摘要
煤矸石（CG）作为煤炭开采中的固体废弃物，据统中国的CG堆积量已超过70亿吨，大量的堆积对生态环境健康产生了严重的影响。由于 CG 中的主要化学成份为 SiO2和 Al2O3，类似于粉煤灰和矿渣等固体废弃物且含量一般能够达到 80%。因此，CG具有潜在的火山灰活性。但CG中主要为高岭石和石英等晶体结构稳定的矿物成分，使得原状的CG火山灰活性低。另外，由于原状CG中的有机物以及碳含量较高，限制了CG作为辅助性胶凝材料的应用。为增加CG的火山灰活性，本文利用机械活化和热活化对 CG 进行了活化处理，进一步探究了在活化过程中球磨以及煅烧对CG晶体结构的影响，并利用XRD、热重分析、FTIR、水化热、核磁孔隙测试和SEM研究分析了不同活化方式的CG对水泥的硬化、水化产物和水化进程的影响。由于CG是固体废弃物，其中的SiO2和Al2O3含量不稳定，使CG的活化实验不一致且实验过程繁琐，为此利用 8 种机器学习通过训练和测试选择出一个预测性能最佳的模型建立了CGC的抗压强度预测模型。主要的研究内容以及结论如下： （1）通过机械球磨（球磨时间：30min、60min、90min和120min）对CG进行机械活化，随后在不同的煅烧温度下（700℃、750℃和 800℃）设置了不同的保温时间（60min 和 120min）对 CG 进行活化处理，并以不同的置换率（10%、20%和30%）设计了不同的配合比试验组。 （2）利用 XRD 衍射实验对不同球磨时间的 CG 粉末进行晶体结构分析。通过对 CG中高岭石（001）面间距定量计算可知，其面间距随着球磨时间的增加呈现先增大后减小的趋势。经Scheller公式计算可知CG中高岭石的晶格尺寸随球磨时间的增加呈现先增大后减小的趋势，与晶体面间距的变化趋势一致。此外，通过对 CG的结晶度计算发现，随着球磨时间的增加 CG 的晶格畸变率越高，结晶率越低。利用 FTIR 红外光谱对不同煅烧温度的 CG 粉末进行[SiO4]和[AlO6]基团分析。结果表明：随着煅烧的升高CG中的[SiO4]和[AlO6]基团数量逐渐增加，这表明CG中的SiO2和Al2O3开始发生重结晶反应，整体晶体结构趋于稳定。 （3）通过对 CG-CH 溶液进行电导率测试表征了不同活化方式 CG 的火山灰反应程度并在此基础上通过扩散动力学模型和 Eyring方程对 CG的火山灰反应进程和火山灰活性进行定量分析。结果表明：球磨时间越长CG与CH的电导率下降越快，煅烧越高CG与CH的电导率下降越慢。通过扩散动力学模型计算，球磨120min时反应速率为0.0166h-1较球磨30min时提升了54.22%，煅烧温度为700℃时反应速率为0.0127h-1较煅烧温度800℃时提升了19.17%。经Eyring公式计算活化能可知，CG的火山灰活性与球磨时间呈正相关，与煅烧温度呈负相关。 （4）对 CGC（煤矸石掺合料水泥）进行了堆积密度计算，并对各 CGC和纯水泥试验组进行抗压强度测试。结果表明：当CG置换30%时，随着CG的球磨时间的增加CGC的堆积密度逐渐下降。利用CG置换水泥后能够提高水泥的抗压强度，当CG的球磨时间超过90min，煅烧温度为700℃时，各个龄期的CGC抗压强度均高于纯水泥试件，其中28d时CGC的抗压强度相较于纯水泥试验组强度能够提高了38.98%（19.96MPa）。 （5）通过测试CGC和纯水泥试验组的168h的水化放热表征了CG对水泥水化进程的影响。结果表明：球磨时间越长 CG 的晶格畸变率越大其对水泥水化的促进作用越显著；煅烧温度的逐渐升高CG中的[SiO4]和[AlO6]基团数量逐渐增加，CG的晶体结构稳定，CG对水泥水化的促进作用降低。不同活化方式的CGC在168h累积水化放热量大小与CG的球磨时间呈正相关与煅烧温度呈负相关。 （6）通过XRD、TG-DTG实验分析了CG对水泥水化产物及微观形貌的影响。结果表明：CG的掺入会消耗水泥中的 CH（氢氧化钙）且消耗量与 CG的置换率和球磨时间呈正相关与煅烧温度呈负相关。此外通过核磁孔隙测试和SEM微观实验分析可知，CG 掺入后会消耗松散片状的 CH 并生成网状结构的水化硅铝酸钙，降低CGC的孔隙率。 （7）利用214个数据建立数据集，以CG比表面积、煅烧温度、煅烧保温时间、置换率、SiO2和Al2O3含量为特征，通过线性回归、AdaBoost、支持向量机、人工神经网络、决策树、随机森林、K-近邻和 XG Boost 八种机器学习算法对 CGC 抗压强度进行预测。结果表明：线性回归的 R2为0.7132，测试集R2为0.6943，表现出了较差的线性关系。XG Boost 和随机森林的训练集 R2 为 0.9885 和 0.9863，测试集为0.9277 和 0.9088，表现出了较好的预测能力。但由于随机森林中有部分数据集的测试集R2低于0.8其泛化能力低于XG Boost，因此XG Boost为预测性能最好的机器学习算法。此外，通过随机森林中的置换重要性方法对 6 种特征进行定量分析。结果表明：煅烧保温时间＜ SiO2含量＜煅烧温度＜Al2O3含量＜CG比表面积＜置换率。 （8）通过“由摇篮到大门”的碳排放生命周期对 CGC 和纯水泥的碳排量进行定量分析。结果表明：CGC 在开采阶段、运输阶段、煅烧阶段和电力消耗阶段的碳排放量均小于普通硅酸盐水泥。每 1kg 的 CGC“由摇篮到大门”的碳排放量为0.4387kg，较普通硅酸盐水泥的0.5227kg下降了16.07%。
NETL