Предел прочности бетона на сжатие: » Марки бетона по прочности

Именно из-за этих свойств бетона здания и другие сооружения проектируют учитывая, что бетон принимает нагрузки на сжатие. Но в некоторых случаях берут во внимание  прочность на растяжение либо на растяжение при изгибе.

Как определить прочность бетона?

Чтобы определить прочность бетона и соответственно марку/класс проводят испытания – бетонный куб (размеры 15x15x15 см), проба берется из бетонной смеси на объекте/заводе, переносится в специальную металлическую форму. Испытания проводятся на 28е сутки ОБЯЗАТЕЛЬНО после твердения в так называемых нормальных условиях (t- 15-20°С и влажность воздуха 90-100%)

Прочность бетона также определяют и в другом возрасте от трех до ста восьмидесяти суток.

К примеру, бетон в25 м350 – прочность на сжатие 32,7 МПА

Контроль прочности бетона в конструкциях

Этот стандарт применяется для бетонов, на которые действуют нормы прочности и определяет правила контроля и оценки прочности готовой к применению бетонной смеси. Выполняя требования ГОСТа вы гарантируете качественные показатели бетона на вашем объекте. Продажа бетона от производителя также добавит вам уверенности в заказываемых материалах.

Оценка прочности бетона

Не всегда есть возможность воспользоваться услугами лаборатории. В настоящее время для оценки прочности бетона есть возможность использовать спецприборы, действие которых относят к неразрушающим методам контроля прочности. Самый доступный из них – молоток Кашкарова или Физделя.

Многие из приборов достаточно мобильны и имеют цифровое табло. Сейчас разделяют приборы на разные способы работы:

– ультразвук

– ударный отскок( определяется величина отскока инструмента)

– отрыв со скалыванием(определяем величину усилия, которое нужно приложить для того, чтобы сколоть какой-либо участок, который находится  на ребре бетонного изделия)

– ударный импульс(фиксируется энергия удара в момент удара бойка прибора о поверхность бетонной конструкции)

Чтобы определить результат с максимальной точностью необходимо учесть следующие параметры – время изготовления, наполнитель бетона, условия хранения. Для минимизации погрешностей все приборы подлежат обязательной проверке в метрологической организации.

Как определить прочность бетона | Статьи

Прочность бетона является важнейшей характеристикой, от которой зависят эксплуатационные параметры материала. Под прочностью подразумевают способность бетона противостоять внешним механическим силам и агрессивным средам. Особенно актуальны способы определения этой величины методами неразрушающего контроля: механическими или ультразвуковым.

Правила испытания прочности бетона на сжатие, растяжение и изгиб определяются ГОСТ 18105-86. Одной из характеристик прочности бетона является коэффициент вариации (Vm), который характеризует однородность смеси.

По ГОСТ 10180—67 предел прочности бетона при сжатии определяется при сжатии контрольных кубов с размерами ребер 20 см в 28-суточном возрасте — это так называемая кубиковая прочность. Призменная прочность определяется как  0,75 кубиковой прочности для класса бетона В25 и выше и 0,8 для класса бетона ниже В25

Помимо ГОСТов, требования к расчётной прочности бетона задаются в СНиПах. Так, например, минимальная распалубочная прочность бетона незагруженных горизонтальных конструкций при пролете до 6 метров должна составлять не менее 70% проектной прочности, а свыше 6 метров – 80% проектной прочности бетона.

Механические неразрушающие методы определения прочности бетона

Неразрушающие способы бетона на сжатие основываются на косвенных характеристиках показаний приборов. Испытания прочности бетона проводятся с помощью основных методов: упругого отскока, ударного импульса, отрыва, скалывания, пластической деформации, отрыва со скалыванием.

О том, какие существуют марки бетона по прочности, в этой статье рассказывают специалисты.

Закажите лучший бетон М200 для строительства и изготовления стяжек полов, дорожек, бетонных лестниц.

Рассмотрим виды испытательных приборов механического принципа действия. Таким способом прочность бетона определяется глубиной внедрения рабочего органа прибора в поверхностный слой материала.

Принцип действия молотка Физделя основан на использовании пластических деформаций строительных материалов. Удар молотка по поверхности бетона образует лунку, диаметр которой и характеризует прочность материала.

На свойствах пластической деформации основан и принцип действия молотка Кашкарова. Различие между этими приборами заключается в наличии между молотком и завальцованным шариком отверстия, в которое введен контрольный стержень. Удар молотка Кашкарова приводит к образованию двух отпечатков. Одного — на поверхности обследуемой конструкции, второго — на эталонном стержне. Соотношение диаметров получаемых отпечатков зависит от прочности исследуемого материала и контрольного стержня и не зависит от скорости и силы удара молотка. По среднему соотношению диаметров двух отпечатков с помощью тарировочного графика устанавливают прочность бетона.

Пистолеты ЦНИИСКа, Борового, молоток Шмидта, склерометр КМ, оснащенный стержневым ударником, работают, основываясь на принципе упругого отскока. Измерения величины отскока бойка проводятся при постоянной величине кинетической энергии металлической пружины и фиксируются указателем на шкале прибора. Взвод и спуск бойка происходят автоматически при соприкосновении ударника и испытуемой поверхности. Склерометр КМ имеет специальный боек определенной массы, который с помощью предварительно напряженной пружины с заданной жесткостью ударяет по металлическому ударнику, прижатому другим концом к обследуемой поверхности.

Метод испытания на отрыв со скалыванием позволяет определить прочность бетона в теле бетонного элемента. Участки для испытания подбираются таким образом, чтобы в этой зоне не было арматуры. Для проведения исследований используют анкерные устройства трех типов. Анкерные устройства первого типа устанавливаются в конструкцию при бетонировании. Для установки второго и третьего типов анкерных устройств предварительно подготавливают шпуры, высверливая их в бетоне.

Ультразвуковой метод измерения прочности бетона

Принцип действия приборов ультразвукового контроля основывается на связи, которая существует между скоростью распространения ультразвуковых волн в материале и его прочностью.

В зависимости от способа прозвучивания разделяют две градуировочные зависимости: «скорость распространения волн — прочность бетона», «время распространения ультразвуковых волн — прочность бетона».

Метод сквозного прозвучивания в поперечном направлении применяется для сборных линейных конструкций — балок, ригелей, колонн. Ультразвуковые преобразователи при таких испытаниях устанавливаются с двух противоположных сторон контролируемой конструкции.

Поверхностным прозвучиванием испытывают плоские, ребристые, многопустотные плиты перекрытия, стеновые панели. Волновой преобразователь устанавливается с одной стороны конструкции.

Для получения надежного акустического контакта между испытуемой конструкцией и рабочей поверхностью ультразвукового преобразователя используют вязкие контактные материалы типа солидола. Возможна установка «сухого контакта» с использованием конусных насадок и протекторов. Ультразвуковые преобразователи устанавливают на расстоянии не менее 3 см от края конструкции.

Способы уплотнения бетонной смеси — здесь описано, какие они бывают и какой выбрать.

Цена бетона М400 по этой ссылке, в нашем каталоге.

Приборы для ультразвукового контроля прочности состоят из электронного блока и датчиков. Датчики могут быть раздельными или объединенными для поверхностного прозвучивания.

Скорость распространения ультразвуковой волны в бетоне зависит от плотности и упругости материала, наличия в нем пустот и трещин, отрицательно влияющих на прочность и другие качественные характеристики. Следовательно, ультразвуковое прозвучивание предоставляет информацию о следующих параметрах:

• однородности, прочности, модуле упругости и плотности;
• наличии дефектов и особенностях их локализаций;
• форме А-сигнала.

Прибор записывает и преобразует в визуальный сигнал принимаемые ультразвуковые волны. Оснащенность контрольного оборудования цифровыми и аналоговыми фильтрами позволяет оптимизировать соотношение сигнала и помех.

Методы разрушающего контроля прочности бетона

Каждый застройщик может выбирать самостоятельно методы неразрушающего контроля, но согласно существующим СНиПам разрушающий контроль является обязательным. Способов организации выполнения требований СНиПов существует несколько.

• Контроль прочности бетона может проводиться на специально изготовленных образцах. Применяется этот метод при производстве сборных железобетонных конструкций и для выходного контроля БСГ (бетонной смеси готовой) на стройплощадке.
• Прочность бетонов может контролироваться на образцах, которые были получены способами выпиливания и вырубывания из самой конструкции. Места взятия проб определяются с учетом снижения несущей способности в зависимости от напряженного состояния. Целесообразно, чтобы эти места указывались самими проектировщиками в проектной документации.
• Испытания образцов, изготовленных на месте проведения работ в условиях, определенных конкретным технологическим регламентом. Однако укладка бетона в кубы для проведения последующих испытаний, его твердение и хранение значительно отличаются от реальных условий укладки, уплотнения и твердения рабочих бетонных смесей. Эти различия существенно снижают достоверность получаемых таким способом результатов.

Самостоятельное измерение прочности бетона

Профессиональные методы определения прочности бетона дороги и не всегда доступны. Существует способ самостоятельного проведения обследования на прочность бетонных конструкций.

Для испытаний потребуется молоток весом 400-800 г и зубило. По приставленному к поверхности бетона зубилу наносится удар средней силы. Далее определяется степень повреждения, нанесенного поверхностному слою. Если зубило оставило лишь небольшую отметину, то бетон можно отнести к классу прочности В25. При наличии более значительной зазубрины бетон можно отнести к классам В15-В25. Если зубило проникнет в тело конструкции на глубину менее 0,5 см, то образец можно отнести к классу В10, если более 1 см — к классу В5. Класс или марка бетона по прочности — это основной показатель качества бетонной смеси, которые определяют среднюю прочность бетона. Например, средняя прочность бетона В30 (М400) составляет 393 кгс / см2.

Ориентировочно определить прочность бетона Rб в на 28 сутки в МПа можно по формуле Боломея-Скрамтаева, которая является основным законом прочности бетона. Для этого необходимо знать марку примененного цемента — Rц и цементно-водное соотношение — Ц/В. Коэффициент А при нормальном качестве заполнителей равен примерно 0,6.

Rб = А*Rц*(Ц/В-0,5)

При этом набор прочности бетона во времени подчиняется формуле

n = Марочная прочность *(lg(n) / lg(28)) , где n не менее 3 дней,

на 3 сутки бетон набирает около 30% марочной прочности, на 7 сутки — 60-80%, а 100% предел прочности достигается на 28-е сутки. Дальнейшее повышение прочности бетона происходит, но очень медленно. Согласно СНиП 3.03.01-87, уход за свежим бетоном продолжается до набора 70% прочности или до другого срока распалубливания.

Методы самостоятельного определения прочности бетонных конструкций просты и экономичны. Однако в случае строительства важных объектов целесообразно обратиться к услугам специализированных лабораторий.

Классы и марки бетона по прочности

Главным показателем, по которому определяются класс и марка бетона, выступает предел прочности на сжатие. Причем гарантированную прочность с допустимой погрешностью в 13,5% (так называемым коэффициентом вариации) отражает класс материала, марка необходима для указания среднего значения прочности.

Согласно СНиП 2.03.01-84 первый показатель измеряется в мегапаскалях (Мпа) и обозначается буквой латинского алфавита «B». Например, обозначение «В25» говорит, что материал в 95% случаев выдерживает давление в 25Мпа. Полный диапазон В – от 3,5 до 80, при этом к основному диапазону относят значения B 7.5-B40. Прочность бетона задается маркой «М» и цифрами в пределах 50-1000, отражающими усредненный предел  прочности на сжатие (измеряется в кгс/см²). В основной диапазон входят составы М100-М500.

От чего зависит класс бетона

• содержание цемента. Чем выше содержание цемента в смеси, те выше прочность конечного изделия;
• активность цемента. Из цементов повышенной прочности производятся более надежные конструкции.
• водоцементное соотношение. С уменьшением отношения В/Ц растет прочность. Объясняется это структурой состава: избыточная вода способствует образованию излишних пор в бетоне, ухудшающих его технические характеристики.
• качество заполнителей. Снижению прочности состава  способствует использование мелкозернистых наполнителей, мелких пылевых фракций, глины, органических примесей.
• степень уплотнения бетонной массы и качество ее перемешивания. Повысить эксплуатационные характеристики состава можно с помощью турбо- и вибросмешивания и уплотнения смеси.

Таблица соотношения классов и марок бетона

При повышении марки прочности бетона при сжатии растет предел прочности при растяжении, но увеличение сопротивления растяжению становится менее значительным в области высокопрочных типов. Прочность материала при растяжении  — 1:10 – 1:17 к предельной прочности при сжатии, при этом предел прочности при изгибе равняется 1:6 – 1:10.

Максимально допустимый порог прочности состава для каждой марки индивидуален.

Составы с более высокими показателями М обладают самым низким показателем критической прочности. Достигаются критические показатели в первый сутки после заливки смеси.

Контрольные пробы

Прочность на сжатие проверяется в лабораториях по изготовленным образцам согласно требованиям ГОСТ. Однако проверить соответствие марки можно самостоятельно на стройплощадке.

Для этого нужно:

• приготовить деревянные формы с размерами внутренних граней 100х100х100 мм;
• взять пробу бетонной смеси с лотка миксера и отлить несколько кубиков в приготовленные заранее формы;
• уплотнить состав, проштыковав его в нескольких местах либо по стукав по форме молотком. Данная мера позволяет устранить пузырьки воздуха, образовавшиеся в смеси;
• выдержать полученные кубики при влажности 90% и температуре +20°С, исключая прямое воздействие лучей солнца;
• через 28 дней передать пробы бетона на лабораторию на экспертизу. Можно передать некоторые образцы на промежуточных стадиях затвердевания (на 3-ем, 7-ом и 14-ом дне) для проведения предварительной экспертизы.

Проведение этих мероприятия позволит определить соответствие марки и класса бетона, который привезли на стройплощадку, тому, что вы заказывали.

Класс и марка бетона

Определение

Основной показатель, которым характеризуется бетон – предел прочности на сжатие, по которому устанавливаются класс и марка бетона.

Показатели «класс» и «марка» означают прочность на сжатие бетона, но с небольшими отличиями: в марках указывается среднее значение прочности, а в классах – гарантированная прочность с погрешностью 13,5% (коэффициент вариации).

Прочность бетона на сжатие задается классами. Согласно СНиП 2.03.01-84 «Бетонные и железобетонные конструкции», класс обозначается латинской буквой «B» и цифрами, показывающими выдерживаемое давление в мегапаскалях (МПа). Например, обозначение «В25» означает, что бетон данного класса в 95% случаев выдерживает давление 25 МПа. Наряду с классами, прочность бетона также задается марками, обозначаемыми латинской буквой «М» и цифрами от 50 до 1000, означающимиусредненный предел прочности на сжатие в кгс/см².

На сегодняшний день в соответствии с СТ СЭВ 1406 в проектах бетон указывается в классах. Несмотря на то, что по нормативам бетон должен указываться в классах, большинство строительных организаций заказывают бетон в марках.

На прочность бетона влияет ряд факторов:

1. Активность цемента. Более прочные бетоны получаются на цементах повышенной активности.
2. Содержание цемента. С повышением содержания цемента в бетоне его прочность растет до определенного предела, а затем изменяется незначительно.
3. Водоцементное отношение. С уменьшением В/Ц прочность повышается, что определяется структурой бетона: избыточная вода образует поры в бетоне, которые снижают его прочность.
4. Качество заполнителей. Применение мелкозерновых заполнителей, наличие глины и мелких пылевидных фракций, органических примесей уменьшает прочность бетона.
5. Качество перемешивания и степень уплотнения бетонной смеси. Прочность бетона повышается при вибро- и турбосмешении, а также при уплотнении бетонной смеси.

Соответствие между классом и маркой бетона

ГОСТ 26633-91 «Бетоны тяжёлые и мелкозернистые. Технические условия» устанавливает следующее соответствие между марками и классами при коэффициенте вариации прочности бетона 13,5 %.

Измерение прочности на сжатие бетона

В лабораторных условиях прочность на сжатие бетона определяют по специально изготовленным контрольным образцам (ГОСТ 10180), в конструкциях (ГОСТ 22690-88), по образцам, отобранным из конструкций (ГОСТ 28570-90). А приготовить образцы для проверки марки бетона на соответствие заявленной возможно и на строительной площадке. Для этого необходимо:

1. Сделать из дерева несколько форм для заливки в виде куба с внутренними гранями 10х10х10 см.
2. Увлажнить формы перед заливкой бетона (чтобы дерево не впитало в себя много воды).
3. Взять пробу бетона при разгрузке с лотка миксера (автобетоносмесителя).
4. Отлить несколько кубиков бетона, для чего залить в приготовленные формы взятую пробу бетона.
5. Тщательно уплотнить залитую смесь в форме, для чего проштыковать смесь металлическим штырем (чтобы вышел лишний воздух и в пробе не оказалось пустот, раковин и т.п.). Можно уплотнить пробу постукивая по форме молотком.
6. Выдержать отлитые кубы при температуре около 20°С и влажности 90%, исключая попадания света.
7. Через 28 дней пробу бетона передать в лабораторию для проведения экспертизы. Часть образцов возможно передать в лабораторию на промежуточных стадиях твердения (3, 7, 14 дней) для предварительной экспертизы.

Предел прочности бетона — Справочник химика 21

    Предел прочности бетона на сжатие, на [c.34]

    Марка бетона. Марка бетона означает величину предела прочности бетона при его сжатии в кг см в 28-дневном возрасте. Техническими условиями предусматриваются следующие [c.367]

    Предел прочности бетона при растяжении в 10 раз меньше, чем при сжатии. Модуль упругости колеблется от 60 ООО—120 ООО кГ/сж после воздействия крепкой кислоты он повышается на 20—30%. [c.109]

    Введение полимера позволяет увеличить предел прочности бетона при изгибе. Одним из наиболее эффективных полимеров для этих целей является непластифицированный поливи-нилацетат (П1Ц = 0,2), который увеличивает сопротивление изгибу примерно в три раза. Однако от полимеров нельзя ожидать существенного увеличения пределов прочности при сжатии. Последнее можно ожидать лишь в случае добавления полимеров в низкомарочные бетоны, что, видимо, не всегда экономически оправдано. [c.93]

    При сравнении показателей механической прочности бетонов, приведенных в табл. 8, 9, можно отметить, что предел прочности бетона при сжатии с литым шлаковым щебнем через 28 и 180 суток твердения в нормальных условиях, а также после гидротермальной [c. 79]

    Бетон Заполнитель Объемный насыпной вес заполнителя в кг/м Объемный вес бетона в кг/м Предел прочности бетона при сжатии в возрасте 28 суток в k/ / jh  [c.22]

    Предел прочности при сжатии бетонов на шлакопортланд-цементе Д-ДК сверхтонкого помола превышал на 47—155% предел прочности бетона на цементе такого же состава обычного помола при одинаковых значениях В/Ц и составлял при В/Ц=0,35—501 кг/сж при В/Ц=0,45—454 кг1см при В/Ц= = 0,55—433 кг/см при В/Ц=0,65—387 кг1см и при В/Ц= =0,75—255 кг1см . [c.470]

    Прочность бетонов характеризуют их марки — средние пределы прочности при сжатии образцов, изготовленных в виде кубов из бетона размером 20X20X20 см в возрасте 28 дней. Для отдельных конструкций (стенки резервуаров и т. п.) более существенным показателем является предел прочности бетона при застяжении, имеющий значительно меньшую величину (в 8— 5 раз меньше, чем при сжатии). [c.45]

    Предел прочности бетона нри изгибе выше предела прочности при растяженип. Величина -/ азг/ раст колеблется в пределах [c.31]

    Состав бетона, выбранный для работы, необходимо проверить. Для этого делают пробный замес и изготавливают контрольные кубики, которые испытывают в соответствии с ОСТ 90050 —39 Методы механических испытаний бетона . Контрольные кубики испытывают в холодном состоянии обычным способом и в горячем состоянии при температуре эксплуатации теплового агрегата по способу, разработанному бывш. ЦНИИПС. Во время испытания определяют предел прочности бетона и сравнивают его с проектным, а также выявляют характер схватывания и твердения бетона. [c.128]

маркировка, таблица на сжатие по классам в мпа, уход зимой и летом

Бетон — недорогой и универсальный материал, который подойдет для строительства загородного дома, бани или гаража. Его не нужно дополнительно обрабатывать в отличие от дерева или железа. Грунтовые воды, высокая влажность и агрессивная среда не страшны ему, если выбрать подходящую марку.

Оглавление:

1. От чего зависит прочность?
2. Классы и марки бетона
3. Уход летом и зимой
4. Исследование готовых конструкций

Важнейшая характеристика этого материала — прочность. Она определяет сферу его применения. Если выбрать низкую марку, сооружение разрушится раньше срока. При несоблюдении технологии работ даже высокий показатель не станет гарантией надежности. Прочность на сжатие — это давление, которое он способен выдержать, не разрушаясь. Его измеряют в мегапаскалях (мПа). Класс (B) — это результаты таких испытаний. Бетон отличается от марки только тем, что выражает значение гарантированной прочности на сжатие. Это значит, что в 95 % случаев он выдерживает максимальное давление.

Что влияет на показатель?

1. Соотношение воды и цемента.

Цемент способен впитывать определенное количество жидкости. Поэтому, если воды слишком много, то во время застывания она высыхает, создавая свободное пространство между наполнителями, что ухудшает прочность материала. Если жидкости добавить мало, то клеящие свойства цемента не активируются полностью.

2. Качество и марка цемента.

Этот ингредиент служит клеем для песка и щебня. Чтобы изготовить самые используемые в строительстве классы, применяют портландцемент М300-М500. Пропорции зависят от марки. Кроме того, если его хранить неправильно и долго, то качество упадет. Например, М500 за 2 месяца станет М400 даже на складе с хорошими условиями.

3. Транспортировка и бетонирование.

После приготовления смесь необходимо постоянно перемешивать, иначе она быстро потеряет свои свойства. Работать с бетоном без пластификаторов сложно уже через 2-3 часа, а добавки способны продлить этот период еще на несколько часов. Процесс твердения медленно начинается сразу после того, как раствор развели, поэтому обязательно использовать специальный транспорт и бетоносмеситель для его заливки в фундамент и другие крупные конструкции.

4. Условия набора прочности.

Необходимо создать все условия, чтобы добиться заявленной марки. Дальше в тексте будет раздел, посвященный этому вопросу.

5. Щебень.

Некоторые строители творчески подходят к выбору наполнителей для бетонной смеси, применяя все подручные материалы. Такой прием приведет к значительному снижению прочности на сжатие, а в результате ваша постройка не будет надежной. Для фундамента подойдет мелкий щебень 5-20 мм, для крыльца или других конструкций с небольшими нагрузками его размеры могут доходить до 35-40 мм. Иногда два вида щебня смешивают, чтобы они равномерно заполняли все пространство.

Щебень бывает гравийным и гранитным. Второй прочнее, поэтому его используют для изготовления высоких классов, предназначенных для больших нагрузок. Бетон на гравии применяют для строительства небольших домов.

6. Песок.

Качественный раствор делают на основе песка с фракциями 1,3-3,5 мм. В песке из карьера много глины и мелких камней, а частицы имеют неоднородный размер. Этот наполнитель должен быть вымыт и просеян. Речной песок намного лучше, так как он чистый и более однородный.

Маркировка

Эта характеристика обозначает усредненный предел прочности на сжатие бетона. Ее выражают в кгс/кв.см. Для строителя марка и класс — это одно и то же. Но в проектах домов и нормативной документации используют классы, а продают бетон по маркам.

Таблица соответствия популярных классов и марок:

Приступать к дальнейшим строительным работам после заливки можно только через неделю. Бетон набирает прочность на сжатие в течение всего срока службы, чем старше здание, тем оно прочнее. Он достигает марочной прочности через 28 дней. Чтобы ваш дом простоял долго, важно создать материалу наилучшие условия.

Многие думают, что бетонный раствор начинает твердеть через какое-то время после разведения. Это не так, процесс затвердевания начинается сразу же: цемент постепенно склеивает все составные элементы. Поэтому важно постоянно перемешивать смесь во время бетонирования. Работы должны быть закончены максимально быстро.

Особенности ухода в разное время года

1. Летом.

Портландцементу необходима влажная среда для качественного склеивания наполнителей, поэтому в сухую погоду поверхность нужно ежедневно поливать небольшим количеством воды. Прямое солнце вредно для только что залитой бетонной смеси, лучше создать над ним тень.

2. Зимой.

Если температура воздуха падает ниже нуля, набор прочности останавливается, так как вода замерзает, но есть методы, решающие эту проблему. Важно, чтобы бетон набрал хотя бы часть заявленного параметра. Например марки М200-М300 могут подвергаться охлаждению, когда достигнут 40 % своей прочности, то есть как минимум 10 мПа.  Противоморозные добавки. Использование специальных солей популярно в частном строительстве, но их нельзя добавлять слишком много, так как прочность бетона при этом понижается.

• Электрический обогрев. Самый надежный способ, но в России даже крупные застройщики редко используют его, так как это очень дорого.
• Укрытие утеплителями и ПВХ пленкой. Бетон выделяет много тепла, когда твердеет. При нулевой температуре такой метод не даст воде замерзнуть, но от сильных морозов он не спасет.

Главный враг прочности бетона — резкие колебания температур. Если он оттаивает и замерзает несколько раз в первые дни после заливки, его прочность может снизиться в разы.

3. Бетон и дождь.

Через несколько часов после заливки дождь не причинит особого вреда. Но если перед бетонированием стоит пасмурная погода и есть вероятность осадков, рекомендуется соорудить навес или подготовить пленку. Второй вариант замедлит процесс твердения, так как цементу необходим воздух. Небольшая морось не причинит бетону сильного вреда, хотя его поверхность уже не будет гладкой. Но ливень может стать серьезной проблемой.

4. График набора прочности в зависимости от температуры.

Числа в таблице — процент от заявленной прочности на день, указанный в первом столбике. Это средние показатели для марок М300-М400, сделанных на основе портландцемента М400-М500. Наиболее подходящая температура для затвердевания варьируется от +15 до +20 градусов.

По правилам специалисты проводят процедуру определения прочности на нескольких образцах с каждой партии. Бетон заливают в квадратную форму с размером ребра 100-300 мм, оставляют эту конструкцию на 28 дней при температуре +20, в стопроцентной влажности. Как уже было сказано, в течение этого времени происходит набор прочности бетона. Затем инженеры ставят куб под гидравлический пресс и давят на него, пока бетон не начнет разрушаться. После они вычисляют прочность в мПа. Если вы интересуетесь подробностями процедуры, посмотрите ГОСТ 10180-2012, где перечислены все необходимые условия.

Способы определения прочности

В современных лабораториях используют и другие методы, но для точного определения прочности на сжатие их применяют в комплексе. Некоторые приборы позволяют проводить исследования уже готовых конструкций.

Наиболее популярные из них:

1. Метод скалывания ребра. Измеряется сила усилия, необходимая для его скола.

2. Ударный импульс. Регистрируется энергия удара.

3. Пластическая деформация. Замеряется отпечаток воздействия на бетон.

4. Ультразвуковой способ. Единственный, который позволяет приблизительно определить прочность, не повреждая материал. Но его применяют только для бетона не более 40 мПа. Впрочем, такие высокие марки почти не используются в строительстве домов.

Точно определить марку самостоятельно невозможно, хотя при сильном нарушении технологии производства цвет становится почти белым, а поверхность легко царапается. Чтобы узнать прочность бетона на сжатие, вы можете принести образец в независимую лабораторию. Для этого сколотите деревянную форму, тщательно утрамбуйте смесь и храните в максимально приближенных к идеальным условиях.

Как оценить прочность бетона на сжатие

Какой метод измерения прочности бетона на сжатие лучше всего? Испытание цилиндров и кубов на сжатие — самый удобный и известный метод измерения прочности. Главный вопрос: можно ли спроектировать и разработать метод, позволяющий измерять силу быстрее, проще и точнее? Могут ли все достижения в области сенсорных технологий и лучшее понимание развития микроструктуры бетона помочь нам в измерении прочности бетона на сжатие. Ответ — большое ДА; однако это сопряжено с другими проблемами.

Прочность бетона на сжатие

Можно с уверенностью сказать, что прочность бетона на сжатие является наиболее важным параметром, используемым при проектировании бетонных конструкций; однако бетон не обеспечивает значительной прочности на разрыв. Пожалуй, это самая фундаментальная идея строительства железобетона, где стальная арматура обеспечивает столь необходимую прочность секции на разрыв.

Прочность на сжатие имеет такую ​​же степень важности, когда речь идет об оценке существующих конструкций. Инженеры-конструкторы использовали его для моделирования различных структурных свойств, таких как прочность на разрыв, а также для прогнозирования прочности элементов на изгиб и сдвиг. Другие структурные характеристики, такие как пластичность и жесткость, также могут быть определены как функция прочности на сжатие.

Это единая информация, которую каждый хочет знать, прежде чем углубляться в анализ и проектирование, а также оценку конструкции. Также важно знать, что измерение прочности на сжатие широко признано как лучший тест для контроля качества свежего бетона.

Как измерить прочность бетона на сжатие

Испытания бетонных цилиндров и кубов — это наиболее широко используемый тест для измерения прочности на сжатие. Например, ASTM C 39 предоставляет стандартную процедуру для испытания бетонных цилиндров и представления результатов испытаний. Наиболее принятый результат испытаний — прочность баллонов в возрасте 28 дней.Для бетона с дополнительными вяжущими материалами указано более длительное время (56 дней). Учитывая скорость строительства, 28 и 56 дней — это относительно долго.

Для существующих конструкций испытание на сжатие проводится на просверленных кернах для оценки прочности бетона на сжатие. Необходимо просверлить большее количество образцов керна в бетоне в различных положениях, чтобы с хорошей точностью оценить прочность на сжатие. Это делает результативность результатов тестирования субъективной, а результаты несколько локализованы. Природа испытания прочности на сжатие влияет на структуру; повреждение бетона; также существует риск повреждения арматурного стержня или предварительного напряжения арматуры.

Быстрое отслеживание теста на сжатие?

Как упоминалось ранее, стандартный метод требует получения результатов в течение 28 дней как минимальной прочности на сжатие конструкционного бетона. Инженеры и менеджеры проектов проявляют большой интерес к альтернативным планам испытаний для измерения прочности на сжатие с таким же уровнем точности, но быстрее и проще.

Метод зрелости был разработан и используется для прогнозирования прочности бетона на сжатие в раннем возрасте. В испытании использовалось изменение температуры отверждения образцов монолитного бетона для прогнозирования прочности. Для этого в первую очередь необходимо установить соотношение прочности и зрелости бетонной смеси.

Существующие конструкции

Методы неразрушающего контроля могут быть полезны для картирования вариаций прочности на сжатие в бетонной конструкции. Для этого можно использовать комбинацию ультразвуковых импульсов (UPV) и отбойного молотка (Schmidt) для оценки прочности бетона на сжатие на месте.В бетоне следует просверлить минимальное количество бетонных стержней для калибровки используемых методов неразрушающего контроля. Карта прочности на сжатие будет создана с использованием используемых методов неразрушающего контроля на основе предыдущей калибровки. Breysse (2012) представляет подробный обзор литературы о неразрушающей оценке прочности бетона.

ASTM C 39 (2104) «Прочность цилиндрических бетонных образцов на сжатие», ASTM International

Breysse D.«Неразрушающая оценка прочности бетона: исторический обзор и новый взгляд на сочетание методов неразрушающего контроля». Строительные и строительные материалы; 2012, 33: 139-163.

6 известных вам способов проверки прочности бетона и 1, о которых вы можете не знать

При выборе метода контроля прочности бетона на сжатие руководителям проектов важно учитывать влияние каждого метода на их график. В то время как некоторые процессы тестирования могут выполняться непосредственно на месте, другие требуют дополнительного времени для сторонних предприятий для предоставления данных о прочности.Время — не единственный фактор, влияющий на решения руководителей проектов. Точность процесса испытаний так же важна, как и напрямую влияет на качество бетонной конструкции.

Наиболее распространенным методом контроля прочности монолитного бетона является использование цилиндров, отверждаемых в полевых условиях. Эта практика оставалась в целом неизменной с начала 19^{-го и} -го века. Эти образцы отливаются и отверждаются в соответствии с ASTM C31 и испытываются на прочность при сжатии в сторонней лаборатории на различных этапах.Обычно, если плита достигла 75% от расчетной прочности, инженеры дают разрешение своей команде перейти к следующим этапам процесса строительства.

С тех пор, как впервые был введен этот метод тестирования, было сделано много разработок для ускорения процесса отверждения. Это включает использование обогревающих одеял, добавок, замедлителей парообразования и т. Д. Однако подрядчики по-прежнему ждут трех дней после заливки перед испытанием на прочность, даже если их цели часто достигаются намного раньше.

Несмотря на это, многие менеджеры проектов предпочитают придерживаться этой практики тестирования, потому что «так делалось всегда». Однако это не означает, что этот метод является самым быстрым и точным методом проверки прочности всех заливок. На самом деле, помимо испытаний на разрыв цилиндров, существует множество различных методов. Вот семь различных подходов, которые следует учитывать при выборе метода испытаний на прочность:

Методы испытаний бетона на сжатие

1. Отбойный молоток или молоток Шмидта (ASTM C805)

Плюсы: Относительно проста в использовании и может быть выполнена прямо на месте.

Минусы: Для точных измерений требуется предварительная калибровка с использованием проб с сердечником. Результаты испытаний могут быть искажены из-за состояния поверхности и наличия крупных заполнителей или арматуры под местом испытания.

2. Испытание на сопротивление проникновению (ASTM C803)

Плюсы: Относительно проста в использовании и может быть выполнена прямо на месте.

Минусы: На данные существенно влияют состояние поверхности, а также тип формы и используемых заполнителей. Требуется предварительная калибровка с использованием нескольких образцов бетона для точных измерений прочности.

3. Скорость ультразвукового импульса (ASTM C597)

Плюсы: Это метод неразрушающего контроля, который также можно использовать для обнаружения дефектов в бетоне, таких как трещины и соты.

Минусы: На этот метод сильно влияет присутствие арматуры, заполнителей и влаги в бетонном элементе.Также для точного тестирования требуется калибровка с несколькими образцами.

4. Испытание на отрыв (ASTM C900)

Плюсы: Проста в использовании, подходит как для новых, так и для старых конструкций.

Минусы: Этот тест включает раздавливание или повреждение бетона. Для получения точных результатов необходимо большое количество образцов для испытаний в разных местах плиты.

5. Литые цилиндры (ASTM C873)

Плюсы: Считается более точным, чем образцы, отвержденные в полевых условиях, потому что бетон подвергается тем же условиям отверждения, что и плита на месте, в отличие от образцов, отвержденных в полевых условиях.

Минусы: Это метод разрушения, требующий нарушения структурной целостности плиты. После этого места отверстий необходимо отремонтировать. Для получения данных о прочности необходимо использовать лабораторию.

6. Просверленный керн (ASTM C42)

Плюсы: Эти образцы считаются более точными, чем образцы, отвержденные в полевых условиях, потому что бетон, который проверяется на прочность, подвергался действительной термической истории и условиям отверждения плиты на месте.

Минусы: Это метод разрушения, требующий нарушения структурной целостности плиты. После этого необходимо отремонтировать места расположения жил.Для получения данных о прочности необходимо использовать лабораторию.

7. Беспроводные датчики зрелости (ASTM C1074)

Плюсы: Данные о прочности на сжатие предоставляются в режиме реального времени и обновляются каждые 15 минут. В результате данные считаются более точными и надежными, поскольку датчики встроены непосредственно в опалубку, а это означает, что они подвергаются тем же условиям твердения, что и монолитный бетонный элемент. Это также означает, что вы не будете тратить время на ожидание результатов от сторонней лаборатории.

Минусы: Требуется однократная калибровка для каждой бетонной смеси, чтобы установить кривую зрелости с использованием тестов на разрыв цилиндра.

Подробнее о зрелости бетона здесь

Комбинированные методы испытаний на прочность

Комбинация этих методов измерения прочности на сжатие иногда используется для обеспечения контроля качества и гарантии качества бетонной конструкции. Комбинированный метод дает более полный обзор вашей плиты, позволяя вам подтвердить данные о прочности, используя более одного метода испытаний.Также повысится точность ваших данных о прочности, поскольку использование нескольких методов поможет учесть влияющие факторы, такие как тип цемента, размер заполнителя и условия отверждения. Например, была изучена комбинация метода скорости ультразвукового импульса и испытания отбойного молотка. Аналогичным образом, при использовании метода зрелости на стройплощадке для проверки прочности на сжатие рекомендуется выполнить испытания на разрыв цилиндра на 28-й день жизненного цикла вашего бетона для приемки и подтверждения прочности вашей плиты на месте.

Как решить, какой метод прочности на сжатие использовать для следующей заливки

Такие тесты, как отбойный молоток и метод сопротивления проникновению, хотя и прост в выполнении, считаются менее точными, чем другие методы тестирования (Science Direct). Это потому, что они не исследуют центр бетонного элемента, а только условия отверждения непосредственно под поверхностью плиты. Такие методы, как метод скорости ультразвукового импульса и испытание на вытягивание, труднее выполнять, поскольку процесс их калибровки является длительным и требует большого количества образцов для получения точных данных.

В качестве методов разрушающего тестирования методы просверленного керна и монолитного цилиндра требуют сторонних лабораторий для проведения испытаний на разрыв для получения данных. В результате при использовании любого из этих методов в расписании вашего проекта требуется больше времени. Для сравнения, с помощью метода зрелости вы можете получать данные о прочности в режиме реального времени прямо на месте, что позволяет принимать обоснованные и быстрые решения. Уменьшая вашу зависимость от тестов на разрыв, вы также можете избежать неточностей, связанных с тестовыми лабораториями.

Узнайте больше о беспроводных датчиках бетона, таких как SmartRock ™, здесь

Ваше решение о выборе метода тестирования может просто зависеть от того, что вы знаете и к чему привыкли. Однако точность этих испытаний и время, необходимое для получения данных о прочности, являются важными факторами, которые не всегда принимаются во внимание в должной мере. Подумайте, на что вы тратите все время и деньги во время строительства проекта. Сколько из них тратится на ремонт, оплату испытательных лабораторий и дополнительный труд, чтобы ваш проект был завершен вовремя? Точность выбранной вами техники может в будущем привести к проблемам с долговечностью и эксплуатационными характеристиками вашей бетонной конструкции.Кроме того, выбор метода, который требует дополнительного времени для получения данных о прочности, может отрицательно сказаться на сроках выполнения вашего проекта и отрицательно сказаться на производительности на рабочем месте. И наоборот, выбор правильного инструмента может положительно повлиять на сроки проекта и позволить вам завершить проект ниже бюджета. Как вы решаете, какой метод испытания на прочность использовать?

Источники:
Science Direct
Зрелость бетона: от теории к применению
Concrete Network

Frontiers | Адаптация искусственного интеллекта для улучшения оценки прочности бетона на сжатие при испытаниях на удар отскоком

Введение

Бетон — это искусственный композитный материал, состоящий в основном из заполнителя, воды и цемента. Поскольку бетон относительно дешев и обеспечивает высокую прочность на сжатие, он является одним из наиболее часто используемых материалов в строительной отрасли. Он широко используется в зданиях, мостах, дорогах и многих других сооружениях. Для обеспечения безопасности конструкций качество бетонного материала, особенно его прочность, имеет большое значение для строительной отрасли. Один из самых популярных способов оценки характеристик бетона — измерение его прочности на сжатие.Прочность на сжатие — один из наиболее важных критериев, используемых для проверки того, будет ли данная бетонная смесь соответствовать проектным требованиям. Прочность на сжатие обычно измеряется путем разрушения цилиндрических бетонных образцов в компрессорной машине. Эти образцы случайным образом отбираются из различных партий товарного бетона, доставленных на строительную площадку. Тем не менее, для существующих конструкций необходимо пробурить образцы керна, чтобы получить прочность бетона на сжатие в полевых условиях. Взятие образцов керна наносит определенный ущерб существующим конструкциям, а иногда невозможно отобрать образцы керна (например, когда вы не можете получить согласие владельца). В таких условиях для оценки прочности бетона на сжатие желательны альтернативные методы испытаний, такие как неразрушающие испытания. Среди неразрушающих испытаний бетона на прочность на сжатие в промышленности обычно используются испытания ударным молотком (RH) и скоростью ультразвукового импульса (UPV). Основными преимуществами тестов RH и UPV являются их способность исследовать состояние бетонной конструкции, не вызывая повреждений (Shariati et al., 2011).

При испытании на относительную влажность подпружиненный стальной молоток прижимается к поверхности бетона. При отпускании молоток ударяет по бетону с заданным количеством энергии. Твердость бетона влияет на степень упругого отскока массы. Это расстояние отскока измеряется и используется для оценки прочности бетона (ASTM C805 / C805M — 18, 2020). В тесте UPV сначала измеряется скорость распространения импульсов продольной волны напряжения через бетон. Затем прочность бетона на сжатие оценивается с использованием измеренного UPV.UPV-тест проводится путем передачи ультразвуковых импульсов через испытуемый образец, а затем измеряется время, необходимое импульсу для прохождения через бетон. Более высокие скорости указывают на хорошее качество и целостность материала, а более низкие скорости могут указывать на трещины или пустоты в бетоне (ASTM C597 — 16, 2020). По сравнению с другими неразрушающими методами испытания на относительную влажность дешевле (с точки зрения испытательного оборудования), быстрее и проще в проведении (Hamidian et al., 2012). Кроме того, испытания на относительную влажность приняты Американским обществом испытаний и материалов (ASTM 805) (ASTM C597 — 16, 2020) и национальными стандартами Китая (CNS 10732) в качестве альтернативного способа оценки прочности бетона на сжатие.Таким образом, это исследование использует тесты RH для оценки прочности бетона на сжатие.

Как правило, измеренное расстояние отскока используется для оценки прочности бетона на сжатие либо с помощью таблицы преобразования, либо по формулам, предоставленным производителем. Тем не менее, несмотря на удобство, оценки прочности на сжатие по результатам испытаний на относительную влажность не очень точны, и сообщается в среднем более 20% средней абсолютной процентной ошибки (MAPE) (Huang et al., 2011). В свете этого в данном исследовании делается попытка дополнительно изучить взаимосвязь между измерениями относительной влажности и фактической прочностью на сжатие.

В предыдущих исследованиях предпринимались попытки различных подходов к исследованию взаимосвязи между измерениями относительной влажности и фактической прочностью на сжатие. Для достижения этой цели многие исследователи применяют линейные и нелинейные статистические регрессии, чтобы улучшить оценку прочности бетона на сжатие в тесте RH (Hajjeh, 2012; Rojas-Henao et al., 2012; El Mir and Nehme, 2017; Xu and Li, 2018). ; Kocáb et al., 2019). Кроме того, некоторые исследователи успешно применили нетрадиционные статистические методы, такие как искусственные нейронные сети (ИНС), для улучшения оценок прочности бетона на сжатие в тестах на относительную влажность (Yılmaz and Yuksek, 2008; Iphar, 2012; Asteris and Mokos, 2019). Тем не менее, в большинстве исследований используются новые образцы кубов или цилиндров, полученные в лаборатории. В результате могут быть некоторые ограничения при применении результатов этих исследований к тестам in situ, RH. В свете этого данное исследование направлено на изучение взаимосвязи между показателями относительной влажности и фактической прочностью на сжатие для существующих конструкций. На месте Испытания на относительную влажность и отбор образцов керна проводятся на здании большого жилого комплекса. Для разработки моделей прогнозирования прочности на сжатие проводятся как традиционный (линейная / нелинейная регрессия), так и нетрадиционный (искусственный интеллект или ИИ) статистический анализ.Результаты исследования показывают, что путем внедрения методов искусственного интеллекта в испытания на относительную влажность можно улучшить оценки прочности бетона на сжатие для in situ объектов испытаний. Следует отметить, что основное внимание в этом исследовании уделяется изучению взаимосвязи между измерениями относительной влажности на месте и прочностью бетона; Таким образом, природа самого теста на относительную влажность не обсуждается в данном исследовании.

Обзор литературы

Используя методы искусственного интеллекта, это исследование направлено на изучение взаимосвязи между результатами испытаний на месте, RH и фактической прочностью бетона на сжатие.Во-первых, рассматриваются предыдущие исследования, связанные с испытаниями на относительную влажность и оценкой прочности бетона на сжатие. Затем проводится обзор литературы, связанной с методами искусственного интеллекта.

Испытание отбойным молотком

Когда меры разрушающего контроля неосуществимы, методы неразрушающего контроля были приняты в качестве альтернативы для изучения свойств строительных материалов. За прошедшие годы исследователи, использующие неразрушающие методы для оценки свойств материалов, получили успешные результаты (Kumar et al., 2019). Для бетонного материала испытание на относительную влажность часто выбирают в качестве альтернативного метода неразрушающего контроля для оценки прочности на сжатие. Стандарты испытаний на относительную влажность были установлены в разных странах и регионах, например, ASTM 805 в США (ASTM C805 / C805M — 18, 2020), BS 1881: часть 202 в Великобритании (Британский институт стандартов (BSI), 1986) , EN 12504-2 в Европе (Европейский комитет по нормализации (En), 2012) и CNS 10732 в Тайване, Национальные стандарты Китайской Республики, 1986. Тест на относительную влажность легко провести, и результаты теста можно получить практически мгновенно. Измерения относительной влажности можно использовать для оценки прочности бетона на сжатие либо с помощью таблицы преобразования, либо с помощью уравнения преобразования, предоставленного производителем прибора. Однако эти оценки прочности бетона на сжатие не очень точны при использовании результатов испытаний на относительную влажность (Huang et al., 2011). Некоторые исследователи пытались улучшить оценки прочности бетона на сжатие, вводя другие факторы, помимо значения относительной влажности, такие как соотношение вода: цемент, возраст и типы добавок (Atoyebi et al., 2019). Другие пытались использовать различные методы прогнозирования, чтобы лучше соотнести значение относительной влажности с фактической прочностью на сжатие. Среди них традиционные статистические регрессии являются наиболее популярными методами, принятыми исследователями (Hajjeh, 2012; Rojas-Henao et al., 2012; El Mir and Nehme, 2017; Xu and Li, 2018; Kocáb et al. , 2019). Сообщается, что в последние годы нетрадиционные методы статистической регрессии, такие как ИНС, дают более точные оценки прочности на сжатие по сравнению с традиционными методами регрессии (Yılmaz and Yuksek, 2008; Iphar, 2012; Asteris and Mokos, 2020).В дополнение к традиционным методам регрессии и ИНС в этом исследовании также используются альтернативные методы искусственного интеллекта, поддержка векторной регрессии и адаптивные сетевые системы нечеткого вывода (ANFIS) для разработки конкретных моделей прогнозирования сжатия. Эти методы представлены в следующем разделе.

Методы искусственного интеллекта

В некоторых предыдущих исследованиях по оценке относительной влажности использовались традиционные статистические методы для корреляции измерений относительной влажности и прочности бетона на сжатие. Однако до сих пор результаты не были удовлетворительными (Qasrawi, 2000; Szilágyi et al., 2011; Brencich et al., 2013; Брейсс и Мартинес-Фернандес, 2014). В этом исследовании делается попытка использовать методы искусственного интеллекта для изучения взаимосвязи между измерениями относительной влажности и прочностью бетона на сжатие. В качестве приложения ИИ алгоритмы машинного обучения используют выборочные данные для разработки (или обучения) математических моделей. Изучение выборки данных позволяет модели делать прогнозы без явного программирования (Bishop, 2006). Для этого исследования проводятся эксперименты с RH для получения выборочных данных для моделей прогнозирования машинного обучения.Среди различных методов машинного обучения для регрессии для разработки моделей прогнозирования выбраны ИНС, машины опорных векторов (SVM) и ANFIS. Для данного исследования были выбраны эти методы, потому что, как сообщается, ИНС, SVM и ANFIS успешно применяются во многих различных областях, таких как финансы, инженерия, медицина и производство. Результаты прогнозирования модели с помощью этих методов искусственного интеллекта также превзошли традиционные методы статистической регрессии (Shirsath and Singh, 2010; Balabin, Lomakina, 2011; Yilmaz and Kaynar, 2011; Rezaeianzadeh et al., 2014).

На основании литературных данных, это исследование адаптирует методы регрессии AI для улучшения оценки прочности бетона на сжатие для испытаний на месте RH. В следующем разделе кратко представлены методы теста RH и регрессии AI.

Методология

Испытания на относительную влажность — популярные неразрушающие испытания для измерения твердости поверхности и сопротивления бетона проникновению. Измерения при испытании относительной влажности могут быть связаны с упругими свойствами или прочностью испытуемого объекта.При испытаниях на относительную влажность молоток сначала прижимается к бетонной поверхности (в данном исследовании это были небольшие неструктурные балки). Затем подпружиненная масса молота ударяет с определенной энергией, а затем измеряется отскок. Измеренное значение отскока называется числом отскока. Путем обращения к таблице преобразования или уравнению, предоставленным производителем, прочность бетона на сжатие может быть затем оценена с использованием числа отскока. Для цифровой относительной влажности прочность на сжатие может быть рассчитана автоматически (Информация о, 2012 г.).RH указывает на твердость поверхности испытуемого объекта. При использовании RH для проверки прочности бетона на сжатие более низкое значение отскока получается для бетона с низкой прочностью и жесткостью из-за большего поглощения энергии (Brencich et al., 2013).

Для этого исследования группа исследователей сначала провела испытания на относительную влажность неструктурных балок в подвале большого жилого комплекса. После испытаний на относительную влажность образцы керна были тщательно просверлены и затем испытаны в лаборатории для определения фактической прочности на сжатие.Из-за деструктивного характера процесса колонкового бурения, данные испытаний на месте RH собрать сложно. Чтобы получить более надежные оценки прочности бетона, собираются данные по 100 образцам. Цифровой RH (Silver Schmidt Type N-PC) используется для этого исследования, как показано на Рисунке 1. Цифровой молоток предлагает интуитивно понятное управление с помощью меню; электронная обработка данных; автоматическая коррекция тестовых позиций; и хранение тестовых данных (Информация о, 2012). Этот инструмент выбран потому, что его точность и повторяемость улучшены по сравнению с традиционными молотками для испытаний бетона.Собранные данные затем используются для разработки и проверки регрессионных моделей ИИ.

РИСУНОК 1 . Отбойный молоток N-PC Silver Schmidt.

ИНС — это методы машинного обучения, основанные на биологических нейронных системах мозга. ИНС состоит из взаимосвязанных узлов (искусственных нейронов), и эти узлы могут принимать, обрабатывать и передавать сигналы искусственным нейронам, подключенным к ним. Каждый искусственный нейрон имеет взвешенные входы, одну передаточную функцию и один выход.Хотя отдельный нейрон может выполнять определенные простые задачи, реальная вычислительная мощность исходит от взаимосвязанных нейронов. Обычно эти взаимосвязанные нейроны объединяются во входной слой, скрытый слой (и) и выходной слой. Сигналы принимаются входным слоем и затем передаются через скрытый слой (и) и выходной слой. Такие системы могут учиться на примерах, не будучи запрограммированными на конкретные задачи (Zupan and Gasteiger, 1991; Gurney, 2014). Типичная трехслойная нейронная сеть показана на рисунке 2 с одним входным слоем, одним скрытым слоем и одним выходным слоем.

РИСУНОК 2 . Трехслойные ИНС.

В скрытом слое нейроны получают сигналы активации от нейронов входного слоя. Сигнал активации, поступающий в каждый нейрон, представляет собой взвешенную сумму всех сигналов от входного слоя. Эта взвешенная сумма всех сигналов (также известная как сигнал активации) показана в формуле. 1. В формуле. 1, x _j — сигнал активации, который принимает нейрон j в скрытом слое; I _i — это i -й нейрон во входном слое, а W _ij — это вес связи между нейроном j в скрытом слое и нейроном входного слоя I _и .После получения сигналов активации нейрон генерирует выходной сигнал с помощью заранее определенной функции активации. Одной из наиболее распространенных функций активации является сигмовидная функция, проиллюстрированная в формуле. 2. В формуле. 2, x _j — вход для нейрона j в скрытом слое, а h _j — выход нейрона j . Сигмоидные функции преобразуют входные значения в выходные значения от 0 до 1.

Выходные данные нейронов скрытого слоя затем передаются на выходной уровень.Как показано в формуле. 3, h _j — вывод нейрона j и W _jk — вес связи между нейронами j и k. y _k — сигнал активации, полученный нейроном выходного слоя k , взвешенная сумма входов в нейрон выходного слоя k . На выходном уровне функция активации преобразует полученные сигналы активации и генерирует выходные данные нейронных сетей.Как показано в формуле. 4, o _k — результат моделирования нейронной сети после преобразования сигмоидной функции. Для контролируемых нейронных сетей ошибка модели E ( W ) затем вычисляется путем сравнения желаемого (или фактического) значения d _k и выходных данных модели o _k , как рассчитано. в уравнении. 5.

При разработке модели нейронной сети функция ошибок E ( W ) сводится к минимуму, чтобы найти наиболее подходящую модель.Одним из самых популярных методов минимизации ошибки является алгоритм обратного распространения (BP). В алгоритме BP ошибки, полученные на выходных слоях, распространяются обратно на скрытый слой, а затем на входной уровень. В процессе BP обновляются веса связи между всеми нейронами в сетях. С обновленными весами выходной сигнал сети пересчитывается. Ошибка, полученная от обновленной нейронной сети, распространяется обратно для повторного обновления весов. Этот процесс повторяется для минимизации ошибки, пока не будет найдена наиболее подходящая модель.

ИНС успешно применяются во многих областях исследований для прогнозирования. Некоторые исследователи успешно адаптировали ИНС для прогнозирования прочности бетона на сжатие с использованием входных переменных, таких как возраст, портландцемент, вода, песок, щебень, высокодисперсный водоредуцирующий агент и летучая зола (Topçu and Sarıdemir, 2008). Это исследование также использует ИНС для разработки модели прогнозирования прочности бетона.

SVM, впервые разработанные Вапником (2013), представляют собой контролируемые методы машинного обучения, основанные на теории статистического обучения.Как показано на рисунке 3, SVM сначала выполняют нелинейное отображение выборочных данных в пространство признаков более высокого измерения, а затем выборочные данные могут быть классифицированы с использованием линейной модели. Φ указывает функцию преобразования для нелинейного отображения.

РИСУНОК 3 . Отображение SVM более высокого измерения.

SVM были впервые разработаны для классификации; Drucker et al. далее предложили использовать концепции регрессии (Drucker et al., 1997), также известной как регрессия опорных векторов.Концепции регрессии опорных векторов кратко описаны ниже (Smola and Schölkopf, 2004).

Для данного набора данных D = {(xi, di)} in, x _i — входной вектор, d _i — желаемое (целевое) значение и n — размер набора данных. С помощью нелинейного отображения (Φ) входного вектора нелинейная регрессия в пространстве более низкой размерности может быть затем представлена ​​линейной регрессией в пространстве признаков более высокой размерности, как показано в уравнении.6.

, где ω — вектор весовых коэффициентов, Φ — пространство признаков более высокой размерности, а b — смещение.

Основные понятия поддержка векторной регрессии для минимизации структурных рисков. Путем минимизации функции штрафа за риск можно получить ω и b , как показано ниже (Smola and Schölkopf, 2004):

где

где C × 1 / n∑i − 1nLε (di, yi) — оценка риска на основе Lε ( ε — нечувствительная функция потерь) в уравнении.7, y _i — цель, 1 / 2‖ω‖2 — штрафной элемент для оценки структурного риска, а C — штрафная константа.

Путем введения переменных запаса можно оценить ξ и ξ ^* , ω и b . Затем новая целевая функция отображается как.

Минимизировать

С учетом

Множители Лагранжа, a _i и a _i ^* , может быть затем включен, и решающая функция SVM принимает вид

Затем множители Лагранжа , a _i и a _i ^* , приняты в целевой функции штрафа, как показано ниже:

Максимизировать

С учетом

Функция ядра, K ( x _i , x _j ), является внутреннее произведение x _i и x _j в соответствующих пространствах признаков ψ ( x _i ) и ψ ( x _{j j (xi, xj) = φ (xi) ∗ φ (xj).}

По сравнению с ИНС, которые иногда критиковались как черный ящик приближения, поддержка векторной регрессии может быть теоретически проанализированы с использованием вычислительной теории обучения (Smola и Schölkopf, 2004; Anguita и др., 2010). Результаты нескольких исследований показали, что SVM могут обеспечивать лучшие результаты прогнозирования по сравнению с ANN (Kim, 2003; Huang et al., 2005). В результате это исследование использует опорную векторную регрессию как один из методов прогнозирования ИИ при разработке модели.

ANFIS — это разновидность ИНС, основанная на системе нечеткого вывода Такаги – Сугено (Jang, 1993). Это гибридная интеллектуальная система, которая объединяет человеческий стиль рассуждений нечетких систем и структуру обучения нейронных сетей.Нечеткие правила «если – то» включаются в систему вывода, чтобы система могла научиться приближать нелинейные функции на основе выборочных данных. ANFIS основан на нечеткой модели Сугено первого порядка, предложенной Такаги и Сугено. Учитывая две входные переменные (x и y) и одну выходную переменную (z), с нечеткой моделью Сугено, ANFIS включает алгоритмы обучения в ИНС для определения параметров в предпосылках и последующих частях нечетких правил (Abraham, 2005). . Структура модели ANFIS с двумя входными переменными (x и y) и одной выходной переменной (z) показана на рисунке 4.

РИСУНОК 4 . Модель ANFIS.

Функции каждого уровня в этой структуре ANFIS представлены ниже (Abdulshahed et al., 2015):

Уровень 1 — это входной уровень, который предназначен для фаззификации входных данных. На этом уровне входные переменные отображаются в нечеткие множества. Каждый узел представляет собой адаптивный узел с функцией узла.

x и y являются входами для узла i ; O _{1, i} — это степень принадлежности для нечеткого множества A (функции принадлежности A1, A2) или нечеткого множества B (функции принадлежности B1, B2).Типичная колоколообразная функция принадлежности в этом слое может быть выражена как

В уравнении. 16, a , b и c — параметры для функции принадлежности u (x) . Эти параметры определяют форму функции принадлежности и называются параметрами предпосылки.

Уровень 2 — это уровень правил, который вычисляет произведение всех сигналов, поступающих на узлы. Каждый узел на этом уровне является фиксированным узлом, и выходные данные этого уровня являются продуктом всех входящих сигналов или полученными от min (И) в нечетких наборах. Каждый узел представляет собой силу действия правила. Его можно вычислить как

Третий уровень — это уровень нормализации, который нормализует силу срабатывания каждого узла. Каждый узел в этом слое также является фиксированным узлом, и выходные данные называются нормализованной активностью этого узла. Выходной сигнал узла i -го получается путем вычисления отношения силы стрельбы по правилу i -го к сумме мощностей стрельбы всех правил.Его можно рассчитать как

Уровень 4 — это слой вывода, который предназначен для дефаззификации. Каждый узел на этом уровне является адаптивным узлом. Он берет выходные данные из уровня 3 и затем умножает их на соответствующие параметры. Его можно рассчитать как

В уравнении. 20, wi¯ — нормализованная огневая сила из слоя 3, и { p _i , q _i , r _i } являются соответствующими последующими параметрами для этого узла.

Уровень 5 — это выходной уровень, который вычисляет общий вывод. В этом слое есть только один фиксированный узел. Он вычисляет общий выходной сигнал как сумму всех входящих сигналов и может быть выражен как

В структуре ANFIS параметры помещения обычно нелинейны, а соответствующие параметры обычно линейны. Это очень усложняет процесс оптимизации параметров. Джанг (Jang, 1993) предлагает гибридный алгоритм обучения для решения этой проблемы.Он включает в себя прямой и обратный процесс. В прямом проходе параметры предпосылки сначала фиксируются, и алгоритм использует метод наименьших квадратов для определения последующих параметров на уровне 4. После сравнения выходных данных модели и желаемых выходных данных и получения ошибок, ошибки распространяются обратно на первый уровень, и параметры предпосылки обновляются методом градиентного спуска в обратном проходе. Этот процесс вперед / назад повторяется много раз, пока ошибки не попадут в пределы допуска. С момента своего появления ANFIS был принят для разработки моделей прогнозирования во многих различных исследовательских дисциплинах и способен давать хорошие результаты прогнозирования (Vural et al., 2009; Boyacioglu and Avci, 2010; Abdulshahed et al., 2015).

Основываясь на соответствующих исследованиях, в этом исследовании предпринимается попытка применить три метода искусственного интеллекта (ИНС, SVM и ANFIS) для дальнейшего изучения взаимосвязи между измерениями относительной влажности на месте и фактической прочностью бетона на сжатие.

Сбор данных

Для сбора данных исследователи сотрудничали с сертифицированной государством лабораторией по испытанию материалов и Китайской ассоциацией профессиональных инженеров-строителей.Испытания на относительную влажность проводились на неструктурных балках в подвале большого жилого комплекса, как показано на рисунке 5. Для единообразия все измерения с помощью молотков проводились одним и тем же персоналом. Тщательно соблюдались спецификации ASTM 805 и CNS 10732 для испытаний на относительную влажность. После испытаний на относительную влажность были отобраны образцы керна для определения фактической прочности на сжатие. Чтобы ограничить повреждение конструкции из-за образования керна, профессиональные инженеры тщательно выбрали места для проведения испытаний. Чертежи проекта были тщательно проверены, чтобы избежать появления арматуры в испытательных зонах.Перед проведением испытания участки для испытаний были повторно исследованы, чтобы избежать сильно текстурированных или мягких поверхностей или поверхностей с рыхлым строительным раствором. Цифровой RH удерживали так, чтобы поршень был перпендикулярен тестируемой поверхности. Для каждой испытательной зоны было снято десять показаний, и все расстояния между точками ударов превышали 25 мм. После каждого удара отпечаток, сделанный на поверхности, исследовался, чтобы увидеть, раздавил ли удар или пробил воздушную пустоту у поверхности. Если да, то показание не принималось во внимание и бралось другое показание.

РИСУНОК 5 . На месте Испытание отбойным молотком.

Чтобы получить фактическую прочность на сжатие, образцы керна были взяты в том же месте, а затем возвращены в лабораторию для испытаний на разрушающее сжатие. Чертежи проекта были тщательно проверены, и профессиональные инженеры проконсультировались при определении мест проведения испытаний (в основном в средней трети секции балки). Чтобы избежать повреждения арматурного стержня, были использованы детекторы арматуры для подтверждения местоположения арматуры до начала бурения.Кроме того, сразу после бурения пустота была заполнена малоусадочным бетоном. Все колонковые бурения проводились одной и той же профессиональной командой из местной лаборатории испытания материалов. Все образцы керна были взяты и подготовлены в соответствии со спецификациями CNS 1238 A3051 (метод испытаний для получения и испытания пробуренных образцов керна из бетона). После бурения керна поверхностная вода была вытерта, и образец хранился в неабсорбирующем контейнере. Перед испытанием на сжатие концы образцов керна распиливали так, чтобы они были плоскими и перпендикулярными продольной оси.Размер образцов для испытаний 7,5 Φ × 10 см.

Подвал в основном предназначен для парковки, и на момент проведения испытаний строительство здания приближалось к завершению. Всего для испытаний RH было выбрано 100 малых балок, и эти балки имеют одинаковые размеры (50 см в ширину и 70 см в глубину). Для каждого луча было проведено всего 10 измерений относительной влажности в одном месте. Для проведения испытаний использовался электронный RH Silver Schmidt N-Type. После испытаний на относительную влажность образцы керна были взяты в тех же местах, как показано на Рисунке 6.Испытания на относительную влажность, сбор образцов керна и испытания на сжатие проводились в течение 4 недель. Эти пробуренные образцы керна были доставлены обратно в лабораторию и тщательно обработаны после сверления. Для определения прочности на сжатие были проведены испытания на разрушающее сжатие на 200-тонной машине для испытания бетона на сжатие HT-8391. Собранные данные были использованы для разработки и тестирования моделей прогнозирования ИНС, SVM и ANFIS.

РИСУНОК 6 . Отбойный молоток и расположение образца керна.

Следует отметить, что перед проведением экспериментов исследовательская группа попросила владельца установки подписать конфиденциальное соглашение. В результате общественности может быть раскрыта только ограниченная информация о результатах исследования. Описательная статистика испытаний на относительную влажность и прочность на сжатие образцов керна представлена ​​в таблице 1.

ТАБЛИЦА 1 . Сводка результатов испытаний отбойного молотка и образца керна.

Разработка и проверка модели

Всего для этого исследовательского анализа было собрано 100 тестовых образцов RH.Данные используются для разработки и проверки моделей прогнозирования регрессии и искусственного интеллекта (ИНС, SVM и ANFIS). Среди 100 выборок 80 из них случайным образом выбираются в качестве набора обучающих данных, а оставшиеся 20 образцов назначаются как набор данных тестирования. Для согласованности все модели прогнозирования используют одни и те же 80 случайно выбранных образцов для разработки моделей, а те же 20 образцов используются для проверки моделей.

Некоторые исследователи включили дополнительные факторы (такие как соотношение вода: цемент, размер заполнителя и возраст) в качестве входных переменных в свои модели прогнозирования.Тем не менее получить эти свойства для существующих конструкций сложно (иногда невозможно). Таким образом, это исследование использовало только измерения относительной влажности в качестве входных данных для модели. Для каждого испытательного участка было проведено в общей сложности 10 измерений отскока, как показано на Рисунке 6. Эти измерения были сначала записаны в испытательном молотке, а затем были рассчитаны средние значения и стандартные отклонения. Все модели, предложенные в этом исследовании, имеют две входные переменные (среднее и стандартное отклонение измерений относительной влажности) и одну выходную переменную (фактическая прочность бетона на сжатие). Что касается меры точности предсказания модели, это исследование использует MAPE для сравнения точности предсказания между предложенными моделями. MAPE широко используются для оценки точности прогнозов для моделей искусственного интеллекта (Nurcahyo and Nhita, 2014; Priya, Iqbal, 2015; Ramasamy et al., 2015). MAPE рассчитывается с использованием следующего уравнения:

, где A _i — фактическая прочность на сжатие, P _i — модель. вывод, а n — общее количество данных.

В дополнение к MAPE, среднеквадратичная ошибка (RMSE) также вычисляется в качестве альтернативного измерения прогнозирования для моделей. По сравнению с MAPE, RMSE подчеркивает большие ошибки, как показано в следующем уравнении:

Кроме того, учтенная дисперсия (VAF) между фактическим (желаемым) значением и прогноз модели (выход) также рассчитывается с использованием следующего уравнения (Kumar et al. , 2013):

Если выходные значения все равны желаемым значениям, MAPE и RMSE равны 0; VAF равен 100%.

Регрессионные модели

Сначала строятся диаграммы рассеяния собранных данных и исследуются возможные связи между средними измерениями относительной влажности и фактической прочностью на сжатие. Затем проводятся простые линейные и нелинейные регрессии, чтобы увидеть, могут ли простые регрессионные модели дать хорошие результаты прогнозирования. Случайно выбранные 80 обучающих данных используются для разработки моделей линейной и нелинейной регрессии, как показано на рисунках 7, 8.

РИСУНОК 7 . Диаграмма рассеяния линейной регрессии.

РИСУНОК 8 . Диаграмма рассеяния нелинейной регрессии.

Полученная функция линейной регрессии равна

. Для модели линейной регрессии MAPE, полученное из данных обучения, составляет 17,88%, а RMSE составляет 90,81 кгс / см ² .

Полученная функция нелинейной регрессии:

Для модели нелинейной регрессии MAPE, полученное из данных обучения, составляет 16,62%, а RMSE — 92,4 кгс / см ² .

После получения уравнений регрессии оставшиеся 20 данных тестирования используются для проверки моделей регрессии.Средние значения отскока из набора данных испытаний вводятся в уравнения для получения прогнозов прочности бетона на сжатие. Затем результаты прогноза сравниваются с фактической прочностью на сжатие, полученной в результате испытаний на разрушающее сжатие образца керна. MAPE, VAF и RMSE, рассчитанные для модели линейной регрессии, составляют 15,67%, 21,58% и 103,07 кгс / см ² соответственно. Для моделей нелинейной регрессии полученные MAPE, VAF и RMSE составляют 16,75%, 19,13% и 110.79 кгс / см ² соответственно.

Результаты прогноза показывают, что как модели линейной, так и нелинейной регрессии имеют MAPE более 15%. Подобные результаты наблюдаются и в других исследованиях, указывающих на то, что традиционные методы линейной и нелинейной регрессии могут не дать хороших результатов прогнозирования (Wei, 2012; Mishra et al. , 2019). Для повышения точности прогнозирования в этом исследовании предлагаются альтернативные модели прогнозирования, основанные на методах ИИ (ИНС, SVM и ANFIS).

Модели искусственных нейронных сетей

В данном исследовании используется NeuroSolutions 7.0 для разработки модели сети BP (BPN) для оценки прочности бетона на сжатие. В процессе разработки модели ИНС изучаются такие параметры, как количество скрытых слоев, количество нейронов в каждом слое, тип передаточных функций и правила обучения, чтобы получить лучшие модели прогнозирования. Для этого исследования разработаны модели ИНС как с одним, так и с двумя скрытыми слоями. Также исследуются разное количество нейронов в каждом слое, передаточные функции и правила обучения. Другими словами, применяется метод проб и ошибок, чтобы получить лучшую настройку параметров модели.Пожалуйста, обратитесь к Таблице 2 для получения подробной информации о настройке параметров модели ИНС.

ТАБЛИЦА 2 . Настройка модели ИНС.

В наборе обучающих данных 80 образцов (включая 10 образцов перекрестной проверки) и 20 образцов в наборе данных тестирования. Чтобы найти лучшую модель прогнозирования ИНС, параметры ИНС исследуются методом проб и ошибок. После нескольких испытаний было обнаружено, что лучшие результаты (меньшие ошибки обучения) получаются при использовании передаточной функции «TanhAxon» и правила обучения «Levenberg-Marquardt» (LM).Функция передачи TanhAxon применяет функцию смещения и tanh к каждому нейрону в слое. Это сужает диапазон каждого нейрона в слое до значений от -1 до 1. Алгоритм LM является стандартной техникой для нелинейных задач наименьших квадратов, и его можно рассматривать как комбинацию наискорейшего спуска и метода Гаусса-Ньютона.

Наилучшие результаты обучения, полученные для сети с одним скрытым слоем, составляют от 2 до 5-1 (два входа, пять элементов процесса в скрытом слое и один выход) модели ИНС.Полученные значения MAPE и RMSE составляют 16,82% и 101,21, соответственно, из набора обучающих данных. Эта модель проверена на 20 образцах с использованием набора данных тестирования. MAPE, VAF и RMSE, полученные из модели ИНС с одним скрытым слоем, составляют 14,77%, -33,88% и 92,67, соответственно, при проверке с использованием данных тестирования.

Модели ИНС с двумя скрытыми слоями также разрабатываются с использованием того же набора обучающих данных. Изучены различные настройки параметров, чтобы уменьшить ошибки обучения. Наилучшие результаты обучения, полученные от сети с двумя скрытыми слоями, относятся к модели ИНС от 2-5 до 5-1 (два входа, пять элементов процесса в первом и втором скрытых слоях и один выход).Соответствующие MAPE и RMSE, полученные из обучающих данных, составляют 11,9% и 85,36 ​​соответственно, что ниже, чем для модели с одним скрытым слоем. Ошибки обучения и проверки для этой модели ИНС показаны на рисунке 9.

РИСУНОК 9 . Ошибка обучения и проверки модели ИНС (2-5-5–1).

Затем модель с двумя скрытыми слоями проверяется с помощью 20 образцов из набора данных тестирования. MAPE, VAF и RMSE, полученные из данных тестирования, составляют 12,37%, -30,68% и 88.45 соответственно, что также ниже, чем у модели с одним скрытым слоем. Желаемые значения (фактическая прочность на сжатие) и выходные данные модели представлены на диаграмме рассеяния, как показано на рисунке 10. Если выходные данные модели равны желаемому значению, они должны попасть на красную линию. На Рисунке 11 также нанесена линейная диаграмма желаемой и выходной прочности на сжатие модели. Чтобы лучше понять отдельные ошибки между желаемыми значениями и выходными данными модели, на рисунке 12 представлена ​​остаточная гистограмма тестовых выборок.

РИСУНОК 10 . Диаграмма рассеяния модели ИНС (2-5-5–1).

РИСУНОК 11 . Линейный график модели ИНС (2-5-5–1).

РИСУНОК 12 . Остаточная гистограмма модели ИНС (2-5-5–1).

Из вышеизложенного можно заметить, что в большинстве случаев прогнозируемые значения (выходные данные модели) меньше желаемых значений. Это указывает на то, что эта модель ИНС имеет тенденцию к недооценке. Кроме того, имеется 10 образцов с остатками более 50 кгс / см ² , что может способствовать низкой точности прогноза.Результаты обучения и тестирования моделей ИНС с одним и двумя скрытыми слоями приведены в таблице 3.

ТАБЛИЦА 3 . Результаты модели ИНС.

Модели регрессии опорных векторов

В этом исследовании используется SVM наименьших квадратов (LSSVM) в Matlab R2018a для разработки модели регрессии опорных векторов. Те же 80 обучающих данных, которые использовались при разработке модели ИНС, используются для разработки регрессионной модели LSSVM.

Для регрессионных моделей SVM обычно существует четыре типа функций ядра: линейные, полиномиальные, сигмоидальные и ядра радиальной базисной функции (RBF).Среди них RBF благоприятен своей способностью справляться с нелинейностью и высокоразмерными вычислениями, а также эффективностью снижения сложности входных данных путем корректировки C и γ (Hsu et al. , 2003), где C — стоимость функции потерь SVM с мягким запасом, а гамма — это свободный параметр RBF. Для этого исследования параметры регрессии опорных векторов получены методом проб и ошибок. Различные значения C и γ исследуются для получения наилучшей модели SVM с набором обучающих данных, как показано в таблице 4.

ТАБЛИЦА 4 . Настройки параметров SVM и ошибка обучения.

Из таблицы 4, наилучшее обучающее MAPE, полученное для модели SVM, составляет 15,13%, а соответствующие значения C и γ равны 2 и 5000 соответственно.

Затем эта модель проверяется на 20 образцах из набора данных тестирования. Требуемые значения (фактическая прочность на сжатие) и опорных векторов регрессионной модели представлены выходы в диаграмме рассеяния, как показано на рисунке 13. Красная линия показывает 100% точности прогнозирования.MAPE, VAF и RMSE, полученные для этой модели регрессии поддержки, составляют 16,08%, 6,05% и 99,05 соответственно. Линейный график желаемых и модель вывода прочности на сжатие представлена ​​на рисунке 14. остаточная гистограмма тестирования образцов представлена ​​на рисунке 15. Результаты показывают, что модель регрессии опорных векторов не является точным по сравнению с моделью ИНС.

РИСУНОК 13 . Поддержка векторной регрессионной модели рассеивания

РИСУНОК 14 .Линейный график модели регрессии вектора поддержки.

РИСУНОК 15 . Гистограмма остатков модели векторной регрессии.

Адаптивные сетевые модели нечеткого вывода

Модель ANFIS разработана в среде Matlab 2018a. Те же 80 обучающих выборок, которые использовались при разработке моделей ИНС и SVM, также используются для разработки модели ANFIS. При разработке моделей ANFIS исследователи могут выбирать различное количество и типы функций принадлежности. Исследователи разработали три различных набора моделей (модели с тремя, пятью и восемью функциями принадлежности). Для каждой настройки функции принадлежности в Matlab 2018 есть восемь различных типов на выбор: треугольный (trimf), трапециевидный (trapmf), обобщенный колоколообразный (gbell), гауссовский (gauss1), гауссовский (gauss2), pi-образный. (pimf), разница между двумя сигмоидальными (dsigmf) и произведение двух сигмоидальных функций принадлежности (psigmf). Каждый из них опробован при разработке модели ANFIS, чтобы найти лучшие результаты прогнозирования.

В настройке модели уровень допуска установлен на 0, а обучение настроено на повторение 1000, 2000 и 3000 раз.Диаграмма ошибок обучения для модели с тремя сигмовидными функциями принадлежности (dsigmf) показана на рисунке 16.

РИСУНОК 16 . Ошибка обучения модели ANFIS.

Модели ANFIS с тремя, пятью и восемью функциями принадлежности разрабатываются с использованием различных типов функций принадлежности. Модели, которые дают наилучшие результаты обучения, приведены в Таблице 5. Для моделей с тремя функциями принадлежности ([3, 3]) лучший MAPE, 10,45%, достигается с помощью сигмоидальных функций принадлежности (dsigmf). Для моделей с пятью функциями принадлежности ([5, 5]) лучший MAPE, 10,10%, получается с трапециевидными функциями принадлежности (trapmf). Для моделей с восемью функциями принадлежности ([8, 8]) лучший MAPE, 9,11%, достигается с функцией принадлежности trapmf.

ТАБЛИЦА 5 . Результаты обучения модели ANFIS.

После определения лучшей обучающей модели ([8, 8]), функции принадлежности trapmf), оставшиеся 20 тестовых образцов (невидимые для модели данные) используются для получения прогнозов прочности бетона на сжатие.Требуемые значения (фактическая прочность на сжатие) и поддержка векторной модели регрессии выходы представлены в диаграмме рассеяния, как показано на рисунке 17. Линия график желаемого и выходного ANFIS модель представлена ​​на рисунке 18. Остаточный гистограмма испытаний образцов представлена на рисунке 19. Полученные значения MAPE, VAF и RMSE составляют 10,01%, -58,58% и 62,46 соответственно.

РИСУНОК 17 . Диаграмма рассеяния модели ANFIS

РИСУНОК 18 . Линейный график модели ANFIS.

РИСУНОК 19 . Остаточная гистограмма модели ANFIS.

Результаты прогноза показывают, что MAPE в наборах данных для обучения и тестирования, полученных из трех моделей на основе ИИ, лучше, чем 20% MAPE, наблюдаемые в ходе предыдущих исследований. Среди них модель ANFIS дает лучшую точность прогнозов как с самым низким MAPE обучения (9,11%), так и с тестированием MAPE (10,01%).

Чтобы проверить надежность результатов прогноза, для проверки модели ANFIS используется K-кратная перекрестная проверка.При K-кратной перекрестной проверке часть доступных данных используется для разработки модели, а другая часть данных используется для ее тестирования. K-кратная перекрестная проверка также известна как перекрестная проверка с исключением по одному (Hastie et al., 2009). Для этого исследования данные разделены на пять частей равного размера. В каждой из пяти частей по 20 сэмплов, всего 100 сэмплов. Сначала выбираются четыре части для разработки модели прогнозирования, а пятая часть используется для вычисления ошибки прогнозирования. Затем выбираются еще четыре части для разработки модели, а оставшаяся часть используется для тестирования модели. Этот процесс повторяется пять раз, пока все пять частей не будут использованы для тестирования модели прогнозирования. Среднее значение MAPE и стандартное отклонение пятикратной перекрестной проверки составляют 9,90% и 2,28% соответственно. Среднее значение RMSE и стандартное отклонение пятикратной перекрестной проверки составляют 58,67 и 8,93 соответственно. Этот результат показывает, что с различными комбинациями данных обучения и тестирования модели ANFIS могут обеспечивать согласованную точность прогнозов.

Таким образом, в ходе этого исследования было собрано в общей сложности 100 на месте данных испытаний относительной влажности и керна для разработки конкретных моделей оценки сжатия. Среди них 80 образцов были случайным образом отобраны для обучения моделей, а оставшиеся 20 образцов были использованы для проверки модели. Сначала были разработаны и протестированы модели линейной и нелинейной регрессии. Точность прогноза прочности на сжатие (измеренная с помощью MAPE), полученная из моделей линейной и нелинейной регрессии, составляет 15,66 и 16.75% соответственно, что не показывает значительного улучшения по сравнению с предыдущими исследованиями. Впоследствии модели на основе ИИ (ИНС, SVM и ANFIS) были разработаны и проверены с использованием тех же наборов данных для обучения и тестирования. Для каждой модели были исследованы различные параметры модели, чтобы добиться более низкой ошибки обучения и более высокой точности прогнозирования. Среди этих моделей модель ANFIS дала лучшие результаты обучения и тестирования с самыми низкими MAPE для обучения и тестирования — 9,11 и 10,01% соответственно.Результаты разработки и проверки модели в результате этого исследования приведены в Таблице 6. Из Таблицы 6 можно заметить, что как модели ИНС, так и ANFIS могут генерировать более высокую точность прогнозов по сравнению с традиционными моделями линейной и нелинейной регрессии. Подобно результатам исследования Вэй (Wei, 2012), модель ANFIS может давать самые низкие ошибки прогноза при использовании измерения относительной влажности для измерения прочности бетона на сжатие.

ТАБЛИЦА 6 . Сводка результатов проверки модели.

Выводы и рекомендации

Для дальнейшего изучения взаимосвязи между измерениями на месте испытаний RH и фактической прочностью бетона на сжатие, в этом исследовании используются методы искусственного интеллекта для разработки моделей прогнозирования прочности на сжатие. Всего в большом жилом комплексе собрано 100 тестовых данных. Собранные данные используются для разработки и проверки традиционных регрессионных моделей, а также моделей на основе искусственного интеллекта (модели ANN, SVM и ANFIS).Для традиционных регрессионных моделей MAPE, рассчитанные для линейной и нелинейной моделей, составляют 15,66 и 16,75% соответственно. Для модели ИНС лучшие результаты прогнозирования получаются для сети с двумя скрытыми уровнями (2-5–5-1), а полученное значение MAPE составляет 12,37%. Для модели регрессии опорных векторов, лучший MAPE полученный 16,08%. Соответствующие параметры для наилучшей модели регрессии опорных векторов: C = 2 и γ = 5000. Для этого исследования модель ANFIS дает наилучшую точность прогнозов с MAPE 10.01%, когда модель проверена с использованием данных тестирования. Этот результат получается из модели ANFIS с восемью функциями принадлежности для двух входных переменных ([8, 8]), а тип функции принадлежности — trapmf. Также проводится K-кратная перекрестная проверка, и результаты показывают, что модель ANFIS имеет последовательные ошибки прогнозирования при проверке с использованием различных данных. Результаты исследования показывают, что методы искусственного интеллекта могут быть использованы для разработки моделей прогнозирования прочности бетона на сжатие с использованием результатов испытаний на месте RH.Точность прогнозов выше по сравнению с результатами предыдущих исследований.

Следует отметить, что измерения относительной влажности в значительной степени связаны с ближней поверхностью тестового объекта. Поэтому рекомендуется комбинировать испытания RH с другими методами неразрушающего контроля (такими как испытания UPV) для улучшения оценок прочности бетона на сжатие. Результаты исследований показали, что метод SonReb (тест UPV + RH) (Rilem Report TC43-CND, 1993) может улучшить оценки прочности бетона при неразрушающем контроле (Nobile, 2015; Rashid and Waqas, 2017; Pereira and Romão, 2018).Для этого исследования результаты получены из 100 собранных данных. В целях повышения надежности предлагается собрать больше выборочных данных для разработки и проверки модели.

Заявление о доступности данных

Наборы данных, представленные в этой статье, недоступны, потому что конфиденциальные соглашения подписываются до того, как авторам будет разрешено проводить эксперименты. Запросы на доступ к наборам данных следует направлять по адресу [email protected].

Заявление об этике

Письменное информированное согласие было получено от лица (лиц) на публикацию любых потенциально идентифицируемых изображений или данных, включенных в эту статью.

Вклад авторов

Y-RW разработал представленную идею, руководил экспериментами и анализом. Y-LL и D-LC провели эксперимент, разработали модели и проанализировали данные. Y-RW взял на себя инициативу в написании рукописи с помощью Y-LL и D-LC.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Этот материал основан на работе, поддержанной Министерством науки и технологий ТАЙВАНЯ в рамках гранта No. МОСТ 103‐2221 ‐ Е ‐ 151‐053.

Ссылки

Абдулшахед, А. М., Лонгстафф, А. П., и Флетчер, С. (2015). Применение прогнозных моделей ANFIS для компенсации тепловых ошибок на станках с ЧПУ. Заявл. Soft Comput. 27, 158–168. DOI: 10.1016 / j.asoc.2014.11.012.

CrossRef Полный текст | Google Scholar

Abraham, A.(2005). Адаптация системы нечеткого вывода с использованием нейронного обучения. Шпилька. Мягкое вычисление нечеткости. 181, 53–83. DOI: 10. 1007 / 11339366_3.

CrossRef Полный текст | Google Scholar

Anguita, D., Ghio, A., Greco, N., Oneto, L., and Ridella, S. (2010). «Выбор модели для машин опорных векторов: преимущества и недостатки теории машинного обучения», в Международной совместной конференции по нейронным сетям (IJCNN) 2010 г., Барселона, Испания, 18–23 июля 2010 г. (IEEE), 1–8.

Google Scholar

Asteris, P. G., and Mokos, V. G. (2019). Прочность бетона на сжатие с использованием искусственных нейронных сетей. Neural Comput. Applc. 32, 11807–11826. doi: 10.1007 / s00521-019-04663-2

CrossRef Полный текст | Google Scholar

Атоэби, О. Д., Аянринде, О. П., и Олувафеми, Дж. (2019). Сравнение надежности отбойного молотка Шмидта в качестве неразрушающего испытания с испытаниями на прочность на сжатие для различных бетонных смесей. J. Phys.Конф. 1378 (3), 032096. DOI: 10.1088 / 1742-6596 / 1378/3/032096.

CrossRef Полный текст | Google Scholar

Балабин Р. М., Ломакина Е. И. (2011). Поддержка векторной машинной регрессии (SVR / LS-SVM) — альтернатива нейронным сетям (ИНС) для аналитической химии? Сравнение нелинейных методов по данным спектроскопии в ближней инфракрасной области (NIR). Аналитик 136 (8), 1703–1712. DOI: 10.1039 / c0an00387e.

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бишоп, К.М. (2006). Распознавание образов и машинное обучение . Берлин, Германия: Springer.

Google Scholar

Boyacioglu, M. A., and Avci, D. (2010). Адаптивная сетевая система нечеткого вывода (ANFIS) для прогнозирования доходности фондового рынка: пример Стамбульской фондовой биржи, Expert Syst. Appl. 37 (12), 7908–7912. DOI: 10.1016 / j.eswa.2010.04.045.

CrossRef Полный текст | Google Scholar

Brencich, A., Cassini, G., Pera, D., and Riotto, G.(2013). Калибровка и надежность испытания молотком отскока (Шмидта). Civil Eng. Arch. 1 (3), 66–78. DOI: 10. 13189 / cea.2013.010303

Google Scholar

Брейсс Д. и Мартинес-Фернандес Дж. Л. (2014). Оценка прочности бетона с помощью отбойного молотка: обзор ключевых вопросов и идей для более надежных выводов. Mater. Struct. 47 (9), 1589–1604. DOI: 10.1617 / s11527-013-0139-9.

CrossRef Полный текст | Google Scholar

Британский институт стандартов (BSI) (1986). Испытание бетона — Часть 202: Рекомендации по испытанию твердости поверхности отбойным молотком . BS 1881-202

Google Scholar

Друкер, Х., Берджес, К. К., Кауфман, Л., Смола, А. Дж., И Вапник, В. (1997). «Поддержка машин векторной регрессии» в Достижения в системах обработки нейронной информации . М., Мозер М., Джордан и Т. Петше (Кембридж, Массачусетс: MIT Press), 155–161.

Google Scholar

Эль-Мир, А., и Нехме, С. Г. (2017). Повторяемость отскока поверхностной твердости бетона при изменении параметров бетона. Построить. Строить. Mater. 131, 317–326. DOI: 10.1016 / j.conbuildmat.2016.11.085.

CrossRef Полный текст | Google Scholar

Европейский комитет по нормализации (En) (2012). Испытание бетона в конструкциях — Часть 2: неразрушающий контроль — определение числа отскока . EN 12504-2: 2012

Google Scholar

Герни, К. (2014). Введение в нейронные сети . Бока-Ратон, Флорида: Пресса CRC.

Google Scholar

Hajjeh, H.Р. (2012). Корреляция между разрушающей и неразрушающей прочностью бетонных кубов с использованием регрессионного анализа. Contemp. Англ. Sci. 5 (10), 493–509.

Google Scholar

Хамидиан, М., Шариати, А., Хануки, М.А., Синаи, Х., Тогроли, А., и Нури, К. (2012). Применение отбойного молотка Шмидта и ультразвуковых методов измерения скорости импульса для мониторинга состояния конструкций. Sci. Res. Очерки 7 (21), 1997–2001. doi: 10.5897 / SRE11.1387

CrossRef Полный текст | Google Scholar

Hastie, T., Тибширани Р. и Фридман Дж. (2009). Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование . Берлин, Германия: Springer Science & Business Media.

Google Scholar

Hsu, C. W., Chang, C. C., and Lin, C. J. (2003). Практическое руководство по классификации векторов . Tech. Представитель Департамента компьютерных наук, Национальный университет Тайваня.

Google Scholar

Хуанг, В. Л., Чанг, К. Ю., Чен, В. К., и Мы, К.Н. (2011). Использование ИНС для повышения точности прогнозов отбойных молотков. Тайваньское дорожное строительство 37 (2), 2–18.

Google Scholar

Хуанг, В., Накамори, Ю., и Ван, С.-Й. (2005). Прогнозирование направления движения фондового рынка с помощью машины опорных векторов. Comput. Опер. Res. ,; 32 (10), с. 2513–2522. DOI: 10.1016 / j.cor.2004.03.016.

CrossRef Полный текст | Google Scholar

Ифар, М. (2012). Модели прогнозирования характеристик ANN и ANFIS для гидроударов. Tunn. Undergr. Space Technol. 27 (1), 23–29. DOI: 10.1016 / j.tust.2011.06.004.

CrossRef Полный текст | Google Scholar

Jang, J.-S. Р. (1993). ANFIS: система нечеткого вывода на основе адаптивных сетей. IEEE Trans. Syst. Мужчина. Киберн. 23 (3), 665–685. DOI: 10.1109 / 21.256541.

CrossRef Полный текст | Google Scholar

Ким, К. Дж. (2003). Прогнозирование финансовых временных рядов с использованием опорных векторных машин. Нейрокомпьютеры 55 (1-2), 307–319.DOI: 10.1016 / s0925-2312 (03) 00372-2.

CrossRef Полный текст | Google Scholar

Коджаб Д., Мисак П. и Цикрле П. (2019). Характеристическая кривая и ее использование для определения прочности бетона на сжатие с помощью ударного испытания. Материалы 12 (17), 2705. doi: 10.3390 / ma12172705.

CrossRef Полный текст | Google Scholar

Кумар, Б. Р., Вардхан, Х., Говиндарадж, М., и Виджай, Г. С. (2013). Регрессионный анализ и модели ИНС для прогнозирования свойств горных пород на основе уровней звука, производимого во время бурения. Внутр. J. Rock Mech. Мин. Sci. 58, 61–72. doi: 10.1016 / j.ijrmms.2012.10.002

CrossRef Полный текст | Google Scholar

Кумар, К. В., Вардхан, Х., и Мурти, К. С. (2019). Модель множественной регрессии для прогнозирования свойств горных пород с использованием акустической частоты во время операций колонкового бурения. Геомеханика и геоинженерия 15, 1–16. doi: 10.1080 / 17486025.2019.1641631

CrossRef Полный текст | Google Scholar

Mishra, M., Bhatia, A. S., and Maity, D.(2019). Сравнительное исследование регрессии, нейронной сети и нейронечеткой системы вывода для определения прочности на сжатие кирпичной кладки путем объединения данных неразрушающего контроля. Eng. Вычислить . DOI: 10.1007 / s00366-019-00810-4.

CrossRef Полный текст | Google Scholar

Нобиле, Л. (2015). Прогноз прочности бетона на сжатие комбинированными неразрушающими методами. Meccanica 50 (2), 411–417. DOI: 10.1007 / s11012-014-9881-5.

CrossRef Полный текст | Google Scholar

Nurcahyo, S., и Нхита, Ф. (2014). «Прогнозирование количества осадков в кемайоране, Джакарта с использованием гибридного генетического алгоритма (ga) и частично подключенной нейронной сети прямого распространения (pcfnn)», 2-я Международная конференция по информационным и коммуникационным технологиям (ICoICT). Бандунг, Индонезия, 28–30 мая 2014 г., стр. 166–171.

Google Scholar

Перейра, Н., и Ромао, X. (2018). Оценка вариабельности прочности бетона в существующих конструкциях по результатам неразрушающего контроля. Построить. Строить. Mater. 173, 786–800.DOI: 10.1016 / j.conbuildmat.2018.04.055.

CrossRef Полный текст | Google Scholar

Прия, С.С., Икбал, М.Х. (2015). Прогнозирование солнечной радиации с помощью искусственной нейронной сети. Внутр. J. Comput. Appl. 116 (16), стр. 28–31. doi: 10.5120 / 20422-2722

CrossRef Полный текст | Google Scholar

Qasrawi, H. Y. (2000). Прочность бетона комбинированными неразрушающими методами просто и надежно предсказывается. Цемент Конкр. Res. 30 (5), 739–746. DOI: 10.1016 / с0008-8846 (00) 00226-х.

CrossRef Полный текст | Google Scholar

Рамасами П., Чандель С. С. и Ядав А. К. (2015). Прогноз скорости ветра в горном районе Индии с использованием модели искусственной нейронной сети. Обновить. Энергия 80, 338–347. DOI: 10.1016 / j.renene.2015.02.034.

CrossRef Полный текст | Google Scholar

Рашид К. и Вакас Р. (2017). Оценка прочности на сжатие неразрушающими методами: автоматизированный подход в строительстве. J.Build. Англ. 12, 147–154. DOI: 10.1016 / j.jobe.2017.05.010.

CrossRef Полный текст | Google Scholar

Rezaeianzadeh, M., Tabari, H., Arabi Yazdi, A., Isik, S., and Kalin, L. (2014). Прогнозирование паводков с использованием ИНС, ANFIS и регрессионных моделей. Neural Comput. Appl. 25 (1), 25–37. DOI: 10.1007 / s00521-013-1443-6.

CrossRef Полный текст | Google Scholar

Рекомендация RILEM. (1993). Проект рекомендаций по определению прочности монолитного бетона комбинированными неразрушающими методами. Mater. Struct , 26, 43–49.

Google Scholar

Рохас-Энао, Л., Фернандес-Гомес, Дж., И Лопес-Аги, Дж. К. (2012). Отбойный молоток, скорость импульса и испытания керна в самоуплотняющемся бетоне. ACI Mater. J. 109 (2), 235–243. DOI: 10.14359 / 51683710

Google Scholar

Шариати, М., Рамли-Сулонг, Н. Х., Х., М. М. А., Шафиг, П. и Синаи, Х. (2011). Оценка прочности железобетонных конструкций с помощью ультразвуковых импульсов и испытаний отбойным молотком Шмидта. Sci. Res. Очерки 6 (1), 213–220. doi: 10.5897 / SRE10.879

CrossRef Полный текст | Google Scholar

Ширсат П. Б. и Сингх А. К. (2010). Сравнительное исследование суточной оценки испарения с помощью ИНС, регрессионных и климатических моделей. Водные ресурсы. Manag. 24 (8), 1571–1581. DOI: 10.1007 / s11269-009-9514-2.

CrossRef Полный текст | Google Scholar

Смола, А. Дж., И Шёлкопф, Б. (2004). Учебник по поддержке векторной регрессии. Stat. Comput. 14 (3), 199–222. DOI: 10.1023 / b: stco.0000035301.49549.88.

CrossRef Полный текст | Google Scholar

Szilágyi, K., Borosnyói, A., and Zsigovics, I. (2011). Отскок поверхностной твердости бетона: введение эмпирической конститутивной модели. Построить. Строить. Mater. 25 (5), 2480–2487. DOI: 10.1016 / j.conbuildmat.2010.11.070.

CrossRef Полный текст | Google Scholar

Национальные стандарты Китайской Республики (1986). Национальные стандарты Китая (CNS). Методы испытания числа отскока затвердевшего бетона . CNS 10732-1984, Тайвань: CNS

Google Scholar

Topçu, İ. Б. и Саридемир М. (2008). Прогнозирование прочности на сжатие бетона, содержащего летучую золу, с использованием искусственных нейронных сетей и нечеткой логики. Comput. Mater. Sci. 41 (3), 305–311. DOI: 10.1016 / j.commatsci.2007.04.009.

CrossRef Полный текст | Google Scholar

Вапник, В. (2013). Сущность теории статистического обучения .Берлин, Германия: научные и деловые СМИ Springer.

Google Scholar

Вурал, Ю., Ингам, Д. Б., и Пуркашанян, М. (2009). Прогнозирование характеристик топливного элемента с протонообменной мембраной с использованием модели ANFIS. Внутр. J. Hydrogen Energy 34 (22), 9181–9187. DOI: 10.1016 / j.ijhydene.2009.08.096.

CrossRef Полный текст | Google Scholar

Wei, S.H. (2012). Применение адаптивной модели системы нейро-нечеткого вывода для прогнозирования прочности бетона на сжатие от молота Сильвершмидта.Магистерская диссертация. Гаосюн (Тайвань): Национальный университет прикладных наук Гаосюн

Google Scholar

Xu, T., and Li, J. (2018). Оценка пространственной изменчивости бетона с помощью испытания ударным молотком и испытания на сжатие пробуренных кернов. Построить. Строить. Mater. 188, 820–832. DOI: 10.1016 / j.conbuildmat.2018.08.138.

CrossRef Полный текст | Google Scholar

Йылмаз И. и Юксек А. Г. (2008). Пример использования искусственной нейронной сети (ИНС) для косвенной оценки параметров горных пород. Rock Mech. Rock Eng. 41 (5), 781–795. doi: 10.1007 / s00603-007-0138-7

CrossRef Полный текст | Google Scholar

Йилмаз, И., и Кайнар, О. (2011). Множественная регрессия, модели ANN (RBF, MLP) и ANFIS для прогнозирования потенциала набухания глинистых почв. Экспертные системы с приложениями 38 (5), 5958–5966. DOI: 10.1016 / j.eswa.2010.11.027.

CrossRef Полный текст | Google Scholar

Zupan, J., и Gasteiger, J. (1991). Нейронные сети: новый метод решения химических задач или просто переходный этап ?. Анал. Чим. Acta 248 (1), 1–30. DOI: 10.1016 / s0003-2670 (00) 80865-х.

CrossRef Полный текст | Google Scholar

Измерение прочности на сжатие — Национальная ассоциация сборного железобетона

Испытания на сжатие предоставляют сборному железобетону простой метод отслеживания конкретных тенденций, которые могут возникнуть из-за изменений материала или условий окружающей среды, чтобы они могли вносить необходимые корректировки. Фотография файла NPCA.

Избегайте распространенных ошибок при измерении прочности бетона на сжатие.

Митч Ректор

Примечание редактора: Эта статья предназначена для использования в качестве справочного руководства для производственных сотрудников начального уровня.

Производство качественного сборного железобетона во многом похоже на приготовление хорошего стейка на гриле. Одно из основных соображений — как долго вы ждете. Чем дольше вы ждете, тем дольше стейк занимает ценное место на гриле, а если вы будете ждать слишком долго, мясо переварится. Однако, если вы удалите его слишком рано, он может быть плохо прожарен или недоварен.

Точно так же, как вы можете использовать тест для определения длины стейка во время приготовления, вы можете использовать тест для определения прочности вашего бетона. Но вместо легкого прикосновения пальцем используется специальное оборудование для приложения силы в несколько тысяч фунтов.

Разные дневные силы

Прочность бетона обусловлена ​​химической реакцией между цементом и водой. Это создает пасту, связывающую агрегаты вместе. Со временем все больше цемента может вступить в реакцию, в результате чего бетон станет прочнее.Прочность бетона важна не только для проектирования, но и для производства. При производстве методом «мокрого литья» чем раньше бетон достигает минимальной прочности на отслаивание, тем быстрее его можно удалить из формы и использовать форму для следующего продукта. Так как же определяются сильные стороны разборки и конструкции?

Процесс испытания на сжатие

Машина для испытания бетона на сжатие работает путем постепенного приложения силы к образцу. Поскольку прочность определяется как максимальная переносимая нагрузка, деленная на среднюю площадь поперечного сечения, наиболее логичный способ определения прочности образца — нагружать его до тех пор, пока он не выйдет из строя.Однако это было бы непрактично выполнять для всех сборных железобетонных изделий. Вместо этого отливают и используют небольшие бетонные цилиндры. Цилиндры обычно имеют размер 4 на 8 дюймов или 6 на 12 дюймов. Эти образцы легко отливать и требуют мало места для хранения, особенно при производстве в больших количествах. Важно отливать цилиндры из одной и той же бетонной смеси, чтобы можно было сравнивать прочность цилиндров.

В соответствии с Руководством по контролю качества для заводов по производству сборного железобетона Национальной ассоциации сборного железобетона, раздел 5.3.5.4, по крайней мере, четыре образца прочности на сжатие должны быть отлиты на каждые 150 кубических ярдов бетона каждой смеси или один раз в неделю, в зависимости от того, что наступит раньше. Два образца испытывают не позднее семи дней после отливки. Среднее значение двух образцов помогает поддерживать стабильное качество. Тот же процесс повторяется с двумя другими образцами не ранее чем через 28 дней после литья.

Важно полностью испытать образцы до разрушения.

Влага — еще одна распространенная проблема при обращении с баллонами или их хранении. Из-за химического состава цемента сухой образец может показать большую прочность, чем влажный. Это может вызвать серьезные проблемы, если из двух 7-дневных образцов один влажный, а другой сухой.

«Довольно часто их вытаскивают и не держат во влажном состоянии до тех пор, пока они не сломаются», — сказал Причард. «Согласно ASTM, те, которые требуют влажного отверждения, следует ломать, пока они еще влажные».

Другая распространенная проблема может возникнуть из-за того, как образец помещается в испытательную машину.

«Те, которые, вероятно, оказывают наибольшее влияние на поломки, на мой взгляд, — это выравнивание в машине, правильная посадка опорных поверхностей и обеспечение центрирования цилиндра», — сказал Притчард.

Образец, который смещен или смещен по центру, может создавать точечную нагрузку, которая вызовет боковые трещины вверху или внизу.

Раздел 7 ASTM C39 гласит: «Поместите подшипниковый блок скольжения (нижний) закаленной стороной вверх на стол или плиту испытательной машины непосредственно под сферически установленным (верхним) подшипниковым блоком. Затем перед установкой образца на нижний блок подшипника протирают верхнюю и нижнюю поверхности подшипников. При использовании колпачков без приклеивания их следует располагать по центру цилиндра. Затем образец выравнивается по центру толчка через сферически установленный блок.

Наконец, при испытании образца важно использовать правильную скорость нагружения. Низкая скорость загрузки приведет к длительному выполнению теста. Кроме того, низкая скорость нагружения приведет к ползучести образца, что приведет к снижению прочности.И наоборот, высокие скорости нагружения влияют на свойства материала бетона, временно увеличивая прочность на сжатие. Это означает, что прочность образца не будет точно отражать свойства смеси. Тогда какова правильная скорость загрузки?

ASTM C39 утверждает, что скорость нагрузки должна применяться непрерывно, без ударов или внезапных повышений. Приемлемая скорость нагрузки составляет от 28 до 42 фунтов на квадратный дюйм. В первой половине фазы нагружения допускается более высокая скорость нагружения, но ее следует применять осторожно и контролируемо, чтобы избежать ударной нагрузки. По мере приближения нагрузки с подозрением на отказ важно не регулировать скорость нагрузки. Важно помнить, что скорость нагружения образца является важной частью проведения точного испытания на сжатие. После завершения теста все же следует соблюдать осторожность.

«Самая большая проблема, с которой я сталкивался в прошлом, заключалась в переносе и документации, а не в том, чтобы все правильно записать», — сказал Причард. «Они могут переставить номер или записать его не на том листе.”

Эта маленькая деталь может вызвать самые большие проблемы, поэтому всегда следите за тем, чтобы вы записывали правильные числа в нужном месте.

Будьте начеку

Все, что нужно, — это отвлечься на долю секунды, чтобы бифштекс попадал на хорошо прожаренную территорию, и все, что требуется, — это быстрый момент небрежности, чтобы сделать рабочий день недействительным. Внимательное отношение к каждому этапу процесса тестирования — важная часть создания качественного изделия из бетона.

Митч Ректор — инженер технической службы NPCA.

Какая минимальная требуемая прочность на сжатие для бетонной кладки?

Если у вас есть вопросы о конкретных продуктах или услугах, которые мы предоставляем, не стесняйтесь обращаться к нам.

FAQ 05-14

С последним изданием Спецификации каменных конструкций (TMS 602-13 / ACI 530.1-13 / ASCE 6-13) в сочетании с требованиями Строительных норм и правил для каменных конструкций (TMS 402-13 / ACI 530-13 / ASCE 5-13) произошли заметные изменения в отрасли бетонных работ. На протяжении десятилетий проектировщикам были предоставлены два метода оценки прочности на сжатие строительных конструкций. Эти две формы соответствия заключались либо в испытании призм (либо призм, построенных на строительной площадке, либо призм, удаленных из существующей кладки) для оценки прочности на сжатие, либо методом измерения прочности на единицу. Последний обычно является предпочтительным методом для многих проектов из-за относительно быстрого и простого процесса с минимальными затратами. Несмотря на простоту и удобство, метод измерения удельной прочности уже давно признан наиболее консервативным из двух вариантов.

Что такое метод измерения прочности?
Метод единицы прочности был разработан с использованием данных испытаний на прочность на сжатие, собранных с 1950-х по 1980-е годы. Проще говоря, результирующий метод, полученный на основе данных испытаний, определил общую прочность сборки на сжатие на основе прочности отдельных единиц и типа раствора, который будет использоваться при проектировании.

Что изменилось?
В течение многих лет таблица метода удельной прочности, опубликованная в TMS 602, оставалась неизменной и основывалась на исходном наборе исторических данных. Понимая ограничительный консерватизм в расчетных значениях, был начат исследовательский проект [1] по составлению нового набора данных, отражающих текущие методы испытаний и свойства материалов. Это исследование, в свою очередь, было включено в издание TMS 402/602 2013 г., как показано в следующей таблице, которая иллюстрирует корреляцию между прочностью на сжатие единицы, типом раствора и прочностью на сжатие сборки.

¹ Для блоков с номинальной высотой менее 4 дюймов (102 мм) используйте 85 процентов перечисленных значений.

Повышение окончательной проектной прочности блоков каменной кладки — не единственное недавнее изменение. В 2014 году ASTM C90 был пересмотрен, чтобы увеличить минимальную прочность на сжатие блока с 1900 фунтов на квадратный дюйм (13,1 МПа) до 2000 фунтов на квадратный дюйм (13.8 МПа). При использовании перекалиброванной таблицы прочности блока, приведенной выше, бетонный блок, соответствующий минимальным требованиям ASTM C90 и уложенный в растворе типа S или M, обеспечивает прочность на сжатие в сборе 2000 фунтов на квадратный дюйм (13,8 МПа), что существенно больше, чем историческое значение по умолчанию. минимум 1500 фунтов на квадратный дюйм (10,3 МПа), используемый для указанной прочности бетонной кладки на сжатие.

Как эти изменения повлияют на меня?
Благодаря увеличению не только прочности агрегата и общей прочности сборки на сжатие, бетонная кладка может оставаться конкурентоспособной среди других строительных материалов, используемых в строительстве.Производство агрегатов практически не изменилось. Увеличение прочности связано с уменьшением неопределенности данных, используемых для разработки этих расчетных значений, и проверкой прочности, уже присутствующей в современных бетонных элементах кладки.

Список литературы

1. Повторная калибровка метода измерения прочности на сжатие для проверки соответствия указанной прочности бетонной кладки на сжатие, MR37, Национальная ассоциация бетонных кладок, 2012.(www.ncma.org)
2. Стандартные спецификации для несущих бетонных блоков, ASTM C90-14. ASTM International, 2014.

Высокопрочный бетон

Высокоэффективный бетон — это термин используется для описания бетона со специальными свойствами, не относящимися к нормальным конкретный. Высокая производительность означает, что бетон имеет один или несколько следующие свойства: низкая усадка, низкая проницаемость, высокий модуль упругости эластичность, или высокая прочность.По словам Генри Рассела, ACI определяет высокую бетон с характеристиками как «бетон, отвечающий особым характеристикам и однородности требования, которые не всегда могут быть выполнены рутинно, используя только обычные материалы и нормальные методы смешивания, размещения и отверждения. Требования может включать улучшения размещения и уплотнения без сегрегации, длительные механические свойства, ранняя прочность, вязкость, объем стабильность или срок службы в суровых условиях »(Concrete International, п.63). Под высокопрочным бетоном обычно понимается бетон с прочность на сжатие 28-дневного цилиндра превышает 6000 фунтов на квадратный дюйм или 42 МПа. В более общем смысле, бетон с прочностью на одноосное сжатие более чем то, что обычно получается в данном географическом регионе, считается высокопрочным, хотя предыдущие ценности широко признаны. Сильные стороны до 20000 фунтов на квадратный дюйм (140 МПа) использовались в различных приложениях . Лаборатории показали прочность, приближающуюся к 60000 фунтов на квадратный дюйм (480 МПа).

Высокопрочный бетон выдерживает нагрузки, которые не может выдержать бетон нормальной прочности. Несколько явных преимуществ и недостатки можно проанализировать. Важно учитывать все второстепенные результаты выбора высокопрочного бетона, т.к. необходимо учитывать не только прочностные характеристики.

Как только будет принято решение использовать высокопрочные, высококачественный бетон, смесь Процесс проектирования и производства может начаться.Используемые материалы и концепции, связанные с повышением прочности бетона, должны быть четко разбираются для получения желаемых свойств. Тестирование — это неотъемлемая шаг в производственном процессе, поскольку исследования контроля качества показывают, что незначительные изменения пропорций смеси могут привести к большим изменениям прочность бетона на сжатие. Когда расчет дизайна завершен, смешивание можно начинать с дополнительным учетом удобоукладываемости и сопутствующие свойства смеси.

Как только высокопрочный бетон размещен, твердый бетон свойства можно предсказать в дополнение к его особым характеристикам. Несколько из свойства немного отличаются от бетона с меньшей прочностью, а некоторые варьируются более значительно. Чтобы проверить производительность высокопрочных бетон на практике, несколько тематических исследований можно исследовать.

Список полезных ссылок исследуя тему высокопрочного бетона, нажмите здесь .

Испытание бетона на прочность при сжатии — Construction Management Partners

Испытание бетона на сжатие — пошаговая процедура в соответствии с индийским стандартным кодом

Аппарат

должна быть надежной, иметь достаточную производительность и быть способной прикладывать нагрузку примерно 140 кг / см2 в минуту. Допустимая погрешность должна быть ограничена максимум +/- 2% от максимальной нагрузки.

Возраст на испытании

должны проводиться в определенном возрасте, чаще всего в 7,15 и 28 дней.В случае необходимости расчета силы испытание может быть выполнено через 24 часа (+/- 1/2 часа) и 72 часа (+/- 2 часа). Следует отметить, что возраст образца рассчитывается с момента добавления воды в ингредиент бетона.

Количество образцов — Для тестирования для каждого выбранного возраста должны быть изготовлены не менее трех образцов, предпочтительно из разных партий.

Методика определения испытания бетона на сжатие

1. Образец для испытаний должен быть немедленно удален и испытан, пока он находится во влажном состоянии.Удалите лишнюю воду. Если образец для испытаний получен снаружи в сухом состоянии, его следует погрузить в воду на 24 часа перед испытанием. Следует отметить размер с точностью до 0,2 мм и вес.
2. Протрите обе опорные пластины машины и поместите образец для испытаний в центр таким образом, чтобы нагрузка прилагалась к поверхности, противоположной верхней поверхности, во время отливки образца для испытаний.
3. Нагрузку следует прикладывать постепенно со скоростью примерно 140 кг / см 2 в минуту.Если образец для испытаний не выдерживает испытания, необходимо указать максимальную прилагаемую нагрузку.
4. Рассчитайте прочность на сжатие концерта согласно следующему:
   прочность на сжатие = приложенная нагрузка / площадь поперечного сечения
5. Среднее значение трех образцов берутся в качестве прочности на сжатие для конкретной партии. Если отклонение результата отдельного испытания от средней прочности превышает 15%, все испытание следует повторить.
6. Должен быть подготовлен протокол испытаний на сжатие, который должен включать следующие данные:

   a) опознавательный знак
   b) дата испытания
   c) возраст образца
   d) условия отверждения, включая дату изготовления образца в поле
   e) вес образца
   f) размеры образца
   г) поперечное сечение площадь
   h) максимальная нагрузка
   j) прочность на сжатие
   k) внешний вид изломов бетона и тип излома, если они необычные.