为探明二元固废间的协同胶凝作用，本文研究了不同配合比条件下钢渣-赤泥-水泥基复合砂浆的力学性能，并采用水化热、XRD、TG-DTG、SEM等手段来表征复合砂浆的水化特征及微观形貌。研究结果表明：与纯水泥组相比，单掺30%(以下均为质量分数)钢渣会抑制浆体的水化反应，从而降低砂浆的力学性能，而在单掺30%钢渣的基础上复掺适量的赤泥可以有效降低钢渣对砂浆力学性能的负面影响。其中，当钢渣掺量为15%、赤泥掺量为15%时，复合砂浆的28 d抗折强度和28 d抗压强度均最高，分别为6.8和39.8 MPa，与单掺30%钢渣组相比，复合砂浆的28 d抗折强度和28 d抗压强度分别提高了11.5%和20.6%，这主要是因为掺入的赤泥不仅起到物理填充作用，而且为钢渣的水化反应提供了良好的碱性环境，促进钢渣参与水化反应，生成更多的钙矾石和水化硅酸钙凝胶，改善砂浆的微观结构。

碱激发矿渣-赤泥胶凝材料(AASR)由于吸水速率较大, 水分和侵蚀性离子易进入AASR内部, 对其耐久性构成重大威胁。本文利用硬脂酸钠(NaSt)改善AASR的孔结构, 并在孔隙壁上引入憎水膜, 降低AASR的吸水速率。通过对AASR孔结构、接触角和微观形貌的分析, 揭示了NaSt对AASR吸水速率的改善机理。结果表明: NaSt在AASR内部引入了较多的封闭孔, 内部孔隙之间的连通性会被这些封闭气孔阻断, 从而阻断水分在AASR孔径中的传输; NaSt在毛细孔壁形成憎水膜, 增大了孔壁接触角, 降低了毛细管吸力; 掺入质量分数为0.5%的NaSt后, AASR的初始吸水速率的降低幅度高达83%, 但对力学性能影响较小。

氧化镁膨胀剂(MEA)是一种性能优异的外加剂, 可以补偿大体积混凝土收缩。本文采用压汞法(MIP)测试了不同活性水平的MEA对超高性能混凝土(UHPC)浆体1～7 d龄期孔结构演变的影响, 并借助SEM及EDS对孔结构演变机理进行了分析。结果表明: 颗粒粒径较小的高活性MEA更有利于丰富UHPC的粒径分布, 实现基体最紧密堆积; 不同活性的MEA均会增加1 d龄期UHPC浆体的孔隙率, 但3 d以后各龄期浆体的孔隙率随MEA的掺入而降低, 活性越高降低越明显; 高活性MEA更有利于细化UHPC浆体3～67 nm的孔径; 使用孔隙率及孔结构评价UHPC自收缩应考虑不同龄期的影响; MEA活性越高, 水化生成的Mg(OH)2晶体更多, 有助于减小孔隙率并优化孔径; 使用内掺法会增加硅灰的相对含量, 增强硅灰的种子效应和火山灰效应, 降低UHPC基体的最终孔隙率。

双能CT利用两组不同能谱下的衰减信息, 准确分割两种基材料。 在实际应用中, 物体内部材料结构复杂、 组分多元化, 想了解其内部结构信息往往需要获取三种及三种以上基材料图像。 常规CT是连续混合谱束, 获取的投影信息与单能重建算法不匹配, 重建图像中各基材料的衰减系数存在误差。 由于工业领域材料的密度普遍较大, 所以重建图像中基材料的噪声更严重, 影响各组分表征准确度, 尤其对于衰减系数接近的材料区分难度更大。 为实现双能数据分解得到多幅高质量基图像, 除了重建图像本身存在的噪声影响外, 材料分解模型中系数矩阵的选取也十分重要。 然而重建图像中的衰减系数值与理论衰减系数值存在偏差, 重建图像中密度接近的不同材料的衰减系数相近甚至相等, 导致待分解像素的材料三元组选取错误, 降低了材料分解精确度。 因此, 提出一种在层间约束下的三维块匹配多成分分解方法。 该方法引入有质量体积守恒和每个像素至多包含三类材料约束的多材料分解模型, 将三维结构相似性信息加入到像素材料成分选取中, 利用三维结构信息进行约束求解达到降低噪声污染的目的, 获取大致分解的初始基图像; 再利用三维块匹配方法对初始基图像进行匹配, 对各基材料图像进行三维特征约束分类, 分类后选取含有该类基材料的最优材料成分三元组进行多材料分解, 得到更准确的组分表征图。 金属纯模体和花岗岩两组实验中, 与已有方法的结果图进行对比, 层间约束下三维块匹配分解方法对衰减系数接近的工业材料的识别更准确, 各组分表征图结构更完整, 图像质量更好, 细节处理也更精确。 金属纯模体实验中的定量分析表明, 相比已有方法, 该方法的PSNR值和SSIM值分别提高了5%～6%和31%～35%。 验证了该算法的有效性和鲁棒性, 在常规CT系统下实现了更精确的多成分分解。

多光谱测温依据黑体辐射定律, 通过辐射光强、 多组波长即能推测出温度值, 克服了比色测温要求光谱单一和比色光谱相近的约束, 在工程实际中得到了广泛的应用。 在多光谱温度反演的过程中, 光谱发射率的求解及多光谱数据处理是精确测温的关键。 目前, 光谱发射率的求解大多以光谱发射率假设模型为主要的方法, 当假设模型与实际情况接近时, 反演的温度与光谱发射率精度很高, 当二者不相符时, 反演的结果与实际情况相差甚大, 对于复杂材料和燃烧过程中材料性能动态变化情况下的测温, 以光谱发射率假设模型的方法存在盲目性; 近年来, 基于神经网络的深度学习的方法应用于多光谱测温, 避免了光谱发射率假设模型, 可建立温度与多光谱的非线性统计规律关系, 但需要海量数据与超强算力支撑, 且建模过程复杂。 针对上述问题, 提出了一种基于多元极值优化的多光谱温度测量方法(MEVO), 该方法利用不同温度下多光谱信号之间的关联性, 通过分析在多光谱温度反演过程中各通道测量温度之间的联系, 基于多光谱辐射测温原理以及温度反演过程中各通道数据之间的信息关联, 建立多元温差关联函数, 通过关联函数的寻优, 建立高精度测温模型。 该方法将建模过程简化为多元温差函数的寻优问题, 避免了光谱发射率与其他物理量的关系假设, 降低了深度学习方法对数据样本量的要求, 简化了多光谱温度测量的过程。 为了验证该方法的可行性与可靠性, 利用一套简单的8通道多谱测温装置进行实验验证, 实验中认定黑体炉发射的温度是标准值, 在1 923.15～2 273.15 K温区内对468～603 nm波段的光谱数据进行标定, 实现了基于多元极值优化的多光谱温度测量, 其测温精度在0.5%左右, 温度反演时间在2.5 s以内。 与二次测量法(SMM)、 神经网络方法相比反演精度有所提高; 反演速度与SMM法相比有大幅度提升。

本试验研究了超细高活性矿物掺合料(超细掺合料)与硅灰以单掺、复掺的方式制备超高性能混凝土(UHPC)，分析了复掺不同掺量超细掺合料对UHPC的工作性、力学性能、水化热和收缩性能的影响。结果表明：UHPC流动性随超细掺合料掺量的增加而增加，跳桌流动度最高为275 mm；将超细掺合料与质量分数为10%的硅灰以复掺的方式制备UHPC时，随超细掺合料掺量的增加，UHPC抗折强度先增加后降低，抗压强度先增加后趋于平稳，最大抗折强度和抗压强度分别为25.9 MPa和150.0 MPa；超细掺合料与质量分数为10%的硅灰复掺制备的UHPC水化热随超细掺合料掺量增加，先增大后减小；复掺质量分数为10%的超细掺合料与质量分数为10%的硅灰制备的UHPC早期收缩量最小，比单掺质量分数为20%的硅灰制备的UHPC低50.92%。