流態地聚物固化土強度特性及其強度預測

易 富，姜 珊，慕德慧，管茂成

（1.遼寧工程技術大學建筑與交通學院，遼寧 阜新 123000；2.遼寧工程技術大學土木工程學院，遼寧 阜新 123000；3.長春高新建設開發有限公司，吉林 長春 130015）

工程渣土作為建筑垃圾中占比最大的一部分，其處置問題越發引起重視。流態固化土作為一種廣泛用于各種回填工程中的成熟回填材料，對土質要求極低，因此將工程渣土作為原材料制作流態固化土是切實可行的。目前我國在土體固化中大多采用水泥作為膠凝材料，但是水泥在生產過程中會造成大量污染，尋找替代水泥的新型綠色環保膠凝材料十分必要。地聚物凝膠是以工業廢棄物、天然礦物等為原料的綠色新材料，將其作為泥土固化劑再利用是建筑業的發展趨勢，具有重要的工程價值與環境價值[1]。

地聚物凝膠作為固化劑應用于建筑工程中時會受到多種因素的影響，部分學者研究發現，向其中摻入堿激發劑能夠顯著提升地聚物的固化效果，且固化土強度受堿激發劑摻量、模數的影響最為顯著[2?5]。王東星等[6?9]發現在堿激發條件下，摻入粉煤灰、礦渣等綠色膠凝材料能夠高效固化淤泥，并顯著提高固化淤泥試件抗壓強度。陳忠清等[10]發現硅鋁比為1.35時，堿激發劑模數對凍融條件下的地聚物加固土強度的影響最為明顯。賈棟欽等[11]發現利用改性糯米灰漿固化黃土能夠改善固化土內部孔隙結構。陳偉等[12]發現淤泥與固化材料相互作用時，會發生固-水-氣三相體系向固-晶-氣準兩相結構性體系的固化土轉變。何俊等[13]發現浸泡侵蝕溶液時間一致的情況下，固化淤泥試件抵抗NaCl侵蝕的能力比抵抗MgSO4侵蝕能力更加優異。He等[14]指出堿渣的加入能夠提升固化土的抗剪強度。Lakshmi等[15]研究發現最優高爐礦渣（GGBS）摻量使固化土的強度達到峰值，為原狀土的2.11倍。上述研究表明，無論在環境層面還是經濟層面上，粉煤灰、GGBS、稻殼灰等工業廢棄物替代水泥作為膠凝材料都是較優的選擇，且摻入稻殼灰能夠顯著提升地聚物力學性能。流態地聚物固化土的力學性能受眾多因素影響，且各因素之間存在交互影響，因此傳統的元件模型與經驗模型難以有效描述其性質。

人工神經網絡在處理非線性問題上具有非常優異的能力，所以其在廣泛的領域都受到歡迎[16?19]，很多土木類學者將人工神經網絡運用于各種膠凝材料的強度預測中，并取得了很好的效果。例如，劉嬋娟[20]、張龍云等[21]、趙明亮等[22]采用人工神經網絡預測不同養護條件下的混凝土強度，發現人工神經網絡預測結果較為精準；李揚等[23]采用人工神經網絡預測鹽溶液侵蝕后混凝土的相對動彈模量，發現預測模型具有較高的準確率，平均誤差僅為2.08%；張偉等[24]、路曉宇[25]建立神經網絡預測模型對固化土強度進行預測，結果表明模型具有較高的精度。目前，采用人工神經網絡對摻入稻殼灰的流態地聚物固化土進行強度預測的研究成果鮮有報道。

基于上述研究，固化土的特性分析與應用已經十分廣泛，但是對于流態固化土的膠凝材料與性質研究相對較少。本文采用粉煤灰、GGBS、稻殼灰等綠色新型膠凝材料固化工程渣土，制備流態地聚物固化土，并采用無側限抗壓強度判斷固化土力學性能是否優異，探究不同因素對流態地聚物固化土力學性能的影響；同時基于試驗結果并利用人工神經網絡建立強度預測模型，通過權重貢獻率分析法，分析各因素對于固化土抗壓強度影響程度。

1 試驗材料與試驗方案

1.1 試驗材料

1.1.1 試驗用土

試驗用土為北京某建筑工程所出產的工程渣土，曬干取回土樣并將其過篩，摒棄其中無法過篩的大塊建筑固廢，粉碎過篩后的工程渣土。試驗測得土樣的基本性質如下：塑限為14.1%，液限為29.7%，天然密度為1.66 g/cm3，天然含水率為6.6%。根據土的分類方法，試驗土樣屬于粉質黏土。

1.1.2 固化材料

采用粉煤灰、GGBS、稻殼灰作為復合固化劑對土樣進行固化。粉煤灰為靈壽縣韻達礦產品有限公司提供的二級粉煤灰，GGBS為同公司提供的?；郀t礦渣粉，外觀為粉末狀，比表面積720 m2/kg，密度為2.9 g/cm3，活性指數為95%。稻殼灰外觀為黑色粉末狀，其相對密度為1.80 g/cm3。粉煤灰、GGBS、稻殼灰的化學組成及各組分質量分數（w）見表1。

表1 粉煤灰、GGBS和稻殼灰的化學組成Table 1 Chemical composition of fly ash, GGBS and rice husk ash

1.1.3 堿激發劑

堿激發劑由氫氧化鈉和水玻璃配制而成，氫氧化鈉為純度96%市售分析純固體顆粒，水玻璃模數3.3 mol/L、波美度 38.5°Bé，SiO2質量分數 27.3%，Na2O質量分數8.54%。將二者攪拌至混合溶液重新變為透明液體。經俞家人[3]等驗證，固化土堿激發劑的模數為 1.2 mol/L時，其抗壓強度達到峰值，所以本試驗堿激發劑溶液模數確定為1.2 mol/L，溶液配置完成后，將溶液瓶口封住，放置24 h后再使用。

1.2 試樣制備

干土準備完成后，將稻殼灰篩分成0.075，0.15，0.3，0.6，1.2 mm 等 5 種粒徑。根據試驗配比（表2），稱出相應的GGBS、粉煤灰及不同粒徑稻殼灰，表2中各材料的摻量均為干土質量的百分比。已有研究表明[26]，采用尺寸為100 mm×100 mm×100 mm的試模時，地聚物抗壓強度試驗的效果更優，所以選用此尺寸作為最終試件尺寸。取干土質量60%的純凈水與配置好的堿激發劑溶液混合，拌合5 min；將膠凝材料與土體拌合均勻，隨即倒入堿激發劑水溶液，用NJ-160A凈漿攪拌機攪拌；攪拌完成后把漿體裝入試模中，置于室內，待其初凝后脫模，裝入密封袋中；置于濕度95%、溫度（20±2）°C的養護箱內進行養護。達到養護齡期后，取出試件，采用TAW2000壓力機進行無側限抗壓試驗。試驗加載采用位移控制，加載速度為1 mm/min。經試驗研究，流態地聚物固化土試件最優含水率為35%，所以試件的含水率統一為35%。

表2 流態地聚物固化土設計方案Table 2 Design scheme of fluid geopolymer Solidified Soil

2 無側限抗壓強度試驗結果

2.1 試樣破壞形式

流態地聚物固化土試樣的破壞形式如圖1所示。在荷載作用下，試樣內部及表面出現豎向的微小裂縫，此時試樣的應力趨近于峰值應力，未出現明顯破壞；隨著荷載繼續增大，試樣的應力逐漸達到峰值，試樣內部及表面的裂縫開始連通并縱向貫穿，導致出現大面積剝落現象，試樣發生脆性破壞。

圖1 試樣破壞形式Fig.1 Failure form of sample

2.2 堿激發劑模數對固化土抗壓強度的影響

隨著堿激發劑模數的增大，流態地聚物固化土的抗壓強度呈分段式變化，先增大后減?。▓D2）。當堿激發劑模數為1.2 mol/L時，抗壓強度達到最大值。以養護齡期28 d為例，堿激發劑模數為1.2時，試件抗壓強度最大值為1.45 MPa；當模數分別為0.6，0.9，1.5時，其抗壓強度相比模數1.2的試件降低了15.9%、8.3%和22.1%。

圖2 不同堿激發劑模數固化土抗壓強度曲線圖Fig.2 Compression strength curves of modulus solidified soil with different alkali activators

2.3 GGBS、粉煤灰摻量對固化土抗壓強度的影響

由圖3可知，不同養護齡期下，流態地聚物固化土的抗壓強度均隨GGBS摻量的增加而逐漸增大。以養護齡期為28 d為例，GGBS摻量8%的固化土抗壓強度為1.27 MPa，摻量增加至10%、12%和14%時，其抗壓強度提高了14.2%、23.6%和30.7%。

圖3 不同GGBS摻量固化土抗壓強度曲線圖Fig.3 Compressive strength curve of solidified soil with different GGBS content

由圖4可知，流態地聚物固化土在不同養護齡期下的抗壓強度都隨粉煤灰摻量的增加而增大，且兩者呈近似線性關系。以養護齡期28 d為例，粉煤灰摻量6%的試件抗壓強度為1.29 MPa；當摻量增至8%、10%和12%時，其強度提升12.2%、23.2%和31%。當摻量由6%提升至8%時，固化土強度提升最為顯著。

圖4 不同粉煤灰摻量固化土抗壓強度曲線圖Fig.4 Compressive strength curve of solidified soil with different fly ash content

2.4 稻殼灰摻量及粒徑對固化土抗壓強度的影響

由圖5可知，流態地聚物固化土的抗壓強度均隨著稻殼灰摻量的增加而增大。以養護齡期28 d為例，稻殼灰摻量0%的固化土抗壓強度為1.45 MPa；當稻殼灰摻量增至5%、8%、11%和14%時，其強度提高了43.4%、66.9%、100%和107.6%；可以看出，當稻殼灰摻量為11%時，對固化土的強度提升最為顯著。

圖5 不同稻殼灰摻量固化土抗壓強度曲線圖Fig.5 Compressive strength curve of solidified soil with different amount of rice husk ash

由圖6可知，流態地聚物固化土的抗壓強度與稻殼灰粒徑呈近似線性的負相關。以養護齡期28 d為例，稻殼灰粒徑0.075 mm的固化土抗壓強度為3.94 MPa，當粒徑增大為 0.15，0.3，0.6，1.2 mm時，試樣抗壓強度分別降低9.1%、16.5%、22.1%和26.4%。

圖6 不同稻殼灰粒徑固化土抗壓強度曲線圖Fig.6 Compressive strength curve of solidified soil with different rice husk ash particle size

3 流態地聚物固化土的強度特性分析

3.1 堿激發劑模數的影響分析

當堿激發劑模數大于1.2時，試樣內部的OH–濃度過低，對稻殼灰外表玻璃球體的分解作用減弱，無法裂解硅氧鍵與鋁氧鍵，導致反應無法進行，地聚物凝膠產生過少，因此固化土的抗壓強度過低。但是，當堿激發劑模數過低時，固化土中過多的Na+會延緩凝膠的聚合作用，導致地聚物凝膠生成困難，固化土抗壓強度同樣受到影響。

3.2 GGBS及粉煤灰摻量的影響分析

當GGBS摻量由8%增至10%時，對固化土強度的提升最為顯著。養護前期，GGBS是主要的反應原料，所以試樣抗壓強度隨GGBS摻量的增加而增大，且先期強度提升明顯。隨著GGBS的增多，由于沒有良好的堿性環境，過多的GGBS無法完全反應，其對試樣強度的提升幅度減弱。

地聚反應初期，粉煤灰參與反應時，需先將外層玻璃球體破壞，釋放出內部的SiO2、Al2O3等活性離子參與反應，所以在較短的時間內粉煤灰參與反應的量較少，對固化土的抗壓強度影響較小。隨著齡期的增加，粉煤灰開始參與反應，玻璃體被大量破壞，參與反應的離子變多，所以粉煤灰摻量對于固化土的抗壓強度影響也增加。

3.3 稻殼灰摻量及粒徑的影響分析

隨著稻殼灰的加入，稻殼灰內大量的高活性SiO2參與地聚反應，生成更多的凝膠，增大固化土的抗壓強度。隨著稻殼灰摻量的增加，固化土內SiO2濃度升高，但是濃度過高的SiO2會抑制膠凝材料的解聚和聚合，所以過量的稻殼灰不能增加固化土的抗壓強度。另外，隨著稻殼灰的粒徑減小，其活性增高，更易發生地聚反應，產生更多凝膠，提升固化土抗壓強度。

4 流態地聚物固化土的強度預測與影響因素分析

4.1 強度預測模型構建與訓練

大量學者研究發現，誤差逆傳播（BP）神經網絡模型能夠有效預測膠凝材料的抗壓強度[14?17]，所以本文采用BP模型預測固化土的抗壓強度。將GGBS與粉煤灰摻量、堿激發劑模數、稻殼灰摻量與粒徑、養護齡期等6個影響因素作為輸入層變量，以無側限抗壓強度作為唯一的輸出層變量，建立流態地聚物固化土的強度預測模型。由于預測模型的精度主要取決于隱含層的層數與節點數，對比不同隱含層的層數與節點數的預測模型結果（表3），發現模型采用6-8-8-1的拓撲結構時，BP神經網絡模型的結果最優，因此建立如圖7所示的強度預測模型網絡拓撲結構。

表3 不同隱含層層數于節點數的預測模型對比Table 3 Comparison of prediction models with different hidden layers and nodes

圖7 強度預測模型拓撲結構Fig.7 Topology of strength prediction model

選取如下激活函數f(x)：

式中：x——迭代過程中的輸入向量。

則神經網絡中第k層的第i個值可表示為：

式中：Nk——第k層的神經元數目；

m——層間關系（m=1，2，3）；

θi——層間的閾值。

得到各層的計算值后，需要進行權重調整。采用遞歸法從輸出節點開始返回到隱含層調節權重，則權重矩陣的迭代方法為：

然后重復上述步驟計算，直到滿足目標要求。

從上述試驗結果的88組數據中隨機抽取80組數據作為訓練樣本，8組數據作為預測樣本。訓練過程中不斷調整權重矩陣，直至權重矩陣波動量趨于平穩且較小時結束迭代。本次網絡模型數據學習的次數為5 000 次，網絡學習速率為 0.01，目標誤差為 0.1×10?3。經過模型運算，得到模型的網絡輸出強度，將其與實際值進行對比并計算絕對誤差，具體結果見圖8。由圖8可知，80組試驗數據的預測值與實際值基本處于重合狀態，只有極少部分有明顯偏差，并且預測值與實際值的絕對誤差基本不變，保持在同一條水平線上。

圖8 預測值與實際值對比圖Fig.8 Comparison between predicted value and actual value

4.2 固化土強度預測

將之前隨機挑選的8組預測樣本，輸入到訓練好的抗壓強度預測模型中，執行程序，得到8組數據的網絡輸出強度，將這8組預測強度與實際試驗數據進行對比，對比結果見表4。由表4可知，預測樣本的最大絕對誤差為0.332 9 MPa，最小絕對誤差為0.001 4 MPa，平均絕對誤差為0.069 MPa；最大相對誤差值為17.2%，最小相對誤差值為0.14%，平均相對誤差值為5.57%，具有很高的適用性。

表4 測試樣本誤差分析表Table 4 Error analysis of test samples

將訓練樣本與預測樣的誤差值進行整理計算（表5），訓練與測試樣本中誤差超過20%的僅占5.68%，誤差在10%～20%的樣本僅占7.95%。相對誤差小于1%的樣本占53.41%，且誤差小于10%的樣本占86.37%，預測結果較精準，且波動較小。這表明BP神經網絡對流態地聚物固化土的抗壓強度預測總體效果較好，可以滿足工程實際需求。

表5 預測模型訓練與預測樣本相對誤差分布Table 5 Relative error distribution of BP neural network training and prediction samples

4.3 影響因素權重分析

引入權重貢獻率分析法能夠建立起輸入變量與輸出變量之間的直接聯系，獲得輸入變量與輸出變量的權重影響。權重貢獻率分析法，是通過預測模型訓練完成后網絡輸出的各層之間的權重矩陣。經過計算得出的輸入節點對于輸出層的權重貢獻，可以直觀反映每個影響因素對抗壓強度的影響程度。權重貢獻率（Pm）的計算公式見式（4）（5）：

式中：Vm——輸入節點的權重貢獻；

Qi——隱含層到輸出層的連接權值；

Vmi——輸入層到隱含層的連接權值。

利用式（5）計算6個影響因素的權重貢獻與權重貢獻率，結果見表6。由表6能夠清楚看出，養護齡期對于固化土強度影響最大，其權重貢獻率達到38%；粉煤灰摻量的影響僅次于養護齡期，占比為30.15%；稻殼灰摻量、堿激發模數和GGBS摻量分別占比16.54%、8.1%和6.92%，影響最小的為稻殼灰粒徑，僅占0.29%。

表6 預測模型權重貢獻與權重貢獻率Table 6 weight contribution rate of prediction model

5 結論

（1）流態地聚物固化土試樣的破壞形式為脆性破壞，其抗壓強度與GGBS摻量、粉煤灰摻量和稻殼灰摻量呈正相關，流態地聚物固化土的抗壓強度與稻殼灰粒徑呈近乎線性的負相關；當堿激發劑模數增至1.2、GGBS的摻量增至10%、粉煤灰摻量增至8%和稻殼灰摻量增至11%后，強度提升效能降低。

（2）通過建立的神經網絡強度模型進行樣本預測，經過檢驗發現拓撲結構為6-8-8-1時對固化土強度預測更為準確，其平均絕對誤差為0.069 MPa，平均相對誤差為0.14%，預測結果誤差較小。對訓練樣本與測試樣本的誤差分布進行分析，發現誤差小于10%的樣本占86.37%，模型預測結果波動也較小。

（3）引入權重貢獻率分析各因素對抗壓強度影響程度，得到6種影響因素的權重貢獻率。其中，養護齡期對于固化土強度影響最大，占比為38%；膠凝材料對于固化土強度的影響程度從大到小分別是：粉煤灰摻量>稻殼灰摻量>堿激發劑模數>GGBS摻量>稻殼灰粒徑。實際工程中，膠凝材料的選擇應著重考慮粉煤灰和稻殼灰的摻量。