利用线性回归分析优化熟料质量

合集下载

三元线性回归方程

三元线性回归方程

对于一个稳定生产的水泥厂家来说,其主要工艺条件,原、燃料状况,在某一较长的时间内,是基本稳定的。

在此前提条件下,出厂水泥28d抗压强度与熟料3d强度、混合材掺量、水泥3d强度之间,具有线性相关关系。

应用三元线性回归分析方法,可直接预报水泥28d强度。

现列举工作中的一个实例,说明此预报方法的操作步骤。

1 设立关系式水泥28d强度y与熟料3d强度x1、混合材(煤渣)掺量x2、水泥3d强度x3之间具有直接相关关系,其回归关系式为:y=a0+a1x1+a2x2+a3x3(1)其中:a0、a1、a2、a3为回归系数。

求得并验证了这些系数,就会使以后的预报来得十分方便。

2 选取样本选取某一段时间内的连续实际数据,剔除个别明显异常值后即为样本。

一般选取30组以上的数据为好,样本数据越多,回归分析结果越准确,见表1。

表1 样本数据3 参数计算4 求解回归系数依最小二乘法原理所得方程组及解:得:a1=0.597;a2=-0.282;a3=0.397;a0= 21.6805 整理检验将所求得的回归系数代入(1)式即得水泥28d强度预报值为:=21.680+0.597x1-0.282x2+0.397x3(1)检验其相关性r接近1,说明相关性良好。

(2)检验其精度剩余标准偏差S值较小,说明回归方程精度良好。

(3)检验其可靠性预报值与实测值y的比较见表2,其相对误差几乎全部落于±5%的范围内,说明可靠性良好。

表228d强度预报值与实测值的比较6 结语(1)出厂水泥28d抗压强度与熟料3d强度、混合材掺量、水泥3d强度之间具有三元线性相关关系。

(2)采用三元线性回归分析比一元或二元线性回归分析方法更能直接预报水泥28d强度。

(3)采用三元线性回归分析方法预报水泥28d强度,相对误差小,可靠性高。

(4)利用三元线性回归方程良好的可靠性、精度、相关程度,如果将混合材掺量视为因变量,则可很好地指导水泥粉磨配料。

此时方程式改写为:即:x2=3.546-2.120x1-1.408x3-76.879 式中:x2———需预测的混合材掺量;———期望的水泥28d强度;x1———已知的熟料3d强度;x3———期望的水泥3d强度。

根据熟料化学成分用Excel回归分析预测熟料28d抗压强度

根据熟料化学成分用Excel回归分析预测熟料28d抗压强度

根据熟料化学成分用Excel回归分析预测熟料28d抗压强度(作者:佚名本信息发布于2008年04月26日,共有 464人浏览) [字体:大中小] 随着生产规模的扩大,现代化水泥生产各过程的连续性已越来越强,采用物理检验的手段需要24h以上方能确定1d强度,不能保证根据熟料强度变化及时对水泥配比进行调整,从而增大了出磨水泥强度的标准偏差。

解决办法除加强质量管理,尽可能增加入磨熟料的质量稳定性外,实践证明,根据化学分析结果来快速准确地预测熟料强度,进而指导水泥配比的调整,也是一个行之有效的手段。

这方面的预测公式很多,大都是各自根据本厂的实际生产情况用统计手段总结得出,适用性并不强,且随着时间及生产过程的变化,亦需要重新对公式进行总结、修正方可使用,计算较复杂,不便于用来指导生产。

用Microsoft Excel程序中附带的回归分析工具,采用多元线性回归方法,可以很方便地总结出由化学分析结果来预测熟料28d抗压强度的公式。

1收集数据并建立多元线性回归的数学模型选取生产工艺状况相对比较稳定,全分析及物检数据准确度符合要求的n组检验数据为基础分析数据,本例中,n=60,见表1。

表1 熟料化学分析及28d抗压强度值序号熟料化学分析/%28d抗压强度/MPa序号熟料化学分析/%28d抗压强度/MPa CaO Si02Al23Fe23Loss fCaO MgO Ca0Si02Al23Fe23Loss fCaO MgOs -00l 63.8722.465.693.370.820.55 2.9255.3s-03165.3222.225.O73.050.400.73 2.6160.3s-00 264.4522.884.893.430.900.73 2.6358.0s-03265.3222.044.903.230.620.87 2.4358.5s-00 364.4522.685.013.250.860.55 2.6958.8s-03365.4921.965.003.170.371.24 2.8557.9s-00 464.8622.424.933.3l1.Ol1.75 2.5757.0s-03465.1622.445.Ol3.290.300.80 2.3760.2s-00 564.8821.924.963.230.570.66 2.5761.4s-03565.4922.224.933.230.621.02 2.2559.0s-00 665.9221.844.813.040.630.98 2.3859.1s-03665.6522.O04.933.230.401.09 2.2558.9s-00 766.4521.685.033.040.511.46 2.2660.0s-03765.4921.865.013.170.280.95 2.2559.0s-00 865.6621.704.963.100.641.09 2.3260.7s-03865.1622.464.933.230.381.02 2.3158.8s-00 965.9222.064.855.230.621.09 2.1960.5s-03964.9922.244.973.230.450.95 2.4958.7s-01 066.0121.964.882.980.800.802.O760.3s-0464.9921.925.033.180.660.95 2.6759.8s-01 165.6621.884.883.290.701.17 2.1960.8s-04165.0721.85.O03.240.461.O2 2.7960.4s-01 265.422.024.963.290.790.47 2.1960.Os-04265.1522.024.923.180.591.09 2.7360.Os-01 365.2322.084.8l3.350.970.80 2.2659.7s-04364.422.324.883.360.660.73 2.7958.8s-01 465.422.124.813.351.100.66 2.2659.7s-04463.8922.044.963.360.730.84 2.9158.6s-01 564.2722.484.833.180.700.5l 2.4460.3s-04564.5721.545.073.480.991.02 3.0358.9s-01 664.8822.064.733.351.O60.73 2.3859.1s-04664.1422.665.413.240.230.80 2.7357.3s-01 765.2321.905.113.290.651.O6 2.5157.5s-04764.7321.865.333.O00.501.46 2.7957.Os-01 865.3l22.O05.033.100.621.O6 2.4460.4s-04864.8222.525.143.060.381.24 2.6056.8s-01 965.421.604.903.480.701.20 2.5158.8s-04964.923.05.183.120.241.O9 2.6758.7s-02 065.5721.984.833.410.651.24 2.3259.7s-0564.5722.685.153.000.291.O2 2.7960.5s -02l 64.5322.504.833.350.560.58 2.5160.0s-05164.8222.585.153.O00.331.02 2.9758.4s-02 265.9221.604.873.480.571.46 2.3857.6s-05264.6522.785.222.880.161.09 2.4658.6s-02 365.2322.405.153.040.561.82 2.5l59.Os-05364.922.O65.302.880.411.09 2.8559.3s-02 464.5322.744.903.230.491.02 2.5156.7s-05464.5722.385.302.820.441.17 2.6059.4s-02 564.722.664.903.170.531.02 2.6359.0s-05565.0722.485.152.940.281.17 2.5860.5s-02 664.8822.124.943.350.580.87 2.5l59.5S-05664.922.325.263.180.421.09 2.8557.5s-02 765.0522.484.903.350.380.87 2.3861.1s-05765.1622.l45.4l3.120.231.02 2.4857.1s-02 864.9623.244.903.230.300.58 2.3261.6s-05864.5722.725.443.160.120.95 2.8359.6s-02 964.9l22.924.933.4l0.350.44 2.3761.9s-05964.7422.325.422.860.500.73 2.8959.5s-O3064.5822.84 4.90 3.46 0.30 0.69 2.37 58.2s-06064.9l21.885.35 2.98 0.18 0.58 3.00 59.9根据生产过程中对熟料进行常规化学分析的项目,建立如下多元线性回归分析的数学模型:y=xl×C+x2×S+x3×A+x4×F+x5×Loss+x6×fCaO+x7×M+b (1)式中:y ——熟料28d 抗压强度;C 、S 、A 、F 、Loss 、fCa0和M ——分别表示熟料化学分析中Ca0、Si02、Al 203、Fe 203、Loss 、fCa0和MgO 的百分含量;x1、x2、x3、x4、x5、x6、x7、b ——待定系数。

浅析线性回归分析法在农业生产中的应用

浅析线性回归分析法在农业生产中的应用
104
第 1 期(总第 373 期)
No.1
2021 年 1 月
JAN
文章编号:1673-887X(2021)01-0104-03
浅析线性回归分析法在农业生产中的应用
李晶
(山西大同大学 数学与统计学院,山西 大同 037009)
摘 要 农作物在实际生长的过程中会受到多方面因素的影响,很大程度上决定了农作物生产产量,线性回归分析法作为分
在 农 作 物 实 际 生 长 的 过 程 中 ,农 作 物 的 长 势 会 受 到 阳 光、雨水、种植者们的人为管理等多方面因素的影响,这些因 素在很大程度上决定了农作物的产量,通过线性回归分析可 以有效帮助农业工作者分析出不同影响因素条件下的农作
收稿日期 2020-11-10 作者简介 李 晶(1998-),男,山西人,本科在读,研究方向:数 学与应用数学。
Copyright©博看网 . All Rig法在农业生产中的应用
105
3 线性回归分析法在农业生产中的实际应用 在众多农作物中,小麦作为人们日常生活中必不可少的
主食之一,在我国每年的种植量一直名列前茅,对我国居民 的正常生活给予了最基本的保障。因此,为进一步阐述线性 回归分析在我国农业生产中的实际应用,本文以宁夏银川地 区的小麦生产作为主要的研究对象,通过线性回归分析法分 析出小麦生长的影响因素与小麦产量之间具体的影响关系。 3.1 自变量选取
通过线性回归分析法能够根据不同的条件因素有效预 测出不同农作物种植的相关数据,为农业工作者提供大量的 参考依据,有效帮助其在选择农作物种植种类、相关种植材 料等方面提前做好科学化的决策与准备。例如:根据明年某 地区未来的降水量、光照等因素可以有效预测出不同农作物 种植的产量,有效决策明年种作物的种植种类等。从而有效 提升农业工作者决策的正确性,促进农业收益最大化。

线性回归算法在数据分析中的应用

线性回归算法在数据分析中的应用

线性回归算法在数据分析中的应用数据分析已经成为企业和组织在决策制定过程中必不可少的一部分。

数据分析能够发现数据之间的关系,预测未来的情况,从而为决策制定提供准确和客观的依据。

在数据分析中,线性回归算法被广泛应用。

本文将介绍线性回归算法在数据分析中的应用。

一、线性回归算法介绍线性回归算法是一种统计学习方法,它用于分析两个或多个变量之间的关系。

它假设各个自变量与因变量之间存在一个线性关系,通过线性拟合的方式预测因变量的值。

线性回归算法是一种简单但有效的算法,它特别适用于多元数据的分析。

二、1. 预测销售数据线性回归算法可以用于预测销售数据。

在实际业务中,销售数据通常是由多个因素所决定的,如市场需求、产品定价、竞争力等。

通过收集和分析这些因素,使用线性回归算法可以建立一个多元线性回归模型,预测未来的销售情况。

这对企业做出销售计划提供了准确的依据。

2. 分析客户行为线性回归算法可以用于分析客户行为。

在这里,自变量可以是客户的性别、年龄、地理位置等,因变量可以是客户的购买记录、网站访问量等。

通过建立多元回归模型,可以分析这些变量与客户行为之间的关系,识别对客户行为影响最大的因素。

3. 预测股票走势线性回归算法可以用于预测股票走势。

在股票市场中,股票价格通常是由多个因素所决定的,如公司业绩、宏观经济环境等。

通过使用线性回归算法,可以建立一个多元回归模型,预测未来股票价格的走势。

这对于投资者做出投资决策提供了有益的信息。

三、线性回归算法的优缺点线性回归算法的优点是简单易懂,并且容易解释结果。

它也是建立多元回归模型的一种有效方式。

然而,线性回归算法也有一些缺点:它很容易受到异常值和噪声数据的影响,并且可能会存在过拟合和欠拟合的问题。

此外,它也不能捕捉到非线性的关系。

四、结论线性回归算法在数据分析中是一种非常有用的工具。

通过建立多元回归模型,可以发现自变量和因变量之间的关系,从而预测未来的情况,做出准确的决策。

在实际应用中,我们需要注意算法的缺点,并采取相应的措施来避免产生误差,提高预测的准确性。

2021年线性方程组调味品配方问题的应用分析

2021年线性方程组调味品配方问题的应用分析

线性方程组调味品配方问题的应用分析线性方程组关于调味品配方问题的应用分析利用线性方程组对调味品配方问题进行建模分析,借助 ___tlab计算工具得到脱销调味品的配制方案,并用最大无关组求得不能脱销的调味品种类,以保证各种调味品正常销售。

中国的饮食文化和烹调艺术是中国五千年文明史的一部分,中国调味品的生产历史悠久,源远流长。

早在春秋时期人们就非常重视调味,人们将各种单一的调料组合起来,产生了各种风格各异的口味,形成了鲁、川、苏、粤、闽、浙、湘、徽等不同的风味菜系,调味品的配制也被格外重视。

线性方程组[1]作为最简单也是最重要的一类代数方程组,在生活中的应用非常广泛。

在化工、农业、日常生活中包含的数学问题中,大都会遇到解线性方程组问题。

文章主要针对脱销调味品的配制问题,利用线性方程组对脱销调味品进行建模分析,通过数学软件求解,得出脱销调味品的配制方案及不能脱销调味品的种类,以达到所有调味品都能正常销售的目的。

定理1n元非齐次线性方程组AX=b有解?圳R(A)=R(A,b)。

若R(A)=R(A,b)=n时,则方程组有唯一解。

若R(A)=R(A,b)定理2如果?酌0为AX=b的一个特解,?孜1,?孜2,…?孜n-r是其导出组的一个基础解系,则非齐次线性方程组AX=b的通解表示成:X=?酌0+k1?孜1+k2?孜2+…+?孜n-r?孜n-r, k1,k2,…,kn-r∈R2.1 问题的提出在化工、农业、养殖业、医药、日常膳食等方面经常涉及到配方问题。

四川火锅,在制作配料上以”厚味重油“著称,鲜香味美,制作精细,口味大众化,表现了中国烹饪的包容性。

现以火锅调味品的配制为例。

某调料公司用7种原料“辣椒,花椒,大蒜,老姜,大料,大葱,冰糖”按照不同的比例制造6种不同麻辣口味的调味品(A,B,C,D,E,F),这6种调味品的`配方如表1(单位:kg)。

如果第F种调味品现已脱销,为了保证公司的调味品都正常销售,能否用其他调味品配制脱销的第F种调味品?如何配制?2.2 模型分析假设考虑的配方问题中涉及的原料混合之后不发生化学反应。

混凝土强度检测中的回归分析方法

混凝土强度检测中的回归分析方法

混凝土强度检测中的回归分析方法混凝土是建筑工程中常用的一种材料,而混凝土的强度是评估其质量和耐久性的重要指标之一。

在混凝土强度检测过程中,回归分析方法是一种常见且有效的工具,可以通过分析数据来预测混凝土的强度。

回归分析是一种统计方法,用于确定自变量(也称为预测因子)和因变量(也称为响应变量)之间的关系。

在混凝土强度检测中,自变量可以是混凝土的成分含量、施工方式等,而因变量则是混凝土的强度。

通过收集大量的混凝土样本数据,并将其作为输入进行回归分析,我们可以建立一个统计模型来预测混凝土的强度。

在进行回归分析时,我们需要选择适当的回归模型和算法。

常见的回归模型包括线性回归、多项式回归、岭回归等。

其中,线性回归是最常用的一种方法,在这个模型中,我们假设自变量和因变量之间存在一个线性关系。

通过最小化误差平方和来拟合线性模型,得到最佳的回归系数。

除了模型选择,回归分析还涉及到数据的采集和处理。

在混凝土强度检测中,我们需要根据实际情况采集混凝土样本,并测试其强度。

这些数据可以包括混凝土成分的测量结果、施工参数的记录等。

在进行回归分析之前,我们还需要对数据进行处理,包括数据清洗、缺失值处理和异常值检测等,以确保数据的质量和准确性。

回归分析的结果通常包括回归系数、拟合优度和预测误差等。

回归系数表示自变量对因变量的影响程度,可以帮助我们理解混凝土强度的形成机制。

拟合优度是一个衡量模型拟合程度的指标,其取值范围在0到1之间,越接近1表示模型拟合效果越好。

预测误差则用来评估模型的预测能力,可以帮助我们评估混凝土的强度预测结果的准确性和可靠性。

总结回顾一下,混凝土强度检测中的回归分析方法是一种基于统计学原理的有效工具。

通过回归分析,我们可以建立一个预测模型来预测混凝土的强度,从而帮助工程师和建筑师评估混凝土质量,并采取相应的措施来提高建筑结构的稳定性和耐久性。

对于混凝土强度检测中的回归分析方法,我个人认为它具有以下几个优点。

利用回归分析预测熟料强度指导水泥生产

利用回归分析预测熟料强度指导水泥生产











系数 b
回归
系数
X x2 X ) X ) X 预 】 3 【 4 5 【 6 7
绝 测
2d 8
天快 速 和 常规 3 8 / d熟 料 强 度 作 为 主要 控 制 途 径 , 践 证 2 实
明一 天 快 速 熟 料 抗 压 强 度与 常 规 3 d熟 料 抗 压 强 度 的相 关 性

7 6 1 6 .8 2 . 55 28 l 9 44 l 4 0 6 .6 .8
11 35 6 4 5 4 1 .9 .2 o 9. — . 0
胃 笺嚣度 期≯■ 强
I i d 囊
61 .7
61 .83 d来自j 目嘲 j “ _

54 06 . o 5 1 一 j n1 04 . 4 .6 O 5 O -. 1 l 3 3 .8
对 误 差
较好 ( 表 1, 以作为 3 见 )可 d熟 料抗 压强 度 的参 考 。 2 d熟 但 8 料强度 的预测则需要较长 时间 , 能及 时根据熟料成分 ( 不 强
1 62 6 . 2 . 52 27 1 9 . t 5 S . 5 - n1 0 。2 2 6 0 5 .5 . 9 8 6 . 09 2 4 2 84 83 —
1 62 6 ,9 l .3 27 2l 7 37 .8 .9 .2 . 5 . 5 . O3 5 28 O8 07 44 4 9 89 92 .
。 。
生产 配 比 的调 整 。
关键 词 : 回归 分析
预测
熟 料 强度
式中:
1问题 的提 出

浅析线性回归分析法在农业生产中的应用

浅析线性回归分析法在农业生产中的应用

浅析线性回归分析法在农业生产中的应用
线性回归分析法是现代统计分析方法之一,在农业方面应用广泛。

线性回归分析通过对农业生产实际中的环境因素及其与产量之间的关系,分析农业生产的趋势,以优化农业生产中的各种要素,发挥更加有效实用的作用。

在线性回归分析中,主要是以变量(即指标)之间的关系为构成,可以构建出一个模型,用以预测未来的趋势及农作物的产量,以指导农业生产并保证未来的稳定。

比如,利用线性回归分析可以解析农田土壤质量、水质、土壤温度、日照长度、天气情况、施肥量等与农作物产量之间的关系,从而根据特定地块上某种作物的实际情况,预测预期的收成,并籍此分析各因素对本地作物的重要性,以最大化的提高农作物的产量。

另一方面,线性回归也可以用来分析农药的有效性与残留量之间的关系,如根据不同条件下施药量和残留量间的关系,确定施药量及施用时机,减少农药的残留量,以降低药物在环境中的负面影响,保护自然环境。

总之,线性回归分析法可以指导农业生产,分析与生产产出有关变量之间的联系,从而优化农作物的增产。

想要实现这一目标,增产措施必须有效地采用,从而改善农业生产状况。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

3.3.2
Al2O3和Fe2O3
(3.3.2.1)统计范围中,Al2O3的波动范围为4.0—6.0 (%)、平均值4.75(%);Fe2O3的波动范围为2.5—4.0 (%)、平均值3.15(%)。 (3.3.2.2)Al2O3对强度的影响与SiO2比较类似,早期强 度随Al2O3含量增加而降低,3d强度降幅为3.1(MPa), 影 响率-10(%)。熟料28d强度在含量等于4.85(%)左右最 高,超过这一数值时,降幅较为明显,极差4.4(MPa), 影响率-8.6(%)。 (3.3.2.3)Fe2O3对强度影响的曲线情况比较特殊,它对 熟料28d强度几乎不产生影响,但对3d强度的影响在约3.05 (%)时出现极值,高于或低于此数值时,熟料3d强度的降 幅均为1.7(MPa), 影响率-5.5(%)。 (3.3.2.4)综和以上分析:熟料中SiO2含量不宜超过22 (%),否则影响3d强度;Al2O3含量不宜超过4.85(%), 否则影响28d强度;Fe2O3含量最佳值3.05(%);CaO含量 则应依据三率值最终确定。
3.2
熟料中的有害物质
熟料中的有害物质可归结为三类:一是硫碱类物 质,二是镁(MgO),三是钛、磷、氯等生产过 程不经常测定的杂质。它们共同的特点是降低熟 料的28d强度,并对水泥和混凝土的某些性能造 成损害。 以下分三个部分分别探讨它们对熟料各龄期强度 的影响。
3.2.1 碱(R2O)


2.物理试验试样制备过程的影响
物理试验试样制备及全部物理试验过程影响到强度的最终 试验结果。
其中试样制备过程中的石膏掺加量、粉磨细度及比表面积 对强度的影响可以通过线性回归方程予以量化。
2.1 粉磨细度及比表面积
2.1.1统计范围中,粉磨细度的波动范围为1.0—5.0(%)、平均值 2.77(%);比表面积的波动范围330—380(m2/kg)、平均值 357.7(m2/kg)。 2.1.2熟料各龄期强度随比表面积的增大而增大,对28d强度的影响最 为显著。熟料早期强度随粉磨细度增大而减小,28d强度随粉磨细度 增大而增大。符合公认的“过粉磨”理论,即比表面积一定的情况下, 细度大时粉体颗粒级配更加合理,更有利于熟料28d强度的发挥。 2.1.3在规定的比表面积350±10(m2/kg)范围内,比表面积对熟料 28d强度的影响幅度为1.3(MPa);在规定的细度 ≤4(%)范围 内,细度对熟料28d强度的影响幅度为2.8(MPa),对熟料3d强度 的影响方向相反,幅度为1.3(MPa)。按熟料平均28d强度55 (MPa)、3d强度31(MPa),细度对熟料28d及3d强度影响的最 大幅度分别为2.8(MPa)和1.3(MPa)计算,粉磨细度及比表面积 对熟料28d强度的最大影响率为5.1(%),对熟料3d强度的最大影 响率为-4.2(%)。
2.2.2熟料各龄期强度随石膏掺加量的增大而增大,对1d 强度的影响较小,对3d及28d强度的影响相当,最大幅度 为1.75(MPa),影响率28d为3.2%(%),3d达5.6 (%)。因此试验中应严格控制水泥SO3在2.3—2.4(%) 的范围内为宜。
3.熟料化学分析结果与熟料各龄期强度的关系
线性回归分析在熟料生产中的应用
亚泰集团铁岭水泥有限公司
1.引言
熟料生产中,我们往往希望通过优化配料、强化煅烧、加强冷却等措施来提 升熟料质量。但在实践中,尤其是原材料成分波动比较大的工厂,熟料各龄 期强度有时出现不可预期的变化,熟料3d强度的控制与28d强度的增长常常 顾此失彼。通过数据分析,明确各理化性能测试结果与熟料各龄期强度的关 系,对于稳定和提高熟料质量是十分必要的。 亚泰铁岭水泥公司于2005年建成投产,迄今达到10000t/d熟料的生产规模 (两条2500t/d、一条5000t/d)。该厂石灰石矿山品位较差,CaO含量平均 46.5%;碱含量较高。尤其是生产初期,熟料平均碱含量达到0.96%,导致 标准稠度用水量过大,影响到物理试验的正常成型。为平衡硫碱比,该厂在 生料配料中引入了磷石膏配料。虽然从2011年起,通过石灰石矿山的优化开 采、辅助原料的合理选用等措施,熟料平均碱含量已经控制到小于0.70%, 但磷石膏配料的方法一直沿用至今,其中一个重要原因就是高硫碱熟料的3d 强度较高,熟料早期强度一旦降低,就会影响到老用户的使用和销售。 本文通过对2006年以来,该厂3条熟料生产线4000余组熟料物理、化学试验 结果的统计分析,建立熟料各龄期抗压强度(以下均简称强度)与其它测试 项目的线性回归关系,力图定量地说明诸相关因素对熟料强度的影响,用此 指导配料方案的优化。该分析结果对于采用新型干法工艺生产普通硅酸盐水 泥熟料的工厂具有普遍的参考意义。
钛、磷、氯等有害杂质对熟料强度的影响
3.3 硅酸盐化学成分
硅酸盐化学成分
硅酸盐化学成分即SiO2、Al2O3、Fe2O3及CaO,探 讨熟料化学组成中它们对强度的影响,对于配料设 计具有重要意义。
在对前述诸影响因素进行强度校正后,分别对 SiO2、Al2O3、Fe2O3、 CaO进行线性回归分析,结果 更加准确。
3.1
烧失量(Loss)与游离钙(f-CaO)
熟料烧失量与游离钙在一定程度上可以用来表征 熟料的煅烧程度,在进行下一步分析前,我们首 先要消除前述物理试验试样制备过程引起的强度 试验误差,然后校正烧失量及游离钙的影响。
3.1.1统计范围中,烧失量的波动范围为0—1.5 (%)、平均值0.46(%);游离钙的波动范围 0.25—3.0(%)、平均值1.29(%)。 3.1.2烧失量对熟料的早期强度影响很小,但明显 降低28d强度,影响幅度为1.9(MPa),影响率 达-3.5(%)。随着游离钙的增大,熟料1d强度 下降、3d及28d强度呈同幅度增加,但其绝对值 均不超过0.8(MPa),影响率28d为1.3%(%), 3d达2.3(%)。不同龄期强度的增减原因可归结 为游离钙的消解与吸收。
3.3.1
SiO2和CaO
一般来说,熟料煅烧必须保障一定的液相量,要求Al2O3和Fe2O3之和 基本为一常量,相对SiO2与CaO之和也为一常量。因此,在此首先分 SiO2和CaO的影响。 (3.3.1.1)统计范围中,SiO2的波动范围为20—24(%)、平均值24 (%);CaO的波动范围为62—66(%)、平均值64.5(%) (3.3.1.2)熟料早期强度随SiO2含量增加而降低,3d强度降幅达到9. (MPa), 影响率-30(%)。熟料28d强度在含量等于22(%)左右最 高,降幅极差1.6(MPa),影响率-3.1(%)。 (3.3.1.3)熟料各龄期强度随CaO含量的增大而增大,3d强度增幅达到 8.9(MPa), 影响率28.7(%)。28d强度增幅为2.5(MPa), 影响率 4.54(%)。 (3.3.1.3)单纯从此消彼长的关系看,熟料各龄期强度应当随SiO2含 量的增大而减小,SiO2含量对熟料28d强度的影响在22(%)左右时出现极值, 恰好是因为此时SiO2含量满足了熟料中形成C3S或C2S的数量。
3.2.3
氧化镁(MgO)
(3.2.3.1)统计范围中,MgO的波动范围为1.5—4.5 (%)、平均值2.77(%)。 (3.2.3.2)熟料28d强度随MgO含量增加几乎呈线性降低, 降幅为1.9(MPa), 影响率-3.5(%)。熟料早期强度在 含量等于2.85(%)左右最高,超过2.85(%)时,1d强度 降幅极差1.4(MPa), 3d强度降幅极差2.4(MPa),影响 率-7.7(%)。 (3.2.3.3)由于MgO含量在2.85%左右时早期强度最高, 生产中如果需要石灰石搭配,MgO含量应尽量控制接近这 一数值,而不会明显降低熟料3d强度。
碱对熟料强度的影响,在不至于影响到物理试验的正常成型的情况下, 对熟料各龄期强度的影响并没有我们想象的那样大。并且在统计范围 内,对28d强度的影响并不呈唯一的线性关系,也就是说在碱含量等 于0.8(%)左右时出现了极值和拐点,小于0.8时28d强度呈上升趋 势,超过0.8时呈下降趋势。为分析方便我们用两条线性回归方程来 表示。但严格说来,综合表示为曲线更加确切。 (3.2.1.1)统计范围中,碱的波动范围为0.45—1.15(%)、平均值 0.75(%)。 (3.2.1.2)熟料早期强度随碱含量的增加而增加,3d强度增幅为1.7 (MPa),影响率5.5(%); 28d强度降幅极差0.9(MPa), 影响 率-1.6(%)。 (3.2.1.3)熟料28d强度在碱含量等于0.8(%)左右最高,生产中应 尽量控制不要超过这一数值。 将碱中的Na2O和K2O分别单独进行线性回归分析,有几乎类似的结 论。下面关系图中Na2O和K2O的极值点分别为0.20(%)和0.95 (%)。
2.2
的石膏,由于其碱性激 发剂作用,在一定程度上会提高熟料强度。因此,在熟料 强度试验标准中,规定制备试样中的SO3含量为2.0—2.5 (%)。统计分析中,我们用水泥中的SO3减去熟料化学 分析中的SO3,来表征石膏掺加量。 2.2.1统计范围中,石膏带人的SO3含量波动范围为1.5— 2.0(%)、平均值1.87(%);
3.4 三率值
通过对熟料三率值的线性回归分析,可以从另一角度了解 SiO2、Al2O3、Fe2O3、 CaO在硅酸盐矿物组成中的不同 作用和对熟料强度的贡献,以便于优化生料配比。 (3.4.1)统计范围中,硅酸率(SM)的波动范围为 2.2—3.2、平均值2.80;铝氧率(IM)的波动范围为 1.1—2.0、平均值1.51。饱和比(KH)的波动范围为 0.80—0.97、平均值0.89。 (3.4.2)硅酸率在小于2.78时,随着数值增大,早期强 度略有降低,28d强度则显著升高,增幅3.2(MPa), 影响率5.8(%)。超过2.78时28d强度反而降低,一是硅 酸率过高,液相量减小,不利于煅烧,二是饱和比降低, 直接引起强度下降。
碱对熟料强度的影响
相关文档
最新文档