所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

实证评价矿渣水泥最小设定时间(SCMST)优化石膏铸造生产过程中渣

CI Nwoye1*,我Obuekwe1,2,CN孟巴3,CC Nwangwu1,和弟弟Abubakar1,4

1冶金和材料工程系,Nnamdi Azikiwe大学的雕像,尼日利亚。

2科学设备发展研究所、埃努古、尼日利亚。

3冶金和材料工程系,埃努古州科技大学埃努古,尼日利亚。

4Ajaokuta钢铁公司,科吉人状态,尼日利亚。

通讯作者:
CI Nwoye
冶金与材料工程
Nnamdi Azikiwe大学
的雕像,尼日利亚。

收到:17/04/2014;修改后:22/05/2014;接受:29/05/2014

访问更多的相关文章rayapp0

文摘

实证评价矿渣水泥最小设定时间(SCMST)已经成功地进行过优化石膏除了铸造渣在水泥生产的过程中。模型推导和用作工具基于石膏水泥凝结时间的预测分析的输入。模型辅助优化石膏除了表明最小设置时间14.1054分钟的最佳石膏输入浓度为6.4847%。超过6.4847%石膏,矿渣水泥凝结时间大幅增加;情况不混合性典型化和缺乏之间的同质性水泥砂浆和额外的石膏。这是因为增加石膏之外(上图指定数量)不太可能形成一个连贯的质量与指定的固定液体体积,导致延误,微分设置。派生模型表示为;γ= 0.7168α2 - 9.2965α+ 44.2478本质上是二次和单身的阶乘。单位石膏矿渣水泥的凝结时间一样从实验中获得和派生模型4.75和4.996分钟。/ %。统计分析实验和派生模型预测结果的每个值的石膏输入浓度认为显示了标准误差分别为1.5485%和1.8974。 Deviational analysis indicates 10.46% as the maximum deviation of the model-predicted slag cement setting time from the corresponding experimental value. The validity of the model was rooted on the expression 0.0226 γ + 0.2101 α = 0.0162 α2 + 1.0001 where both sides of the expression are correspondingly approximately equal. The validity of the derived model-predicted results also was ascertained using SPSS 17.0. The results indicate check variance = 0.001, standard deviation = 0, and model operational confidence of 95.0% at a significant level: 0.05.

关键字

评估、优化、石膏、矿渣水泥凝结时间

介绍

越来越需要支持研究和开发旨在改善水泥的质量通过合并产生的工业废弃物和便宜的本地收购材料是水泥扮演一个非常重要的和不可避免的建设和施工部门的作用。还有需要评估其他材料生产水泥材料相似的特征。

水泥的需要满足规范对应用程序的影响的材料在水泥生产的过程中,有必要的性能特征1]。关注健康和环境,它应该是无害的。最后,浪费的公司不应该影响混凝土耐久性。传统的评估方法必须采用评估这些新材料(2]。可溶性盐的含量高(糖)的火山灰已经确定它作为实验废物(3]。对环境的影响和混凝土的耐久性是紧密连接到其传输特性,控制水的渗透动力学和积极代理成具体的(4]。混凝土扩散系数几乎是与运动有关的化学物种内的材料和某些化学物质的浸出5]。

高炉矿渣的基本组件被发现(6相同)的氧化物(如石灰、硅和铝)出现在波特兰水泥,但是比例不同。高炉矿渣是获得副产品高炉生铁的生产。它发现应用程序在道路和建筑行业和胶凝材料的生产,作为混凝土骨料的生产渣棉保温。

这项工作的目的是评估经验的矿渣水泥最小设定时间(SCMST)通过优化石膏除了铸造渣在水泥生产的过程中。模型将派生和使用作为预测工具的分析基于石膏水泥凝结时间的输入。

材料和方法

材料和各自的来源和实验过程的细节和相关工艺条件是表示在过去的报告6]。

模型公式

从研究工作获得的实验数据6)被用于这项工作。计算分析的实验数据6)所示表1,引发了表2这表明;

图像

material-sciences-Variation-setting-time

表1:设置时间与石膏的浓度变化添加[6]

0.0226材料-科学-变异

表2:0.0226γ+ 0.2101与0.0162αα的变化2+ 1.0001

介绍经验常数的值e1, e2、e3和e4方程(1)可以减少它;

图像

图像

图像

在哪里

(γ)=设定时间(分钟)。

e1 = 0.0226;经验常数(决定使用C-NIKBRAN [7]

(α)=石膏的浓度增加(%)

e2 = 0.2101;经验常数(决定使用C - NIKBRAN [7])

e3 = 0.0162;经验常数(决定使用C-NIKBRAN [7])

e4 = 1.0001;渣品位(决定使用C-NIKBRAN [7])

边界和初始条件

考虑铸造渣浆所需的一致性(在一个圆柱形容器)与大量的石膏交互。容器的气氛没有污染我。e(无有害气体、粉尘和其他微观生物)。石膏的添加:1 - 5。基于考虑范围的设定时间(添加石膏):16 - 35分钟。,mass of wastes used, resident time, treatment temperature, and other process conditions are as stated in the experimental technique [6]。

边界条件是:自由流动的氧气在圆柱形容器。底部的颗粒,气体标量的零梯度假设和顶部的气相的渣粘贴。对待渣粘贴固定。的对称性粒子被浪费。

结果与讨论

派生模型方程(4)的计算分析表1引发了表2

模型验证

模型的有效性是深深地扎根在方程(2)方程两边都相应地约等于1。表2也同意方程(2)后的值0.0226αγ+ 0.2101和0.0162α2 + 1.0001实验结果的评估表1。此外,派生模型验证通过对比设定时间(矿渣水泥)的预测模型,从实验中获得的(6]。这样做是利用第四度模型有效性测试技术(4日DMVTT);计算、图形、统计和井斜分析(8]。

计算分析

关键的计算结果比较分析实验和模型预测设定时间进行确定派生模型的有效性的程度。这样做是通过比较单位石膏凝结时间之外获得的计算涉及实验结果与模型预测结果直接从模型。

单位石膏矿渣水泥的凝结时间除了γg(分钟。/ %)的计算方程;

图像

因此,情节的设置时间对石膏的浓度增加图1使用实验结果表1,给一个斜坡,在点(35)和(16)替换后进入数学表达式;

图像

material-sciences-concentration-gypsum

图1:确定系数设置时间和石膏的浓度之间添加为从实验获得[6]。

方程(6)详细

图像

在哪里

Δγγ2 =改变设置时间,浓度在两个石膏γ1α2,α1。考虑的点(35)和(16)(α1γ1)和(α2,γ2)分别替换成方程(7),给出了斜率为4.75分钟。/ %单位石膏矿渣水泥的凝结时间实际实验过程中添加。也类似的情节(如图2)使用模型预测结果给出了一个斜坡。考虑点(35.6681)和(15.6853)(α1γ1)和(α2γ2)分别替换成方程(7)使边坡的价值,为4.996分钟。/ %。这是modelpredicted单位石膏矿渣水泥凝结时间。比较这两个值的单位石膏矿渣水泥凝结时间除了显示直接协议。

material-sciences-setting-time-concentration-gypsum

图2:确定系数之间设置时间和石膏的浓度预测的输入派生模型

统计分析

标准误差(STEYX)

标准错误(STEYX)在预测设定时间(使用派生模型,结果和实验)的每个值添加石膏的浓度分别为1.5485和1.8974%。标准错误是2003年评估使用Microsoft Excel版本。

相关性(CORREL)

设置时间和石膏输入浓度之间的相关性,从派生模型和实验考虑确定系数R2无花果。1和2计算使用Microsoft Excel版本2003。

图像

评估的相关性所示表3。这些评估结果表明,派生模型显著预测是可靠的,因此有效的考虑它与实际实验结果直接协议。

material-sciences-D-Model-predicted

表3:比较的相关性评估维模型预测和基于石膏ExD结果输入浓度

图形化分析

比较图形的分析图3显示非常接近校准曲线的实验(ExD)和模型预测(MoD)相对于石膏矿渣水泥凝结时间分别添加。此外,这些曲线的对齐程度表明之间的直接协议实验和模型预测设置时间。

material-sciences-derived-model

图3:比较设定时间相对集中的石膏输入从实验获得[6]和派生模型。

派生模型和标准模型的比较

派生模型进一步验证的有效性通过回归模型(注册)的应用程序(使用Excel版本2003最小二乘法)在预测实验结果的趋势。的比较分析无花果3号和4号显示非常接近对齐数据点的曲线和明显类似的趋势分布实验(ExD)和派生模型预测(MoD)凝结时间的结果。图5计算表明,设置时间和石膏输入浓度之间的相关性结果从回归模型给出了1.000。单位石膏矿渣水泥凝结时间增加,所得回归模型是5.0分钟。/ %。这些值的协议与实验和派生模型预测结果。

material-sciences-relative-concentration-gypsum

图4:比较石膏凝结时间相对集中的输入,从实验中获得(ExD)[6],派生模型(MoD)和回归模型(注册)

material-sciences-regression-model

图5:确定系数之间设置时间和石膏的浓度增加了预测的回归模型

使用SPSS 17.0验证模型预测结果

导出的模型预测结果的有效性也确定使用SPSS 17.0。结果表明检查方差= 0.001,标准差= 0,和模型操作信心的95.0%显著水平:0.05。

井斜的分析

从实验比较分析设置的时间6)和派生模型揭示了微不足道的偏差模型预测的值相对于实验中获取的值。这是归因于这样一个事实:渣材料的表面特性和生化的渣材料之间的相互作用和添加石膏(治疗温度)的影响下被发现的过程中发挥了至关重要的作用[6在模型没有考虑到配方。这就需要校正因子的引入,使模型预测抗压强度与相应的实验值。

模型预测的偏差(Dv)凝结时间的实验(6)是由

图像

校正因子(Cr)是负的偏移

图像

因此

图像

在哪里

Ps =模型预测设定时间(分钟)。

Es =凝结时间从实验中获得(分钟)。

Cr =校正系数(%)

Dv =偏差(%)

引入相应的值的Cr精确方程(11)到模型给出了相应的实验设置时间。

的比较分析无花果。显示的最大偏差模型预测矿渣水泥凝结时间从相应的实验值小于11%,完全在可接受的偏差极限的实验结果。

material-sciences-model-predicted

图6:模型预测的变化及其相关实验值偏离设定时间

这些数据表明,至少和最高震级的偏差的模型预测设定时间(从相应的实验值)+ 10.46 - 2.32%,对应于设置:15.6853和28.522分钟。/ %以及石膏的浓度增加:分别为5个和2%。

分析无花果,6和7表明,曲线的方向图7对这些模型预测偏差的设置时间图6。这是因为校正系数是负的偏差见方程(10)和(11)。相信校正因子负责渣材料的表面性质的影响和生化的渣材料之间的相互作用和添加石膏(受影响的实验结果)并不认为在制定模型。图7至少表明,最高震级的校正系数的模型预测抗压强度- 10.46和+ 2.32%对应于设定时间:15.6853和28.522分钟。/ %以及石膏的浓度增加:分别为5个和2%。

material-sciences-correction-factor

图7:校正因子的变化(模型预测值)设置时间

优化石膏之外

派生的凝结时间预测模型(方程(6));γ= 0.7168α2 - 9.2965α+ 44.2478是基于石膏的浓度增加。优化石膏除了是通过区分派生模型(方程(6))对α(相当于零)为了确定α,γ的值是最低。

图像

微分方程(12)对α减少他们分别;

图像

图像

α= 6.4847%的价值,评估从方程(14)的最佳浓度是石膏还总是给最低设置时间,γ为14.1054分钟。在用α= 6.4847%的价值派生模型方程(6)。

图8显示,超过6.4847%的石膏,矿渣水泥凝结时间大幅增加;情况不混合性典型化和缺乏之间的同质性水泥砂浆和额外的石膏。这是因为增加石膏之外(上图指定数量)不太可能形成一个连贯的质量与指定的固定液体体积,导致延误,微分设置。

material-sciences-Predicted-minimum-setting-time

图8:预测最小矿渣水泥的凝结时间预测最佳石膏的浓度增加

确认最小和最优值分别为γ和α是由替换一个假定的石膏的浓度的取值范围α= 8,10,12个和15%。

结论

实证评价矿渣水泥最小设定时间(SCMST)成功地开展通过优化石膏除了铸造渣在水泥生产的过程中。模型推导和用作工具基于石膏水泥凝结时间的预测分析的输入。模型辅助优化石膏除了表示最小设置时间为14.1054分钟的最佳石膏输入浓度为6.4847%。超过6.4847%石膏,矿渣水泥的凝结时间大幅增加;情况不混合性典型化和缺乏之间的同质性水泥砂浆和额外的石膏。这是因为增加石膏之外(上图指定数量)不太可能形成一个连贯的质量与指定的固定液体体积,导致延误,微分设置。单位石膏矿渣水泥的凝结时间一样从实验中获得和派生模型4.75和4.996分钟。/ %。统计分析实验和派生模型预测结果的每个值的石膏输入浓度认为显示了标准误差分别为1.5485%和1.8974。井斜分析显示10.46%的最大偏差模型预测矿渣水泥凝结时间与相应的实验值。模型的有效性的表达式0.0226γ+ 0.2101α= 0.0162α2 + 1表达双方的相应近似相等。 The validity of the derived model-predicted results also was ascertained using SPSS 17.0. The results indicate check variance = 0.001, standard deviation = 0, and model operational confidence of 95.0% at a significant level: 0.05.

引用

全球技术峰会