2. 重庆交通大学 河海学院, 重庆 400074;
3. 河海大学 土木与交通学院, 南京 210098
2. School of Hehai, Chongqing Jiaotong University, Chongqing 400074, China;
3. College of Civil and Transportation Engineering, Hohai University, Nanjing 210098, China
自密实混凝土(self-compacting concrete, SCC)具有良好的流动性与填充性，仅靠自重即可自由流动填充模板致密实均质，免去振捣步骤，于1988年由日本学者Okamura[1]研制成功。自密实混凝土的良好工作性能使其在研制成功后迅速在日本投入应用，并在世界范围内得到广泛推广，主要应用于配筋密集、模板复杂等难以进行人工振捣的部位及预制构件的浇筑[2]。我国于20世纪90年代开始自密实混凝土的相关研究，并于各工程领域进行实践应用，如三峡工程[3]、国家大剧院[4]与新北京南站[5]均用自密实混凝土进行大量浇筑，以自密实混凝土为基础的堆石混凝土也在我国水利工程中得到广泛应用[6]。
国内外学者研究发现，自密实混凝土不仅在新拌阶段流动性良好，在硬化后也具有良好的力学性能与耐久性能[7]，但配合比设计较为复杂[8]。此外，还有诸多研究聚焦于纤维、矿物掺和料、聚合物等[9-10]掺加物对自密实混凝土性能的影响，在改善自密实混凝土的力学性能与耐久性能的同时，兼具环境友好性与经济性。
大量室内试验和工程实践表明，自密实混凝土的生产难点并非实验室配制，而在于如何能够在大型工程施工中保证其性能的稳定性。大型工程施工的时间与空间跨度较大，导致施工条件、原材料难以在时空线性上保持一致。自密实混凝土的工作性能对原材料具有高敏感度[11]，原材料性能的波动可能会对自密实混凝土的生产质量造成负面影响。一方面，原材料参数变化扰动配合比设计，带来一系列重复的混凝土试生产与检测试验；另一方面，若未及时根据原材料变化调整配合比，生产出的自密实混凝土流动性或黏性的不足会影响浇筑的密实性与匀质性，造成结构力学性能、耐久性能等达不到设计要求。
为优化混凝土生产流程，信息化管理平台已逐渐普及，主要以信息的数字化与可视化辅助人工决策，已在搅拌站、预制构件厂等生产场景进行应用[12-14]。国内外也有许多学者将具有超高维非线性计算能力的人工智能技术应用于自密实混凝土流变性能、力学性能、耐久性能的预测与评估[15-16]。面对当下自密实混凝土生产所遇到的瓶颈，智能与智慧技术也逐渐应用于自密实混凝土生产，如图 1所示。原材料智能检测技术可应对原材料质量的波动，实现原材料质量的精细化管理；以配合比智慧设计替代原有经验试配方法，根据原材料的变化快速、准确地进行配合比设计；基于搅拌状态的实时监测，实现搅拌阶段的配合比最优化调整；以非接触式的流变性能智能检测方法，对不同尺度的自密实拌和物进行流变性能的检测或复核。推进智能与智慧技术在自密实混凝土原材料管理-配合比设计-搅拌-检测全过程生产中的应用，可降低人为因素对生产质量的影响，形成全过程生产质量的闭环管理。本文将详细介绍智能与智慧技术在自密实混凝土全过程生产中的成果和应用，为其推广应用提供参考。
|
| 图 1 自密实混凝土原材料管理-配合比设计-搅拌-检测全过程智能生产 |
1 原材料智能检测
原材料的变化直接影响自密实混凝土的流变性能，需实时掌握。而目前的原材料检测均需对原材料取样进行接触式检测，检测的效率与质量受检测工具、试验条件的影响，且取样量远小于用量，样品缺乏代表性，检测结果的准确性无法保证。
在众多原材料中，砂石骨料约占混凝土总体积的70%~80%，对混凝土生产质量有重大影响，检测工作量占比最重。在“双碳”目标下，为保护自然生态，砂石骨料的生产方式由原有的自然采集转换为人工破碎生产，但由于生产设备的限制，骨料生产质量管理存在较大问题，检测手段急需升级。随着计算机技术的飞跃式发展，检测方法更加多元化，以图像处理方法为主要手段的检测方法研究最具广泛性。Zheng等[17]利用模式识别技术获取砂的颗粒形状。Schweizer等[18]利用脉冲激光成像光学方法精确识别粉体材料的尺寸与形状。Fan等[19]对下落过程中骨料的图像信息进行间隔采样，获取骨料等效粒径与级配。郭美虹等[20]利用多目立体视觉技术对骨料颗粒进行三维重建，可检测骨料颗粒的形状参数。上述各类方法对图像采集设备要求较高，且计算耗时较长，时间与经济成本均限制其推广与应用。
为提高原材料信息的获取效率，有学者将图像处理与深度学习结合应用，进行原材料智能检测技术的研究。深度学习[21]无需人工定义特征提取方法，能自动提取图像特征，但相对而言，学习过程需要具有大量数据的数据集作为运算资源。Soloy等[22]利用Mask R-CNN(regional-convolutional neural network)算法识别卵石形状与粒径，粒径的实际值与预测值拟合优度为0.97，该方法的局限性在于数据集中图像均为沙滩上形状较为圆润的卵石。熊越晗等[23]基于样本量为9 500的岩样细观图像建立Inception V3模型，模型识别岩性分类的准确率可达72%，但对于工程应用来说，岩性并非最关键的参数。
为实现通过砂表面图像信息实时反馈检测结果的智能检测，李嘉俊[24]基于多级配、多空间结构、多分辨率的砂颗粒样本建立砂颗粒表面图像样本数据集，并采用可自动提取数据特征的卷积神经网络(convolutional neural networks，CNN)算法搭建深度学习模型，拟合砂颗粒表面图像特征与级配、石粉含量，该方法识别级配与石粉含量的误差分别为6.8%和1.4%。在深度学习模型的基础上，李嘉俊以智能手机为平台，开发了可实现砂颗粒特征识别的便携式智能检测平台。如图 2所示，平台以图像上传-计算-输出结果-模型优化的流程实现深度学习模型的动态优化，用户利用智能手机即可快速、准确完成砂的检测。用户所上传的图像既是计算样本，又可作为新的样本集供模型进行优化训练。该平台可辅助材料采购、入仓、运输、存放等环节的快速质量核验，还可应用于辅助生产过程中的实时调整。
|
| 图 2 原材料智能检测平台 |
与之类似，深度学习与图像处理技术也被应用于粉体材料检测，如谢涛[25]基于Mask R-CNN算法获取煤粉灰的粒度及成分组成信息，但粉体检测的相关成果还较少，有待进一步研究。
2 自密实混凝土配合比智慧设计在实验室初步进行配合比设计后，需根据实际工程中原材料的变化情况进行大量配合比优化设计与调整工作。现有的自密实混凝土配合比设计方法大多基于经验与混凝土试配试验，如自密实混凝土的研发者Okamura[1]提出的逐级试配法，需要在一定骨料掺量下进行净浆-砂浆-混凝土的逐级试配试验，最终确定配合比；《自密实混凝土技术手册》[11]与《自密实混凝土应用技术规程(CECS 203—2006)》[26]中以经验逐步计算参数，并通过混凝土试配试验调整配合比；苏南等[27]以骨料堆积状态为研究重点，提出了基于填充模型理论的配合比设计方法，通过理论计算指导混凝土试配试验；Khayat[28]利用统计学方法处理大量混凝土试配结果，建立了配合比参数与工作性能间函数关系，提出了基于统计因子的配合比设计法；Saak等[29]、Bui等[30]建立了净浆流变学模型，提出了基于净浆流变参数的配合比设计方法，以净浆流变仪检测结果预测自密实混凝土的工作性能，但不同型号流变仪检测结果差异较大，无法设立统一配合比设计标准[31]。大量的试配工作增加了非必要的人工操作、时间与材料成本，因而一种快速、便捷、准确的智慧化配合比设计方法显得非常有必要。
2.1 阈值理论针对不同流变仪测量结果差异较大的问题，吴琼[32-33]利用操作简单、标准统一的净浆坍落扩展度试验替代流变仪，提出了基于净浆流变阈值理论的自密实混凝土配合比设计方法。该方法以净浆试验指导自密实混凝土的配合比设计，将逐级试配或混凝土试配简化至净浆试配，简便易行。
阈值理论的研究基础为剩余砂浆膜厚理论[34]，该理论认为自密实混凝土为砂浆与石子两相组成的Bingham流体，一部分砂浆填充石子间的孔隙，剩余砂浆均匀包裹石子，形成剩余砂浆膜，其厚度对自密实混凝土具有直接影响。基于剩余砂浆膜厚理论，吴琼建立了自密实混凝土的流动和抗离析力学模型，以两个相邻单元接触后的轴向变形δdeform作为关键指标求解砂浆屈服强度阈值，以石子在流动过程Tf(取10 s)内沉降距离小于剩余砂浆膜厚δmortar作为边界条件求解砂浆黏度阈值，量化砂浆屈服强度与黏度对自密实混凝土工作性能的影响。在此基础上，利用Krieger-Dougherty(K-D)公式建立砂浆流变阈值与净浆流变阈值间的关系，最终得出净浆流变阈值与自密实混凝土工作性能的量化关系。
在吴琼模型基础上，张京斌[35]通过对边缘石子进行受力分析改进流动模型，并将流动时间Tf折减为9 s以优化抗离析模型，得出优化后的阈值计算公式。基于净浆流变阈值理论的自密实混凝土配合比设计方法具备普遍适用性与技术可行性，阈值理论的整体框架如图 3所示。
|
| 图 3 阈值理论框架 |
阈值理论建立在单一骨料掺量、粉体组成基础上，而在工程实际应用中，骨料的掺量、粉体种类通常会根据强度、耐久性、成本等因素进行调整，阈值理论的可应用场景受限。为进一步提升阈值理论的适用性，张京斌量化石子掺量[40]、砂率[41]、砂级配、砂粒形体[35]等骨料变化因素与粉体组成的变化[42-43]对阈值公式的影响，李鹏飞研究骨料堆积状态[44-45]对最大密实堆积体积砂率φmax的影响，多元考虑骨料与粉体变化对阈值的影响，提升阈值理论的适用范围，完善阈值理论。
2.2 基于自密实性能区域的配合比智慧设计为使抽象的阈值理论进一步实现可视化与具象化，聂鼎[46-47]在一定水粉比(Vw/Vp)与减水剂掺量(SP%)范围内选取9~12组基准点进行净浆试验，利用双线性插值方法，将满足屈服强度阈值与黏度阈值的配合比点分别绘制成三维曲面图。将两曲面图的二维投影进行交集计算，即可获得所有满足阈值准则的配合比点的集合，将交集区域定义为自密实净浆区域(self-compacting paste zone，SCP zone)。
SCP zone充分考虑Vw/Vp与SP%两个变量的协同作用，量化呈现两变量对自密实混凝土流变性能的影响。基于SCP zone，不仅可根据流变性能、强度要求进行自密实混凝土配合比设计，还可进行经济性、稳健性分析。经济性体现在Vw/Vp的选取，在满足强度要求的前提下，Vw/Vp越大，配合比的经济性越佳；区域边界的点所对应的配合比稳健性较差，对原材料的波动更为敏感。SCP zone获取流程如图 4所示，基于SCP zone可对配合比进行综合评估，免去繁琐的计算与混凝土试配，实现以净浆流变性为指导的自密实混凝土配合比智慧设计。
|
| 图 4 SCP zone获取流程 |
为量化SCP zone预测自密实混凝土工作性能的准确率，张京斌[35]基于自密实混凝土与自密实砂浆的工作性能与流变参数要求，提出自密实砂浆区域(self-compacting mortar zone，SCM zone)、自密实混凝土区域(SCC zone)的获取方法，将SCP zone与SCC zone或SCM zone进行对比，以两区域间的重叠面积占比作为SCP zone预测准确率的衡量标准。SCC zone与SCM zone的获取方法与SCP zone相近。
3 基于实时搅拌状态的配合比智慧调整传统混凝土生产模式常因原材料性能、用量的误差等原因导致拌和出的自密实混凝土性能不足，面临着次数不定的检测与调整工作造成的生产断点，在时效性与调整的便捷性上存在很大的不足。搅拌机中混凝土的搅拌状态图像信息所含隐藏信息丰富，富有经验的工程师可通过肉眼观察法大致评估拌和物的流变性能，并提出配合比调整方案。因此，以搅拌图像信息实时评估其流变性能并进行智慧调整，是生产效率提升的可行性路径。
3.1 搅拌全过程监测现有搅拌过程的图像研究大多侧重于搅拌全过程分析与搅拌均匀度，如Juez[48]利用图像处理技术研究混凝土搅拌图像的纹理与搅拌过程的动态发展，Daumann等[49]将天青石矿粉作为标志物，使用图像处理技术分析搅拌过程中标志物的分布情况以研究搅拌的均匀度，但关于搅拌图像信息与拌和物工作性能之间关系的研究还较少。
为实现搅拌机内自密实混凝土工作性能的实时监测，李书阳等[50-51]将视觉信息与逻辑算法相结合，建立不同工作性能自密实混凝土搅拌图像关键帧的图像特征与工作性能的量化关系。图像样本信息来源为60 L单轴卧式搅拌机内的自密实混凝土搅拌过程，单次搅拌量为30 L，将此类图像数据定义为30 L/60 L。为减少客观因素对图像特征的影响，固定粗、细骨料掺量，以调整Vw/Vp和SP%的方式获取不同工作性能的拌和物，并采集搅拌图像，在图像中定义内、外边界线，如图 5所示。以边界线间的平均高度差作为图像特征的量化指标，获得图像特征与自密实混凝土坍落扩展度(SFSCC)、V漏斗通过时间(VF)间的计算关系。依照此方法可获取关键帧图像特征，但需手动进行图像分割、边缘提取等步骤，且在向不同搅拌场景迁移时，需重复进行人工选取特征的多个步骤，重新建立量化关系，数据处理工作量较大。
|
| 图 5 搅拌机内混凝土图像特征获取流程 |
针对这一不足，丁仲聪等[52]采集20 L/60 L搅拌过程图像信息并建立数据集，利用不依赖于人工操作与主观经验的深度学习，深入挖掘原始搅拌图像数据的特征。为保证数据集样本的充足性，以轮换搅拌视频首帧的方式扩充数据集，提升模型泛化能力。在搭建深度学习模型时，为实现数据降维，采用可自动提取数据特征的CNN提取空间信息，采用循环神经网络中可实现序列标记的长短期记忆LSTM(long short-term memory)单元提取时序信息，由两部分耦合形成最终的深度学习模型，学习与预测流程如图 5所示。将数据集输入搭建好的深度学习模型，得到图像特征信息与自密实混凝土的SFscc、VF的拟合关系。经测试，实际值与模型输出预测值的拟合优度大于0.95，通过该模型可实现对相同搅拌条件下自密实混凝土工作性能的预测。
在上述单一搅拌条件研究结果的基础上，杨柳等[53]采用相同的CNN与LSTM深度学习模型，进一步研究多种搅拌条件下的搅拌状态监测。基于不同搅拌机类型、不同搅拌体积的自密实混凝土搅拌图像，建立具有典型混合条件的图像数据集，数据集涵盖20 L/30 L、15 L/60 L、40 L/60 L搅拌场景的图像。以数据集中未包含的20 L/60 L图像数据作为测试集，SFscc和VF的预测准确率分别可达100%和83%。训练所得深度学习模型可预测未知搅拌条件下混凝土的工作性能，实现了以典型的混合条件预测新的混合条件，减少样本集图像收集的工作量。
除不同搅拌体积外，杨柳等[54]还针对3 500 L搅拌站内6种不同强度等级混凝土的搅拌图像进行研究，将图像特征与混凝土的SFscc与坍落度SLscc进行拟合。深度学习所使用的数据集样本量逾2万，强度等级包括C20、C30、C35、C40、C45和C50。模型预测准确率大于75%，可预测多种强度混凝土的工作性能。
3.2 配合比智慧调整在各原材料波动所带来的影响中，含水量波动造成的工作性能变化最为突出。为解决这一问题，丁仲聪[55]在实时反馈的工作性能指标基础上，结合已知的原材料参数，以分步加水法量化原材料含水量的波动。研究发现，当SP%为固定值时，SFSCC与Vw/Vp间具有较好的线性关系，以三步加水操作即可确定原材料中骨料与粉体的总含水量。原材料含水量的变化值实时反馈，控制台根据反馈结果矫正搅拌机内材料的比例，并对下一次搅拌的配合比进行修正，精准把控水用量，消除原材料含水量的波动对生产质量的影响，实现搅拌过程中的配合比智慧调整。基于实时搅拌状态的配合比智慧调整实现路径如图 6所示。
|
| 图 6 生产过程中到达最优配合比的路径 |
4 流变性能智能检测
在搅拌完成后，需根据应用需求检测核验不同尺度拌和物的流变性能。传统检测方法即为取样检测，试验步骤繁琐且检测效率低。为提升生产效率，建立高效化、去人工化的流变性能智能检测方法是发展的必然趋势。
4.1 净浆流变性能智能检测阈值理论利用净浆流变性能检测结果SFpaste与T200进行阈值计算，从而以阈值准则预测对应配合比自密实混凝土的工作性能是否达标。因此，SFpaste与T200的获取效率与准确率直接影响配合比的输出结果。常规的净浆工作性能检测结果获取依赖于人工读数，特别是T200的读取，需在检测试验完成后，通过视频回放进行人工读数测量[33]，检测结果的获取滞后于检测试验，无法实时获取。
为实现净浆工作性能的实时检测，聂鼎[56]采用图像处理技术开发了基于智能手机平台的净浆工作性能智能检测工具。净浆工作性能智能检测的功能实现依赖于4个关键步骤：1) 识别标识物获取空间位置；2) 根据标识物将平面图像透视变换；3) 利用帧间差分法获取时间序列起始点；4) 通过计算像素亮度梯度获取净浆边缘并逐帧记录时间信息与轮廓尺寸，即SFpaste。通过上述流程，可记录下净浆流动过程中每一帧的时间信息与对应的轮廓尺寸，主要功能实现流程如图 7所示。流动过程终点所对应的净浆直径即为SFpaste，SFpaste达到200 mm时所对应的时间即为T200。经试验验证，智能检测输出结果的误差小于2%，可准确地为自密实混凝土配合比设计提供实时的净浆流变性能结果反馈。
|
| 图 7 净浆流变性能智能检测工具 |
4.2 自密实混凝土流变性能智能检测
在实验室试配或生产完成后，需对混凝土的流变性能进行复核，以确保生产质量满足工程应用需求。坍落扩展度试验是最直观反映自密实混凝土的流变性能指标，一般以人工测量方法为主，并将照片留档供日后复检。为提升检测效率，有学者尝试以试验的视频或图片信息辅助读取数据。Kim等[57]利用三维深度传感器与红外摄像机采集新拌混凝土的三维动态图像，获取混凝土在时间序列中的扩展度。李继全[58]采用传感器与激光检测设备获取混凝土的坍落度。上述检测方法均需使用多项辅助设备，且对视觉信息利用度不够深入。
李书阳等[51]基于增强现实(augmented reality，AR)技术提出仅以单目相机获取SFSCC的测量方法，并开发出适用于智能手机平台的自密实混凝土流变性能智能检测工具。该工具基于Vuforia中的Open GL将待检测混凝土的三维模型转换至手机平面上，主要转换流程为：待测三维模型上的某一点Ps通过模型视点变换转换至归一化坐标系(Pndc)；通过投影变换转换到裁剪视景体(Pc)；通过透视关系所得的裁剪视景体呈棱锥台形状，以锥台顶面为近平面(near)，以锥台底面为远平面(far)；最后通过投影除法和视口变换得到Ps在设备平面上的坐标(Pm)。
测量工具的使用流程为：1) 放置标识物；2) 拍摄含标识物在内的待测混凝土图像；3) 求解设备与标识所在平面的相对位置；4) 使用者在手机屏幕上指定需要测量线段的始末位置，实时获取SFSCC。经试验验证，检测结果与传统测量方法相比平均偏差为0.67%，使用该工具可实现混凝土流变性能的快捷智能检测。三维模型映射到设备平面的变换过程、测量工具的操作界面及应用实例如图 8所示。
|
| 图 8 自密实混凝土流变性能智能检测工具 |
5 自密实混凝土全过程智慧生产展望
在上述自密实混凝土智能与智慧生产技术的支撑下，未来可以继续深入研究扩展各项技术的应用范围，将生产各环节整合成一体化的自密实混凝土智慧生产，并结合智慧化技术所需硬件支撑与现有生产设备形成自密实混凝土的全过程智慧生产工艺与配套设备。
自密实混凝土智慧生产的目标为，将智慧贯穿于生产的各个环节，以基于图像处理技术的非接触式方法获取信息，并利用深度学习技术对所获取的信息进行分析处理，深度利用隐藏于图像中的信息，实时完成检测与调整工作，使生产过程的连续性得以保证。智慧生产以无人的“人工智能”替代人工操作，是制造技术与先进计算机技术的深度融合。智慧生产的目标不只是实现自动化的生产流程，还应以全过程的智慧化与去人工化为目标，实现自密实混凝土配合比调整与工作性能智慧调节。在生产过程中把控质量，无需等待生产完成后的各项性能检测，通过采集到的图像信息直接输出所需参数，并根据输出结果进行判断与调整。全过程智慧生产的流程设计如图 9所示，主要包括以下4个步骤：
|
| 图 9 自密实混凝土智慧生产流程 |
1) 根据工作性能、强度等要求，确定初始Vw/Vp与SP%范围，并利用智慧检测技术获取原材料性能参数；
2) 进行净浆工作性能试验，实时获取净浆的SFpaste与T200结果并传递至配合比智慧设计模块，根据得到的自密实性能区域进行强度、稳健性、成本综合评估，最终输出最优配合比，并将配合比信息传递至智慧搅拌模块；
3) 智慧搅拌模块中的图像采集装置获取搅拌机内搅拌图像信息并输入信息处理装置，信息处理装置通过已搭建好的深度学习模型进行图像特征计算，实现搅拌机内自密实混凝土工作性能的实时监测，并根据目标要求对工作性能进行评估与调整，在搅拌过程中达到最优配合比；
4) 生产出符合目标要求的自密实混凝土，根据实际工程需求进行运输或浇筑。
6 结语自密实混凝土全过程智能生产将智能与智慧技术贯穿于原材料管理-配合比设计-搅拌-检测等环节，深度利用原本被忽略的图像信息，以目标信息的非接触式获取与实时传递辅助提升信息获取效率，促进生产方式的智能化、生产过程的集成化、生产质量的最优化。智能生产实现了原材料质量的精细化管理、快速准确的配合比设计、搅拌机内混凝土配合比的监测与最优化调整、不同尺度自密实拌和物的流变性能的检测或复核。减少源于检测与配合比调整的材料浪费，填补传统混凝土生产在质量把控与生产效率方面的不足，促进混凝土行业的绿色发展。此外，以智能检测技术为支撑的便携式智能检测工具也可应用于多种场景，辅助生产流程中的各项检测复核需求。
目前的研究仍存在不足，如原材料智能检测还未覆盖所有原材料；搅拌图像数据集中搅拌机类型较为单一，双轴卧式搅拌机、立式搅拌机等其他类型搅拌机还有待研究；智能检测工具依赖于人工设置的标识等。基于图像处理技术与深度学习方法良好的可迁移性，在数据类型更丰富、数据量更充足的数据集支撑下，可将智慧化生产技术进一步推广至全材料智慧检测与更多种类的搅拌场景，实现全过程智慧生产，并开发配套设备。在实现智慧生产的基础上，还可考虑运输、浇筑等环节的智慧化发展，实现自密实混凝土生产-运输-浇筑的全流程智慧化应用。
| [1] |
OKAMURA H, OUCHI M. Self-compacting concrete[J]. Journal of Advanced Concrete Technology, 2003, 1(1): 5-15. DOI:10.3151/jact.1.5 |
| [2] |
刘小洁, 余志武. 自密实混凝土的研究与应用综述[J]. 铁道科学与工程学报, 2006, 3(2): 6-10. LIU X J, YU Z W. Research and application of self-compacting concrete[J]. Journal of Railway Science and Engineering, 2006, 3(2): 6-10. DOI:10.3969/j.issn.1672-7029.2006.02.002 (in Chinese) |
| [3] |
纪建林, 胡竟贤, 王毅. 自密实混凝土性能及其在三峡三期工程中的应用[J]. 西北水电, 2005(4): 33-36. JI J L, HU J X, WANG Y. Self-dense concrete and its application in the third-stage construction of the Three Gorges Project[J]. Northwest Hydropower, 2005(4): 33-36. DOI:10.3969/j.issn.1006-2610.2005.04.009 (in Chinese) |
| [4] |
朱效荣, 李迁. 自密实大体积混凝土在国家大剧院超长环梁中的研究与应用[J]. 辽宁建材, 2005(1): 8-10. ZHU X R, LI Q. Research and application of self-compacting mass concrete in super long ring beam of National Grand Theater[J]. LiaoNing Building Materials, 2005(1): 8-10. DOI:10.3969/j.issn.1009-0142.2005.01.006 (in Chinese) |
| [5] |
范灵晨. C50自密实混凝土在北京南站工程中的应用[J]. 建设科技, 2008(7): 129. FAN L C. Application of self-compacting concrete in Beijing South Railway Station Project[J]. Construction Science and Technology, 2008(7): 129. DOI:10.3969/j.issn.1671-3915.2008.07.058 (in Chinese) |
| [6] |
金峰, 安雪晖, 石建军, 等. 堆石混凝土及堆石混凝土大坝[J]. 水利学报, 2005, 36(11): 1347-1352. JIN F, AN X H, SHI J J, et al. Study on rock-fill concrete dam[J]. Journal of Hydraulic Engineering, 2005, 36(11): 1347-1352. DOI:10.3321/j.issn:0559-9350.2005.11.013 (in Chinese) |
| [7] |
刘运华, 谢友均, 龙广成. 自密实混凝土研究进展[J]. 硅酸盐学报, 2007, 35(5): 671-678. LIU Y H, XIE Y J, LONG G C. Progress of research on self-compacting concrete[J]. Journal of the Chinese Ceramic Society, 2007, 35(5): 671-678. DOI:10.3321/j.issn:0454-5648.2007.05.028 (in Chinese) |
| [8] |
刘思国, 朱德华, 丁一宁. 基于流变学特性的SCC配合比设计研究进展[J]. 混凝土, 2012(3): 38-42. LIU S G, ZHU D H, DING Y N. Advances of the research on self-compacting concrete mixture design based on rheological characteristics[J]. Concrete, 2012(3): 38-42. DOI:10.3969/j.issn.1002-3550.2012.03.012 (in Chinese) |
| [9] |
曹旗, 程银亮, 王晓峰. 纤维自密实混凝土综述[J]. 混凝土, 2016(1): 123-126. CAO Q, CHENG Y L, WANG X F. Summary of fiber-reinforced self-consolidating concrete[J]. Concrete, 2016(1): 123-126. DOI:10.3969/j.issn.1002-3550.2016.01.030 (in Chinese) |
| [10] |
王坤云, 胡迪勇, 杨竹. 矿物掺合料对自密实混凝土工作性能影响研究综述[J]. 人民珠江, 2021, 42(8): 46-54. WANG K Y, HU D Y, YANG Z. Study for the influence of mineral admixtures on the workability of self-compacting concrete[J]. Pearl River, 2021, 42(8): 46-54. DOI:10.3969/j.issn.1001-9235.2021.08.007 (in Chinese) |
| [11] |
安雪晖, 黄绵松, 大内雅博, 等. 自密实混凝土技术手册[M]. 北京: 中国水利水电出版社, 2008. AN X H, HUANG M S, OUCHI M H, et al. Technical manual of self-compacting concrete[M]. Beijing: China Water & Power Press, 2008. (in Chinese) |
| [12] |
王春华. 混凝土生产的智能化和自动化应用技术[J]. 中国住宅设施, 2020(8): 90-91. WANG C H. Intelligent and automatic application technology of concrete production[J]. China Housing Facilities, 2020(8): 90-91. (in Chinese) |
| [13] |
林彬, 沈福良, 黄腾. 全环保智能化搅拌楼应用[J]. 建设机械技术与管理, 2019, 32(1): 24-26. LIN B, SHEN F L, HUANG T. The application of an environmental protection and intelligent mixing plant[J]. Construction Machinery Technology & Management, 2019, 32(1): 24-26. (in Chinese) |
| [14] |
夏小刚. 智能建造技术在预制T梁生产线的应用[J]. 建筑经济, 2020, 41(9): 121-125. XIA X G. Application of intelligent construction technology in prefabricated T-beam production line[J]. Construction Economy, 2020, 41(9): 121-125. (in Chinese) |
| [15] |
BEHNOOD A, GOLAFSHANI E M. Artificial intelligence to model the performance of concrete mixtures and elements: A review[J]. Archives of Computational Methods in Engineering, 2021. DOI:10.1007/s11831-021-09644-0 |
| [16] |
HU X X, LI B X, MO Y L, et al. Progress in artificial intelligence-based prediction of concrete performance[J]. Journal of Advanced Concrete Technology, 2021, 19(8): 924-936. DOI:10.3151/jact.19.924 |
| [17] |
ZHENG J X, HRYCIW R D. Identification and characterization of particle shapes from images of sand assemblies using pattern recognition[J]. Journal of Computing in Civil Engineering, 2018, 32(3): 04018016. DOI:10.1061/(ASCE)CP.1943-5487.0000765 |
| [18] |
SCHWEIZER S A, BUCKA F B, GRAF-ROSENFELLNER M, et al. Soil microaggregate size composition and organic matter distribution as affected by clay content[J]. Geoderma, 2019, 355: 113901. DOI:10.1016/j.geoderma.2019.113901 |
| [19] |
FAN W J, CHEN Z Q, LUO Z, et al. An aggregate gradation detection method based on multi-view information fusion[J]. Powder Technology, 2021, 388: 7-16. DOI:10.1016/j.powtec.2021.04.019 |
| [20] |
郭美虹, 周新刚, 秦绪祥. 图像处理技术在混凝土骨料形状参数分析中的应用研究[J]. 烟台大学学报(自然科学与工程版), 2019, 32(4): 382-390. GUO M H, GUO X G, QIN X X. Application study on image processing in analysis of shape parameters of concrete aggregate[J]. Journal of Yantai University (Natural Science and Engineering Edition), 2019, 32(4): 382-390. (in Chinese) |
| [21] |
RECH J, ALTHOFF K D. Artificial intelligence and software engineering: Status and future trends[J]. Themenschwerpunkt KI & SE, KI, 2004, 3: 5-11. |
| [22] |
SOLOY A, TURKI I, FOURNIER M, et al. A deep learning-based method for quantifying and mapping the grain size on pebble beaches[J]. Remote Sensing, 2020, 12(21): 3659. DOI:10.3390/rs12213659 |
| [23] |
熊越晗, 刘东燕, 刘东升, 等. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版), 2021, 51(5): 1597-1604. XIONG Y H, LIU D Y, LIU D S, et al. Automatic lithology classification method based on deep learning of rock sample meso-image[J]. Journal of Jilin University (Earth Science Edition), 2021, 51(5): 1597-1604. (in Chinese) |
| [24] |
李嘉俊. 基于深度学习的砂颗粒特征图像识别方法研究[D]. 北京: 清华大学, 2019. LI J J. Research on optimizing mix proportion of self-compacting concrete based on paste rheological theory[D]. Beijing: Tsinghua University, 2019. (in Chinese) |
| [25] |
谢涛. 基于深度学习的微细粒矿物识别研究[D]. 徐州: 中国矿业大学, 2020. XIE T. Research on recognition of fine-grained minerals based on deep learning[D]. Xuzhou: China University of Mining and Technology, 2020. (in Chinese) |
| [26] |
中国工程建设标准化协会. 自密实混凝土应用技术规程: CECS 203—2006[S]. 北京: 中国计划出版社, 2006. China Association for Engineering Construction. Technical specification for self compacting concrete application: CECS 203—2006[S]. Beijing: China Planning Press, 2006. (in Chinese) |
| [27] |
SU N, HSU K C, CHAI H W. A simple mix design method for self-compacting concrete[J]. Cement and Concrete Research, 2001, 31(12): 1799-1807. DOI:10.1016/S0008-8846(01)00566-X |
| [28] |
KHAYAT K H. Workability, testing, and performance of self-consolidating concrete[J]. ACI Materials Journal, 1996, 96(3): 346-353. |
| [29] |
SAAK A W, JENNINGS H M, SHAH S P. New methodology for designing self-compacting concrete[J]. ACI Materials Journal, 2001, 98(6): 429-439. |
| [30] |
BUI V K, AKKAYA Y, SHAH S P. Rheological model for self-consolidating concrete[J]. ACI Materials Journal, 2002, 99(6): 549-559. |
| [31] |
FERRARIS C F, BROWER L E. Comparison of concrete rheometers[J]. Concrete International, 2003, 25(8): 41-47. |
| [32] |
WU Q, AN X H. Development of a mix design method for SCC based on the rheological characteristics of paste[J]. Construction and Building Materials, 2014, 53: 642-651. DOI:10.1016/j.conbuildmat.2013.12.008 |
| [33] |
吴琼. 基于净浆流变性的自密实混凝土配合比设计方法研究[D]. 北京: 清华大学, 2013. WU Q. The development of mix design method for self- compacting concrete based on the rheological characteristics of paste[D]. Beijing: Tsinghua University, 2013. (in Chinese) |
| [34] |
LI L G, KWAN A K H. Concrete mix design based on water film thickness and paste film thickness[J]. Cement and Concrete Composites, 2013, 39: 33-42. DOI:10.1016/j.cemconcomp.2013.03.021 |
| [35] |
张京斌. 原材料特性对自密实混凝土净浆流变阈值的影响研究[D]. 北京: 清华大学, 2020. ZHANG J B. Research on the effects of the raw material properties on paste rheological thresholds of self-compacting concrete[D]. Beijing: Tsinghua University, 2020. (in Chinese) |
| [36] |
ROUSSEL N, STEFANI C, LEROY R. From mini-cone test to Abrams cone test: Measurement of cement-based materials yield stress using slump tests[J]. Cement and Concrete Research, 2005, 35(5): 817-822. DOI:10.1016/j.cemconres.2004.07.032 |
| [37] |
CHIDIAC S E, MAADANI O, RAZAQPUR A G, et al. Controlling the quality of fresh concrete—A new approach[J]. Magazine of Concrete Research, 2000, 52(5): 353-363. DOI:10.1680/macr.2000.52.5.353 |
| [38] |
TOUTOU Z, ROUSSEL N. Multi scale experimental study of concrete rheology: From water scale to gravel scale[J]. Materials and Structures, 2006, 39(2): 189-199. |
| [39] |
BANFILL P F G. Rheological methods for assessing the flow properties of mortar and related materials[J]. Construction and Building Materials, 1994, 8(1): 43-50. DOI:10.1016/0950-0618(94)90007-8 |
| [40] |
ZHANG J B, AN X H, YU Y Z, et al. Effects of coarse aggregate content on the paste rheological thresholds of fresh self-compacting concrete[J]. Construction and Building Materials, 2019, 208: 564-576. DOI:10.1016/j.conbuildmat.2019.02.177 |
| [41] |
ZHANG J B, AN X H, NIE D. Effect of fine aggregate characteristics on the thresholds of self-compacting paste rheological properties[J]. Construction and Building Materials, 2016, 116: 355-365. DOI:10.1016/j.conbuildmat.2016.04.069 |
| [42] |
ZHANG J B, AN X H, LI P F. Research on a mix design method of self-compacting concrete based on a paste rheological threshold theory and a powder equivalence model[J]. Construction and Building Materials, 2020, 233: 117292. DOI:10.1016/j.conbuildmat.2019.117292 |
| [43] |
YANG S, ZHANG J B, AN X H, et al. Effects of fly ash and limestone powder on the paste rheological thresholds of self-compacting concrete[J]. Construction and Building Materials, 2021, 281: 122560. DOI:10.1016/j.conbuildmat.2021.122560 |
| [44] |
LI P F, ZHANG T, AN X H, et al. An enhanced mix design method of self-compacting concrete with fly ash content based on paste rheological threshold theory and material packing characteristics[J]. Construction and Building Materials, 2020, 234: 117380. DOI:10.1016/j.conbuildmat.2019.117380 |
| [45] |
LI P F, RAN J, NIE D, et al. Improvement of mix design method based on paste rheological threshold theory for self-compacting concrete using different mineral additions in ternary blends of powders[J]. Construction and Building Materials, 2021, 276: 122194. DOI:10.1016/j.conbuildmat.2020.122194 |
| [46] |
NIE D, AN X H. Optimization of SCC mix at paste level by using numerical method based on a paste rheological threshold theory[J]. Construction and Building Materials, 2016, 102: 428-434. DOI:10.1016/j.conbuildmat.2015.10.195 |
| [47] |
聂鼎. 基于净浆流变理论的自密实混凝土配合比优化方法研究[D]. 北京: 清华大学, 2016. NIE D. Research on optimizing mix proportion of self-compacting concrete based on paste rheological theory[D]. Beijing: Tsinghua University, 2016. (in Chinese) |
| [48] |
JUEZ J M, ARTONI R, CAZACLIU B. Monitoring of concrete mixing evolution using image analysis[J]. Powder Technology, 2017, 305: 477-487. DOI:10.1016/j.powtec.2016.10.008 |
| [49] |
DAUMANN B, NIRSCHL H. Assessment of the mixing efficiency of solid mixtures by means of image analysis[J]. Powder Technology, 2008, 182(3): 415-423. DOI:10.1016/j.powtec.2007.07.006 |
| [50] |
李书阳. 基于视觉信息的自密实混凝土工作性能评价方法研究[D]. 北京: 清华大学, 2013. LI S Y. Research on workability evaluation of self-compacting concrete based on visual information[D]. Beijing: Tsinghua University, 2013. (in Chinese) |
| [51] |
LI S Y, AN X H. Method for estimating workability of self-compacting concrete using mixing process images[J]. Computers and Concrete, 2014, 13(6): 781-798. DOI:10.12989/cac.2014.13.6.781 |
| [52] |
DING Z C, AN X H. Deep learning approach for estimating workability of self-compacting concrete from mixing image sequences[J]. Advances in Materials Science and Engineering, 2018, 2018: 6387930. |
| [53] |
YANG L, AN X H. Estimating the workability of self-compacting concrete in different mixing conditions based on deep learning[J]. Computers and Concrete, 2020, 25(5): 433-445. |
| [54] |
YANG L, AN X H, DU S L. Estimating workability of concrete with different strength grades based on deep learning[J]. Measurement, 2021, 186: 110073. DOI:10.1016/j.measurement.2021.110073 |
| [55] |
丁仲聪. 基于深度学习的自密实混凝土工作性能实时调整方法研究[D]. 北京: 清华大学, 2018. DING Z C. Research on real-time adjusting of self-compacting concrete workability based on deep learning[D]. Beijing: Tsinghua University, 2018. (in Chinese) |
| [56] |
聂鼎, 安雪晖. 基于图像处理的净浆扩展度测量工具开发[J]. 清华大学学报(自然科学版), 2016, 56(12): 1249-1254. NIE D, AN X H. Mini-slump flow measurement tool based on self phase image processing[J]. Journal of Tsinghua University (Science and Technology), 2016, 56(12): 1249-1254. (in Chinese) |
| [57] |
KIM J H, PARK M. Visualization of concrete slump flow using the kinect sensor[J]. Sensors, 2018, 18(3): 771. DOI:10.3390/s18030771 |
| [58] |
李继全. 商品混凝土塌落度自动检测技术研究及检测装置开发[D]. 济南: 济南大学, 2019. LI J Q. Research on automatic detection technology of commercial concrete slump and development of testing equipment[D]. Jinan: University of Jinan, 2019. (in Chinese) |