Abstract

The cement industries and current construction practices are highly incompatible with sustainability due to their high energy consumption and reliance on natural resources. As the industrial sectors expand rapidly in emerging countries, so does the need for waste management services. Sustainable alkali activated concrete (AAC) can be produced using the waste industrial by-products as a binder. These methods will reduce the carbon footprint of cement industries by solving the problem of industrial waste disposal. The feasibility of utilizing agricultural wastes such as rice husk ash (RHA) as a partial substitute from 0 to 40% for ground granulated blast furnace slag (GGBS) was investigated using 10M and 12 M sodium hydroxide solution to produce AAC. The destructive tests, such as compressive, split tensile, flexural strength and non-destructive tests, such as ultrasonic pulse velocity, dynamic modulus of elasticity and rebound hammer tests, were carried out to evaluate the mechanical strength of AAC. A regression model was developed with the help of both artificial neural networks (ANN) and multiple regression analysis to predict the compressive strength from non-destructive tests. The model generated using an optimum ANN provided good results. The outcomes of this study indicate that the substitution of 10% RHA increases the strength of AAC and then decreases. The study included a comparative study with other earlier studies and the obtained results emphasized the need to use AAC based GGBS-RHA.

中文翻译：

---

RHA 对 GGBS 碱激活混凝土力学性能的影响：实验和统计模型

摘要

由于高能源消耗和对自然资源的依赖，水泥行业和当前的建筑实践与可持续性高度不相容。随着新兴国家工业部门的迅速扩张，对废物管理服务的需求也在不断增长。可持续的碱激活混凝土（AAC）可以使用废弃的工业副产品作为粘合剂来生产。这些方法将通过解决工业废物处理问题来减少水泥工业的碳足迹。利用 10M 和 12 M 氢氧化钠溶液，研究利用稻壳灰 (RHA) 等农业废弃物部分替代 0% 至 40% 的粒化高炉矿渣 (GGBS) 来生产加气混凝土的可行性。破坏性试验，如压缩、劈裂拉伸、进行了弯曲强度和无损测试，例如超声波脉冲速度、动态弹性模量和回弹锤测试，以评估加气混凝土的机械强度。在人工神经网络 (ANN) 和多元回归分析的帮助下开发了回归模型，以预测无损测试的抗压强度。使用最佳人工神经网络生成的模型提供了良好的结果。本研究结果表明，替代 10% RHA 会先提高 AAC 的强度，然后降低。该研究包括与其他早期研究的比较研究，获得的结果强调了使用基于 AAC 的 GGBS-RHA 的必要性。在人工神经网络 (ANN) 和多元回归分析的帮助下开发了回归模型，以预测无损测试的抗压强度。使用最佳人工神经网络生成的模型提供了良好的结果。本研究结果表明，替代 10% RHA 会先提高 AAC 的强度，然后降低。该研究包括与其他早期研究的比较研究，获得的结果强调了使用基于 AAC 的 GGBS-RHA 的必要性。在人工神经网络 (ANN) 和多元回归分析的帮助下开发了回归模型，以预测无损测试的抗压强度。使用最佳人工神经网络生成的模型提供了良好的结果。本研究结果表明，替代 10% RHA 会先提高 AAC 的强度，然后降低。该研究包括与其他早期研究的比较研究，获得的结果强调了使用基于 AAC 的 GGBS-RHA 的必要性。本研究结果表明，替代 10% RHA 会先提高 AAC 的强度，然后降低。该研究包括与其他早期研究的比较研究，获得的结果强调了使用基于 AAC 的 GGBS-RHA 的必要性。本研究结果表明，替代 10% RHA 会先提高 AAC 的强度，然后降低。该研究包括与其他早期研究的比较研究，获得的结果强调了使用基于 AAC 的 GGBS-RHA 的必要性。