TỔNG QUAN
Sự cần thiết của đề tài nghiên cứu
Sự nóng lên toàn cầu chủ yếu do hiệu ứng nhà kính, với khoảng 65% lượng khí CO2 thải ra từ hoạt động của con người (SalawuOS, 1997) Ngành công nghiệp xi măng toàn cầu đóng góp 7% vào tổng lượng khí thải, tương đương 1,35 tỷ tấn mỗi năm, với mỗi tấn xi măng Portland (OPC) thải ra khoảng một tấn CO2 (SalawuOS, 1997) L.Krishnan (2014) dự báo rằng lượng khí thải có thể tăng hơn 50% so với mức cho phép hiện tại Theo thống kê của Bộ Xây dựng, tổng công suất các nhà máy xi măng tại Việt Nam đạt khoảng 81,5 triệu tấn, trong khi dự kiến tiêu thụ năm 2016 sẽ tăng 5 - 7% so với năm 2015, đạt khoảng 75 triệu tấn.
Lượng xi măng tiêu thụ đã đạt 76 triệu tấn, dẫn đến việc gia tăng khí thải trong ngành xây dựng Điều này đặt ra thách thức lớn cho ngành công nghiệp xi măng trong việc sản xuất đủ lượng xi măng cần thiết Để giải quyết vấn đề này, việc áp dụng công nghệ geopolymer trong sản xuất bê tông không chỉ đáp ứng nhu cầu vật liệu xây dựng mà còn góp phần giảm thiểu ô nhiễm môi trường do khí thải và phế phẩm chưa được xử lý.
Lượng phế phẩm công nghiệp chưa qua xử lý đang tồn động rất lớn, với khoảng 780 triệu tấn tro bay được sản xuất hàng năm trên toàn cầu, nhưng chỉ có 17-20% được sử dụng (J Davidovits, 2002) Tại Việt Nam, tổng công suất các nhà máy nhiệt điện đốt than đạt khoảng 4800MW, thải ra 4,8 triệu tấn tro xỉ mỗi năm Việc thải tro bay vào môi trường không chỉ ảnh hưởng đến sức khỏe con người mà còn tác động xấu đến môi trường sống.
Thông qua việc sử dụng tro bay để chế tạo bê tông geopolymer (GPC) góp phần làm giảm chi phí xử lý
Sử dụng vật liệu mới với chi phí thấp và thân thiện với môi trường có thể giảm hiệu ứng nhà kính từ 26-45% so với bê tông xi măng thông thường Vật liệu này không chỉ giữ lại các ưu điểm của xi măng truyền thống mà còn tối ưu hơn, như dễ đạt cường độ trong thời gian ngắn, tính thấm thấp và khả năng chịu nhiệt cao, rất phù hợp với nhu cầu chống cháy của công trình Đặc biệt, nó còn có khả năng chống lại sự ăn mòn bởi axit (Tống Tôn Kiên, 2009).
Hình 1.1 Đặc tính ít tỏa nhiệt GPC (J Davidovits, 2002)
Việc sử dụng chất kết dính geopolymer thay thế cho xi măng truyền thống không chỉ giúp hạn chế khai thác tài nguyên thiên nhiên mà còn phù hợp với xu hướng vật liệu xanh toàn cầu.
Hình 1.2 Chi phí cho việc xử lý khí thải của các ngành công nghiệp xây dựng
Hình 1.3 Lượng khí thải khi sử dụng GPC và OPC (Louise K Turner, 2013)
Phương pháp phá hoại mẫu không chỉ gây ô nhiễm môi trường do thải ra lượng lớn phế phẩm mà còn tốn kém chi phí xử lý Hơn nữa, việc sử dụng và bảo trì thiết bị trở nên không kinh tế do phải làm việc trong môi trường chịu ứng suất lớn từ quá trình nén mẫu trong suốt thời gian tồn tại.
Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM)
Việc áp dụng phương pháp kiểm tra không phá hoại mẫu (NDT) giúp giảm chi phí sản xuất mẫu và giảm thiểu lượng bê tông phế phẩm do nén phá hoại mẫu Phương pháp này còn đáp ứng nhu cầu xác định cường độ cho các cấu kiện lớn.
Phương pháp kiểm tra cường độ bê tông được thực hiện tại chỗ với khối lượng kiểm tra lớn và số lượng mẫu phong phú, mở rộng ứng dụng trong việc đánh giá chất lượng công trình hiện hữu, đặc biệt là các công trình yêu cầu an toàn cao như nhà máy điện hạt nhân, lĩnh vực hàng không và xưởng hóa chất nguy hiểm Nhờ vào những tiến bộ công nghệ và thiết bị hiện đại, độ chính xác trong kiểm tra cường độ ngày càng được nâng cao, khiến cho việc áp dụng phương pháp không phá hoại mẫu trở thành điều cần thiết trong quá trình nghiệm thu và đánh giá mức độ hoàn thiện sản phẩm.
Hình 1.5 Công trình đặt biệt và công trình hiện hữu (Đập thủy điện Yaly)
Sự phát triển của phương pháp NDT kết hợp với mô phỏng hiện đại đã nâng cao độ chính xác trong việc xác định cường độ bê tông, giảm thiểu thời gian và nhân lực, đồng thời loại bỏ sai sót trong thi công Mô hình Artificial Neural Networks (ANN) đã trở thành một công cụ mạnh mẽ trong dự đoán và được áp dụng thành công trong nhiều lĩnh vực như tài chính, y tế, địa chất và vật lý ANN có khả năng ứng dụng rộng rãi trong các vấn đề dự báo, phân loại và điều khiển, nhờ vào những yếu tố chính thúc đẩy sự thành công nhanh chóng của nó.
Mô hình ANN (Mạng nơ-ron nhân tạo) có nhiều ưu điểm so với thống kê truyền thống nhờ vào khả năng sử dụng các thuật toán mô phỏng tinh vi để thiết lập các hàm phức tạp Đặc biệt, ANN có khả năng giải quyết các mối quan hệ phi tuyến và xử lý các bài toán với số biến lớn hơn nhiều so với số đối tượng quan sát, trong khi hầu hết các phương pháp phân tích thống kê truyền thống chỉ hiệu quả khi số biến ít hơn số đối tượng quan sát.
Mạng nơ-ron nhân tạo (ANN) thân thiện với người sử dụng, cho phép thu thập thông tin từ dữ liệu quá khứ Qua việc áp dụng các thuật toán huấn luyện, ANN có khả năng tự phân loại và xác định cấu trúc của dữ liệu, từ đó xây dựng mô hình phù hợp để dự đoán các giá trị mong muốn.
Tình hình nghiên cứu
Vật liệu geopolymer được phát triển từ quá trình polymer hóa các nguyên liệu alumino-silicat trong môi trường kiềm, theo nghiên cứu của Joseph Davidovits vào năm 1979 Ông khẳng định rằng bất kỳ nguyên vật liệu nào chứa oxide silic và oxide nhôm đều có thể được sử dụng để sản xuất vật liệu geopolymer.
Quá trình gia nhiệt thích hợp giúp hình thành cấu trúc cường độ cho vật liệu geopolymer, tương tự như bê tông xi măng Khi chịu tác động của nhiệt độ, vật liệu geopolymer trải qua sự thay đổi pha, bao gồm sự phát triển tinh thể, khử nước và phân hủy vữa Những thay đổi này ảnh hưởng đáng kể đến tính chất cường độ của vật liệu geopolymer.
Mô hình ANN (Artificial Neural Network) mô phỏng hoạt động của các khớp thần kinh trong não người, nơi chức năng cảm ứng của neural sinh học nhận xung thần kinh dưới dạng tín hiệu hóa học và thực hiện nhiệm vụ thông qua các xác nhận logic Mạng neural (Neural networks, NN) sử dụng một mạng lưới các nút tương tự như tế bào thần kinh và các cạnh giống như khớp thần kinh để xử lý dữ liệu Dữ liệu đầu vào được truyền qua toàn bộ hệ thống, từ đó tạo ra một loạt các kết quả dự đoán.
1.2.3 Lịch sử phát triển của ANN
Cuối thế kỷ 19 và đầu thế kỷ 20, các nhà khoa học như Herman, Ernst Mach và Ivan Ivalov đã tiến hành nghiên cứu về vật lý, tâm lý và hệ thần kinh, từ đó đưa ra lý thuyết về quá trình học, tưởng tượng và quyết định của hệ thần kinh Tuy nhiên, những nghiên cứu này vẫn chưa cung cấp được mô tả toán học cho hoạt động của hệ thần kinh.
Vào năm 1943, Warren McCulloch và Walter Pits đã giới thiệu mô hình đơn giản của mạng nơ-ron bằng mạch điện tử, khẳng định rằng mạng nơ-ron nhân tạo có thể thực hiện các phép toán số học và logic Sự kiện này đánh dấu bước khởi đầu quan trọng cho lĩnh vực mạng nơ-ron.
Sau đó Donal Hebb đưa ra một cơ chế giải thích cho quá trình học (Learning) diễn ra trong các neural sinh học (trong cuốn Organnization of Behaviaor, 1949)
In the late 1950s, Frank Rosenblatt introduced the first practical application of Artificial Neural Networks (ANN) with his Perceptron model, which incorporated a learning rule for pattern recognition Around the same time, Bernard Widrow and Ted Hoff developed a learning algorithm that was utilized to train linear neural networks, similar to Rosenblatt's model.
Năm 1969, các nhà toán học Minsky và Papert đã chỉ ra những hạn chế của mạng Perceptron và mạng Widrow-Hoff, khiến nhiều người lo ngại rằng nghiên cứu về mạng nơ-ron sẽ rơi vào ngõ cụt Thêm vào đó, vào thời điểm này, sự thiếu hụt máy tính số mạnh để thực nghiệm đã làm chậm tiến độ nghiên cứu về mạng nơ-ron trong gần một thập kỷ.
Vào năm 1972, Teuvo Kohonen và James Anderson đã độc lập phát triển các mạng nơ-ron mới với khả năng ghi nhớ và tự tổ chức Cùng thời điểm này, Stephen Grossberg cũng tích cực nghiên cứu về các mạng tự tổ chức.
Vào thập kỷ 80, sự phát triển mạnh mẽ của ngành công nghiệp máy tính đã dẫn đến sự gia tăng đột ngột trong nghiên cứu về mạng nơ-ron (NN) Hai phát kiến quan trọng nhất trong thời kỳ này đã góp phần định hình tương lai của lĩnh vực trí tuệ nhân tạo.
Sử dụng cơ học thống kê để giải thích hoạt động của mạng hồi quy một lớp, loại mạng này được áp dụng như một bộ nhớ kết hợp, theo mô tả của nhà vật lý John Hopfield.
Sử dụng thuật toán lan truyền ngược (Backpropagation Algorithm) để huấn luyện mạng với cấu trúc nhận thức đa lớp (Multilayer perceptron) David
Rumelhalt và James McClrlland là những người trình bày thuật toán lan truyền ngược có ảnh hưởng nhất (1968)
1.2.2 Tình hình nghiên cứu ngoài nước
Ngành Công nghệ vật liệu Geopolymer, ra đời từ những năm 1960, đã thu hút sự quan tâm và nghiên cứu mạnh mẽ từ năm 1972 đến nay Hiện nay, nhiều bằng sáng chế và nghiên cứu đã được công bố, cho thấy sự ứng dụng rộng rãi của Geopolymer trong các lĩnh vực công nghệ vật liệu hiện đại như vật liệu cách nhiệt, vật liệu chống cháy, chất kết dính vô cơ và công nghệ xử lý chất thải trên toàn cầu.
Vào năm 1940, tác giả Purdon đã tiến hành nghiên cứu sử dụng xỉ lò cao được kích hoạt bằng dung dịch hydroxit natri Ông chỉ ra rằng quá trình phát triển cấu trúc diễn ra qua hai bước: đầu tiên là sự giải phóng các hợp nhất nhôm-silic và hydroxit canxi, sau đó là quá trình hydrat hóa nhôm và silic, đồng thời tái tạo dung dịch kiềm.
Cấu trúc hóa học của geopolymer tương tự như vật liệu ziotit trong tự nhiên nhưng cấu trúc ở dạng vô định hình thay vì dạng tinh thể (Polano, 1999)
Nghiên cứu của Palomo, Grutzeck và Blanco (1999) chỉ ra rằng điều kiện dưỡng hộ và tỷ lệ dung dịch alkali/tro bay có ảnh hưởng đáng kể đến cường độ bê tông Cả thời gian và nhiệt độ dưỡng hộ đều đóng vai trò quan trọng trong việc tăng cường cường độ Sự kết hợp giữa thủy tinh lỏng và dung dịch NaOH có thể tạo ra cường độ bê tông lên tới 60MPa khi được dưỡng hộ ở nhiệt độ thích hợp.
Van Jaarsveld (2002) đã chỉ ra rằng các đặc tính của geopolymer chịu ảnh hưởng bởi sự hòa tan không hoàn toàn của các vật liệu trong quá trình geopolymer hóa Cụ thể, hàm lượng nước, thời gian và nhiệt độ dưỡng hộ là những yếu tố quan trọng tác động đến chất lượng của geopolymer.
Nghiên cứu về vật liệu geopolymer (High – Akali – Poly) đã chỉ ra ứng dụng tiềm năng trong nhiều lĩnh vực kỹ thuật như hàng không, xây dựng và công nghiệp chất dẻo Kết quả cho thấy chất kết dính này có khả năng đóng rắn nhanh ở nhiệt độ phòng, với cường độ chịu nén có thể đạt tới 20 MPa chỉ sau 4 giờ.
8 nhiệt độ 200 0 C và có thể đạt từ 70 đến 100 MPa sau khi bảo dưỡng 28 ngày (Davidovits, 1999)
Hình 1.6 Công trình sử dụng GPC lần đầu tiên năm 2013
Mục tiêu đề tài
Sử dụng NDT kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén GPC
1.4 Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu là các yếu tố ảnh hưởng đến vận tốc truyền sóng, cường độ chịu nén GPC và cách thức hoạt động mô hình ANN Nghiên cứu giới
Cường độ chịu nén của GPC được xác định trong khoảng 10-35MPa, sử dụng phương pháp NDT với giá trị vận tốc siêu âm và súng bật nẩy Mô hình ANN và LR được áp dụng để tiên lượng, trong khi dữ liệu được phân tích và xử lý thông qua phương pháp phân tích thống kê.
Nghiên cứu lý thuyết kết hợp với mô phỏng và thực nghiệm kiểm chứng cường độ chịu nén Cường độ chịu nén được xác định bằng hai phương pháp: NDT sử dụng máy đo siêu âm và súng bật nẩy, cùng với việc nén trực tiếp phá hoại mẫu để đối chứng kết quả.
Nghiên cứu này khảo sát sự phát triển cường độ của bê tông bằng cách sử dụng cùng một hàm lượng tro bay và tỷ lệ dung dịch hoạt hóa không đổi, kết hợp với điều kiện dưỡng hộ nhiệt và nồng độ Alkaline khác nhau Phương pháp NDT được áp dụng theo các tiêu chuẩn hiện hành trong nước, tuy nhiên, do các tiêu chuẩn này chỉ giới hạn ở bảng tra và biểu đồ, nên nghiên cứu chỉ tập trung vào cường độ chịu nén của GPC trong khoảng từ 10 đến 35 MPa.
Mô hình ANN được áp dụng để đánh giá ảnh hưởng của các yếu tố thành phần và điều kiện dưỡng hộ đến tính chất vật liệu, từ đó dự đoán cường độ thông qua các thuật toán Kết quả này sau đó được so sánh với các thí nghiệm thực tế nhằm lựa chọn cấu trúc tối ưu cho mô hình dự báo, dựa trên phân tích và đánh giá từ phương pháp thống kê.
1.7 Ý nghĩa khoa học và thực tiễn của đề tài
Nâng cao hiểu biết về đặc điểm và tính chất của hỗn hợp GPC không chỉ giúp cải thiện chất lượng bê tông tại hiện trường mà còn tạo điều kiện cho việc áp dụng GPC vào thực tiễn Đồng thời, việc đề xuất cấu trúc mạng ANN phù hợp sẽ hỗ trợ hiệu quả trong việc tiên lượng chất lượng của loại bê tông này.
Kết quả nghiên cứu có thể áp dụng trong thiết kế và sản xuất các thành phần cốt liệu cho nhiều lĩnh vực khác nhau Ngoài ra, những kết quả này cũng là tài liệu tham khảo hữu ích cho các đơn vị xây dựng, nhà quản lý, cũng như làm tài liệu giảng dạy cho các chương trình đại học và sau đại học.
Phương pháp nghiên cứu
Nghiên cứu lý thuyết kết hợp với mô phỏng và thực nghiệm nhằm xác định cường độ chịu nén Phương pháp NDT được áp dụng, sử dụng máy đo siêu âm, súng bật nẩy và phương pháp nén trực tiếp để kiểm chứng kết quả.
Nội dung nghiên cứu
Nghiên cứu này khảo sát sự phát triển cường độ của bê tông bằng phương pháp NDT, sử dụng cùng một hàm lượng tro bay và tỷ lệ dung dịch hoạt hóa không đổi, nhưng với điều kiện dưỡng hộ nhiệt và nồng độ Alkaline khác nhau Theo các tiêu chuẩn hiện hành trong nước, nghiên cứu chỉ tập trung vào cường độ chịu nén của GPC trong khoảng từ 10 đến 35MPa, do các tiêu chuẩn này chủ yếu dựa vào bảng tra và biểu đồ.
Mô hình ANN được áp dụng để đánh giá ảnh hưởng của các yếu tố thành phần và điều kiện dưỡng hộ đến tính chất vật liệu, từ đó dự đoán cường độ thông qua các thuật toán trong mô hình Kết quả dự đoán sau đó được so sánh với các kết quả thí nghiệm thực tế, giúp lựa chọn cấu trúc tối ưu cho mô hình dự báo, dựa trên phân tích và đánh giá từ phương pháp thống kê.
Ý nghĩa khoa học và thực tiễn của đề tài
Nâng cao hiểu biết về đặc điểm và tính chất của hỗn hợp GPC là cần thiết, đồng thời tạo điều kiện cho việc ứng dụng GPC trong thực tiễn và đánh giá chất lượng bê tông tại hiện trường Bên cạnh đó, việc đề xuất cấu trúc mạng ANN phù hợp sẽ giúp tiên lượng hiệu quả cho loại bê tông này.
Kết quả nghiên cứu có thể ứng dụng trong thiết kế và sản xuất các thành phần cốt liệu cho nhiều lĩnh vực khác nhau Ngoài ra, các kết quả này cũng là tài liệu tham khảo hữu ích cho các đơn vị xây dựng, nhà quản lý, cũng như phục vụ cho việc giảng dạy ở bậc đại học và sau đại học.
CƠ SỞ LÝ THUYẾT
Bê tông Geopolymer
2.1.1 Thành phần chính tạo chất kết dính GPC
Chất kết dính Geopolymer được chế tạo thông qua quá trình polymer hóa nguyên liệu aluminosilicate giàu oxit Al2O3 và SiO2 dưới tác động của nhiệt độ Nghiên cứu đã tận dụng tro bay, một vật liệu giàu aluminosilicate, kết hợp với dung dịch hoạt hóa Alkaline để kích hoạt quá trình polymer hóa trong môi trường nhiệt độ, tạo ra chất kết dính hiệu quả.
Hình 2.1 Thành phần trong GPC (Vijaya Rangan, 2014) 2.1.1.1 Tro bay
Tro bay là một loại Puzzolan nhân tạo, được sản xuất từ quá trình đốt than đá tại các nhà máy nhiệt điện Các hạt bụi này được thu hồi qua hệ thống ống khói bằng phương pháp kết sương tĩnh điện hoặc máy thu chuyên dụng theo kỹ thuật lốc xoáy của J Davidovits (2002) Thành phần chính của tro bay bao gồm các oxit silic (SiO2), oxit nhôm (Al2O3), oxit sắt (Fe2O3), canxi oxit (CaO) và magie oxit (MgO) Hàm lượng của các thành phần này thay đổi tùy thuộc vào loại than được sử dụng và màu sắc của tro bay.
Hàm lượng các hợp chất trong tro bay ảnh hưởng đến chất lượng của nó, với đường kính hạt chủ yếu nằm trong khoảng 1 đến 20 micromet Đặc biệt, hàm lượng than chưa cháy (MKN) trong tro bay không được vượt quá 5% khối lượng để đảm bảo tính hiệu quả và an toàn của sản phẩm.
Tro bay được phân loại theo tiêu chuẩn ASTM 618, bao gồm hai loại chính là loại F và loại C, với thành phần hóa và tỉ lệ thành phần hóa học được quy định rõ ràng.
Tro bay loại F được sản xuất từ than anthracite hoặc bitum, với hàm lượng canxi oxit (CaO) dưới 6%, cho thấy đây là loại tro ít canxi và có tính chất puzzolan Loại tro này không có khả năng tự đóng rắn và chứa hơn 2% carbon chưa cháy khi tính theo lượng mất khi nung Thành phần khoáng chủ yếu của tro bay loại F bao gồm quartz, mullite và hematite.
Tro bay loại C, chứa hơn 15% canxi oxit (CaO), được biết đến là tro bay giàu canxi và đã được sử dụng trong ngành công nghiệp bê tông trong khoảng 20 năm qua Loại tro bay này không chỉ có tính puzzolan mà còn có khả năng tự đóng rắn, với phản ứng khi trộn nước tương tự như xi măng Portland Mức độ tự đóng rắn phụ thuộc vào hàm lượng canxi oxit; hàm lượng CaO cao thường dẫn đến khả năng đóng rắn tốt hơn Ngoài ra, hàm lượng carbon chưa cháy trong tro bay là dưới 1%, trong khi các thành phần khoáng chủ yếu bao gồm anhydride, tricanxi aluminat, đá vôi, quartz, periclase, mullite, merwinite và ferrite.
Hình 2.2 Tro bay loại C và loại F (nguồn wikipedia)
Bảng 2.1 Thành phần vật lý của tro bay
Thành phần vật lý thí nghiệm
Hàm lượng lọt sàng 0.05 mm (%)
Chỉ số hoạt tính cường độ sau 28 ngày (%)
Chỉ số hoạt tính cường độ sau 7 ngày (%)
Lượng mất sau khi nung (g)
TCVN 141-98 Tro bay nhà máy điện Phả lại 2,74 88 85 78,5 4,76
Tro bay nhà máy điện Formosa 2,4 93,5 90,7 79,6 1,0
2.1.1.2 Dung dịch kiềm Alkaline Silicate
Dung dịch hoạt hóa Alkaline là sự kết hợp giữa sodium hydroxide và sodium silicate
Sodium silicate, hay còn gọi là thủy tinh lỏng, là một dung dịch trong suốt được sử dụng phổ biến trong các lĩnh vực như chất kết dính và sơn Thành phần hóa học chính của thủy tinh lỏng bao gồm hỗn hợp M2O (oxit kim loại kiềm như Na2O, K2O hoặc Li2O), SiO2 và nước, với công thức tổng quát được biểu thị là M2O.nSiO2.mH2O.
Sodium hydroxide được sản xuất từ natri nguyên chất dưới dạng vảy rắn màu trắng đục, với độ tinh khiết trên 90% Các nồng độ NaOH khác nhau được tạo ra tùy thuộc vào tỷ lệ pha trộn giữa nước và natri nguyên chất.
2.1.2 Chất kết dính Geopolymer (J Davidovits, 2002)
Trong hỗn hợp Geopolymer, các hạt tro bay hình cầu với nhiều kích thước khác nhau tồn tại, thường rỗng và có thể chứa các khối cầu nhỏ hơn bên trong Dung dịch kiềm alkaline và quá trình dưỡng hộ nhiệt tác động lên các thành phần này, hình thành sản phẩm ở trạng thái gel Gel này liên kết với các sản phẩm gel khác, tạo ra một sản phẩm có tính dính kết cao.
Một số phần tử tro bay chưa phản ứng sẽ được bao bọc bởi sản phẩm của quá trình phản ứng, dẫn đến việc những phần tử này phản ứng rất chậm.
Mô hình quá trình hoạt hóa của dung dịch kiềm alkali đối với tro bay được minh họa như sau: nh 2.3 Cấu trúc vi mô của Geopolymer (J Davidovits, 2002)
Phản ứng hóa học bắt đầu tại bề mặt hạt tro bay, tạo ra các lỗ lớn hơn và lộ cấu trúc bên trong rỗng hoặc chứa các phần tử nhỏ Dung dịch kiềm alkali tác động từ ngoài vào trong và ngược lại, dẫn đến sản phẩm phản ứng hình thành cả bên trong và bên ngoài lớp vỏ hạt tro bay Đồng thời, dung dịch này cũng thâm nhập vào cấu trúc rỗng, phản ứng với các phần tử nhỏ bên trong, làm đầy không gian rỗng bằng sản phẩm phản ứng.
Quá trình tích tụ sản phẩm phản ứng dẫn đến việc hình thành lớp sản phẩm bao bọc các hạt cầu tro bay, ngăn cản chúng tiếp xúc với dung dịch alkaline Các phản ứng tiếp theo tạo ra sản phẩm kết nối với lớp sản phẩm trên, diễn ra đồng thời với tác động của môi trường pH Tro bay nằm dưới lớp sản phẩm có thể không bị ảnh hưởng bởi môi trường pH cao, tùy thuộc vào chất hoạt hóa sử dụng Chất hoạt hóa đóng vai trò quan trọng trong quá trình khuếch tán hóa lý Mức độ phản ứng khác nhau tại các thời điểm khác nhau tạo ra sản phẩm với độ thấm khác nhau.
Thủy tinh lỏng trong dung dịch hoạt hóa đóng vai trò quan trọng trong việc phát triển cấu trúc vi mô tương tự như cấu trúc của xi măng Cấu trúc này đặc trưng bởi tính ổn định, không thay đổi hình dạng và ít có khoảng trống Tuy nhiên, cấu trúc này có thể bị gián đoạn khi có sự xuất hiện của các phần tử tro bay không phản ứng và hạt tro Thành phần natri (Na) cũng góp phần ảnh hưởng đến tính chất của cấu trúc này.
Trong cấu trúc này, sự hoạt hóa thường xảy ra nhiều hơn khi chỉ sử dụng NaOH Tuy nhiên, cấu trúc vi mô được hình thành khi có mặt của thủy tinh lỏng thường tương tự như cấu trúc được kích hoạt bởi dung dịch kiềm và được dưỡng hộ nhiệt trong thời gian dài hơn.
Theo Van Jaarsveld (1997) và Davidovits (1999), sự tạo thành Geopolymer có thể được diễn tả bằng hai phản ứng hóa học sau:
Phương trình phản ứng cho thấy nước được tạo ra trong quá trình hình thành Geopolymer Lượng nước này bị loại bỏ khỏi cấu trúc Geopolymer trong quá trình đổ khuôn và dưỡng hộ nhiệt sau đó, để lại những tác động nhất định đến tính chất của vật liệu.
Phương pháp xác định cường độ bê tông
2.2.1 Phương pháp phá hoại mẫu
Chuẩn bị mẫu thử nén theo nhóm mẫu Mỗi nhóm gồm 3 mẫu thử theo yêu cầu kỹ thuật xây dựng của TCVN 3118:1993
Viên mẫu chuẩn để xác định cường độ nén của cửa bê tông là viên lập phương có kích thước 150 x 150 x 150mm Đối với các viên mẫu lập phương có kích thước khác và các viên mẫu trụ, sau khi thực hiện thử nén, kết quả phải được quy đổi về cường độ của viên mẫu chuẩn.
Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm
Lực tối đa của mẫu bê tông là giá trị tải trọng phá hoại, trong đó cường độ nén của từng viên mẫu (R) được tính bằng daN/cm² (KG/cm²) theo công thức.
P - Tải trọng phá hoại, tính bằng daN;
F - Diện tích chịu lực nén của viên mẫu, tính bằng cm 2 ;
24 α - Hệ số tính đổi kết quả thử nén các viên mẫu bê tông kích thước khác viên chuẩn về cường độ của viên mẫu chuẩn kích thước 150 x
150 x 150mm nh 2.11 Mẫu nén bị phá hoại thực tế 2.2.2 Phương pháp không phá hoại mẫu
2.2.2.1 Sử dụng súng bật nẩy
Phương pháp không phá hoại mẫu theo tiêu chuẩn TCVN 9334:2012 được áp dụng để xác định cường độ nén của bê tông nặng bằng súng bật nẩy Thiết bị sử dụng trong phương pháp này là súng thử bê tông loại bật nẩy, có năng lượng va đập dao động từ 0,225 kgm đến 3 kgm.
Cường độ nén của bê tông được xác định dựa trên mối quan hệ thực nghiệm giữa cường độ nén của mẫu bê tông (R) và trị số bật nẩy trung bình (n) thu được từ súng bật nẩy Để thiết lập mối quan hệ R – n, các mẫu bê tông hình lập phương với kích thước 150 mm x 150 mm x 150 mm được sử dụng trong quá trình thử nghiệm.
150 mm x 150 mm theo yêu cầu kỹ thuật xây dựng của TCVN 3105:1993
25 nh 2.13 Bảng tra súng bật nẩy (TCVN 9334:2012)
Trong thí nghiệm xác định trị số bật nẩy theo phương ngang, mẫu bê tông được nén với áp lực 0,5 MPa Đối với trị số bật nẩy theo chiều từ trên xuống, mẫu bê tông cần được đặt trên nền phẳng của vật cứng có khối lượng tối thiểu 500 kg Cường độ bê tông của một loại mác được xác định thông qua mối quan hệ R – n, dựa trên kết quả thí nghiệm của ít nhất 20 tổ mẫu, mỗi tổ gồm 3 viên mẫu Các mẫu phải có cùng thành phần cấp phối, tuổi và điều kiện đóng rắn giống như bê tông sử dụng cho sản phẩm hoặc kết cấu cần kiểm tra, và các tổ mẫu phải được lấy từ các mẻ trộn bê tông khác nhau trong vòng 14 ngày.
Khi thực hiện thí nghiệm, cần đảm bảo rằng các điểm thí nghiệm cách mép kết cấu ít nhất 50 mm và đối với mẫu thí nghiệm, khoảng cách này tối thiểu là 30 mm Ngoài ra, khoảng cách giữa các điểm thí nghiệm trên kết cấu hoặc mẫu cũng không được nhỏ hơn quy định.
Tuổi bê tông của kết cấu được kiểm tra trong khoảng thời gian từ 14 đến 56 ngày Nếu thời gian này vượt quá giới hạn, cần áp dụng hệ số ảnh hưởng của tuổi để đánh giá cường độ bê tông Bề mặt bê tông tại khu vực thí nghiệm phải được làm nhẵn và sạch bụi, với diện tích mỗi khu vực thí nghiệm không nhỏ hơn 400 cm2 Trong quá trình thí nghiệm, trục của súng phải luôn giữ vuông góc với bề mặt bê tông.
Phương pháp thí nghiệm trên kết cấu và mẫu cần đảm bảo tính nhất quán trong việc xây dựng mối quan hệ R – n Đối với mỗi khu vực thí nghiệm, yêu cầu thực hiện ít nhất 16 điểm đo, trong đó có thể loại bỏ 3 giá trị cực đại và 3 giá trị cực tiểu không hợp lệ.
Trong số 26 trị dị thường nhỏ nhất, chỉ còn lại 10 giá trị để tính trung bình Giá trị bật nẩy được xác định chính xác đến 1 vạch chia trên thang chỉ thị của súng bật nẩy.
2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm
Nguyên tắc sống âm trong vật liệu rắn cho thấy rằng chúng là chất dẫn sóng âm hiệu quả, không chỉ phản hồi sóng trên bề mặt mà còn cả các khuyết tật nội bộ Sự tương tác giữa sóng âm và chất liệu khiến tần số phát ra thấp hơn tần số thu tại đầu thu Ba hình thức lan truyền sóng gồm tán xạ, nhiễu xạ và phản xạ được sử dụng để xác định độ đặc chắc của mẫu vật.
Phương pháp không phá hoại mẫu theo tiêu chuẩn TCVN 9335:2012 cho bê tông nặng xác định cường độ nén bằng cách kết hợp máy đo siêu âm và súng bật nẩy Cường độ chịu nén của bê tông (R) được xác định dựa trên mối tương quan giữa cường độ này với vận tốc siêu âm (v) và độ cứng bề mặt thông qua trị số n từ súng thử bê tông bật nẩy (quan hệ R-v,n) Ngoài ra, phương pháp còn sử dụng các số liệu kỹ thuật liên quan đến thành phần bê tông để đảm bảo độ chính xác trong đánh giá.
Cường độ chịu nén của bê tông được xác định thông qua biểu đồ hoặc bảng tra dựa trên vận tốc siêu âm và trị số bật nẩy đo được trên mẫu bê tông thử nghiệm Giá trị này tương ứng với cường độ nén của bê tông tiêu chuẩn, loại bê tông quy ước được sử dụng trong các phép thử.
Bê tông tiêu chuẩn được xây dựng với các thành phần chính như xi măng poóc lăng PC30, hàm lượng xi măng đạt 350 kg/m³, cốt liệu lớn là đá dăm với đường kính lớn nhất Dmax mm, và cốt liệu nhỏ là cát vàng.
Để xác định cường độ nén của bê tông có thành phần khác với bê tông tiêu chuẩn, cần điều chỉnh bằng các hệ số ảnh hưởng Cường độ nén của bê tông thử nghiệm nằm trong khoảng từ 2.0 đến 3.0 Các số liệu kỹ thuật quan trọng bao gồm loại xi măng, hàm lượng xi măng sử dụng cho 1 m3 bê tông, cùng với loại cốt liệu lớn và đường kính lớn nhất của nó (Dmax).
28 nh 2.15 Biểu đồ xác định cường độ bê tông tiêu chuẩn (TCVN 9335:2012)
Bảng 2.3 Bảng xác định cường độ nén tiêu chuẩn (TCVN 9335:2012) v
Để xác định vận tốc siêu âm, cần đo khoảng cách và thời gian truyền xung siêu âm Thời gian truyền được đo bằng máy đo siêu âm, với sai số không vượt quá giá trị Δ, được tính theo công thức Δ = 0,01t + 0,1, trong đó t là thời gian truyền tính bằng micro giây (μs).
Phương pháp xử lý số liệu
Cường độ và vận tốc siêu âm bị ảnh hưởng bởi nhiều điều kiện, được xem là các biến cần phân tích thông qua phương pháp thống kê Mô hình hồi quy tuyến tính (LR) và mạng nơ-ron nhân tạo (ANN) được sử dụng để xác định mối quan hệ giữa các đại lượng và điều chỉnh các yếu tố ảnh hưởng đến biến tiên lượng Mục tiêu là dự đoán cường độ của GPC bằng cách lựa chọn mô hình phù hợp với thực tế, dựa trên hai tiêu chí R² và SSE Giá trị R² cao cho thấy khả năng dự đoán của mô hình tốt, trong khi giá trị SSE thấp lại phản ánh điều ngược lại.
2.3.1 Mô hình hồi quy tuyến tính (LR)
Mô hình hồi quy là công cụ phổ biến trong phân tích thống kê, nhằm đánh giá mối quan hệ giữa các biến Hồi quy loại I thường được sử dụng để khảo sát ảnh hưởng của biến độc lập (tín hiệu đầu vào) đối với biến phụ thuộc (tín hiệu đầu ra – biến tiên lượng), giúp giải thích cách mà tín hiệu đầu vào tác động đến đầu ra Ngoài ra, mô hình hồi quy loại II cũng có cấu trúc tương tự, phục vụ cho các phân tích khác nhau.
Các tín hiệu trong quá trình phân tích không hoạt động độc lập mà có sự ảnh hưởng lẫn nhau Bảng 2.4 cung cấp một bảng thuật ngữ ngắn gọn cho các loại mô hình.
Bảng 2.4 Bảng thuật ngử mô hình LR thường được sử dụng (Inna Boldina, 2015)
Mô hình hồi quy, được Fraccis Galton (1886) giải thích, thể hiện mối liên hệ giữa biến phụ thuộc y, đại diện cho xu hướng cần đánh giá, và biến độc lập x, phản ánh tín hiệu từ quan sát thực tế Để minh họa rõ ràng mối quan hệ này, một hàm số hồi quy đã được thiết lập.
Thành tố "tuyến tính" trong hàm hồi quy đề cập đến tính chất của các thông số β0 và βj, cho thấy chúng là tuyến tính (bậc nhất) mà không phụ thuộc vào tính tuyến tính của biến Xj Các hệ số hồi quy βj (j = 1, 2, 3, … p) đo lường mối liên hệ giữa biến Y và biến X, trong khi ε đại diện cho phần dư của mô hình, phản ánh giá trị Y không thể giải thích bởi hàm hồi quy, với giả định rằng ε tuân theo phân phối chuẩn và có phương sai σ².
Phương pháp OLS (Ordinary Least Square) là một công cụ phổ biến và hiệu quả trong việc ước tính βj và σ² từ dữ liệu thực tế của các cặp số (y1, x1), (y2, x2), (y3, x3), …, (yn, xn) Theo Monahan (2008), phương pháp này còn được gọi là phương pháp “BLUE”, dựa trên các giả định của Gauss–Markov Phương pháp OLS áp dụng lý thuyết phức tạp vào thực tiễn một cách đơn giản, giúp người dùng dễ dàng tiếp cận và sử dụng.
34 thiện hơn với người dùng, mà vẫn đạt được hiệu quả nhất định, hình 2.22 trình bày cái nhìn tổng qua cho lý thuyết phức tạp của LR
Hình 2.21 Bảng tổng hợp các mô hình hồi quy trên cơ sở phương pháp OLS
Phương pháp OLS (Ordinary Least Squares) là một kỹ thuật thống kê được sử dụng để ước lượng các tham số β0 và βj, nhằm tối thiểu hóa độ lệch giữa các giá trị quan sát và giá trị dự đoán Mục tiêu chính của phương pháp này là tìm giá trị nhỏ nhất của hàm SSE (Tổng bình phương sai số - Sum of Square Error), từ đó cải thiện độ chính xác của mô hình.
Ước số cho β0 và βj đáp ứng điều kiện nhỏ nhất đó là:
Trong đó: x và y là giá trị trung bình của biến số x và y Các giá trị, 0 và
j là các ước số (estimates) từ mô hình, nên các ước số 0 và j là giá trị tương đối trong một khoảng xác định sau khi mô hình thực hiện
Dựa trên các tín hiệu từ quan sát thực tế, không chỉ có hai biến tạo ra không gian ba chiều, mà có nhiều biến khác nhau Do đó, phương trình 2.7 được viết dưới dạng ma trận để thể hiện mối quan hệ phức tạp giữa các biến này.
Để giải phương trình này cần tìm ra với: (X X T ) 1 X Y T
Hình 2.22 Ý nghĩa mô hình LR đa biến (Fraccis Galton, 1886)
Khi áp dụng mô hình hồi quy logistic (LR) vào phân tích cường độ chịu nén của GPC, tác giả đã đánh giá mối quan hệ giữa biến phụ thuộc y, đại diện cho cường độ bê tông cần xác định, và các biến độc lập x, bao gồm nồng độ NaOH, thời gian dưỡng hộ nhiệt, và nhiệt độ dưỡng hộ.
Cường độ = β0 + β1(Nồng độ NaOH) + β2(Thời gian) + β3(Nhiệt độ) + + βjx p + εi
Hình 2.23 Mô hình LR đa biến 2.3.2 Mô hình mạng thần kinh nhân tạo (ANN)
Mạng nơ-ron nhân tạo (ANN) ngày càng được ứng dụng rộng rãi trong lĩnh vực kỹ thuật, như Waszczyszyn (2000) đã chỉ ra ANN là công cụ hiệu quả để kết hợp nhiều thông số và thể hiện mối tương quan giữa chúng, đồng thời sử dụng các thuật toán phức tạp để dự đoán hiện tượng ngay cả khi thông tin chưa đầy đủ Trong nghiên cứu này, các thông số đầu vào bao gồm vật liệu và các đặc tính cường độ, đặc biệt là cường độ bê tông, với cường độ nén là chỉ số chính thể hiện sức mạnh của bê tông.
ANN là một mô hình đơn giản của hệ thống thần kinh sinh học, trong đó mỗi nơ-ron nhân tạo thực hiện hai chức năng chính: tổng hợp thông tin đầu vào và tạo ra đầu ra.
Hình 2.24 Tương quan giữa một neural sinh học và neural nhân tạo
Mỗi neuron nhân tạo trong mạng neural có nhiều đầu vào và một đầu ra Mỗi đầu vào được gán một trọng số, phản ánh mức độ liên kết tương tự như các khớp nối trong mạng neural sinh học Trọng số có thể là dương hoặc âm, tương ứng với hai loại khớp nối trong mạng neural sinh học: khớp nối kích thích và khớp nối ức chế.
Mỗi neuron có một giá trị ngưỡng riêng, và chức năng đầu vào của nó là tổng có trọng số của các tín hiệu đầu vào Tổng này kết hợp với giá trị ngưỡng để tạo ra tín hiệu đầu vào, được gọi là Summation.
(m lớp ẩn) với S m-1 : số neural trên lớp m-1
Đầu ra của lớp m-1 được biểu diễn bởi biến m u t, trong khi m b i (bias) đại diện cho ngưỡng của hàm Chức năng tạo đầu ra được thể hiện qua hàm Transfer, nhận tín hiệu đầu vào từ quá trình tổng hợp và tạo ra tín hiệu đầu ra cho mạng nơ-ron.
Quá trình nhận thức (Machine Learning) kết hợp hai chức năng đầu vào và chức năng tạo đầu ra, với mục tiêu cải thiện hiệu suất thực hiện nhiệm vụ sau nhiều lần hoàn thành.
Hình 2.25 Hoạt động đơn giản một neural (David Kriesel, 2007)
