微观结构的水泥浆体水化过程的演化模型。搭建模型的过程主要包括三个步骤：水泥水化数据的获取,细胞自动机三维演化模型的生成以及神经网络强度计算模型的生成。其中水泥水化数据的获取为三维演化模型和强度计算模型提供训练数据。三维演化模型根据一定的初始图象利用细胞自动机逐步演化水泥结构,而强度计算模型则根据每步演化的结果直接通过神经网络得到在该时刻的抗压强度。 使用显微断层扫描仪水泥样本的微米级的三维内部结构,同时测量其在对应时刻的抗压强度。对uCT图象进行图象增强、灰度校准以及三维图象配准后得到训练数据。然后利用该数据指导细胞自动机三维演化模型和神经网络强度计算模型的生成。当模型确定后,给定初始三维图象,通过细胞自动机的逐步迭代,可以模拟得到在每一天的水泥三维图象。然后在此基础上抽取描述特征,利用神经网络计算出模拟水泥在在此时的抗压强度。