CN112884726B - 一种混凝土切截面识别与性能预测反馈方法及*** - Google Patents

一种混凝土切截面识别与性能预测反馈方法及*** Download PDF

Info

Publication number
CN112884726B
CN112884726B CN202110145394.XA CN202110145394A CN112884726B CN 112884726 B CN112884726 B CN 112884726B CN 202110145394 A CN202110145394 A CN 202110145394A CN 112884726 B CN112884726 B CN 112884726B
Authority
CN
China
Prior art keywords
test block
concrete
data
section
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110145394.XA
Other languages
English (en)
Other versions
CN112884726A (zh
Inventor
贾洋
周紫晨
张冰
曾明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Research Institute of Metallurgical Construction Co Ltd
Original Assignee
Wuhan Research Institute of Metallurgical Construction Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Research Institute of Metallurgical Construction Co Ltd filed Critical Wuhan Research Institute of Metallurgical Construction Co Ltd
Priority to CN202110145394.XA priority Critical patent/CN112884726B/zh
Publication of CN112884726A publication Critical patent/CN112884726A/zh
Application granted granted Critical
Publication of CN112884726B publication Critical patent/CN112884726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种混凝土切截面识别与性能预测反馈方法及***，该方法通过对样品截切面拍摄的高分辨率图片以及均匀切割样品称重，识别出孔隙，骨料含量以及测试出纵向均匀度的具体数据，处理得到孔隙率，骨料粒径比等参数以及手动输入的纵向均匀度参数，与试验得出的混凝土性能进行拟合，得到拟合公式；通过大量数据对拟合公式修正，得到混凝土预测***；向预测***输入待识别的图像，得到混凝土性能预测值与预测准确率。本发明的***成本低，减少了人工成本；用预测数据代替试验值，减少试验验证，为发现混凝土制作工艺缺陷提供依据，并给优化工艺提供理论支撑；消除了传统方法中人工带来的误差；为成型混凝土产品反推骨料粒径比例提供了依据。

Description

一种混凝土切截面识别与性能预测反馈方法及***
技术领域
本发明涉及混凝土性能分析技术领域，尤其涉及一种混凝土切截面识别与性能预测反馈方法及***。
背景技术
混凝土是一种多相聚集体，它是由水泥、矿物掺合料、砂、石、空气、水和外加剂等组成，由于现在对建筑质量要求不断提高，对混凝土性能的要求也不断增减。混凝土拌合、运输、浇灌、振捣成型等施工过程中均质和密实的前提，直接关系到混凝土硬化后的力学性能和长期耐久性。混凝土中影响其性能的主要有粗骨料的配比，孔隙率，均匀度等因素。
混凝土骨料是指在混凝土中起骨架或填充作用的粒状松散材料。其可以根据粒径分为粗骨料和细骨料。粗骨料原料有鹅卵石、碎石等，细骨料原料有天然砂、人工砂等。骨料体积在混凝土中占60％～80％，混凝土骨料在水工中甚至达到80％以上，骨料对混凝土性能有重要的影响。其中骨料粒径的比例与均匀度大大影响了混凝土性能。
水泥混凝土内外普遍存在气孔、麻面、漏筋、蜂窝、孔洞、缝隙夹层等缺陷，这些缺陷存在不仅影响水泥混凝土表面的美观，同时对混凝土建筑工程的安全性也产生了影响。
对于混凝土建筑而言，在制造过程中对成型产品混凝土骨料含量、纵向均匀度、混凝土气孔有效分析可以起到预防危害发生。同时通过分析混凝土性能低的原因，可以对下一步施工提出有效建议等作用。目前，一般通过人工观察的方法进行分析。虽然这种方法结果直观并且操作简单，但是效率极低、严重影响施工进度、需要人工操作、无法量化，并且其准确性和可信性度完全依赖观察者的知识储备，因此存在误差，容易导致工程项目质量出现问题。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种混凝土切截面识别与性能预测反馈方法及***。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种混凝土切截面识别与性能预测反馈方法，该方法包括以下步骤：
步骤1、取待检测的混凝土正方体试块，将试块横向切割成相同尺寸的多个试块样品；
步骤2、对试块样品的切截面上的污染物用软毛刷进行清扫；
步骤3、将试块样品放入高分辨率扫描仪中，生成切截面高清图像；
步骤4、对图像进行识别处理，根据切截面的不同颜色进行分类；
步骤5、对图像进一步处理识别分析，对切截面的不同颜色分类进行区域面积和尺寸识别；
步骤6、将图像识别后的数据录入数据库，根据计算公式得到以下参数：孔隙数量与孔隙面积，孔隙率；石子粒级级配；
步骤7、对试块纵向均匀度分析：称量切割后的样品试块质量，通过离散性标准差分析得到试块样品纵向均匀度；
步骤8、测试试块样品性能：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性，并将性能参数录入数据库；
步骤9、重复步骤6-步骤8，得到超过150组数据，对图像识别处理数据与测试数据进行拟合得到经验公式；
步骤10、利用已有数据不断完善数据库，修复经验公式，并通过试验验证预测值准确率；
步骤11、输入待识别的图像，得到混凝土性能预测值与预测准确率。
进一步地，本发明的步骤1中进行试块切割的方法具体为：
采用边长150mm～1000mm模具成型，切割4～10次得到8～20个不同的截面与5～11个同等体积试块样品，切割次数根据试块大小决定，试块越大切割次数越多，由于多次切割会带来更多的误差，因此切割不超过10次。
进一步地，本发明的步骤3中的高分辨率扫描仪的放大倍率至少为30倍。
进一步地，本发明的步骤4中识别的具体方法为：
(1)黑色为裂缝与孔隙；(2)灰色为水泥的水合物产物、砂石及部分<2mm细骨料的混合物；(3)纯白色与青色为≥2mm的骨料。
进一步地，本发明的步骤5中识别的具体方法为：
(1)对黑色的裂缝与孔隙进行判断，根据照片计算黑色区域面积识别孔隙；(2)根据照片计算灰色区域尺寸以此来区分水泥水合物、砂石及部分<2mm细骨料的混合物面积；(3)纯白色与青色为骨料，通过边界识别判断其尺寸，再根据尺寸区分级配内容。
进一步地，本发明的步骤6中计算的公式具体为：
Figure BDA0002930009660000031
其中，Z为孔隙总面积，B为切截面面积。
进一步地，本发明的步骤9中进行拟合的具体方法为：
输多组入图像处理参数，包括：孔隙数量与孔隙率，石子粒级配；输入多组实验测试参数，包括：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性；拟合图像处理参数和实验测试参数，得到经验公式，建立预测***。
本发明提供一种混凝土切截面识别与性能预测反馈***，包括以下单元：
试块切割单元，用于对待检测的混凝土正方体试块，将试块横向切割成相同尺寸的多个试块样品；
试块清扫单元，用于对试块样品的切截面上的污染物进行清扫；
高分辨率扫描仪单元，用于将试块样品放入高分辨率扫描仪中，生成切截面高清图像；
图像第一处理单元，用于对图像进行识别处理，根据切截面的不同颜色进行分类；
图像第二处理单元，用于对图像进一步处理识别分析，对切截面的不同颜色分类进行区域面积和尺寸识别；
图像处理参数计算单元，用于将图像识别后的数据录入数据库，根据计算公式得到以下参数：孔隙数量与孔隙面积，孔隙率；石子粒级级配；
使用测试参数获取单元，用于对试块纵向均匀度分析：称量切割后的样品试块质量，通过离散性标准差分析得到试块样品纵向均匀度；测试试块样品性能：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性，并将性能参数录入数据库；
数据拟合单元，用于重复重复多组试验，得到超过150组数据，对图像识别处理数据与测试数据进行拟合得到经验公式；
数据拟合单元，用于利用已有数据不断完善数据库，修复经验公式，并通过试验验证预测值准确率；
性能预测单元，用于输入待识别的图像，得到混凝土性能预测值与预测准确率。
本发明产生的有益效果是：本发明的混凝土切截面识别与性能预测反馈方法及***，(1)用预测数据代替试验值，减少试验验证，为发现混凝土制作工艺缺陷提供依据，并给优化工艺提供理论支撑；(2)减少误差，现有技术的孔隙计算存在人工误差，通过照片识别减少了人工误差的存在；(3)为成型混凝土产品反推骨料粒径提供了依据。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的建立预测***流程示意图；
图2是本发明实施例的预测***工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1和图2所示，本发明实施例的混凝土切截面识别与性能预测反馈方法，能够量化骨料含量(≥2mm，小于2mm的骨料砂石存在被水泥水化物包裹的现象难以表面识别)、纵向均匀度、孔隙大小，并且通过完善资料库利用深度学习方法并建立观察量与混凝土性能(抗压能力、抗折能力、抗氯离子渗透能力、抗冻性)之间的关系，最终输出对混凝土性能进行预测与对下一步优化制备工艺提出建议。
混凝土切截面识别与性能预测反馈方法，包括以下步骤(步骤中的尺寸不唯一，仅做举例用，实际应用时可等比例换算)：
(1)取混凝土正方体试块(尺寸不唯一，通常采用边长150mm～1000mm模具成型，边长过小材料纵向均匀度离散度大、误差高且切截面不具备代表性，边长过大切割成本及人力成本过高不符合降低人工成本理念)，切割4～10次得到8～20个不同的截面与5～11个同等体积样品(切割次数根据试块大小决定，试块越大切割次数越多。由于多次切割会带来更多的误差，因此切割不宜超过10次)。举例：150mm*150mm*150mm正方体试块，横向切割4次，得到5块150mm*150mm*28mm(切割损失2mm)的试块样品。
(2)对切截面用软毛刷进行清扫，避免切割带来的微尘、污水等污染物对结果带来影响。
(3)高分辨率扫描仪(放大倍率至少为30倍，并保障在30倍下有轮廓供计算)，将试块样品切截面放入扫描仪，生成切截面高清图像。
(4)对图像进行识别处理，识别方式是根据切截面的不同颜色进行分类：黑色为孔隙；灰色为水泥的水合物产物、砂石及部分<2mm细骨料的混合物；纯白色与青色为≥2mm的骨料。
(5)对图像进一步处理识别分析：对黑色的裂缝与孔隙进行判断。一，根据照片计算黑色区域面积识别孔隙；二，根据照片计算灰色区域尺寸以此来区分水泥水合物、砂石及部分<2mm细骨料的混合物面积；三，纯白色与青色为骨料，通过边界识别判断其尺寸，再根据尺寸区分级配内容。
(6)将图像识别后的数据录入***数据库，根据已知公式得到以下参数：孔隙数量与孔隙面积，孔隙率；石子粒级级配；其中，
孔隙率：
Figure BDA0002930009660000051
式中：Z——孔隙总面积
B——切截面面积(前文给定为100mm*100mm)
(7)对试块纵向均匀度分析：称量切割后5块150mm*150mm*28mm的样品试块质量，通过离散性(通过标准差得出)分析得到，试块纵向均匀度。
(8)测试样品性能：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性，并将性能参数录入***数据库。
(9)重复步骤(6)(7)(8)，得到超过150组数据，对图像识别处理数据与测试数据进行拟合得到经验公式。
(10)利用已有数据不断完善数据库，修复经验公式，并通过试验验证预测值准确率。
(11)输入图像，得到混凝土性能预测值与预测准确率。
在本发明的另一个具体实施例中：
(1)取150mm*150mm混凝土正方体试块，切割分解4次得到5个不同的截面。软毛刷进行清扫切截面，
(2)高分辨率扫描仪扫描(放大倍率至少为30倍，保障在30倍下有轮廓供计算)
(3)通过图像识别，识别数据与输出数据如下：
Figure BDA0002930009660000061
Figure BDA0002930009660000071
(4)通过样品称量得到各个样品的重量与纵向均匀性(用标准差表示)如下：
质量(g)
样品1 1321.13
样品2 1399.44
样品3 1436.69
样品4 1450.71
样品5 1448.9
标准差 48.75
(5)之后测试该批样品的抗压性、抗折性、抗氯离子渗透能力、抗冻性。以性能为目标，对所有输出数据进行拟合，分别得到抗压性、抗折性、抗氯离子渗透能力、抗冻性的拟合公式，以及置信度。
(6)输入300组数据，对拟合公式进行修正，提高置信度。得到预测***。
(7)通过预测***，根据对新输入的图像进行识别，得到抗压性、抗折性、抗氯离子渗透能力、抗冻性的预测值，并通过置信度给出预测数据准确率。
(8)定期输入试验测试数据，并反馈预测***，进行拟合的修正。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种混凝土切截面识别与性能预测反馈方法，其特征在于，该方法包括以下步骤：
步骤1、取待检测的混凝土正方体试块，将试块横向切割成相同尺寸的多个试块样品；
步骤2、对试块样品的切截面上的污染物用软毛刷进行清扫；
步骤3、将试块样品放入高分辨率扫描仪中，生成切截面高清图像；
步骤4、对图像进行识别处理，根据切截面的不同颜色进行分类；
步骤5、对图像进一步处理识别分析，对切截面的不同颜色分类进行区域面积和尺寸识别；
步骤6、将图像识别后的数据录入数据库，根据计算公式得到以下参数：孔隙数量与孔隙面积，孔隙率；石子粒级级配；
步骤7、对试块纵向均匀度分析：称量切割后的样品试块质量，通过离散性标准差分析得到样品试块质量的纵向均匀度；
步骤8、测试试块样品性能：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性，并将性能参数录入数据库；
步骤9、重复步骤6-步骤8，得到超过150组数据，对图像识别处理数据与测试数据进行拟合得到经验公式，以及置信度；
步骤10、利用已有数据不断完善数据库，修复经验公式，并通过试验验证预测值准确率；
步骤11、输入待识别的图像，得到混凝土性能预测值，并通过置信度给出预测准确率。
2.根据权利要求1所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤1中进行试块切割的方法具体为：
采用边长150mm～1000mm模具成型，切割4～10次得到8～20个不同的截面与5～11个同等体积试块样品，切割次数根据试块大小决定，试块越大切割次数越多，由于多次切割会带来更多的误差，因此切割不超过10次。
3.根据权利要求1所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤3中的高分辨率扫描仪的放大倍率至少为30倍。
4.根据权利要求1所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤4中识别的具体方法为：
(1)黑色为裂缝与孔隙；(2)灰色为水泥的水合物产物、砂石及部分＜2mm细骨料的混合物；(3)纯白色与青色为≥2mm的骨料。
5.根据权利要求4所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤5中识别的具体方法为：
(1)对黑色的裂缝与孔隙进行判断，根据照片计算黑色区域面积识别孔隙；(2)根据照片计算灰色区域尺寸以此来区分水泥水合物、砂石及部分＜2mm细骨料的混合物面积；(3)纯白色与青色为骨料，通过边界识别判断其尺寸，再根据尺寸区分级配内容。
6.根据权利要求1所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤6中计算的公式具体为：
孔隙率：
Figure FDA0003534785350000021
其中，Z为孔隙总面积，B为切截面面积。
7.根据权利要求1所述的混凝土切截面识别与性能预测反馈方法，其特征在于，步骤9中进行拟合的具体方法为：
输入多组图像处理参数，包括：孔隙数量与孔隙率，石子粒级配；输入多组实验测试参数，包括：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性；拟合图像处理参数和实验测试参数，得到经验公式，建立预测***。
8.一种混凝土切截面识别与性能预测反馈***，其特征在于，包括以下单元：
试块切割单元，用于对待检测的混凝土正方体试块，将试块横向切割成相同尺寸的多个试块样品；
试块清扫单元，用于对试块样品的切截面上的污染物进行清扫；
高分辨率扫描仪单元，用于将试块样品放入高分辨率扫描仪中，生成切截面高清图像；
图像第一处理单元，用于对图像进行识别处理，根据切截面的不同颜色进行分类；
图像第二处理单元，用于对图像进一步处理识别分析，对切截面的不同颜色分类进行区域面积和尺寸识别；
图像处理参数计算单元，用于将图像识别后的数据录入数据库，根据计算公式得到以下参数：孔隙数量与孔隙面积，孔隙率；石子粒级级配；
使用测试参数获取单元，用于对试块纵向均匀度分析：称量切割后的样品试块质量，通过离散性标准差分析得到样品试块质量的纵向均匀度；测试试块样品性能：抗压能力、抗折能力、抗氯离子渗透能力、抗冻性，并将性能参数录入数据库；
数据拟合单元，用于重复测试多组样品试块的图像识别处理数据和测试数据，得到超过150组数据，对图像识别处理数据与测试数据进行拟合得到经验公式，以及置信度；
公式修复单元，用于利用已有数据不断完善数据库，修复经验公式，并通过试验验证预测值准确率；
性能预测单元，用于输入待识别的图像，得到混凝土性能预测值，并通过置信度给出预测准确率。
CN202110145394.XA 2021-02-02 2021-02-02 一种混凝土切截面识别与性能预测反馈方法及*** Active CN112884726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110145394.XA CN112884726B (zh) 2021-02-02 2021-02-02 一种混凝土切截面识别与性能预测反馈方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110145394.XA CN112884726B (zh) 2021-02-02 2021-02-02 一种混凝土切截面识别与性能预测反馈方法及***

Publications (2)

Publication Number Publication Date
CN112884726A CN112884726A (zh) 2021-06-01
CN112884726B true CN112884726B (zh) 2022-05-20

Family

ID=76055978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110145394.XA Active CN112884726B (zh) 2021-02-02 2021-02-02 一种混凝土切截面识别与性能预测反馈方法及***

Country Status (1)

Country Link
CN (1) CN112884726B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018066086A1 (ja) * 2016-10-05 2018-04-12 計測検査株式会社 覆工コンクリートの検査システム、および覆工コンクリートの検査方法
CN110006896A (zh) * 2019-03-04 2019-07-12 华中科技大学 一种3d打印混凝土性能的虚拟检测仪及检测方法
CN110414178A (zh) * 2019-08-07 2019-11-05 东北大学 一种基于空隙的骨料嵌锁混凝土配合比设计方法
CN111626333A (zh) * 2020-04-27 2020-09-04 南京白鲨测绘科技有限公司 一种水泥基材孔结构智能检测设备及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827855B (zh) * 2018-06-19 2020-08-11 青岛理工大学 一种多孔混凝土孔结构参数获取和分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018066086A1 (ja) * 2016-10-05 2018-04-12 計測検査株式会社 覆工コンクリートの検査システム、および覆工コンクリートの検査方法
CN110006896A (zh) * 2019-03-04 2019-07-12 华中科技大学 一种3d打印混凝土性能的虚拟检测仪及检测方法
CN110414178A (zh) * 2019-08-07 2019-11-05 东北大学 一种基于空隙的骨料嵌锁混凝土配合比设计方法
CN111626333A (zh) * 2020-04-27 2020-09-04 南京白鲨测绘科技有限公司 一种水泥基材孔结构智能检测设备及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on the porosity of concrete sand and stone based on reduced dimension Otsu algorithm;Jian Zha et al.;《2018 33rd Youth Academic Annual Conference of Chinese Association of Atomation(YAC)》;20180709;全文 *
不同骨料级配透水混凝土的性能研究及其孔隙识别;蒋兴教等;《武汉工程大学学报》;20200302(第01期);全文 *

Also Published As

Publication number Publication date
CN112884726A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Golewski Measurement of fracture mechanics parameters of concrete containing fly ash thanks to use of Digital Image Correlation (DIC) method
Cuenca et al. A methodology to assess crack-sealing effectiveness of crystalline admixtures under repeated cracking-healing cycles
CN108304689B (zh) 预应力混凝土氯离子扩散系数多尺度预测模型的构建方法
CN109900604B (zh) 一种通过图像分析评价混凝土稳定性的方法
CN108229093A (zh) 饱和再生混凝土氯离子扩散系数多尺度预测模型的构建方法
CN117309661B (zh) 一种混凝土质量在线检测***
CN111751188B (zh) 一种大掺量橡胶混凝土细观断裂力学分析方法
CN113063810B (zh) 获得砂岩冻融作用下宏细观损伤演化规律的方法
CN112884726B (zh) 一种混凝土切截面识别与性能预测反馈方法及***
CN114065569A (zh) 一种确定玄武岩筋废旧钢纤维混凝土梁极限受弯承载力的方法
CN1866004A (zh) 一种混凝土抗裂性能试验方法及其外方内圆试验装置
Basaldella et al. Influence of the specimen production and preparation on the compressive strength and the fatigue resistance of HPC and UHPC
Gupta et al. Innovative test technique to evaluate “self-sealing” of concrete
CN114065517A (zh) 一种采用新型模型无损预测混凝土耐久性能的方法与***
Woyciechowski et al. Self-terminated carbonation model as a useful support for durable concrete structure designing
CN117147407A (zh) 一种混凝土界面过渡区微观特征的确定方法
CN112557424A (zh) 一种预测水泥浆体有效弹性模量的方法
CN105092423A (zh) 一种基于水胶比监测的混凝土抗氯离子渗透性超前预测方法
CN109063250B (zh) 一种混凝土裂缝扩展方向的分析与预测方法
CN113190898B (zh) 一种基于试件开裂状态的混凝土配合比微调方法
Zhang et al. Study on the non-uniformity of rust layer and residual rebar caused by pitting corrosion in mortar
CN111339497A (zh) 一种评价再生混凝土强度指标的概率预测模型
CN111559890A (zh) 一种清水混凝土
Károlyfi et al. The correspondences between formwork geometry and concrete composition in the case of fair-faced concrete elements
Martínez-Loaiza et al. Variations in Mass and Resistance Due to Accelerated Weathering Effects in Concrete Specimens Used in Low-income Housing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant