3D-printing av betong: påvirkning av superplastiserende, silikastøv, LC3 og fiber

Abstract

Gjennom tidene har betong vært det mest brukte byggematerialet, og det stilles derfor strengere krav for bruk av dette. Flere forskningsgrupper jobber i dag for å bearbeide og videreutvikle 3D-printing eller additiv produksjon av betong. Sammenlignet med de tradisjonelle byggeprosessene medfører 3D-printing av betong til reduksjon i kostnader og materialbruk, i tillegg til å øke produksjonshastigheten. Formålet med denne studien er at følgende problemstilling blir undersøkt «Hva er påvirkningen av superplastiserende, silikastøv, LC3 og fiber på egenskaper for 3D-printing av betong, både i fersk og herdet tilstand?». Som en del av studien, vil bruken av maskinlæring være en viktig del av problemstillingen. Ved 3D-printing kreves det blant annet andre egenskaper til fersk og herdet tilstand enn ved tradisjonell støpt betong. I fersk tilstand er flytbarhet, byggbarhet og ekstruderbarhet tre av betongens viktigste egenskaper, mens ved herdet tilstand er de mekaniske egenskaper viktig. For å kunne sjekke disse egenskapene, skal det utvikles 88 resepter. Testmetoder som benyttes er rystebord, sylinder, green strength, penetrometer, ekstrudering og bøy- og trykkfasthet. Testresultater ble analysert ved hjelp av 2D- og 3D-grafer ved bruk av MATLAB og Excel, videre ble testresultatene plottet inn i maskinlæring for å kunne prediktere resultater fra noen utvalgte resepter. Fra testresultatene ble det observert at superplastiserende gir økt flytbarhet og reduserer betongens byggbarhet, mens betongens mekaniske egenskaper ikke påvirkes. Silikastøv minker flytbarheten, mens byggbarheten øker. I tillegg vil betongens mekaniske egenskaper forbedres. LC3 ser ut til å ha samme effekt, hvor flytbarheten minker, samtidig som byggbarheten øker. Men påvirkningen av LC3 på betongens mekaniske egenskaper er synkende. For polypropylen fiber er det slik at flytbarheten reduseres, mens byggbarheten får en stor økning. Denne type fiber har omtrent ingen effekt på betongens mekaniske egenskaper. Resultatet fra maskinlæringen viser gode tall ved bruk av nevralt nettverk metoden. Ved utvikling av komplekse og grundig trening av maskinlæring, kan denne teknologien spille en stor rolle i bestemmelse av materialets egenskaper, uten at gjennomføring av tester på laboratorium er nødvendig.

Concrete has always been the most widely used building material, and there are therefore stricter requirements for its use. There are several research groups today that are implemented to process and further develop 3D printing or additive production of concrete. 3D printing of concrete compared to the traditional construction processes leads to a reduction in costs, material use, while increasing production speed. The purpose of this study is to investigate the following issue "What is the impact of superplasticizer, silicafume, LC3 and fiber on properties for 3D printing of concrete, both in fresh and hardened condition?". As part of this study, machine learning will be used to investigate how well this technology can predict the properties of concrete. Among other things, other properties for fresh and hardened condition than traditional cast concrete are required for 3D printing. In the fresh state, flowability and buildability are two of the most important properties of concrete, while in the hardened state, the mechanical properties are important. In order to check these properties, 88 prescriptions will be developed. The test methods that were used are flow table, cylinder, green strength, penetrometer, flexural- and compressive strength. Test results were analyzed using 2D and 3D graphs using MATLAB. Furthermore, the test results were plotted in machine learning to be able to predict the results from the selected recipes. From the test results, it was observed that superplasticizer provides increased flowability and reduces the buildability of the concrete, while the mechanical properties of the concrete are not affected. Silicafume reduces flowability, while buildability increases. In addition, the mechanical properties of the concrete will be improved. LC3 shows to have the same effect, where the flowability decreases, at the same time as the buildability increases. However, the influence of LC3 on the mechanical properties of concrete is declining. Regards the polypropylene fibers, the flowability is reduced, while the buildability is greatly increased. This type of fiber has almost no effect on the mechanical properties of the concrete. The results from machine learning shows good results using the neural network method. In the development of complex and thorough training of machine learning, this technology can play a major role in determining the properties of the material, without the need for laboratory tests.