Microsoft Word 電弧爐爐碴骨材物、化性質再利用於混凝土強度預測-應用倒傳遞類神經網路-陳立-全文.doc

Size: px

Start display at page:

Download "Microsoft Word 電弧爐爐碴骨材物、化性質再利用於混凝土強度預測-應用倒傳遞類神經網路-陳立-全文.doc"

队蔺
7 years ago
Views:

1 電弧爐爐碴骨材物化性質再利用於混凝土強度預測 - 應用倒傳遞類神經網路陳立 1, 白子易, 何欣憲 3, 楊志祥 3, 魏玉玲 3 1 樹人醫護管理專科學校通識教育中心助理教授朝陽科技大學環境工程與管理系專任副教授 3 朝陽科技大學環境工程與管理所碩士班摘要本研究由台灣地區 3 家電弧爐煉鋼廠中選取選取燁聯 ( 不鏽鋼爐碴 ) 東和 ( 交流電煉鋼爐碴 ) 與桂裕 ( 直流電煉鋼爐碴 ) 三廠之爐碴進行物理化學性質分析, 以爐渣作為混凝土添加骨材, 檢測其抗壓強度 ; 再利用倒傳遞類神經網路進行抗壓強度之預測網路之訓練數據集取自本研究自燁聯東和與桂裕三廠之爐碴物性分析混凝土強度試驗共 6 筆數據本研究採以前 48 筆數據作為訓練數據集以訓練網路, 第 49 至 6 筆為測試數據集物理性質試驗結果顯示 SSD 比重介於 3.5~1.69 間, 平均為.98; 吸水率介於 3.79~.86 % 間 ; 乾搗單位重介於 1946~143 kg/m 3 間 ; 洛杉磯磨損率介於 4.7~15.41% 間 ; 健性損失介於.49~.5% 間 SiO 含量介於 38.3~9.46% 間 ;Al O 3 含量介於 15.55~.76% 間 ; Fe O 3 含量介於 44.65~1.37% 間 ;CaO 含量介於 48.61~11.66% 間 ;MgO 含量介於 1.78~.47% 間 ;MnO 含量介於 6.48~.3% 間 ;TiO 含量介於 1.41~% 間 ;SO 3 含量介於.14~% 間 ; S 含量介於.31~.% 間 ; 爐碴混凝土強度於 8 天齡期時介於 19~68 kg/cm ( 傳統混凝土強度介於 1 kg/cm 至 kg/cm ) 在相同混凝土配比設計及水灰比條件下, 爐碴混凝土抗壓強度於 8 天齡期時高於天然骨材混凝土之抗壓強度 ( 傳統混凝土強度介於 1 kg/cm 至 kg/cm ) 所有模式其 MAPE 皆低於 6%, 顯示對於預測混凝土強度可掌握, 而以化學性質輸入參數 9 個時有較佳之結果類神經網路預測效果良好, 可提供爐碴再利用於混凝土強度之相關應用關鍵字 : 電弧爐煉鋼廠爐碴倒傳遞類神經網路混凝土強度混凝土骨材物化性質 E1-1

2 一前言電弧爐氧化碴係電弧爐煉鋼廠所產生之固態副產品, 由於其近似天然砂石, 且具耐腐蝕及耐磨損之特性, 可充當混凝土骨材或鋪面之材料, 因此在德國日本美國及大陸等地區普遍被使用電弧爐煉鋼爐碴經磁選破碎篩分等加工處理, 即可資源化再利用於水泥工業混凝土工程等行業 [1 3] 台灣地區截至年月底, 共計 3 家電弧爐煉鋼廠,3 座電弧爐, 爐碴年產量約達 1 萬噸 [1] 每家處理之廢鋼及添加料不盡相同, 其產出之爐碴性質亦不相同欲進行爐碴之再利用, 則需檢驗爐碴各項性質, 以作為再利用之依據 ; 其中, 如將爐碴作為混凝土骨材, 其物理化學性質對混凝土強度之影響為必須考量之重要因素影響爐碴的性質甚多, 各性質的影響權重亦不同, 若選用適當演算法預測化學性質對混凝土強度之變動, 則可於爐碴作為骨材添加之前, 迅速了解其對混凝土強度之影響倒傳遞類神經網路 (backpropagation neural network, BNN) 為一種能快速且正確地映射出其中之輸入輸出關係模式, 其主要運作方式為透過訓練, 不斷地調整節點間之權重值與偏權值, 使網路所計算之輸出越接近目標輸出本研究由台灣地區 3 家電弧爐煉鋼廠中選取選取燁聯 ( 不鏽鋼爐碴 ) 東和 ( 交流電煉鋼爐碴 ) 與桂裕 ( 直流電煉鋼爐碴 ) 三廠之爐碴進行物理化學性質分析, 以爐渣作為混凝土添加骨材, 檢測其抗壓強度 ; 再利用 BNN 進行抗壓強度之預測二研究材料及方法 1 研究材料 (1) 水本研究採用之水為台灣自來水公司處理之自來水 () 水泥本研究採用之水泥為台灣水泥公司生產之卜特蘭第一型水泥 (3) 電弧爐爐碴本研究所採用之電弧爐氧化碴係由台灣地區 3 家電弧爐煉鋼廠中選取燁聯 ( 不鏽鋼爐碴 ) 東和 ( 交流電煉鋼爐碴 ) 與桂裕 ( 直流電煉鋼爐碴 ) 三廠之爐碴進行物性分析混凝土強度試驗等電弧爐煉鋼廠爐碴分析實驗本研究依據中國國家標準之試驗方法, 對氧化碴進行物理化學性質分析, 試驗項目如下 : 比重及吸水率試驗依據 CNS488 標準進行, 乾搗單位重依據 CNS1163 標準進行試驗, 洛杉磯磨損試驗依據 CNS49 標準進行, 健性損失試驗依據 CNS1167 標準進行化學成分分析依 CNS 13 標準進行, 檢測爐碴中 Al O 3,Fe O 3,MgO,SiO,TiO, MnO,SO 3,CaO,S 等化學成分及含量混凝土配比設計參照 ACI311.1 混凝土配合設計法進行普通強度混凝土配合設計 (1 kg/cm ), 水灰比採.7, 骨材級配設計參照 CNS14 混凝土粒料級配, 混凝土強度試驗依據 CNS13 標準進行 [4] E1-

3 3 BNN [5] BNN 為類神經網路中最常使用的模式, 其結構包括輸入層 (input layer) 隱藏層 (hidden layer) 與輸出層 (output layer) 三部分, 如圖一所示, 輸入與輸出層皆為一層, 隱藏層則可從一層至數層每一層內部之神經元皆具偏權值, 而隱藏層之神經元具有雙彎曲 (sigmoid) 轉移函數, 輸出層之神經元具有線性轉移函數, 使得網路能夠逼近於有限個不連續點的任何函數對於此多層網路, 每一層的輸出即為下一層輸入, 如下式 : a m 1 m 1 m f W 1 m a b m 1 m=,1,,,m-1 式中 a: 每一層的輸出 f: 每一層中的轉移函數 W: 連結層與層間的權重值 b: 每一層中的偏權值 M: 網路中層的數目..(1) 標準倒傳遞網路為使用梯度下降 (Gradient Decent) 演算法, 網路權重值沿著性能函數的負梯度方向移動, 不斷更新權重值與偏權值, 使性能函數達到最小化此演算法使用均方誤差 (Mean Square Error) 當作性能函數的指標, 如下式 : 1 mse Q Q t k a k () k 1 式中 mse: 均方誤差 (Mean Square Error) t(k): 網路的目標輸出值 a(k): 網路的實際輸出值 Q: 輸出值的數目而本研究所採用之訓練函數為批次最陡梯度函數, 其包含學習速率及訓練次數等訓練參數學習速率是決定權重值和偏權值的變化量, 學習速率越大, 則每次變化量就越大因此, 學習速率若太大, 演算法將變得很不穩定, 導致無法收斂 ; 若太小, 演算法則需花費較長時間方能收斂本研究則將學習速率設定於. 1 下進行訓練本研究對於隱藏層神經元個數之決定, 乃採用其分別於不同神經元個數下所表現最佳之模式隱藏層神經元個數分別從 1 至 15 個, 遞增量為 1 個, 分別進行訓練試驗, 找出訓練後之均方誤差 (MSE) 最小者為最後建模之依據, 訓練次數皆為 1 次運作 NN 時, 一般會將所需的訓練資料 ( 或稱訓練數據集,Training Date Set) 分成訓練數據集與測試數據集兩類訓練數據集主要目的在修改網路的權重值和偏權值, 測試數 E1-3

4 據集主要目的為驗證網路的準確度總之,BNN 的運作乃是透過訓練, 不斷地調整結點間之權重與偏權值, 使網路輸出值越接近目標輸出值, 而使網路能映射出正確輸入輸出之關係模式網路之訓練數據集取自本研究自燁聯東和與桂裕三廠之爐碴化性分析混凝土強度試驗共 6 筆數據本研究採以前 48 筆數據作為訓練數據集以訓練網路, 第 49 至 6 筆為測試數據集 4 模式預測之評估本研究採用平均殘差值 (Mean Absolute Percentage Error, MAPE) 與相關係數 (Correlation Coefficient, R) 對於模式輸出與目標值進行分析評估若相關係數值 (R) 越高, 平均殘差值 (%) 越低, 表示網路輸出值與實際值的相似趨勢程度越好, 網路預測效能亦越佳平均殘差值及相關係數值定義如下 : 平均殘差 (MAPE): 1 MAPE n n k1 T k A k T k 1%...(3) 式中 n : 建模數 T(k): 實際值 A(k): 推估值相關係數值 (R): R N N x i i1 N N x u y u i x i y..(4) i1 N x N i i 1 N y i i1 N i 1 yi 式中 N: 數據個數 x i : 預測值 y i : 觀察值 u x : 網路預測值之平均值 u y : 觀察值之平均值參結果與討論 1 爐碴物性及混凝土抗壓強度分析 E1-4

5 物理成分分析結果顯示如圖 1 至圖 4 所示 ; 物理性質試驗結果顯示 SSD 比重介於 3.5~1.69 間, 平均為.98; 吸水率介於 3.79~.86 % 間平均為.11 % ; 乾搗單位重介於 1946~143 kg/m 3 間, 平均為 1719 kg/m 3 ; 洛杉磯磨損率介於 4.7~15.41% 間, 平均為 4.5 % ; 健性損失介於.49~.5% 間, 平均為 1.3%, 其物理性質試驗結果顯示與天然骨材相當整理如表 1 所示表 1 爐碴骨材物理性質一覽表最大值最小值平均抗壓強度 (kg/cm ) SSD 比重吸水率 (%) 健性損失 (%) 乾搗單位重 (kg/m 3 ) 洛杉磯磨損 5 轉 (%) kg/cm 圖 1 抗壓強度 kg/cm 圖乾搗單位重 E1-5

6 % 圖 3 洛杉磯磨損 5 轉 % SSD 比重健性損失 (%) 吸水率 (%) 圖 4 其他物理性質化學成分分析結果顯示如圖 5 至圖 8 所示 ;SiO 含量介於 38.3~9.46 % 間, 平均為.68 %;Al O 3 含量介於 15.55~.76 % 間, 平均為 7.45 %;Fe O 3 含量介於 44.65~1.37 % 間, 平均為 6.48 %;CaO 含量介於 48.61~11.66 % 間, 平均為 8.64 %;MgO 含量介於 1.78~.47 % 間, 平均為 6.91 %;MnO 含量介於 6.48~.3 % 間, 平均為.64 %;TiO 含量介於 1.41~ % 間, 平均為.8 %;SO 3 含量介於.14~ % 間, 平均為.4 %;S 含量介於.31~. % 間, 平均為.1 %; 爐碴混凝土強度於 8 天齡期時介於 19~68 kg/cm ( 傳統混凝土強度介於 1 kg/cm 至 kg/cm ), 平均為 4 kg/cm 整理如表所示類神經網路之模擬結果表 3 為網路之隱藏層於不同神經元個數下, 訓練所得之均方誤差表中顯示, 物理性質參數隱藏層神經元個數以 15 個時, 其訓練後之均方誤差較其他網路小, 而化學性質參數之隱藏層神經元個數以 13 個時, 其訓練後之均方誤差較其他網路小圖 9 為以物理性質為參數時之類神經網路模擬結果, 依陳立 [6] 等分析結果篩選網路輸入參數, 篩選至 3 個輸入參數 ; 結果顯示輸入參數 5 個時其 MAPE 值為 6.%,R 值為.9, 輸入參數 4 個 E1-6

7 時其 MAPE 值為 5.98%,R 值為.47, 輸入參數 3 個時其 MAPE 值為 5.51%,R 值為.8, 顯示輸入參數 4 個時最佳表爐碴骨材化學性質一覽表最大值最小值平均 SiO AlO FeO CaO MgO MnO TiO SO S % 6 5 SiO AlO3 FeO3 CaO 圖 5 化學性質分析圖 A % 14 1 MgO MnO 圖 6 化學性質分析圖 B E1-7

8 % T io 圖 7 化學性質分析圖 C %.35.3 SO3 S 圖 8 化學性質分析圖 D 圖 1 11 為以化學性質為參數時之類神經網路模擬結果, 依陳立 [7] 等分析結果篩選網路輸入參數, 篩選至 4 個輸入參數 ; 結果顯示輸入參數 9 個時其 MAPE 值為 1.71%,R 值為.81, 輸入參數 8 個時其 MAPE 值為.76%,R 值為.69, 輸入參數 7 個時其 MAPE 值為 3.56%,R 值為.58, 輸入參數 6 個時其 MAPE 值為 5.6%,R 值為.68, 輸入參數 5 個時其 MAPE 值為 3.11%,R 值為.68, 輸入參數 4 個時其 MAPE 值為 3.96%,R 值為.61, 顯示輸入參數 9 個時最佳蔡家盛 [8] 利用進化演算法 ( evolutionary algorithms EAs ) 中之語法式進化 (grammatical evolution GE) 與遺傳演算法 (genetic algorithms GAs), 建立 GEGA 模式迴歸分析 (regression analysis RAs) 及類神經網路預測一般及高性能混凝土抗壓強度, 其輸入參數分別為水水泥水膠比粗骨材細骨材齡期飛灰爐石強塑劑, 輸出為混凝土抗壓強度, 而抗壓強度結果之 MAPE 值分別為 8% 35% 16%, 比較下皆大於本研究之預測值, 顯示本研究之預測效果較佳 E1-8

9 表 3 隱藏層於不同神經元個數下之均方誤差神經原個數物理性質化學性質 E E E E E E-6 kg/cm experimentalvalue Predict-5 Predict-4 Predict 圖 9 物理參數類神經模擬結果 E1-9

10 kg/cm experimentalvalue Predict-9 Predict-8 Predict 圖 1 化學參數類神經模擬結果 A kg/cm experimentalvalue Predict-6 Predict-5 Predict 圖 11 化學參數類神經模擬結果 B 四結論 1. 在相同混凝土配比設計及水灰比條件下, 爐碴混凝土抗壓強度於 8 天齡期時介於 19~68 kg/cm, 平均為 4 kg/cm, 高於天然骨材混凝土之抗壓強度 ( 傳統混凝土強度介於 1 kg/cm 至 kg/cm ). 整體而言, 所有模式其 MAPE 皆低於 6%, 顯示對於預測混凝土強度可掌握 3. 本研究結果顯示, 以化學性質輸入參數 9 個時有較佳之結果 4. 類神經網路預測效果良好, 可提供爐碴再利用於混凝土強度之相關應用參考文獻 [1] 余騰耀, 電弧爐煉鋼業廢棄物減量及資源回收, 環保特刊, 第頁 (1996) [] 江慶陞, 爐石的資源化, 技術與訓練, 第 6 卷第 9 期,pp.37-49(1981) E1-1

11 [3] 黃兆龍爐石道路資源化及工程性質評估, 公路工程, 第一十六卷, 第四期,pp.9-19 (1989) [4] 陳立, 電弧爐氧化碴為混凝土骨材之可行性研究, 博士論文, 國立中央大學土木工程研究所, 中壢 (3) [5] Martin T. Hagan, Howard B. Demuth, and Mark Beale, Neural Network Design," PWS Publishing Co.(1996). [6] 陳立, 白子易, 黃偉慶, 何欣憲, 楊志祥, 魏玉玲, 應用灰關聯分析電弧爐爐碴骨材物理性質對混凝土強度之影響, 第二屆環境資訊研討會, 中華民國環境工程學會, 台南 (4) [7] 陳立, 白子易, 何欣憲, 羅永翔, 許庭維, 以灰關聯評估電弧爐爐渣骨材化學性質對混凝土強度之影響, 第十八屆廢棄物處理技術研討會論文集, 中華民國環境工程學會, 台中 (3) [8] 蔡家盛, 進化演算法於混凝土抗壓強度預測之研究, 碩士論文, 私立中華大學土木工程學系, 新竹市 () E1-11

39 28 41 [5] 39 [6] 2 [7] G1201 [8] 100 11 11 99 349 1,773.1 273.9 15.4% [9] 3.1 3 [1014] ph 10 ~ 12 1 [5] (1) (2) 2 [7] 22

[14] (1) ASR(2) fcao fmgo ASR 2.1 95.5.30 1 [5] 28 (1) (2) (3) (4) [5] 21 39 28 41 [5] 39 [6] 2 [7] G1201 [8] 100 11 11 99 349 1,773.1 273.9 15.4% [9] 3.1 3 [1014] ph 10 ~ 12 1 [5] (1) (2) 2 [7] 22 3 [10]