利用线性回归分析优化熟料质量
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(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
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
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
B
C
D
E
F
G
H
I
J
K
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 “ _
2
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
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。
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】1. 引言混凝土是一种常用的建筑材料,其强度是衡量混凝土质量的重要指标之一。
为了确保建筑物的结构安全性,需要对混凝土强度进行准确的检测。
在混凝土强度检测方法中,回归分析被广泛应用于预测混凝土强度与其他相关因素之间的关系。
本文将深入探讨混凝土强度检测中的回归分析方法。
2. 混凝土强度与相关因素在进行混凝土强度检测时,需要考虑一系列相关因素。
常见的相关因素包括水胶比、混凝土配合比、浇筑温度等。
这些因素对混凝土的强度有着直接或间接的影响。
回归分析方法可以帮助我们了解这些因素与混凝土强度之间的关系。
3. 回归分析方法介绍回归分析是一种统计学方法,用于研究两个或多个变量之间的关系。
在混凝土强度检测中,回归分析可以帮助我们建立混凝土强度与其他因素之间的数学模型。
常用的回归分析方法包括线性回归、多项式回归、逐步回归等。
4. 线性回归分析方法线性回归是最简单和最常见的回归分析方法之一。
它假设因变量与自变量之间存在线性关系。
在混凝土强度检测中,可以使用线性回归方法建立混凝土强度与相关因素之间的线性关系模型。
通过分析回归方程的系数,可以判断不同因素对混凝土强度的影响程度。
5. 多项式回归分析方法多项式回归是一种常用的非线性回归分析方法。
与线性回归不同,多项式回归可以描述因变量与自变量之间的非线性关系。
在混凝土强度检测中,由于混凝土强度与相关因素之间的关系可能不是简单的线性关系,因此多项式回归方法更适用于建立混凝土强度预测模型。
6. 逐步回归分析方法逐步回归是一种逐步选择自变量的回归分析方法。
它可以帮助我们确定对混凝土强度影响最显著的因素。
在混凝土强度检测中,由于可能存在多个相关因素,逐步回归可以帮助我们确定最具影响力的因素,从而提高混凝土强度预测的准确性。
7. 总结和回顾通过回归分析方法,我们可以建立混凝土强度预测模型,从而实现对混凝土强度的准确检测。
应用回归分析调整配料方案提高ISO熟料强度
应用回归分析调整配料方案提高ISO熟料强度
白淑芳;李波文
【期刊名称】《建材发展导向》
【年(卷),期】2001(000)004
【摘要】应用多元线性回归分析方法,找出熟料强度与其主要影响因素的关系,通过调整配料方案,强化熟料煅烧,提高了ISO熟料强度,为顺利实施水泥标准创造了条件.【总页数】3页(P29-31)
【作者】白淑芳;李波文
【作者单位】云南开远水泥股份有限公司,661660;云南开远水泥股份有限公
司,661660
【正文语种】中文
【中图分类】TQ172.1+3;TQ172.6+4.1
【相关文献】
1.优化配料方案实现提高熟料强度的实践 [J], 姚大安
2.调整工艺配料方案提高熟料28d强度 [J], 钟红霖
3.优化熟料配料方案提高熟料强度 [J], 郑德喜;陈群
4.调整配料方案提高立窑水泥ISO强度 [J], 刘宸;颜碧兰;张大同;江丽珍;白显明;王昕
5.我公司调整配料方案提高熟料强度的实践 [J], 陶涛;张桂南;王军龙
因版权原因,仅展示原文概要,查看原文内容请购买。
出厂水泥(熟料)质量确认程序
广西凌云通鸿水泥有限公司出厂水泥(熟料)质量确认程序文件编号:LYTH-HY-06-2010分发号:受控状态:编制:日期:审核:日期:批准:日期:出厂水泥(熟料)质量确认程序一、目的通过对出厂水泥(熟料)质量的严格管理及质量确认,保证出厂水泥(熟料)合格率100%,出厂水泥富裕强度合格率100%。
一、适用范围本程序适用于本公司化验室对水泥(熟料)出厂的质量确认,同时作为开具出厂水泥(熟料)通知单的依据二、相关标准GB175-2007通用水泥国家标准GB/T21372-2008 硅酸盐水泥孰料JC/T738-2004 水泥强度快速检验方法2002年版《水泥企业质量管理规程》出厂水泥(熟料)质量内控标准GB9774-2002 《水泥包装袋》国家标准公司《质量管理文件》三、程序总则:以《水泥企业质量管理规程》及公司《质量管理细则》为指针,加强质量管理。
制定公司《出厂水泥(熟料)质量内控标准》,《包装质量抽查制度》,按规定进行均匀性试验,在此基础上,确定出厂水泥质量确认程序的总体原则:以出磨水泥检验数据为依据,库内预定强度等级,库内空气均化及多库搭配,包装及散装直接出厂;确定出厂熟料质量确认程序的总体原则:以出窑熟料检验数据为依据,库内预定熟料标号,库底搭配均化,入熟料发放库直接出厂。
(一)、出厂水泥质量确认程序具体办法(1)在充分掌握熟料、混合材、石膏质量情况及熟料库位情况,并结合化验室小磨试验研究基础上,按生产的水泥品种、强度等级不同分别下达《水泥配料通知单》,同时下达《入库通知单》,并由质量调度员监督车间严格执行,认真作好值班记录。
(2)建立《出磨水泥入库质量记录表》,内容包括入库时间、品种及强度等级、质量数据(LOSS、SO3、MgO、安定性、初凝时间、终凝时间、细度、1天快速强度、预定强度等级)、库位,上述数据来源于化验室各类记录。
(3)《出磨水泥入库质量记录表》为依据对各库以下质量数据确认是否符合内控质量要求:如LOSS、SO3、MgO、安定性、初凝时间、终凝时间、细度均符合,1天快速强度大于其控制目标值,即R1d>R1d控,并预定各库强度等级,在此基础上下达《包装(散装)均化通知单》,内容包括编号、品种、强度等级、出库方式、均化方式,对包装水泥还需确认《包装质量抽查记录》上单包净重、20包总重、包装袋质量及包装标志符合相关标准要求,然后下达《出厂水泥通知单》按编号直接出厂(4)出厂水泥1天快速强度控制目标值的计算方法:应用数理统计方法中回归分析法,建立出厂水泥1天快速强度(R1)预测二十八天强度(R28 )回归方程:R28 =a+bR3 ,并根据《水泥企业质量管理规程》中对出厂水泥天强度控制目标值二十八天的要求,即R28目=国家标准规定值+富裕强度值+3S ,可以计算:R1控=(R28目-a)/b ,此方法每月计算一次,1天快速强度控制目标值R1控作为下月出磨水泥控制指标及预定库内强度等级的依据(二)出厂熟料质量确认程序具体办法(1)建立《入库熟料质量记录》,内容包括熟料库位、质量数据(f-CaO、LOSS、安定性、初凝时间、终凝时间、不溶物、3天强度、预定强度等级)(2)建立熟料三天强度(R3 )预测二十八天强度(R28 )回归方程:R28熟=a+bR3 熟, 每月计算一次,作为下月预定库内标号的依据(3)以《入库熟料质量记录》为依据,近5天内安定性、初凝时间、终凝时间、LOSS、不溶物均合格,f-CaO平均合格率大于96%,此时方可下达《出厂熟料通知单》,并通知中控启动熟料库底均化设施向熟料散装发放库供料四、其他事项(1)在出厂水泥质量确认程序中,在下达《包装(散装)均化通知单》时,需一式三份,一份交给包装车间、一份交给质量调度,由包装车间执行,由质量调度负责启动出厂水泥自动取样器按编号取样,包装或散装发放数量达到1000吨左右,取回样交给物理检验组及化学分析组进行全套物理及化学检验,检验数据作为出厂水泥质量数据,凭此为用户填报《水泥质量检验报告单》(2)在出厂熟料质量确认程序中,在下达《出厂熟料通知单》时,需一式四份,一份交给销售部、一份交给中控、一份交给质量调度,由中控执行,由质量调度负责按编号取样,散装发放数量达到1000吨左右,取回样交给物理检验组及化学分析组进行全套物理及化学检验,检验数据作为出厂熟料质量数据,凭此为用户填报《熟料质量检验报告单》。
线性回归模型的使用技巧和注意事项
线性回归模型的使用技巧和注意事项线性回归模型是一种常用的统计分析方法,用于研究自变量与因变量之间的关系。
在实际应用中,我们需要注意一些技巧和注意事项,以确保模型的准确性和可靠性。
一、数据预处理在应用线性回归模型之前,我们首先需要对数据进行预处理。
这包括数据清洗、缺失值处理和异常值处理等。
数据清洗是为了去除无效数据,确保数据的质量。
缺失值处理是为了填补缺失数据,常用的方法有均值填补、中位数填补和插值法等。
异常值处理是为了排除异常数据对模型结果的影响,可以使用箱线图和散点图等方法来检测和处理异常值。
二、特征选择在构建线性回归模型时,我们需要选择合适的自变量。
特征选择是为了筛选出对因变量影响显著的自变量。
常用的特征选择方法有相关系数法、方差分析法和逐步回归法等。
相关系数法可以用来衡量自变量与因变量之间的线性关系强度,方差分析法可以用来比较不同自变量对因变量的影响程度,逐步回归法可以通过逐步添加和删除自变量来选择最佳模型。
三、模型评估在构建线性回归模型后,我们需要对模型进行评估。
常用的模型评估指标有均方误差(MSE)、决定系数(R-squared)和残差分析等。
均方误差可以用来衡量模型的预测误差大小,决定系数可以用来衡量模型对因变量变异的解释程度,残差分析可以用来检验模型的假设是否成立。
通过模型评估,我们可以判断模型的拟合效果和预测能力。
四、模型改进在实际应用中,线性回归模型可能存在一些问题,如多重共线性、异方差性和自相关等。
多重共线性是指自变量之间存在高度相关性,会导致模型参数估计不准确。
异方差性是指模型的误差项方差不恒定,会影响模型的预测精度。
自相关是指模型的误差项之间存在相关性,会导致模型的参数估计不准确。
针对这些问题,我们可以采取一些改进方法,如主成分回归、加权最小二乘法和时间序列分析等。
五、模型应用线性回归模型在实际应用中具有广泛的应用价值。
它可以用于预测和分析各种现象和问题,如经济增长、市场需求和人口变化等。
应用回归分析与统计过程控制(SPC)技术提高饲料配料精度研究初探
中图分 类号 : ¥ 8 1 6 . 9
文献标识 码 : A
文章 编号 : 1 0 0 1 — 9 9 1 X ( 2 0 1 4 ) 0 5 — 0 0 1 2 — 0 5
Th e p r i ma r y e x p l o r a t i o n o f r e g r e s s i o n a n a l y s i s a n d S PC i n f e e d b a t c h i n g q u a l i t y
f e e d p r o c e s s b y r e g r e s s i o n a n a l y s i s a n d s t a t i s t i c a l p r o c e s s c o n t r o l( S P C ) , b u i l d b a t c h i n g p r o c e s s c o n —
偏 受控 状 态下 , 成 品粗 蛋 白质 变化 范围与 配方值 更 为接 近 。结 果提 示 , 运用S P C 技 术可 实现从 成 品
结 果控 制 向配料过 程控制 、 从 人工控 制向 自动控 制的转 变 , 起 到提 高饲料 产 品质 量的作 用。 关键词 : 回归分析 ; 统计过程控 制( S P C) ; 配料精 度 ; 饲料
云南省动物 营养与饲料重点实验室 , 云南昆明 6 5 0 2 0 1 )
摘
要: 研 究 旨在利 用回 归分析 及 S P C技 术分析饲 料加 工过程 中配料 因素 对饲料 产品质量 造成
的影响 , 建立饲料 产 品质量 的配料 工 艺控 制模 型及 方法 , 提 高饲料 配方 的保真度 。通过对 4 8 例 猪 浓 缩料 中蛋 白原料 配料 数据 、 成 品粗 蛋 白质检 测数 据进 行 回归分析 、 单值 图分析 和过程 能力分析 , 提出 了对配料精 度 的改进 措施 , 获得 受控 状 态下成 品粗蛋 白质 的 变化 范 围。结果表 明 , 豆粕 配料 值 在无
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一、前言混凝土是建筑工程中常用的一种材料,其强度是保证结构安全的重要指标之一。
因此,在混凝土施工过程中,需要对混凝土的强度进行检测,以确保其符合设计要求。
本文将介绍混凝土强度检测中的回归分析方法。
二、回归分析方法简介回归分析是一种统计学方法,用于研究变量之间的关系。
在混凝土强度检测中,回归分析可用于建立混凝土强度与其他因素(如混合比、龄期、温度等)之间的关系模型。
回归分析可以帮助工程师预测混凝土强度,并优化混凝土配合比,以满足设计要求。
三、回归分析方法步骤1. 数据收集首先,需要收集混凝土强度检测的相关数据,包括混凝土配合比、龄期、温度等因素的数据以及相应的混凝土强度数据。
数据的收集应该尽可能全面、准确,以确保建立的模型具有较高的可靠性和准确性。
2. 数据清洗和预处理在进行回归分析之前,需要对数据进行清洗和预处理。
清洗数据的目的是去除数据中的错误、异常值等不合理数据,以保证数据的准确性。
预处理数据的目的是将数据转化为适合进行回归分析的形式,例如将分类数据转化为数值型数据。
3. 建立回归模型在收集和处理数据之后,需要建立混凝土强度与其他因素之间的回归模型。
常用的回归模型包括线性回归、非线性回归等。
线性回归是一种简单的回归模型,它假设自变量和因变量之间的关系是线性的。
非线性回归则假设自变量和因变量之间的关系是非线性的,可以更精确地描述变量之间的关系。
4. 模型评估和优化建立回归模型之后,需要对模型进行评估和优化。
模型评估的目的是检验模型的可靠性和准确性,常用的评估方法包括R方值、均方误差(MSE)等。
模型优化的目的是提高模型的预测准确性和稳定性,可采用调整自变量、增加样本数量等方法进行优化。
5. 模型应用和预测最后,建立好的回归模型可以用于混凝土强度的预测和优化混合比。
通过模型预测,可以在满足设计强度要求的前提下,尽可能降低混合比中的水泥用量,减少混凝土成本,提高工程效益。
优化配料方案提高熟料强度
投 产 以来 , 1 5个试 样 数 据 统 计 表 明 , 料 强 从 1 熟 度 波 动 较 大 , 极 差 R 高 达 3 MP , 标 准 偏 差 0 a 5 4 MP 。 5个 试 样 6个 强 度 级 分 布 频 数 和 百 分 比 .2 a 1 1
见 表 2 。
表 2 试 样 强 度级 分布 频数
2 0 —1 0 1 2底
20 0 2—0l 20 0 2—0 20 0 2一∞
Y2d= 62 — 5 ・f O 8 Ca
r= 一 0. 9 2 r= 一 0. 707
0 ~∞ 累计 l
13 .2 8 32
75 3 2 6 7 .
4 .7 17
8 8 4.7
Y2d= 3 8 62 — 8 ‘ M g 4 O
从 Mg 与 2d强 度 回归 分 析 结 果来 看 , O对 O 8 Mg
熟 料 强 度 的 负 面 影 响 不 可 低 估 。 因 目前 矿 山 条 件 限
各 级 2 d平均 强度 8 (e) M a 3 . 4 . 5 . 5 . 6 . 6 . 96 65 22 74 22 62 频 数 l 4 l 8 2 9 5 0 l 3
由于 3 d与 2 d强 度 相 关 关 系很 显 著 ,故 本 次 8 5 % , 有 4成 P : 1 仍 AJ 低于 6 MP , 一 步 提 高熟 料 强 正 交 试 验 ,仅 就 三 率 值 与 2 d抗 压 强 度 进 行 试 验 : 0 a 进 8 度 尚有 较 大 空 间 ,应 在 短 时 间 内进 一 步 提 高熟 料 强 选 择 。 度 , 少 波 动 , 到高 强 、 定 。笔 者 旨在 通 过 数 理 统 减 做 稳
维普资讯
熟料物理性能的数值分析
N0 . I 2 01 4
新 世 纪水 泥导报
Ce me n t Gui de f or Ne w Ep oc h 专题 论
中图分类号 :T Q1 7 2 . 1 3 文献标识码 :A
文章编号 :1 0 0 8 — 0 4 7 3 ( 2 0 1 4 ) 0 1 — 0 0 1 6 — 0 1 3 D OI 编码 :1 0 . 3 9 6 9 / j . i s s n . 1 0 0 8 — 0 4 7 3 . 2 0 1 4 . 0 1 . 0 0 4
水泥 的生 产控 制 和熟料 质量 的提 高找 出基 本规 律 。 1 线性 回归 模型 和相 关性 系数
1 . 1 一元 线性 回 归方程
一
的控制 和提 高水泥熟料质量是水泥行业永恒 的课 题 ,是 自水泥问世以来水泥研究者不断研究探索的 任务。在预分解窑 日益普及的今天 ,熟料质量已经 成为一个衡量水泥企业技术水平 的关键指标 ,然
表1 和 表2 是 选 择 某公 司2 0 1 3 年1 月熟 料 质 量统
L = ∑ 一 ) ∑ 一 )
=
多, 这里统一给予注释,以下内容均按照注释解释计 算。
注: ( 1) R 2 8 、R 3 、Z 2 8 、Z 3 表示熟料 的2 8 d 抗压强
度 、3 d 抗压强度 、2 8 d 抗折强度 、3 d 抗折强度 。
( 2)L o s s 表示熟料烧 失量 ,S 0 3 、A 1 2 O 、N a 2 O 表示 熟料 中s 0 含量 、氧化铝含量 和碱 当量 。
元 线 性 回归 模 型 ,是 分 析 两 个 变 量 之 间相
Y =A+BX
而因水泥熟料体系的复杂性和水泥生产的差异性较 大 ,许多研究结论并不能推广到所有企业 ,故对水
在线性回归分析中,关于其质量评价的关键指标
在线性回归分析中,关于其质量评价的关键指标
线性回归有四个假设
线性:自变量(x)和因变量(y)之间应该存在线性关系,这意味着x值的变化也应该在相同方向上改变y值。
独立性:特征应该相互独立,这意味着最小的多重共线性。
正态性:残差应该是正态分布的。
同方差性:回归线周围数据点的方差对于所有值应该相同。
残差是指预测值与观测值之间的误差。
它测量数据点与回归线的距离。
它是通过从观察值中减去预测值的计算机。
残差图是评估回归模型的好方法。
它是一个图表,在垂直轴上显示所有残差,在x轴上显示特征。
如果数据点随机散布在没有图案的线上,那么线性回归模型非常适合数据,否则我们应该使用非线性模型。
两者都是回归问题的类型。
两者的区别在于他们训练的数据。
线性回归模型假设特征和标签之间存在线性关系,这意味着如果我们获取所有数据点并将它们绘制成线性(直线)线应该适合数据。
非线性回归模型假设变量之间没有线性关系。
非线性(曲线)线应该能够正确地分离和拟合数据。
当某些特征彼此高度相关时,就会发生多重共线性。
相关性是指表示一个变量如何受到另一个变量变化影响的度量。
如果特征a的增加导致特征b的增加,那么这两个特征是正相关的。
如果a的增加导致特征b的减少,那么这两个特征是负相关的。
在训练数据上有两个高度相关的变量会导致多重共线性,因为它的模型无法在数据中找到模式,从而导致模型性能不佳。
所以在训练模型之前首先要尽量消除多重共线性。
回归分析在混凝土配合比设计中的应用
回归分析在混凝土配合比设计中的应用摘要:应用回归分析,通过试验,建立水灰比与混凝土强度关系式、混凝土28天抗压强度与3天抗压强度关系式、水泥28天抗压强度与3天抗压强度关系式。
关键词:回归分析配合比设计关系式1 前言回归分析是通过建立回归方程来反映变量之间关系的一种统计方法。
在建材测试工作中,适当运用回归分析,往往能收到较好效果。
本:丈主要谈谈应用线性回归分析进行普通混凝土配合比设计的几个问题。
2 建立水灰比与混凝土强度关系式随着水泥ISO法的实施,混凝土配合比设计计算方法也相应调整。
建设部发布了《普通混凝土配合比设计规程》(JGj55-2ooo),提供了新的水灰比与混凝土强度关系式。
但是,混凝士是。
种地方性很强的材料,该关系式在全国各地的适用性差别较大。
笔者发现该公式与我们的实际试验结果差别不小,于是进行了适应水泥ISO法的混凝土配合比设计试验研究,应用一元线性回归分析,建立了适合我们的水灰比与混凝土强度关系式。
2.1 混凝土配合比设计及试验根据本地应用混凝土的特点设计配合比。
本地混凝土的特点是:强度等级低,主要为C20~c40;施工坍落度不大,主要为30mm~l00mm。
外加剂使用较少。
配合比试配的原材料选择本地工程常用的原材料:水泥采用本地常用的5个厂家生产的普通水泥、复合水泥、硅酸盐水泥、粉煤灰水泥,强度等级为32.5、32.5R、42.5、42.5R,其强度试验均按GB/T17671—1999进行;细骨料采用本地产的中、粗河砂,细度模数为2.6~3.5;粗骨料采用本地产的碎石,最大粒径为40mm和31.5mm。
采用了0.35、0.40、0.45、0.50、0.55、0.60、0.65、0.70、0.75等9个不同的水灰比,设计了42个配合比(其中0.45、0.50、0.55、0.60、0.65各6个,0.40、0.70各4个,0.35、0.75各2个)。
按上述设计的42个配合比各拌制混凝土制成试件,检验其28天抗压强度。
- 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、"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、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