BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN HỒNG ĐỨC SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU KẾT HỢP MƠ HÌNH TIÊN LƯỢNG ANN ĐỂ XÁC ĐỊNH CƯỜNG ĐỘ CHỊU NÉN BÊ TÔNG GEOPOLYMER NGÀNH: KỸ THUẬT XÂY DỰNG CƠNG TRÌNH DÂN DỤNG VÀ CÔNG NGHIỆP - 60580208 Hướng dẫn khoa học: PSG.TS PHAN ĐỨC HÙNG Tp Hồ Chí Minh, tháng 4/2017 CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vi LỜI CẢM ƠN Để hoàn thành luận văn thạc sỹ này, nhận giúp đỡ nhiều từ bạn bè quý Thầy Cô Khoa xây dựng Cơ học Ứng dụng - Trường đại học Sư Phạm Kỹ Thuật TPHCM giảng dạy, xin bày tỏ lòng biết ơn đến Thầy Phan Đức Hùng Nguyễn Thị Thúy Hằng tận tình hướng dẫn, cung cấp thông tin nghiên cứu cần thiết bảo thời gian thực luận văn thạc sỹ Tôi chân thành biết ơn gia đình bạn bè động viên giúp đỡ tơi suốt thời gian thực luận văn Xin chân thành cảm ơn Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vii TÓM TẮT Báo cáo sử dụng phương pháp không phá hoại mẫu kết hợp phương pháp siêu âm búa bật nảy để nghiên cứu phát triển cường độ bê tơng geopolymer theo thời gian dưỡng hộ Kết thí nghiệm cho thấy bê tông geopolymer dưỡng hộ môi trường nhiệt độ cao với thời gian dưỡng hộ dài vận tốc truyền sóng tăng lên cường độ tăng lên Bên cạnh đó, nồng độ dung dịch NaOH tăng từ 10-16M vận tốc truyền sóng tăng khoảng 15% thời gian dưỡng hộ Kết thí nghiệm phân tích tạo mảng giá trị dùng để xây dựng mô hình hồi quy tuyến tính (Linear Regression - LR) mạng thần kinh nhân tạo (Artificial Neural Network – ANN) Từ thiết lập mối tương quan điều kiện dưỡng hộ, nồng độ NaOH đến cường độ chịu nén, vận tốc truyền sóng, giá trị búa bật nảy để đưa giá trị dự đoán cường độ Giá trị tiên lượng từ hai mơ hình so sánh, đánh giá mức độ hiệu thông qua trị số R2, SSE Kết cho thấy mơ hình ANN dự đốn cường độ tốt LR Tuy nhiên, mơ hình LR hiệu khả dự đoán giá trị cường độ nhanh đơn giản thông qua bảng tra thiết kế sẵn Ngồi ra, q trình phân tích ANN, mơ hình cho phép xác định mức độ ảnh hưởng yếu tố đến cường độ, nhiệt độ yếu tố có quan trọng chiếm 50% vii ABSTRACT The thesis used non-destructione test which combined usage of unltrasonic pulse velocity and rebound hammer to study the compressive strength development of geopolymer concrete with different curing time The experimental results showed that ultrasonic pulse velocity increase due to the increase of the compressive strength when geopolymer concrete were cured in high temperatures and longer curing times Besides, the increase of the concentration of NaOH liquid (from 10 to 16M) leads to the increase about 15% of the ultrasonic pulse velocity in the same curing condition The experimental results were analysed and created the array of values used to build the model of Linear Regression (LR) and Artificial Neural Network (ANN) Then, the correlations between curing conditions, concentration of NaOH and compressive strength, speed of transmission, characterization of the rebound hammer were established to predict the value of compressive strength The prediction values from two models were compared and evaluated the efficacy by R2 and SSE (Sum of Square Error) The results showed ANN model predicted the compressive strength better than LR However, the LR model proved effeciency through quick and simple predictability by using a pre-designed checklist In addition, during the analyse process by ANN, the model also allows to determine the degree of significance of these factors to the compressive strength, whereas temperature curing is the most important factor with more than 50% viii MỤC LỤC QUYẾT ĐỊNH GIAO ĐỀ TÀI i QUYẾT ĐỊNH THAY ĐỔI TÊN ĐỀ TÀI .ii XÁC NHẬN GIÁO VIÊN HƯỚNG DẪN .iii LÝ LỊCH KHOA HỌC iv CAM ĐOAN .v LỜI CẢM ƠN vi TÓM TẮT vii MỤC LỤC ix DANH MỤC HÌNH xii DANH MỤC BẢNG .xv Chương 1: TỔNG QUAN 1.1 Sự cần thiết đề tài nghiên cứu 1.2 Tình hình nghiên cứu 1.2.1 Khái niệm Geopolymer 1.2.2 Tình hình nghiên cứu nước 1.2.3 Tình hình nghiên cứu nước 11 1.2.4 Vị trí đề tài nghiên cứu 12 1.3 Mục tiêu đề tài 12 1.4 Đối tượng phạm vi nghiên cứu 12 1.5 Phương pháp nghiên cứu 13 1.6 Nội dung nghiên cứu 13 1.7 Ý nghĩa khoa học thực tiễn đề tài 13 Chương 2: CƠ SỞ LÝ THUYẾT 14 2.1 Bê tông Geopolymer 14 ix 2.1.1 Thành phần tạo chất kết dính GPC 14 2.1.1.1 Tro bay 14 2.1.1.2 Dung dịch kiềm Alkaline Silicate 16 2.1.2 Chất kết dính Geopolymer 16 2.1.3 Phương pháp thiết kế cấp phối GPC 20 2.2 Phương pháp xác định cường độ bê tông 23 2.2.1 Phương pháp phá hoại mẫu 23 2.2.2 Phương pháp không phá hoại mẫu 24 2.2.2.1 Sử dụng súng bật nẩy 24 2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm 26 2.3 Phương pháp xử lý số liệu 32 2.3.1 Mơ hình hồi quy tuyến tính (LR) 32 2.3.2 Mơ hình mạng thần kinh nhân tạo (ANN) 36 2.3.2.1 Định nghĩa 36 2.3.2.2 Cấu trúc ANN 37 2.3.2.3 Thuật toán lan truyền ngược 44 2.3.2.4 Xác định số lớp ẩn, số lượng neural lớp liệu huấn luyện 49 Chương 3: NGUYÊN VẬT LIỆU VÀ PHƯƠNG PHÁP THÍ NGHIỆM 51 3.1 Nguyên liệu sử dụng 51 3.1.1 Tro bay 51 3.1.2 Sodium silicate (Na2SiO3) 52 3.1.3 Sodium hydroxide (NaOH) 52 3.1.4 Cốt liệu lớn 53 x 3.1.5 Cốt liệu nhỏ 54 3.2 Cấp phối bê tông 55 3.2.1 Thí nghiệm cấp phối mẫu bê tông 55 3.2.2 Xác định cấp phối 55 3.3 Quy trình thí nghiệm mẫu 55 3.4 Xây dựng mơ hình ANN cho toán tiên lượng cường độ GPC 61 Chương 4: KẾT QUẢ VÀ THẢO LUẬN 64 4.1 Kết thí nghiệm 64 4.2 Phân tích đánh giá 65 4.2.1 Ảnh hưởng nồng độ dung dịch NaOH đến cường độ chịu nén vận tốc 65 4.2.2 Ảnh hưởng điều kiện dưỡng hộ đến cường độ chịu nén vận tốc 68 4.3 Xác định cường độ chịu nén GPC phương pháp không phá hoại 70 4.4 Đánh giá hiệu ước tính cường độ chịu nén GPC mơ hình ANN 74 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 79 5.1 Kết luận 79 5.2 Hướng phát triển đề tài 80 TÀI LIỆU THAM KHẢO 81 xi DANH MỤC HÌNH Hình 1.1 Đặc tính tỏa nhiệt GPC (J Davidovits, 2002) Hình 1.2 Chi phí cho việc xử lý khí thải ngành cơng nghiệp xây dựng Hình 1.3 Lượng khí thải sử dụng GPC OPC (Louise K Turner, 2013) Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM) Hình 1.5 Cơng trình đặt biệt cơng trình hữu (nguồn Internet) Hình 1.6 Cơng trình sử dụng GPC lần năm 2013 Hình 1.7 Sự phát triển cơng nghệ Geopolymer giới (Davidovits, 2016) Hình 1.8 Cơng trình sử dụng GPC gần năm 2015 giáo sư Joseph Davidovits Hình 2.1 Thành phần GPC (Vijaya Rangan, 2014) 14 Hình 2.2 Tro bay loại C loại F (nguồn internet) 15 Hình 2.3 Cấu trúc vi mô Geopolymer (J Davidovits, 2002) 17 Hình 2.4 Cấu trúc vi mơ Geopolymer kính hiển vi 17 Hình 2.5 Q trình Geopolymer hóa (J Davidovits, 2015) 19 Hình 2.6 So sánh trình tạo chất kết dính Portland cement Gel polymer Hình 2.7 Ứng dụng geopolymer dựa vào cấu trúc hóa học 20 Hình 2.8 Ảnh hưởng tỷ lệ dung dịch ankali/tro bay nhiệt độ dưỡng hộ đến cường độ chịu nén GPC (Cherdsak Suksiripattanapong, 2015) 22 Hình 2.9 Ảnh hưởng tỷ lệ Na2SiO3/NaOH nhiệt độ dưỡng hộ đến cường độ chịu nén GPC (Hardjito Rangan, 2005) 22 Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm 23 Hình 2.11 Mẫu nén bị phá hoại thực tế 24 Hình 2.12 Súng bật nẩy 24 Hình 2.13 Bảng tra súng bật nẩy (TCVN 9334:2012) 25 Hình 2.14 Hình thức lan truyền sóng chất rắn (Tekin Yılmaz, 2014) 26 Hình 2.15 Biểu đồ xác định cường độ bê tơng tiêu chuẩn (TCVN 9335:2012) 28 Hình 2.16 Thiết bị siêu âm đo vận tốc truyền sống 30 xii Hình 2.17 Nguyên lý làm việc máy siêu âm (Tekin Yılmaz, 2014) 30 Hình 2.18 Màn hình hiển thị thời gian truyền sóng 31 Hình 2.19 Thước đo chiều dài mẫu 31 Hình 2.20 Phổ sóng siêu âm mẫu bê tơng có chiều dài 200mm 32 Hình 2.21 Bảng tổng hợp mơ hình hồi quy sở phương pháp OLS 34 Hình 2.22 Ý nghĩa mơ hình LR đa biến (nguồn internet) 35 Hình 2.23 Mơ hình LR đa biến 36 Hình 2.24 Tương quan neural sinh học neural nhân tạo 36 Hình 2.25 Hoạt động đơn giản neural (David Kriesel, 2007) 37 Hình 2.26 Cấu trúc mạng ANN sử dụng phổ biến 38 Hình 2.27 So sánh mơ hình LR (Sarle, 1994) 39 Hình 2.28 Cấu trúc (Y hwang, 2002) 40 Hình 2.29 Nhóm hàm hàm sử dụng phổ biến (nguồn internet) 42 Hình 3.1 Nguyên vật liệu sử dụng đúc mẫu 51 Hình 3.2 Biểu đồ thành phần hạt đá dăm 53 Hình 3.3 Biểu đồ thành phần hạt cát sử dụng 54 Hình 3.4 Bê tơng sau trộn thiết bị trộn 56 Hình 3.5 Khn tạo mẫu mẫu sau tháu khn 56 Hình 3.6 Lò sấy mẫu 58 Hình 3.7 Chia lưới tọa độ mẫu 58 Hình 3.8 Thí nghiệm siêu âm mẫu 59 Hình 3.9 Thí nghiệm súng bật nẩy 59 Hình 3.10 Thí nghiệm nén mẫu 59 Hình 3.11 Quy trình thí nghiệm 60 Hình 4.1 Mối tương quan cường độ chịu nén nồng độ dung dịch NaOH dưỡng hộ 1000C 66 Hình 4.2 Mối tương quan UPV nồng độ dung dịch NaOH dưỡng hộ 1000C 67 Hình 4.3 Cấu trúc hạt tro bay nồng độ NaOH khác 68 xiii ' m i T § wn m1 · Đ w E ã ă wn m ă wn m1 â â 45 w im,t1 f  m ' (ntm ) s m1 (2.23) Theo (2.13) sm tính tốn từ s m+1 Cơng thức thể lan truyền ngược độ nhạy Điểm khỏi đầu trình lan truyền ngược bắt đầu với  việc tính sm Mà E  w 0,5 u yi ,t  yi ,t y T i ,t  yi ,t nên tương ứng với cặp liệu mẫu xi, yi ta có hàm sai số E  w Với tập mẫu học có Q cặp liệu có Q hàm vậy, phải tìm tập trọng số mạng đồng thời tối thiểu hóa tất Q hàm Kết thúc lần đưa tất mẫu huấn luyện qua mạng gọi lần epoch Quá trình huấn luyện lặp sai số đầu mạng đạt đến giá trị chấp nhận (nhỏ ngưỡng sai số ta định ban đầu ) Thường thủ tục học mạng lan truyền ngược sai số lâu Nó đòi hỏi hàng nghìn hàng chục nghìn epoch hội tụ tới lời giải Nếu tham số khơng đúng, thủ tục học khơng hội tụ 46 Wnew trọng số tạo, Wold trọng số không phù hợp, xi giá trị loại biến đưa vào hàm Như nói trên, q trình tìm trọng số thích hợp cho mạng gọi trình học Hằng số η gọi Learning Rate Không y Xi(k) W Hidden layer Wi+1 Xi(k) Xi(k) Output layer Ut E(w) Wi+2 Input layer có giá trị tốt phù hợp với tất toán khác Learning Rate chọn thực nghiệm cho toán ứng dụng cụ thể phương pháp thử sai Giá trị η lớn làm tăng tốc trình hội tụ Điều khơng thuận lợi thủ tục học kết thúc nhanh cực tiểu cục gần Nếu giá trị Learning Rate nhỏ tốc độ hội tụ giải thuật lại trở nên chậm Do khơng có tiêu chuẩn tuyệt đối cho việc dừng thuật tốn, nên thơng thường người thiết kế sử dụng độ lỗi trình huấn luyện, q trình tạo ngưỡng làm sở dừng thuật tốn Hình 2.31 Thuật tốn lan truyền ngược (Y hwang, 2002) Do cần chọn giá trị phù hợp tốc độ học việc ngăn chặn cực tiểu cục Các giá trị Learning Rate nằm khoảng 10-3 10 sử dụng thành công cho nhiều tốn cụ thể Nói chung giá trị Learning Rate nằm khoảng [0,3; 0,6] chứng minh thực nghiệm tốt cho việc lựa chọn ban đầu q trình tìm kiếm Learning Rate thích hợp Quá trình học lặp lặp lại Δw gần (nhỏ mức sai số cho trước) điều kiện dừng học kích hoạt Vì mạng neural lan truyền ngược có số lượng trọng số lớn (số Learning Rate lớn) với tập mẫu học có số lượng mẫu học định học tốt Chính điều này, điều kiện dừng học thiết lập nhằm tránh tình trạng Over-fitting 47 Tóm lại có bảy bước thực thuật toán lan truyền ngược: o Bước 1: Khởi tạo ban đầu giá trị , đặt liệu đầu vào {xi,yi} lan truyền giá trị qua neural lớp từ lớp ẩn lớp cuối o Bước 2: Tính giá trị lỗi lớp ra, kiểm tra giá trị lỗi có nhỏ ngưỡng khơng đồng thời kiểm tra đầu mạng y i có trùng khơng đúng, nhẩy tới B6 đồng thời tăng số mẫu nhận dạng tập mẫu lên Còn sai thực B3 o Bước 3: Tính tốn lỗi lan truyền ngược giá trị lỗi từ lớp lớp ẩn o Bước 4: Tính lại trọng số liên kết từ lớp ẩn lớp o Bước 5: cộng thêm giá trị lỗi mẫu pi vào giá trị tổng lỗi đồng thời tăng số mẫu chưa nhận dạng lên o Bước 6: Kiểm tra học hết mẫu tập chưa sai quay lại B1 làm B7 o Bước 7: kiểm tra số mẫu nhận dạng số mẫu tập kết thúc việc học ngược lại quay lại B1 bắt đầu học với lần 2.3.2.4 Xác định số lớp ẩn, số lượng neural lớp liệu huấn luyện Xác định số lượng lớp ẩn số lượng neural lớp ẩn công việc quan trọng Số lượng lớp ẩn thường xác định đầu tiền trình thiết lập cấu trúc mạng ANN, số lượng lớp ẩn cần thiết cho mạng phụ thuộc vào phức tạp mối quan hệ thông số đầu vào giá trị đầu Hiện nay, nhà nghiên cứu chưa đưa phương pháp xác định cấu trúc tối ưu mạng ANN Quá trình xây dựng cấu trúc mạng trình thử sai (try and error) Nhiều mơ hình mạng đưa cách thay đổi số neural lớp ẩn số lớp ẩn mơ hình Sau đó, ta dùng liệu để huấn luyện mạng Mơ hình cho kết dự báo tốt ta hình lựa chọn Khi mối quan hệ biến vào biến tuyến tính, hầu hết trường hợp mạng cần lớp ẩn, không cần thêm lớp ẩn nửa, 48 Cybenko (1898) Bound (1988) thành công sử dụng mơ hình lớp ẩn việc phân loại biến đầu vào để mơ hình xử lý Việc xác định số lớp ẩn, bắt đầu với lớp ẩn, sau tăng dần số neural lớp ẩn đó, mơ hình khơng tốt, lựa chọn cuối tăng thêm số lớp ẩn theo Lawrence (1994) Cũng có trường hợp cần đến hai lớp ẩn, không vượt hai lớp ẩn cho cấu trúc Theo Chester (1990) mơ hình hai lớp ẩn tốt mơ hình lớp ẩn điều ơng giải thích đơn giản, việc tăng số lớp ẩn tăng khả huấn luyện mạng làm giảm sai số, điều làm tăng khả hội tụ đến cực tiểu hàm SSE Bên cạnh làm giảm nguy cực tiểu cục gần nhất, Learning Rate lớn Số lượng neural phụ thuộc vào tốn cần giải quyết, mạng có số lượng neural hidden layer số lượng neural input layer Một quy tắc sử dụng phổ biến là: lựa chọn số neural hidden layer nửa số neural input layer, sau thêm số lượng neural sau trình huấn luyện mà sai số tăng giảm số lượng neural, trình huấn luyện diễn nhanh, sai số tăng đột ngột Sau vài gợi ý từ tác giả, trình bày bảng 2.6 Bảng 2.6 Quy tắc lựa chọn số lớp ẩn Công thức Tác giả Hecht-Nelson (1987) sử dụng định lý Kolmogorov h 2i  để đưa đề xuất xác định số neural hidden layer h (i  o) / N N i 0 d h d i o 10 h i log2 P Lawrence Fredrickson (1988) đề xuất số neural lớp ẩn nửa tổng lượng neural đầu đầu ra.Hơn nửa, phạm vi số lượng neural hidden layer giới hạn Marchandani Cao (1989) đề xuất phương trình lượng neural hidden layer tốt h = số neural hidden layer; i = số neural input layer; o = số neural output layer 49 Trong việc lựa chọn số mẫu để đưa vào trình huấn luyện số mẫu để kiểm tra cần xem xét cẩn thận Khi mô hình over-fitting khả huấn luyện mạng tốt việc khái qt liệu khơng tồn diện Ngược lại, mơ hình under-fitting khả huấn luyện mạng kém, khả khái quát liệu tồn diện hơn, việc chọn số mẫu quan sát cho trình huấn luyện cần ý Khơng có hướng dẫn chung để lựa chọn mẫu cho trình huấn luyện Tuy nhiên, Lawrence Fredrickson (1988) đề xuất công thức sau: 2( i + h + o) ≤ N ≤ 10( i + h + o) (2.24) Hình 2.32 Under-fitting Over-fitting Mơ hình tiên lượng (C Eric, 2014) Tuy thuật tốn để tính tốn trọng số mơ hình ANN tương đối phức tạp, giải toán dự đoán, mối tương quan biến phi tuyến, khắc phục điểm hạn chế mơ hình LR truyền thống Do đó, mơ hình ANN lựa chọn tốt cho việc dự đoán cường độ bê tông dựa yếu tố ảnh hưởng xem xét mức độ quan trọng yêu tố việc dự đốn 50 Chương NGUN VẬT LIỆU VÀ PHƯƠNG PHÁP THÍ NGHIỆM 3.1 Nguyên liệu sử dụng Thành phần nguyên vật liệu chế tạo GPC tương tự nguyên liệu chế tạo bê tông thông thường, khác biệt chủ yếu việc sử dụng chất kết dính geopolymer thay cement Portland Nguyên liệu sử dụng bao gồm tro bay, đá, cát, dung dịch alkali (hỗn hợp Sodium hydroxide Sodium silicate) Cốt liệu nhỏ Cốt liệu lớn Tro bay NaOH dạng khan Thủy tinh lỏng Hình 3.1 Nguyên vật liệu sử dụng đúc mẫu 3.1.1 Tro bay Tro bay (FA) sử dụng thí nghiệm tro bay lấy từ nhà máy điện Formosa Đồng Nai, với thành phần hóa trình bày bảng 3.1 51 Bảng 3.1 Thành phần hóa tro bay Oxit Hàm lượng(%) SiO2 Al2O3 Fe2O3 CaO K2O Na2O MgO SO3 MKN 51,7 31,9 3,48 1,21 1,02 0,81 0,25 9,63 Từ ta thấy tỷ lệ SiO2 Al2O3 tro bay 1.62, hàm lượng CaO thấp hàm lượng nung cao (9,63%) Dựa theo tiêu chuẩn ASTM C618, tro bay từ nhiệt điện Formosa xếp loại F có khối lượng riêng 2,5 g/cm3, độ mịn 94 % lượng lọt sàng 0,08 mm, hàm lượng CaO 6% 3.1.2 Sodium silicate (Na2SiO3) Sodium silicate dung dịch màu trắng đục, có tỉ lệ thành phần SiO2 = 30,1%, Na2O = 9,4%, H2O = 60,5% Hàm lượng SiO2/Na2O = 3,2, tỷ trọng 1.42 r 0.01 g/ml 3.1.3 Sodium hydroxide (NaOH) Dung dịch sodium hydroxide pha chế từ Na 2O dạng vảy rắn, màu trắng đục, độ tinh khiết 97-98%, khối lượng riêng 2130 kg/m3 H2O Nồng độ mol pha chế dùng thí nghiệm nghiên cứu dao động từ 10 – 14 mol Dung dịch NaOH pha với nước theo công thức (2.1) để thu nồng độ dung dịch cần thiết cho trình nghiệm m Trong đó: CM u 40 uV u 100 (g) 1000 u p (3.1) m: khối lượng cân chất rắn CM: nồng độ mol/l V: thể tích cần pha (ml) p: độ tinh khiết hóa chất (%) Lượng nước thêm vào để tạo dung dịch pha loãng dung dịch nước sạch, lượng nước thêm vào từ 18% đến 22% khối lượng đúc mẫu Lượng nước có tác dụng chủ yếu giúp dung dịch hòa tan đồng để q trình geopolymer hóa tốt 52 3.1.4 Cốt liệu lớn Đá dăm sử dụng có dạng khối cầu, hạt dẹt góc cạnh,có Dmax = 20 mm, khối lượng riêng 2700 kg/cm3, khối lượng thể tích 1510 kg/cm3 Thành phần hạt đá dăm trình bày Bảng 3.3 Hình 3.4: Bảng 3.2 Các tiêu lý đá sử dụng Chỉ tiêu thí nghiệm Phương pháp thí Kết thí nghiệm nghiệm Dmin - Dmax TCVN 7576-2:2006 2,20 Khối lượng riêng TCVN 7576-4:2006 2,70 g/cm3 Khối lượng thể tích trạng thái khô TCVN 7576-4:2006 2,61 g/cm3 Khối lượng thể tích trạng thái bảo hồ TCVN 7576-4:2006 2,67 g/cm3 Độ hút nước TCVN 7576-4:2006 2,5 % Khối lượng thể tích xốp TCVN 7576-6:2006 1,51 g/m3 Độ rỗng hạt TCVN 7576-6:2006 45,8 % Lượng sót tích lũy (%) 20 40 Đá dăm 60 Giới hạn thành phần hạt cát dùng XD theo TCVN 7576:2005 80 100 10 15 20 25 Kích thước lỗ sàng (mm) Hình 3.2 Biểu đồ thành phần hạt đá dăm Bảng 3.3 Thành phần hạt đá Kích thước lỗ sàng vng (mm) 20 10 Lượng sót sàng riêng biệt (kg) 0,09 0,35 0,64 44 99 Lượng sót tích lũy (%) 53 mm 3.1.5 Cốt liệu nhỏ Cát sử dụng cho bê tông đáp ứng theo TCVN 7576 Do hạn chế nghiên cứu xem xét hết ảnh hóa lý tạp chất cát tự nhiên, nên cát được rửa sấy khơ trước sử dụng thí nghiệm Cát có mơdul độ lớn Mdl=2,104 lượng sót sàng tích lũy A0.63=21,95 % thuộc cát hạt trung bình – nhỏ Kết thí nghiệm cát có khối lượng riêng 2610kg/m3, khối lượng thể tích 1450kg/m3 thành phần hạt sau: Bảng 3.4 Các chi tiêu lý cát sử dụng Chỉ tiêu thí nghiệm Phương pháp thí Kết thí nghiệm nghiệm Mơ đun độ lớn TCVN 7576-2:2006 2,50 Khối lượng riêng TCVN 7576-4:2006 2,60 g/cm3 Khối lượng thể tích trạng thái khơ TCVN 7576-4:2006 2,43 g/cm3 Khối lượng thể tích trạng thái bảo hoà TCVN 7576-4:2006 2,49 g/cm3 Độ hút nước TCVN 7576-4:2006 2,9 % Khối lượng thể tích xốp TCVN 7576-2:2006 1545 kg/m3 Độ rỗng hạt TCVN 7576-2:2006 36,4 % Lượng sót tích lũy (%) 20 40 Cát sông 60 Giới hạn thành phần hạt cát dùng XD theo TCVN 7576:2005 80 100 Kích thước lỗ sàng (mm) Hình 3.3 Biểu đồ thành phần hạt cát sử dụng 54 mm