BP 神经网络预测激发体系组成对地聚物强度的影响

摘 要：基于地聚物形成过程中原材料及激发体系多样性和复杂性，采用BP 神经网络方法考察了影响地聚强度的3 个因素：碱激发剂浓度、碱硅摩尔比和铝硅摩尔比。结果表明：BP 神经网络可以准确地预测地聚物抗折强度和抗压强度(误差在10-2 数量级)；高碱激发下（COH-=12mol/L），M2O/SiO2 对抗压及抗折强度影响显著，预测M2O/SiO2=0.332，Al2O3/SiO2=0.441 时抗压强度达30.96MPa，抗折强度高达9.33MPa；SEM分析和MIP 实验证明提高激发剂OH-浓度和碱硅摩尔更利于形成内部结构完整、强度更高的地聚物。

关键词：地聚物; BP 神经网络; 强度

中图分类号：TU5021

　　地聚物(geopolymer)兼具胶凝材料、高分子材料和陶瓷材料的优良品质，同时具有环境友好性[1]，有望成为21 世纪新型绿色建材。目前，地聚物的研究主要集中于原料和激发体系的选取与优化，包括阳离子、pH 值、养护制度、铝硅摩尔比以及碱激发剂的成分等对地聚物力学性能的影响[2~8]。但是由于地聚物的聚合机理和原材料的复杂性以及各因素之间线性或非线性相关，至今未形成对该类材料的配方、性能进行合理设计的准则，因此在很大程度上给此类材料的应用造成了障碍。在数学手段中，BP 神经网络特别适合于处理各种复杂问题，其最大的优点在于可对一些理解不深或物理、化学过程非常复杂的体系性能或指标进行分析和预测[9]。

　　本文主要研究地聚物激发体系组成对固化体强度的影响，通过使用BP 神经网络对地聚物的抗压和抗折强度进行学习训练和预测，借助SEM 和MIP 方法验证激发体系组成对地聚物固化体结构的影响，为地聚物原料选取及激发体系的选取和工程应用提供基础理论支持。

1 实验

1.1 实验原料

　　高岭土(江苏)，主要化学组成见表1；化学激发剂（自制，强碱类）；水玻璃（n=2.0）；分析纯Na2AlO3；自来水。

表1 高岭土的主要化学组成(wt％)

1.2 实验方法

　　研究发现激发体系内碱激发剂浓度、碱硅摩尔比、铝硅摩尔比等三种因素对地聚物固化体性能影响显著，选其作为研究因素，采用正交设计（三因素标准中心复合设计）进行实验。将偏高岭土（高岭土经900℃ 煅烧6h ） 与激发剂混合， 浆体充分调匀后注入20mm×20mm×20mm 和60mm×10mm×10mm 的模具中，在20℃、相对湿度为70%条件下养护24h，后经80℃蒸养6d，测试形成的地聚物试体的抗压和抗折强度（结果见表2），并分别用JSM-5900 型扫描电镜（Scanning Electron Microscopy, SEM）和Poremaste GT-60 型压汞仪（Mercury Intrusion Porosimetry, MIP）选择性地分析抗压及抗折强度较低和较高的试样，分析激发体系组成对固化体内部结构的影响。

表2 不同配方因子水平设计和平均抗压及抗折强度

Note: a. COH- means normalized ratio of OH- concentration, i.e. 3.00, 6.00, 9.00, 12.00 and 15.00mol/L divided by 15mol/L　respectively; b. M2O is total of K2O and Na2O.

2 分析与讨论

2.1 BP 神经网络模型的确定

　　改变BP 神经网络模型的隐含层神经元个数、学习速率和动量因子，调整训练表2 中18组数据来关联变量之间的定量关系，测试分别位于x1、x2、x3 取值区间内等距的1000 组数据。经过1.0×106 次训练后，最后确定了含3 个变量的输入层、2 个变量的输出层、5 个神经元的隐含层、学习速率和动量因子分别为0.15 和0.075 的BP 神经网络模型，该模型具有误差小（误差为10-3 数量级）和速度快的特点。

2.2 BP 神经网络预测分析

　　将BP 神经网络模型所得到的测试值x1、x2、x3 和输出值y1、y2 作为源数据在STATISTICA6.0 中作图，以获得直观预测。图1(a)和图1(b)是OH-浓度分别为3.00 mol/L 和12.00mol/L 时预测M2O/SiO2、Al2O3/SiO2 对抗压和抗折强度的影响。

图1 不同OH-浓度下M2O/SiO2、Al2O3/SiO2对抗压及抗折强度的影响

Fig.1 Effects of M2O/SiO2 and Al2O3/SiO2 on compressive & flexural strengths at different OH- concentration

　　由图1 可见，当碱激发剂浓度COH-=3.00mol/L 时，抗压强度主要随Al2O3/SiO2 比值增

大而升高，M2O/SiO2 比值对其影响不大。当碱激发剂浓度COH=12.00mol/L 时，试体的抗折强度除了随Al2O3/SiO2 的增大而升高外，M2O/SiO2 比值的影响显著。图1(b)显示出M2O/SiO2

对抗折强度有一最优作用，通过数值扫描得到M2O/SiO2=0.332，Al2O3/SiO2=0.441 时，抗压强度高达30.96MPa，抗折强度最高达9.33MPa。由BP 神经网络生成的数据可以推测，Na+、K+等阳离子不但起平衡Al3+取代Si4+所形成的负电荷和其他阴离子的作用，而且对地聚物强度存在显著影响：当原料在低浓度碱激发剂体系中溶出的有效铝硅成分很少，少量Na+、K+等阳离子足以起到平衡作用；一旦溶出大量的铝硅离子，阳离子必须达到一定的量才能使体系平衡且利于形成稳定的地聚物，但是，过量的Na+、K+等阳离子会使Na2SiO3、K2SiO3 等独立凝胶形成的可能性增强，使地聚物的形成率降低，从而使强度降低。因此，预测在高浓度碱激发剂(COH-＞10mol/L)作用下，提高Al2O3/SiO2 并相应适当提高M2O/SiO2 可以使地聚物强度增加。

　　为检验预测效果，增加三组实验，条件和结果见表3。比较选定的BP 神经网络预测x1、x2、x3 和y1、y2 之间的关系和实测值，平均误差只有10-2 数量级，因此认为该神经网络模型可以预测碱激发剂浓度、M2O/SiO2 和较小范围内的Al2O3/SiO2 对抗压强度的影响。

表3 预测值和验证实验值的比较

2.3 地聚物断面结构分析

　　根据表2 和图1 可知，地聚物反应体系的组成，尤其是碱激发剂的浓度，对试样的抗压及抗折强度有很大的影响，这可能是地聚物反应体系的组成影响试样内部结构形成的缘故。选取两种代表性试样1#和8#(分别代表低碱激发体系和高碱激发体系)，对其断面作扫描电镜分析（见图2 和图3）。

图2 1#试件断面不同放大倍数SEM 照片

Fig.2 SEM micrographs of 1# at different magnification times

图3 8#试件断面不同放大倍数SEM 照片

Fig.3 SEM micrographs of 8# at different magnification times

　　比较图2(a)和图3(a)，发现1#试件断面比8#更凹凸不平，大孔状结构更多；放大到10000倍后，1#的结构明显比2#更加松散，“沟壑”状缺陷更多。在图2(b)中还可以观察到大量细小松散的颗粒状物质，这可能是未反应或反应不完全的原料颗粒，图3(b)中珊瑚状三维网络结构更大更多，乳突状颗粒也胶结在这样的结构末端，结构更连续。

　　地聚物可以理解为具有活性的铝硅酸盐无机原料（如偏高岭土）在碱激发剂作用下经过溶解（ dissolution ）、重聚和固化3 个步骤形成的固化体， 要能发生地聚化反应（geopolymerization），选择合适的碱激发剂浓度是关键[10]。铝硅酸盐矿物表面的Al-O 和Si-O键在OH-离子作用下发生断裂溶解，这是重聚之前获得基本单元——带羟基的Si4+和Al3+的重要过程，因此，如果没有足够的OH-浓度就很难使原料完全溶解，从而也就不会产生抗压强度很高的终产物。1#的激发剂OH-离子浓度是3.00mol/L，这是图2(b)中残留大量细小原颗粒的主要原因，抗压强度因此较低。

2.4 地聚物孔结构分析

　　图2 和图3 初步揭示了地聚物内部形貌，为定量分析内部孔结构以及激发体系对固化体结构形成的影响，分别对1#和8#试件进行MIP 孔结构分析。实验结果表明，1#的孔隙率达33.87%，而8#的孔隙率只有28.82%（孔径分布如图4），1#试件中孔径主要分布于0.1~0.5μm，8#试件的孔径主要集中于0~0.1μm，可知8#试件比1#试件反应更完全，结构更致密。

图4 1#和8#试件的孔径分布

Fig.4 Pore distribution of 1# and 8# samples

　　研究认为[1] ， 一般地聚物长链可归纳为3 种类型： PS(-Si-O-Al-)n ，PSS(-Si-O-Al-O-Si-)n 和PSDS(-Si-O-Al-O-Si-O-Si-)n，可见铝硅比值对于形成地聚物的类型影响很大。8#试件中Al2O3/SiO2 为0.436，略大于1#的0.418，易于形成聚合度较低的PS 结构，提高了Si 的利用率，从而使固化体具有较高的抗压和抗折强度。阳离子Na+、K+在体系中能平衡Al3+取代Si4+所形成的负电荷和其他阴离子，适当提高碱金属离子的浓度还有利于原料中硅和铝的溶出和体系的平衡，这对于形成高强地聚物有重要意义，比较1#和8#地聚物内部结构的完整性，显然Al2O3/SiO2 值较高且M2O/SiO2 值适中的8#完整性更好，孔隙更均匀，地聚物的抗压强度也更高。

3 结论

　　(1) 选择3 个变量的输入层、5 个神经元的隐含层和2 个变量的输出层的BP 神经网络模型可以将激发体系中OH-浓度、M2O/SiO2、Al2O3/SiO2 和地聚物的抗压、抗折强度定量关联起来。对于Al2O3/SiO2 在适当范围变化的体系，BP 神经网络的预测精度可以达到10-2 数量级，从而成为定量评价这三个因素影响下地聚物抗折及抗压强度的一个有效方法。

　　(2) BP 神经网络预测在低浓度碱激发下，地聚物抗压强度主要随Al2O3/SiO2增大而升高；高浓度碱激发时(COH=12mol/L)，M2O/SiO2 对抗折强度影响显著，其预测值为0.332，Al2O3/SiO2=0.441 时，抗压强度达30.96MPa，抗折强度高达9.33MPa。

　　(3) 高OH-离子浓度更利于铝硅物质从原材料溶解，提高原料利用效率和聚合反应的可能性，产生的地聚物结构更致密、平整，强度更高；Al2O3/SiO2 对形成地聚物聚合类型有重要影响，高Al2O3/SiO2 值时抗折和抗压强度较高；适当提高M2O/SiO2 有利于原料中硅和铝的溶出，地聚物内部结构完整性和均匀性更好。

参考文献

[1] Joseph Davidovits. 30 Years of Successes and Failures in Geopolymer Applications: Market Trends andPotential Breakthroughs [R]. Geopolymer 2002 Conference, October 28-29,2002, Melbourne, Australia.
[2] J. W. Phair, J. S. J. van Deventer. Characterization of Fly-Ash-Based Geopolymeric Binders Activated with Sodium Aluminate [J]. Ind. Eng. Chem. Res. 2002, (41):4242-4251.

[3] J. W. Phair, J. S. J. Van Deventer, J. D. Smith. Mechanism of Polysialation in the Incorporation of Zirconia into Fly Ash-Based Geopolymers [J]. Ind. Eng. Chem. Res. 2000, (39): 2925-2934.

[4] J. G. S. van Jaarsveld , J. S. J. van Deventer. Effect of the Alkali Metal Activator on the Properties of Fly Ash-Based Geopolymers[J], Ind. Eng. Chem. Res. 1999, (38):3932-3941.

[5] H. Xu, J. S. J. van Deventer, G. C. Lukey. Effect of Alkali Metals on the Preferential Geopolymerization of Stilbite/Kaolinite Mixtures [J]. Ind. Eng. Chem. Res. 2001, (40):3749-3756.

[6] W. K. W. Lee , J. S. J van Devente. Effects of Anions on the Formation of Aluminosilicate Gel in Geopolymers [J]. Ind. Eng. Chem. Res. 2002, (41):4550-4558.

[7] Hua Xu , Jannie S. J. van Deventer, Effect of Source Materials on Geopolymerization [J]. Ind. Eng. Chem. Res. 2003, (42):1698-1706.

[8] John L. Provis, Peter Duxson, Grant C. Lukey, et al. Statistical Thermodynamic Model for Si/Al Ordering in Amorphous Aluminosilicates [J]. Chem. Mater. 2005, (17):2976-2986.

[9] Neural Network of Matlab. MATLAB Version 7.1.0.246(R14) Service pack3 [Z]. The Mathwork Inc, August 02, 2005.

[10] Divya Khale, Rubina Chaudhary. Mechanism of geopolymerization and factors influencing its development: a review [J]. J Mater Sci 2007, (42):729-746.

 

(College of Materials Science & Engineering, Nanjing University of Technology, Nanjing, 210009, China)

Abstract: Based on the flexibility and complexity of source materials activating system during geopolymer synthesized process, back-propagation network was choused to study three main factors affecting strength of geopolymer, i.e. concentration of alkali activator, alkali silicon ratio and aluminum silicon ratio in mole. The results showed that the compressive and flexural strength could be predicted precisely at the order of 10-2. At high concentration of alkali activator (COH-=12mol/L), M2O/SiO2 became a notable factor, which valuing 0.332 of prediction, while Al2O3/SiO2 equaling 0.441, was corresponding to a maximum compressive strength of 30.96MPa and flexural strength of 9.33Mpa. SEM and mercury intrusion method confirmed that increasing the concentration of OH- in alkali activating system and alkali silicon ratio was beneficial to form completely interior structured geopolymer with high strength.

Key words: Geopolymer; BP Neural Network; Strength