水泥强度影响因素及预测研究进展

初必旺

摘 要：水泥强度影响因素很多，其中熟料的矿物组成是其显著影响因子。将众多水泥强度影响因子作为输入变量，通过不同的预测模型，可预测水泥28d强度。其中组合模型预测方法结合了不同预测模型的优点，可提高水泥强度的预测精度。

关键词：水泥强度；影响因素；预测

按照水泥行业和国家标准的要求，水泥强度的检测龄期为28d，其28d强度也是判断水泥标号的主要依据，这个要求给现场施工进度带来了困扰，也给水泥生产企业库存和资金带来压力，因而众多水泥生产和使用单位都在积极探索水泥28d强度的预测方法。

1 水泥强度的影响因素

预测水泥28d强度的方法是基于常规的化学和物理指标，应用数学的方法建立强度和其影响因子的经验公式，对28d强度作出预测。因此，要准确预测水泥强度，必须了解水泥强度的影响因素。

水泥强度是水泥物理性能中最重要的指标之一，其影响因素很多：熟料的矿物组成和矿物形态，水泥细度（或比表面积）和颗粒级配、混合材、石膏、碱含量、游离氧化钙含量等。

1.1 矿物组成和矿物形态

不同水泥品种规定了熟料在水泥组成中的比例，熟料强度很大程度上取决于其矿物组成和矿物形态，熟料则是水泥产生强度的源头。熟料四种主要矿物组成为：硅酸三钙（C3S）、硅酸二钙（C2S）、铝酸三钙（C3A）和铁铝酸四钙（C4FA），当其含量改变时，水泥的物理性能也随之改变。一般说来，C3S的水化产物对水泥早期强度和后期强度起主要作用，C2S的水化产物对水泥早期强度贡献较小，但对水泥后期强度起重要作用，C3A对水泥早期强度起一定作用，C4FA水化后强度不高，但对水泥的抗折和抗冲磨性能起到重要作用。水泥熟料中的矿物形态也会对水泥强度有一定影响，熟料矿物晶体发育良好，晶体尺寸适中，晶体自形好，则水泥强度相对较高。

1.2 细度和颗粒级配

一般来说，水泥细度小，比表面积大，水泥早期强度越高，水化热也较大。水泥颗粒分布对强度影响的研究显示：3～30μm的水泥颗粒是担负强度增长的主要粒级，0～3μm的颗粒主要对早期强度有利，但3μm以下颗粒对后期强度仍有一定贡献，而3μm以上颗粒对早期强度同样具有一定贡献。

1.3 混合材

目前水泥中应用最广泛的混合材种类是粉煤灰、矿渣粉、火山灰和石灰石粉等。不同水泥品种规定了可掺入混合材的品种和掺量范围，不同混合材对强度的也有不同的影响。掺入一定量优质的活性混合材，如粉煤灰、矿渣或火山灰，其早期强度降低，而后期强度下降速度缓慢，甚至有可能得到提高；掺入适量石灰石等惰性混合材，可以提高水泥的早期强度，但后期强度下降。

1.4 石膏

石膏的存在可以有效调节水泥凝结时间，适量的石膏可提高早期强度，但如果SO3过多的话，多余的SO3能够在水泥硬化后继续与C3A和水生成钙矾石，固相体积比反应物增大约129%，导致安定性不良。

1.5 其他因素

水泥中的碱含量的增加能加快水泥早期的水化程度，故能提高早期强度，但不利于后期强度的发展；而少量的游离CaO能提高水泥强度，但随着游离CaO含量的增大，水泥强度亦降低，并会引起水泥安定性不合格。

2 水泥强度预测研究进展

2.1 线性回归模型预测

在较早的研究中，苏联学者叶戈罗夫研究了水泥熟料的组成与物质之间的相互关系，提出用矿物组成推算水泥28d强度；Knofel基于德国水泥厂数据，总结出水泥28d强度特征值F28和其矿物成分关系，而F28和水泥28d抗压强度有着良好的线性关系，F28预测模型如式（1）：

F28=3C3S+2C2S+C3A-C4AF （1）

式中，F28为水泥28d强度特征值，C3S、C2S、C3A、C4FA分别为水泥中硅酸三钙、硅酸二钙、铝酸三钙和铁铝酸四钙质量百分数，其数值可用X射线定量分析、化学萃取等方法测定，但一般采用Bogue计算法计算获得。

Y·M·Zhang等人以此为基础，详细研究了水泥比表面积、颗粒级配、矿物组成和强度的关系，将比表面积和颗粒级配引入新的预测模型，可预测水泥3d、7d和28d强度；中国建筑材料科学研究院的周双喜等人利用四个水泥厂的120组数据建立起了水泥28d抗压强度与4种矿物组成的数学关系式，见式（2）：

R28=0.7603（C3S+C2S+C3A-C4AF）-16.95 （2）

式中，R28为水泥28d抗压强度。

线性回归模型预测方法简单可行，主要依靠熟料的矿物组成来对强度进行预测，更适于原材料和工艺稳定的出厂水泥强度预测，但当水泥其他影响因子发生大的变化时，该预测方法会引起较大误差。

2.2 多元非线性单一模型预测

实际上水泥强度是大时滞、非线性问题，影响因素较多，计算机技术的迅速发展为水泥强度的预测提供了更多新的方法。为了更准确的预测水泥强度，研究人员在计算模型中引入了更多的强度影响因素：细度、比表面积、游离CaO含量、SO3含量、碱含量，并将水泥1d抗压强度和抗折强度作为输入变量引入预测模型中。李晓波等人运用遗传算法，得到了满意的预测结果；董吉文等人开展了基于模糊神经网络的水泥强度预测；郁时炼等人建立了BP神经网络的水泥强度预测模型；王欢、郭一军比较研究了BP神经网络和RBF神经网络模型预测方法，认为后者明显优于前者。

该类预测方法引入了更多的水泥强度影响因子，能更精确的对水泥强度进行预测，适应性强，使用范围广，其中研究较多的RBF神经网络模型预测方法，但也有国外学者指出，RBF虽然具有良好的非线性信息处理能力，可以逼近任何非线性函数，却由于只分析输入和输出，随机性大。

2.3 组合模型预测

不同的神经网络模型或算法都有着自身数值模拟的优缺点，因此，有学者采用两种模型结合的方法来提高预测精度。Sedat Akkurt等人采用模糊逻辑与人工神经网络相结合，取得了水泥28d抗压强度预测模型；崔秀云等人针对水泥强度预测的多变量、非线性、大时滞特点，提出一种以人工神经网与特殊的十进制数编码的遗传算法相结合的水泥28d强度预测方法；裘国华等人利用灰色预测模型和RBF神经网络模型各自的优点，提出灰色GM-RBF神经网络组合预测模型，可输出28d抗压强度，预测精度优于单一的灰色GM模型或RBF神经网络模型。

组合模型预测方法可结合不同模型的优点，提高了水泥预测的精度，但需要的原始数据信息量大，数据预处理步骤复杂。

3 结语

（1）水泥强度的影响因素有熟料的矿物组成和矿物形态，水泥细度（或比表面积）和颗粒级配、混合材、石膏、碱含量、游离氧化钙含量等因素。其中熟料的矿物组成是影响水泥强度最显著的因素。

（2）将水泥强度的影响因子作为预测模型的输入变量，可开展水泥强度预测，预测方法可概括为三类：线性回归模型预测、多元非线性单一模型预测、组合模型预测，每种预测方法都有着各自的优缺点。但随着计算机技术发展对神经网络、遗传算法等人工智能算法的完善，以及水泥工作者对水泥强度预测精度要求的提高，人工智能算法及其组合应用在未来的水泥强度预测工作中将取得更多的研究进展。

参考文献

[1] 罗云峰，樊粤明，卢迪芬等.水泥熟料矿物组成及矿物形态对水泥强度的影响[J].水泥，2008（10）：5-9.

[2] 陈云波，徐培涛，韩仲琦等.粉磨方法和粉磨细度对水泥强度的影响[J].硅酸盐学报，2002，30（z1）：53-58.

[3] 王莹莹.游离氧化钙含量对水泥安定性和强度的影响[J].福建建材，2012（10）：11-12.

[4] T·B·叶戈罗夫.从水泥组成估算强度的研究[A].第六届国际水泥化学会议论文集[C].1981：319-324

[5] Knoefel D.Relations between chemistry， phase content，and strength in portland cements[J].ZKG.Zement-Kalk-Gips，Edition A，1979，32（09）：448-54.

[6] GB/T21372-2008.硅酸盐水泥熟料[S].北京：中国标准出版社， 2008.

[7] Zhang Y M， Napier-Munn T J.Effects of particle size distribution， surface area and chemical composition on Portland cement strength[J].Powder Technology，1995， 83（03）：245-252.

[8] 周双喜，陈益民，张文生等.颗粒分布、比表面积、化学组成对水泥强度的影响[J].硅酸盐通报，2006，25（01）：81-85.

[9] 李晓东，杨波，董吉文.基于遗传算法的水泥强度预测[J].计算机工程与应用，2004，40（12）：205-207.

[10] 董吉文，陈月辉，袁润章等.基于模糊神经网络的水泥强度预测[J].山东建筑大学学报，2005，20（01）：1-3.

[11] 郁时炼， 高辉.基于神经网络的水泥强度预测[J].合肥工业大学学报：自然科学版， 2002， 25（2）：316-320.

[12] 王欢，张增光，李海滨等.基于RBF神经网络的水泥强度预测[J].自动化与仪表，2004，19（02）：7-9.

[13] 郭一军.基于人工神经网络的水泥强度预测模型研究[D].昆明：昆明理工大学，2006.

[14] Alexandridis A， Triantis D， Stavrakas I， et al.A neural network approach for compressive strength prediction in cement- basedmaterials through the study of pressure- stimulated electrical signals[J].Construction and Building Materials， 2012（30）：294-300

[15] Akkurt S， Tayfur G， Can S.Fuzzy logicmodel for the prediction of cement compressive strength[J].Cement & Concrete Research， 2004，34（08）：1429-1433.

[16] 崔秀云，陈月辉，史奎凡等.人工神经网—遗传算法在水泥强度预测中的应用[J].山东建材学院学报，1998（03）：275-277.

[17] 裘国华，申屠南瑛，施正伦.基于GM-RBF神经网络组合模型的水泥强度预测方法[J].科技导报，2014，32（03）：56-61.