TỔNG QUAN
Sự cần thiết của đề tài nghiên cứu
Sự nóng lên toàn cầu chủ yếu do hiệu ứng nhà kính, trong đó khoảng 65% lượng khí thải CO2 đến từ hoạt động của con người (SalawuOS, 1997) Ngành công nghiệp xi măng đóng góp 7% vào tổng lượng khí thải toàn cầu, tương đương 1,35 tỷ tấn mỗi năm, với mỗi tấn xi măng OPC sản xuất thải ra khoảng một tấn CO2 L.Krishnan (2014) cảnh báo rằng lượng khí thải có thể tăng hơn 50% so với mức cho phép hiện tại Theo Bộ Xây dựng, tổng công suất các nhà máy xi măng ở Việt Nam đạt khoảng 81,5 triệu tấn, trong khi dự kiến tiêu thụ sẽ tăng 5-7% trong năm 2016 so với năm 2015, đạt khoảng 75 triệu tấn.
Lượng xi măng tiêu thụ đã đạt 76 triệu tấn, dẫn đến sự gia tăng khí thải tương ứng với mức tiêu thụ Điều này đặt ra thách thức cho ngành công nghiệp xi măng trong việc sản xuất đủ lượng xi măng cần thiết để đáp ứng nhu cầu xây dựng, nguồn nguyên liệu chính cho bê tông Giải pháp cho vấn đề này là sử dụng bê tông công nghệ geopolymer, không chỉ đáp ứng nhu cầu vật liệu mà còn góp phần giảm thiểu ô nhiễm môi trường do khí thải và các phế phẩm chưa được xử lý.
Lượng phế phẩm công nghiệp chưa qua xử lý vẫn còn rất lớn, với khoảng 780 triệu tấn tro bay được sản xuất toàn cầu mỗi năm, nhưng chỉ có 17-20% được sử dụng (J Davidovits, 2002) Tại Việt Nam, tổng công suất các nhà máy nhiệt điện đốt than hiện nay đạt khoảng 4800MW, thải ra 4,8 triệu tấn tro xỉ mỗi năm Việc thải tro bay vào môi trường gây ảnh hưởng nghiêm trọng đến sức khỏe và môi trường sống của con người.
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 thân thiện với môi trường giúp giảm hiệu ứng nhà kính từ 26-45% so với bê tông xi măng truyền thống, đồng thời vẫn giữ được các ưu điểm vượt trội như dễ đạt cường độ cao trong thời gian ngắn, tính thấm thấp và khả năng chịu nhiệt tốt, phù hợp với yêu cầu chống cháy của công trình Hơn nữa, vật liệu này còn có khả năng chống ăn mòn bởi axit, mang lại hiệu quả cao cho các dự án xây dựng (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 (J.
Việc sử dụng phương pháp phá hoại mẫu không chỉ gây ô nhiễm môi trường do thải ra một lượng lớn phế phẩm mà còn tốn kém chi phí xử lý Hơn nữa, phương pháp này không kinh tế trong việc sử dụng và bảo trì thiết bị, bởi vì thiết bị phải hoạt động trong môi trường chịu ứng suất lớn từ việc 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) không chỉ giúp giảm chi phí sản xuất và hạn chế lượng bê tông phế phẩm do nén phá hoại mẫu, mà còn đáp ứng nhu cầu xác định cường độ cho các cấu kiện lớn được đúc tại chỗ với khối lượng kiểm tra và số lượng mẫu lớn Phương pháp này còn được mở rộng ứng dụng trong việc kiểm định các công trình hiện hữu, đánh giá chất lượng, và đảm bảo an toàn cho những công trình quan trọng như nhà máy điện hạt nhân, lĩnh vực hàng không, và xưởng hóa chất nguy hiểm Nhờ vào sự phát triển vượt bậc của công nghệ và thiết bị hiện đại, độ chính xác trong kiểm tra cường độ ngày càng cao, khiến cho việc sử dụng phương pháp NDT trở thành yếu tố thiết yếu 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 cải thiện độ chính xác trong việc xác định cường độ bê tông, giảm thời gian và nhân lực thực hiện, đồng thời loại bỏ sai sót trong thi công Mô hình Artificial Neural Networks (ANN) đã trở thành công cụ mạnh mẽ trong việc tiên lượng, 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 mạng nơ-ron nhân tạo (ANN) vượt trội hơn so với thống kê truyền thống nhờ vào khả năng sử dụng các thuật toán mô phỏng tinh vi, cho phép thiết lập các hàm phức tạp Đặc biệt, ANN có khả năng giải quyết các mối quan hệ phi tuyến trong các bài toán có số biến lớn hơn nhiều so với số đối tượng quan sát, trong khi hầu hết các phương pháp thống kê truyền thống chỉ hiệu quả trong các trường hợp có số biến ít hơn số đối tượng quan sát.
Mạng nơ-ron nhân tạo (ANN) thân thiện với người sử dụng, có khả năng thu thập thông tin từ dữ liệu quá khứ và sử dụng các thuật toán huấn luyện để tự động phân loại và xác định cấu trúc dữ liệu Điều này giúp ANN xây dựng mô hình phù hợp nhằm dự đoán các giá trị mong muốn.
Tình hình nghiên cứu
Vật liệu geopolymer được chế tạo nhờ vào quá trình polymer hóa nguyên liệu alumino – silicat trong môi trường kiềm do giáo thư Joseph Davidovits đưa ra năm
1979 Theo Joseph Davidovits "Bất kỳ một nguyên vật liệu nào có chứa oxide silic và oxide nhôm đều có thể sử dụng để tạo ra vật liệu geopolymer".
Quá trình gia nhiệt thích hợp tạo ra 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 phát triển tinh thể, khử nước và phân hủy vữa geopolymer Những biến đổi này ảnh hưởng đáng kể đến tính chất cường độ của vật liệu geopolymer.
Mô hình ANN mô phỏng hoạt động của các khớp thần kinh trong não người, cho phép nhận và xử lý thông tin qua các tín hiệu hóa học Neural networks (NN) sử dụng mạng lưới các nút như tế bào thần kinh và các cạnh như khớp thần kinh để xử lý dữ liệu Dữ liệu đầu vào được truyền qua hệ thống, tạo ra một loạt 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 nghiên cứu về vật lý, tâm lý và hệ thần kinh, đưa ra lý thuyết về quá trình học, tưởng tượng và quyết định của hệ thần kinh Tuy nhiên, vẫn chưa có mô tả toán học cho hoạt động của hệ thần kinh.
Năm 1943, Warren McCulloch và Walter Pits đã giới thiệu mô hình đơn giản của mạng nơ-ron (NN) bằng mạch điện tử, khẳng định rằng NN nhân tạo có thể thực hiện các phép toán số học và logic Đây được coi là bước khởi đầu quan trọng cho sự phát triển của 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 they utilized to train linear neural networks, similar to Rosenblatt's model.
Năm 1969, hai nhà toán học nổi tiếng Minskey 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 đó, sự thiếu hụt máy tính số mạnh đã làm chậm tiến trình 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 (NN) mới với khả năng ghi nhớ và tự tổ chức Cùng thời điểm này, Stephen Grossberg cũng tiến hành nghiên cứu sâu 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 các nghiên cứu về mạng nơ-ron (NN) Hai phát kiến quan trọng nhất trong thời kỳ này đã đóng góp đáng kể vào sự tiến bộ của lĩnh vực này.
Sử dụng cơ học thống kê để giải thích hoạt động của mạng hồi quy một lớp, loại mạng này được xem như một bộ nhớ kết hợp, đã được nhà vật lý John Hopfield mô tả Mạng hồi quy này cho phép lưu trữ và truy xuất thông tin hiệu quả, đóng vai trò quan trọng trong các ứng dụng trí tuệ nhân tạo và học máy.
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, mặc dù 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 phát triển, cùng với việc ứng dụng 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, được triển khai rộng rãi trên toàn cầu.
Vào năm 1940, tác giả Purdon đã tiến hành nghiên cứu sử dụng xỉ lò cao kích hoạt bằng dung dịch hydroxit natri Ông cho 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, tiếp theo 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) cho thấy rằng điều kiện dưỡng hộ và tỷ lệ dung dịch alkali/tro bay có ảnh hưởng đáng kể đến cường độ bê tông Cụ thể, cả thời gian và nhiệt độ dưỡng hộ đều tác động đến cường độ của bê tông Sự kết hợp giữa thủy tinh lỏng và dung dịch NaOH có thể tạo ra cường độ lên đến 60MPa khi được dưỡng hộ ở nhiệt độ thích hợp.
Van Jaarsveld (2002) đã nghiên cứu các đặc tính của geopolymer và chỉ ra rằng sự hòa tan không hoàn toàn giữa các vật liệu trong quá trình geopolymer hóa có ảnh hưởng đến chất lượng của sản phẩm Cụ thể, hàm lượng nước, thời gian và nhiệt độ dưỡng hộ là những yếu tố quan trọng quyết định đặc tính của geopolymer.
Nghiên cứu về vật liệu geopolymer (High – Akali – Poly) đã chỉ ra rằng nó có ứng dụng rộng rãi trong nhiều lĩnh vực kỹ thuật như hàng không, xây dựng và công nghiệp chất dẻo Chất kết dính mới này có khả năng đóng rắn nhanh ở nhiệt độ phòng, với cường độ chịu nén đạt tới 20 MPa sau 4 giờ ở 200 độ C và có thể đạt từ 70 đến 100 MPa sau 28 ngày bảo dưỡng (Davidovits, 1999).
Hình 1.6 Công trình sử dụng GPC lần đầu tiên năm 2013
John L Provis và Jannie S J van Deventer (2014) đã xuất bản một ấn phẩm nghiên cứu về cấu trúc, công nghệ, đặc tính và ứng dụng của Geopolymer Ấn phẩm này tập trung vào cấu trúc tinh thể của vữa geopolymer, từ đó đánh giá các đặc tính nổi bật cũng như ứng dụng đa dạng của vật liệu này trong đời sống và sản xuất công nghiệp.
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 hạn cường độ chịu nén GPC trong khoảng 10-35MPa Sử dụng giá trị vận tốc siêu âm và súng bật nẩy trong phương pháp NDT Ứng dụng mô hình ANN và LR trong bài toán tiên lượng Phân tích và xử lý số liệu theo phương pháp phân tích thống kê.
Nghiên cứu lý thuyết kết hợp với mô phỏng và thực nghiệm nhằm kiểm chứng cường độ chịu nén Phương pháp xác định cường độ này bao gồm NDT, sử dụng máy đo siêu âm, súng bật nẩy và phương pháp nén trực tiếp phá hoại mẫu để đối chứng Kết quả thu được từ các phương pháp này sẽ được phân tích và so sánh để đảm bảo tính chính xác và độ tin cậy của nghiên cứu.
Nghiên cứu này khảo sát sự phát triển cường độ của bê tông sử dụng tro bay với tỷ lệ dung dịch hoạt hóa không đổi và điều kiện dưỡng hộ nhiệt khác nhau, cùng với nồng độ Alkaline đa dạng Phương pháp kiểm tra được thực hiện theo tiêu chuẩn NDT hiện hành trong nước, tuy nhiên, do các tiêu chuẩn này chỉ cung cấp 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 trong mô hình Kết quả này được đối chiếu 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 là bước quan trọng để áp dụng vào thực tiễn, đồng thời đánh giá chất lượng bê tông tại hiện trường Việc đề xuất cấu trúc mạng ANN phù hợp sẽ hỗ trợ hiệu quả trong việc tiên lượng cho 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 phục vụ cho giảng dạy ở cấp đại học và sau đại học.
Phương pháp nghiên cứu
Nghiên cứu lý thuyết kết hợp với mô phỏng và thực nghiệm kiểm chứng nhằm xác định cường độ chịu nén Cường độ này được đo bằng hai phương pháp: NDT, sử dụng máy đo siêu âm và súng bật nẩy, cùng với phương pháp nén trực tiếp phá hoại mẫu để đối chứng.
Nội dung nghiên cứu
Nghiên cứu này khảo sát sự phát triển cường độ bê tông bằng cách sử dụng cùng 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, mặc dù các tiêu chuẩn này chỉ giới hạn ở bảng tra và biểu đồ Kết quả nghiên cứu tập trung vào cường độ chịu nén của GPC trong khoảng từ 10 đến 35MPa.
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 sau khi thí nghiệm sẽ được đối chứng để lựa chọn cấu trúc tối ưu cho mô hình dự báo, dựa trên các phân tích và đánh giá từ phương pháp phân tích 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 để áp dụng vào thực tiễn và đánh giá chất lượng bê tông tại hiện trường Đồng thời, việc đề xuất cấu trúc mạng ANN phù hợp sẽ hỗ trợ cho việc tiên lượng hiệu quả của loại bê tông này.
Kết quả nghiên cứu có thể ứng dụng trong thiết kế và sản xuất cốt liệu cho nhiều lĩnh vực khác nhau Ngoài ra, những kết quả này còn là tài liệu tham khảo quý giá cho các đơn vị xây dựng, nhà quản lý, cũng như phục vụ giảng dạy tại các trường 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 tạo ra từ quá trình polymer hóa nguyên liệu giàu aluminosilicate, bao gồm oxit Al2O3 và SiO2, dưới tác động của nhiệt độ Nghiên cứu này khai thác 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.
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 tạo ra từ quá trình đốt than đá tại các nhà máy nhiệt điện Hạt bụi này được thu hồi qua các ống khói bằng phương pháp kết sương tĩnh điện hoặc máy thu chuyên dụng theo 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 các oxit này phụ thuộc vào loại than được sử dụng, trong khi màu sắc của tro bay cũng phản ánh hàm lượng các hợp chất có trong nó Đường kính của phần lớn các hạt tro bay nằm trong khoảng từ 1µm đến 20µm, và hàm lượng than chưa cháy (MKN) thường không được phép vượt quá 5% khối lượng của tro bay.
Tro bay được quy định theo tiêu chuẩn ASTM 618, với hai loại chính là loại F và loại C Tỉ lệ thành phần hóa học của tro bay đóng vai trò quan trọng trong ứng dụng xây dựng và vật liệu.
Tro bay loại F là loại tro được tạo ra từ than anthracite hoặc bitum, với hàm lượng canxi oxit (CaO) dưới 6%, thuộc nhóm tro ít canxi và có tính chất puzzolan mà không có khả năng tự đóng rắn Ngoài ra, tro bay loại F còn chứa hơn 2% carbon chưa cháy theo lượng mất khi nung, với các thành phần khoáng chủ yếu là 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 chất puzzolan mà còn có khả năng tự đóng rắn, với mức độ tự đóng rắn phụ thuộc vào hàm lượng canxi oxit có trong tro Cụ thể, hàm lượng CaO càng cao thì khả năng đóng rắn của tro bay càng mạnh Đồng thời, hàm lượng carbon chưa cháy trong tro bay, tính theo lượng mất khi nung, thường dưới 1% Các thành phần khoáng chính trong tro bay 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
Tro bay nhà máy điện Phả lại Tro bay nhà máy điện Formosa
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 chính của thủy tinh lỏng là hỗn hợp oxit kim loại alkali, bao gồm Na2O, K2O và Li2O.
SiO2 và nước Công thức chung có thể viết là M2O.nSiO2.mH2O.
Sodium hydroxide được tạo ra từ natri nguyên chất ở dạng vảy rắn, có màu trắng đục và độ tinh khiết trên 90% Sản phẩm này có nhiều nồng độ NaOH khác nhau, 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, có sự hiện diện của nhiều hạt tro bay hình cầu với kích thước đa dạng Những hạt cầu này thường có cấu trúc rỗng và đôi khi bên trong chứa các khối cầu nhỏ hơn Tác động của chúng đến tính chất của Geopolymer là rất quan trọng.
16 phần tử tro bay chưa phản ứng được bao bọc bởi sản phẩm của quá trình phản ứng, dẫn đến việc chúng 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 trên bề mặt hạt tro bay bắt đầu tại một điểm và sau đó mở rộng, tạo ra các lỗ lớn hơn, làm lộ cấu trúc bên trong rỗng hoặc chứa các phần tử nhỏ hơn Dung dịch kiềm alkali tác động theo hai chiều, từ ngoài vào trong và ngược lại, dẫn đến sản phẩm phản ứng được hình thành cả bên trong và bên ngoài lớp vỏ hạt tro bay Đồng thời, dung dịch kiềm cũng thâm nhập vào cấu trúc rỗng và phản ứng với các phần tử nhỏ bên trong, làm đầy không gian rỗng bằng sản phẩm của phản ứng.
Quá trình tích tụ sản phẩm phản ứng tạo ra lớp sản phẩm bao bọc các hạt cầu tro bay, ngăn cản chúng tiếp xúc với dung dịch alkaline Các phản ứng tiếp theo diễn ra đồng thời với tác động của môi trường pH qua lớp sản phẩm này Tro bay nằm bên dưới lớp sản phẩm có thể không bị ảnh hưởng bởi pH cao, tùy thuộc vào chất hoạt hóa sử dụng, đóng vai trò quan trọng trong khuếch tán vật lý Sự khác biệt trong mức độ phản ứng tại các thời điểm khác nhau dẫn đến sản phẩm có 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 xi măng Cấu trúc này có tính ổn định cao, không thay đổi hình dạng và ít có khoảng trống Sự gián đoạn của cấu trúc chỉ xảy ra khi có mặt của các phần tử tro bay không phản ứng và hạt tro, cùng với thành phần Na.
Cấu trúc vi mô được hình thành khi có mặt của thủy tinh lỏng thường tương tự với cấu trúc được kích hoạt bởi NaOH Tuy nhiên, sự khác biệt nằm ở việc cấu trúc này thường phong phú hơn khi chỉ được kích hoạt bởi dung dịch kiềm Thêm vào đó, việc dưỡng hộ nhiệt trong thời gian dài cũng ảnh hưởng đến sự phát triển của cấu trúc này.
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 sinh ra trong quá trình hình thành Geopolymer, nhưng sau đó bị đẩy ra khỏi cấu trúc trong quá trình đổ khuôn và dưỡng hộ nhiệt Điều này tạo ra những lỗ rỗng không liên tục, giúp Geopolymer hình thành Mặc dù nước trong hỗn hợp Geopolymer không tham gia vào phản ứng hóa học, nhưng nó lại đóng vai trò quan trọng trong việc tạo tính công tác khi nhào trộn Điều này khác với nước trong hỗn hợp xi măng Portland, nơi nước là yếu tố cần thiết cho quá trình hydrat hóa.
The process of forming Geopolymer structures can be succinctly illustrated in a diagram, as outlined by J Davidovits in 2015 This process highlights the differences in the binding mechanisms between Geopolymer and traditional Portland cement.
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 chuẩn để xác định cường độ nén của bê tông là viên mẫu 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, kết quả thử nén cần được quy đổi về cường độ của viên chuẩn.
Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm
Lực tối đa đạt được là giá trị tải trọng phá hoại của mẫu bê tông Cường độ nén của từng viên mẫu bê tông (R) được tính bằng daN/cm² (KG/cm²) theo công thức.
Tải trọng phá hoại (P) được đo bằng đơn vị daN, trong khi diện tích chịu lực nén của viên mẫu (F) được tính bằng cm² Hệ số α được sử dụng để điều chỉnh kết quả thử nén của các viên mẫu bê tông có kích thước khác với viên chuẩn, nhằm so sánh cường độ với viên mẫu chuẩn có 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 thông qua mối quan hệ thực nghiệm giữa cường độ nén (R) và trị số bật nẩy trung bình (n) từ kết quả thí nghiệm trên máy nén Để thiết lập mối quan hệ R – n, các mẫu bê tông được sử dụng là các lập phương có kích thước 150 mm x 150 mm x 150 mm.
150 mm x 150 mm theo yêu cầu kỹ thuật xây dựng của TCVN 3105:1993. 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, trong khi trị số bật nẩy theo chiều từ trên xuống yêu cầu mẫu bê tông đặt trên nền phẳng của vật cứng có khối lượng tối thiểu 500 kg Cường độ bê tông cho một loại mác được xây dựng dựa trên kết quả thí nghiệm của ít nhất 20 tổ mẫu, mỗi tổ gồm 3 viên mẫu, với điều kiện các mẫu 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 Các tổ mẫu này phải được lấy từ các mẻ trộn bê tông khác nhau trong khoảng thời gian 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 Đồng thời, khoảng cách giữa các điểm thí nghiệm trên kết cấu hoặc trên mẫu không được nhỏ hơn quy định.
Tuổi bê tông của kết cấu được kiểm tra từ 14 đến 56 ngày; nếu vượt quá thời gian này, 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 đảm bảo vuông góc với bề mặt bê tông.
Phương thí nghiệm trên kết cấu và mẫu cần phải thống nhất để xây dựng quan hệ R – n Mỗi vùng thí nghiệm yêu cầu tối thiểu 16 điểm, từ đó có thể loại bỏ 3 giá trị cực đại và 3 giá trị cực tiểu, giữ 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 phát hiện các khuyết tật bên trong Sự tương tác giữa sóng âm và chất liệu dẫn đến hiện tượng tần số phát sẻ thấp hơn tần số thu tại đầu thu Để xác định mức độ đặc chắc của mẫu, sóng lan truyền qua ba hình thức: tán xạ, nhiễu xạ và phản xạ.
Phương pháp không phá hoại mẫu thực hiện theo tiêu chuẩn TCVN
Tiêu chuẩn 9335:2012 quy định phương pháp xác định cường độ nén của bê tông nặng bằng cách kết hợp máy đo siêu âm và súng bật nẩy Phương pháp này dựa trên mối tương quan giữa cường độ chịu nén (R) và hai chỉ số đo không phá hoại: vận tốc siêu âm (v) và độ cứng bề mặt (n) từ súng thử bê tông Bên cạnh đó, các số liệu kỹ thuật liên quan đến thành phần bê tông cũng được sử dụng để hỗ trợ việc xác định cường độ nén.
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 của bê tông cần thử Giá trị này tương đương với cường độ nén của bê tông tiêu chuẩn, được quy định để xây dựng Một số thành phần chính của bê tông tiêu chuẩn bao gồm xi măng poóc lăng PC30 với hàm lượng 350 kg/m³, cốt liệu lớn là đá dăm có đường kính tối đa Dmax và cốt liệu nhỏ là cát vàng.
Để xác định cường độ nén của bê tông không tiêu chuẩn, cần điều chỉnh bằng các hệ số ảnh hưởng Các thông số kỹ thuật quan trọng bao gồm loại xi măng, hàm lượng xi măng cho 1 m³ bê tông, loại cốt liệu lớn và đường kính lớn nhất của nó (Dmax) Biểu đồ cường độ bê tông tiêu chuẩn theo TCVN 9335:2012 là công cụ hữu ích trong quá trình này.
Bảng 2.3 Bảng xác định cường độ nén tiêu chuẩn (TCVN 9335:2012) v
Để xác định vận tốc siêu âm, cần đo hai đại lượng chính: 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 Δ = 0,01t + 0,1, trong đó t là thời gian truyền tính bằng micro giây (μs) Nguyên lý làm việc của máy siêu âm được trình bày bởi Tekin Yılmaz (2014) Khoảng cách truyền xung siêu âm được đo bằng các dụng cụ đo chiều dài, với sai số không vượt quá 0,5% độ dài cần đo.
Vận tốc siêu âm v được xác định theo công thức: v
Vận tốc siêu âm (v) được đo bằng mét trên giây (m/s), trong khi khoảng cách truyền xung siêu âm (l) giữa hai đầu thu và phát của máy tính được tính bằng milimet (mm) Thời gian truyền của xung siêu âm (t) được đo bằng micro giây.
(μs) nh 2.20 Phổ sóng siêu âm mẫu bê tông có chiều dài 200mm
Phương pháp xử lý số liệu
Các điều kiện ảnh hưởng đến cường độ và vận tốc siêu âm được coi là các biến, và phương pháp thống kê được sử dụng để đánh giá và phân tích kết quả Mô hình hồi quy tuyến tính (LR) và mạng nơ-ron nhân tạo (ANN) được áp dụng để mô tả mối tương quan 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 thông qua việc 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 tốt của mô hình, trong khi giá trị SSE thấp biểu thị độ chính xác cao.
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 liên 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) đến biến phụ thuộc (tín hiệu đầu ra) và giải thích cách mà tín hiệu đầu vào làm thay đổi đầu ra Trong khi đó, mô hình loại II có cấu trúc tương tự nhưng các tín hiệu ảnh hưởng lẫn nhau trong quá trình phân tích Một bảng thuật ngữ ngắn cho các loại mô hình được trình bày trong bảng 2.4.
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, được coi là 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 bản chất của các thông số β0 và βj, với βj (j = 1, 2, 3, … p) là các hệ số hồi quy, đo lường mối liên hệ giữa biến Y và các biến X Điều này không phụ thuộc vào tính tuyến tính của Xj Phần dư ε của mô hình thể hiện 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 các tham số βj và σ² từ dữ liệu thực tế của dãy 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 giả định của Gauss–Markov Phương pháp OLS áp dụng các lý thuyết phức tạp vào thực tiễn một cách đơn giản, giúp người dùng dễ dàng sử dụng và vẫn đạt được hiệu quả nhất định Hình 2.22 cung cấp cái nhìn tổng quan về lý thuyết phức tạp của hồi quy tuyến tính (LR).
Hình 2.21 Bảng tổng hợp các mô hình hồi quy trên cơ sở phương pháp OLS (Inna
Phương pháp OLS (Ordinary Least Squares) được sử dụng để xác định các hệ số β0 và βj, nhằm giảm thiểu độ lệch giữa giá trị dự đoán và giá trị thực tế Mục tiêu chính của phương pháp này là tìm giá trị nhỏ nhất cho hàm SSE (Tổng bình phương sai số), từ đó tối ưu hóa mô hình hồi quy.
SSE = E(e) = y i 0 j x i 2 i 1 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 số0 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 2 biến tạo ra không gian ba chiều mà còn nhiều biến khác Do đó, phương trình 2.7 được viết dưới dạng ma trận để phản ánh sự phức tạp này.
y n Để giải phương trình này cần tìm ra với: ( X T X ) 1 X T Y
Hình 2.22 Ý nghĩa mô hình LR đa biến (Fraccis Galton, 1886)
Khi áp dụng mô hình hồi quy logistic (LR) để phân tích cường độ chịu nén của GPC, tác giả đã khảo sát mối liên hệ giữa biến phụ thuộc y, đại diện cho cường độ bê tông cần xác định, với 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 và phân tích nhiều thông số, đồng thời thể hiện mối tương quan giữa chúng Bằng cách áp dụng các thuật toán phức tạp trong mô hình ANN, người ta có thể dự đoán các hiện tượng ngay cả khi thông tin chưa đầy đủ Trong nghiên cứu này, các thông số đầu vào chủ yếu bao gồm loại vật liệu và các đặc tính cường độ, đặc biệt là cường độ nén của bê tông, điều này phản ánh rõ nét khả năng của ANN trong việc đánh giá cường độ bê tông.
Mạng nơ-ron nhân tạo (ANN) là một mô hình đơn giản mô phỏng cấu trúc nơ-ron sinh học Mỗi nơ-ron nhân tạo đảm nhiệm hai chức năng chính: tổng hợp thông tin đầu vào và tạo ra đầu ra tương ứng.
Hình 2.24 Tương quan giữa một neural sinh học và neural nhân tạo
Mỗi mạng nơ-ron nhân tạo bao gồm nhiều đầu vào (Inputs) và một đầu ra (Output), trong đó mỗi đầu vào được gán một trọng số (Weight) thể hiện mức độ liên kết tương tự như các khớp nối trong mạng nơ-ron sinh học Trọng số này có thể là dương hoặc âm, phản ánh hai loại khớp nối trong mạng nơ-ron sinh học: khớp nối kích thích và khớp nối ức chế.
Mỗi neuron có một giá trị ngưỡng riêng Chức năng đầu vào của neuron là tổng có trọng số của các tín hiệu đầu vào, được gọi là n m (Net input), kết hợp với ngưỡng để tạo ra tín hiệu đầu vào i.
(Summation) n n i x i w i , j b (1 lớp ẩn) i s m1 n m w m u m 1 b m (m lớp ẩn) i i ,t t i với S m-1 : số neural trên lớp m-1 u t m1 : biến đầu ra của lớp m-1 b i m (bias): ngưỡng của hàm
Chức năng tạo đầu ra được thể hiện bằng hàm Transfer Hàm này sẽ nhận tín hiệu đầu vào summation và tạo tín hiệu đầu ra của neural.
Quá trình nhận thức (Machine Learning) là sự kết hợp giữa chức năng đầu vào và chức năng tạo đầu ra, nhằm cải thiện khả năng thực hiện nhiệm vụ sau nhiều lần thực hiện.
Hình 2.25 Hoạt động đơn giản một neural (David Kriesel, 2007)
Depending on the specific objectives of the problem, designers select an appropriate structure for Artificial Neural Networks (ANNs) Currently, there are various architectures available, including Feedforward Networks, Recurrent Networks, Hopfield Networks, Elman and Jordan Networks, Long Short Term Memory Networks, Bidirectional ANNs, Self-Organizing Maps (SOM), Stochastic Networks, and Physical Networks.
Mỗi cấu trúc mạng có những ưu điểm riêng, phù hợp với mục tiêu thiết kế, nhưng cấu trúc mạng truyền thẳng với thiết kế đơn giản lại mang lại hiệu quả cao trong phân loại và dự đoán Trong mạng nơ-ron truyền thẳng, các nơ-ron được tổ chức thành các lớp, tạo thành cấu trúc nhận thức đa lớp (Multilayer Perceptron), bao gồm lớp vào (Input layer), các lớp ẩn (Hidden layer) và lớp ra (Output layer).
ANN truyền thẳng ANN hồi tiếp
Hình 2.26 Cấu trúc mạng ANN được sử dụng phổ biến
