|
文献速读 Cem.Concr.Compos.：钢-PVA纤维增强混凝土的微观结构特征及其对力学性能的影响  题目 题目：Microstructural characteristics and their impact on mechanical properties of steel-PVA fiber reinforced concrete 钢-PVA纤维增强混凝土的微观结构特征及其对力学性能的影响 关键词 关键词：混合纤维混凝土；机器学习；微观结构；力学特性；钢纤维；PVA纤维 来源 出版年份：2021 来源：Cement and Concrete Composites 课题组：美国弗吉尼亚理工大学土木与环境工程系Ke Xu课题组 研究背景 随着人工智能的快速发展，机器学习已成功广泛应用于X-CT测试技术，以进行精确的相位分割和定量形态学分析。与手动分割相比，机器学习可以自动发现从原始数据中检测或分类特征所需的表示，这有助于提高准确性和效率。目前已有相关研究将机器学习与X-CT技术相结合，基于混凝土的X射线CT图像，使用机器学习对骨料和砂浆进行分割，并应用灰度阈值技术检测空隙。评估了机器学习对X射线CT岩石图像进行相位分割（颗粒、基质和孔隙）的性能和准确性，同时提出了更好的机器学习方法进行相位分割参数。除了精确的相位分割，机器学习还可以定量分析光纤色散。 研究出发点 由于传统纤维增强混凝土 (FRC) 加入一种特定类型的纤维的效果有限，因此提出了混杂纤维增强混凝土 (HFRC)，通过同时引入不同类型或尺寸的纤维来实现积极的混杂效果，然后最大化混凝土的性能。此外，X -CT 测试是一种分析 FRC 微观结构和表征纤维取向分布的有效分析工具。然而，传统的X-CT测试通常仅限于较差的定性和定量分析，并且手动分割通常效率低下并且涉及高不确定性。 研究内容 本文研究了混杂纤维混凝土（HFRC）用于改善混凝土力学性能的增强机理，尤其是拉伸性能和延性。本研究进行了一系列宏观和微观试验，并结合这些试验来分析HFRC的微观结构特征和机械性能之间的关系。在微观结构方面，通过X-CT测试和机器学习手段重建HFRC试样的详细微观结构，通过形态学和统计学分析观察纤维在混凝土的分布和空结构。在力学性能方面，进行了一系列系统的力学试验，包括压缩试验、拉伸试验和四点弯曲试验，以确定HFRC的力学性能和韧性。最后，通过机器学习算法建立混凝土微观结构特征与力学性能的联系。  图1 研究HFRC的微观结构及其对力学性能的影响的流程图  图2 X-CT样品和3D重建图像的详细信息（通过机器学习）  图3 （a）孔隙相和（b）钢纤维相（S0.5P1.0）连接对象的3D渲染  图4 (a) 钢纤维和 (b) PVA 纤维的 SEM 结果 主要结论 这项研究介绍了X-CT测试和HFRC的一系列力学测试。使用机器学习进行相位分割; 然后进行形态学和统计分析，以突出HFRC的微观结构，尤其是纤维分布。随机森林模型和人工神经网络 (ANN) 模型获得了与分割精度相关的最佳性能，这表明即使数据集不平衡，这两种模型也获得了很高的分割精度。HFRC的微观结构对HFRC的力学性能有显著影响。根据测试结果，可以得出以下结论: (1)钢纤维对 HFRC 的力学性能，尤其是强度指数具有主要和积极的影响。这是因为增加钢纤维可以显着增加试样边缘区域周围的钢纤维密度，使更高比例的钢纤维沿90°Phi角分布，并导致更高的纤维连接性。此外，钢纤维由于其较大的几何形状和长度，可有效桥接宏观裂纹并提高抗拉强度。 (2) 添加更多的 PVA 纤维可以降低这三个强度指标，但会提高 HFRC 的韧性。这可以解释为添加更多的 PVA 纤维可以减少沿 Phi 角 90°分布的钢纤维的比例，并显着增加 HFRC 的孔隙率和孔隙连通性。然而，PVA纤维可以增强基体，引入许多明显的微裂纹，防止宏观裂纹尖端的开口，延缓宏观裂纹的扩展以消耗更多的能量。 (3)不同类型和混杂比例的纤维对HFRC的力学性能有不同的影响。混合物 S1.5P1.0具有最高的钢纤维体积分数 (1.5%) 和高 PVA 纤维的体积分数 (1.0%)，在拉伸行为和弯曲行为方面表现出最佳性能，但其压缩行为没有改善很多。 本期编者简介 翻译： 罗盛禹 硕士生 深圳大学 审核： 程博远 博士生 深圳大学 排版： 颜文韬 硕士生 深圳大学 本期学术指导 艾 蠡 博士后 南卡罗来纳大学 何 闯 博士后 深圳大学 龙武剑 教嘻授 深圳大学 文献链接： https:///10.1016/j.cemconcomp.2021.104196 |
|
|
