高性能混凝土最經(jīng)濟配比設計系統(tǒng)hpc2n

1、高性能混凝土最經(jīng)濟配比設計系統(tǒng)HPC2N,葉怡成 教授 中華大學土木工程學系,一、前言,高性能混凝土 (High Performance Concrete) 在材料的選用上較傳統(tǒng)混凝土多，除了傳統(tǒng)混凝土組成所需的基本構(gòu)材之外，更添加了多種工業(yè)副產(chǎn)品及化學添加料，如飛灰、爐石粉、強塑劑等，在配比設計上更為複雜，並沒有像傳統(tǒng)混凝土般有ACI配比設計的規(guī)範可循。在混凝土配比設計時由於使用的材料眾多，各材料價格亦會隨物價波動而變化，以往

2、配比設計進行時通常只考慮強度而忽略經(jīng)濟性，所以本系統(tǒng)HPC2N加入了成本因素，希望能夠?qū)ふ页鲎罴训呐浔?，以提高業(yè)界的競爭力。,五種配比設計限制,強度限制(抗壓強度)；工作度限制(坍度、坍流度)；各成份上下限限制(水泥、飛灰、爐石粉、水、強塑劑、粗骨材、細骨材)；各成份間比例限制(水灰比、水膠比、水固比、強塑劑與膠結(jié)料之比例、飛灰佔膠結(jié)料之比例、爐石粉佔膠結(jié)料之比例、飛灰與爐石粉之總量佔膠結(jié)料之比例、粗骨材之總量對膠結(jié)料之比例、細骨

3、材佔粗骨材總量之比例)；絕對體積限制(七種成份的絕對體積總合為一立方公尺)；,HPC2N的使用步驟,實驗設計：應用實驗設計(Design of Experiments, DOE)方法來設計實驗配比。實驗實施：依實驗設計所設計出的配比進行實驗。模型建構(gòu)：採用實驗所得工作度及強度的結(jié)果，作為建構(gòu)工作度及強度模型的資料庫。由於工作度及強度模型具非線性，因此使用類神經(jīng)網(wǎng)路(Artificial Neural Networks)[1]作為模

4、型建構(gòu)的工具。配比優(yōu)化：以非線性規(guī)劃對此模型進行配比優(yōu)化，以找出符合最低成本的配比設計。驗證實驗：進行驗證實驗驗證結(jié)果是否符合預期。,二、文獻回顧,類神經(jīng)網(wǎng)路是「一種基於腦與神經(jīng)系統(tǒng)研究所啟發(fā)的資訊處理技術」，利用大量簡單且相連的人工神經(jīng)元來模仿生物神經(jīng)網(wǎng)路之能力。類神經(jīng)網(wǎng)路的相關文獻可參考文獻[1]。類神經(jīng)網(wǎng)路在高性能混凝土上之應用的文獻，可以從許多論文及期刊中發(fā)現(xiàn)[2-4]，但是結(jié)合類神經(jīng)網(wǎng)路與非線性規(guī)劃作高性能混凝土最佳配比設

5、計的文獻尚屬少見[5]。,三、高性能混凝土配比設計最佳化模式,1. 成本目標Min Cost=CC?WC+CF?WF+CS?WS+CW?WW+CSP?WSP+CCA?WCA+CFA?WFA (1)CC、CF、CS、CW、CSP、CCA、CFA分別為水泥、飛灰、爐石粉、水、強塑劑、粗骨材、細骨材的單位重量成本；WC、WF、WS、WW、WSP、WCA、WFA分別為一立方公尺體積的混凝土中水泥、飛灰、爐石粉、水、

6、強塑劑、粗骨材、細骨材所佔的重量。,三、高性能混凝土配比設計最佳化模式,2. 強度需求限制Scr'3>fcr'3 (2)Scr'14>fcr'14 (3)Scr'28>fcr'28

7、 (4)Scr'56>fcr'56 (5)Scr'90>fcr'90 (6)Scr‘3、Scr’14 、Scr‘28、Scr’56、Scr‘90等於預測之3天、14天、2

8、8天、56天、90天之抗壓強度；fcr'3、fcr'14、fcr'28、fcr'56、fcr'90為需求之3天、14天、28天、56天、90天之抗壓強度。,三、高性能混凝土配比設計最佳化模式,3. 工作度需求限制Slump> Slumpr (7)Flow>Flow r

9、 (8)Slump、Slumpr=預測之初始坍度與需求之初始坍度；Flow、Flow r=預測之初始坍流度與需求之初始坍流度。,三、高性能混凝土配比設計最佳化模式,4. 成份上下限限制WCmin≦WC≦WCmax (9)WFmin≦WF≦WFmax (10)WSmin≦WS≦WSmax (11)

10、WWmin≦WW≦WWmax (12)WSPmin≦WSP≦WSPmax (13)WCAmin≦WCA≦WCAmax (14)WFAmin≦WFA≦WFAmax (15),三、高性能混凝土配比設計最佳化模式,5. 成份比例限制R1min≦ (WW + WSP) / WC ≦ R1max

11、 (16)R2min≦ (WW + WSP) / (WC + WF + WS ) ≦ R2max (17)R3min≦ (WW + WSP) / (WC + WF + WS + WCA + WFA) ≦ R3max (18)R4min≦ WSP / (WC + WF + WS) ≦ R4max (19)R5min≦ WF

12、 / (WC + WF + WS) ≦ R5max (20)R6min≦ WS / (WC + WF + WS) ≦ R6max (21)R7min≦ (WF + WS) / (WC + WF + WS) ≦ R7max (22)R8min≦ (WCA + WFA) / (WC + WF + WS) ≦ R8max

13、 (23)R9min≦ WFA / (WCA + WFA) ≦ R9max (24),三、高性能混凝土配比設計最佳化模式,6. 絕對體積限制 由於混凝土是按體積計價，通常以立方公尺為單位，因此配比設計時需符合體積總和為一立方公尺的限制：WC/GC+WF/GF+WS/GS+WW/GW+WSP/GSP+WCA/GCA+WFA/GFA=1000 (25)GC

14、、GF、GS、GW、GSP、GCA、GFA為水泥、飛灰、爐石、水、強塑劑、粗骨材、細骨材比重。,四、以類神經(jīng)網(wǎng)路建構(gòu)高性能混凝土模型,高性能混凝土配比設計最佳化模式中，強度與工作度雖是材料成份的函數(shù)，但其函數(shù)是未知的，因此必須建構(gòu)模型。有了精確的模型，此最佳化模式才能設計出最佳的HPC配比，因此如何建立精確的強度與工作度模型便是本系統(tǒng)成敗的關鍵。本系統(tǒng)採用類神經(jīng)網(wǎng)路作為材料行為模型建構(gòu)工具，此模型有八個輸入變數(shù)，分別為一立方公尺混凝土中

15、，水泥、飛灰、爐石粉、水、強塑劑、粗骨材、細骨材等所使用的重量及齡期，三個輸出變數(shù)為混凝土的抗壓強度、新拌混凝土的坍度、坍流度。,四、以類神經(jīng)網(wǎng)路建構(gòu)高性能混凝土模型,本系統(tǒng)所用來建構(gòu)強度模型的資料，來自實驗設計後於中華大學實驗室所進行的實驗[6]。這些數(shù)據(jù)經(jīng)由模型建構(gòu)後，強度、坍度、坍流度三者的訓練範例的相關係數(shù)達0.92、0.73、0.78；測試範例的相關係數(shù)達0.88、0.70、0.70。這些誤差遠低於作者使用傳統(tǒng)統(tǒng)計學方法所能達

16、到的最佳結(jié)果[6]。,五、以類神經(jīng)網(wǎng)路作高性能混凝土配比設計最佳化,目標函數(shù)為式(1)強度限制函數(shù)為式(2)-式(6)工作度限制函數(shù)為式(7)-式(8)成份用量限制函數(shù)為式(9)-式(15)成份比例限制函數(shù)為式(16)-式(24)絕對體積限制函數(shù)為式(25)此一最佳化模式可用非線性規(guī)劃求解，結(jié)果如文獻[6]。,六、驗證實驗,依上節(jié)所得之配比設計進行驗證實驗，結(jié)果如文獻[6]。實驗結(jié)果顯示強度的誤差均方根為1180.7psi。

17、考慮試體強度範圍4000-11000psi，這個誤差在合理的範圍內(nèi)。坍度、坍流度誤差也在合理範圍內(nèi)。,七、結(jié)論,國內(nèi)十砂石料源不穩(wěn)定，無法以固定的配比滿足變動的環(huán)境。HPC2N可依實際數(shù)據(jù)建立精確材料行為模型，並用最佳化方法設計出品質(zhì)穩(wěn)定且最經(jīng)濟配比。與傳統(tǒng)混凝土配比設計方法相較平均節(jié)省材料成本15.9%。目前已經(jīng)以HPC2N為基礎發(fā)展出一套通用型電腦輔助配方設計系統(tǒng)CAFÉ (Computer-Aided Formula

18、Engineering)，適用於所有需要進行配方設計的產(chǎn)業(yè)。,參考文獻,葉怡成，類神經(jīng)網(wǎng)路模式應用與實作，儒林圖書公司，臺北市(2000)。葉怡成，實驗計劃法─製程與產(chǎn)品最佳化，五南圖書公司，臺北市(2002)。I-Cheng Yeh, “Modeling of strength of high performance concrete using artificial neural networks,” Cement and Co

19、ncrete Research, Vol.28, No.12, 1797-1808 (1998).I-Cheng Yeh, “Modeling Concrete Strength with Augment-Neuron Networks,” ASCE, J. of Materials in Civil Engineering, Vol.10, No.4, 263-268 (1998).I-Cheng Yeh, “Design of

20、High Performance Concrete Mixture Using Neural Networks,” ASCE, J. of Computing in Civil Engineering, Vol.13, No.1, 36-42 (1999).葉怡成，陳怡成，柯泰至，彭釗哲，柑俊晟，陳家偉，「以類神經(jīng)網(wǎng)路作高性能混凝土最佳配比設計之研究」，技術學刊，第17卷，第4期，第583-591頁(2002)。黃文吉，「地下連續(xù)壁

21、穩(wěn)定液配比設計輔助系統(tǒng)雛型之研究」，碩士論文，中華大學土木工程學系(1994)。彭釗哲，「以類神經(jīng)網(wǎng)路在高性能混凝土抗壓強度之應用」，碩士論文，中華大學土木工程學系(1999)。柑俊晟，「以類神經(jīng)網(wǎng)路為基礎之品質(zhì)設計系統(tǒng)之研究」，碩士論文，中華大學土木工程學系(2000)?？绿┲?，「以類神經(jīng)網(wǎng)路建構(gòu)高性能混凝土工作度模型之研究」，碩士論文，中華大學土木工程學系(2001)。陳怡成，「以類神經(jīng)網(wǎng)路作高性能混凝土最佳配比設計之研究」