15、替代建筑材料的生命周期评估

替代建筑材料的生命周期评估

1. 引言

在过去几十年里,人们对可持续设计的意识不断提高,促使众多研究人员探索建筑材料和技术领域的回收与再利用操作。研究早已证明,使用再生骨料生产可持续材料是可行的。他们尤其关注如何用废料替代常用的原生材料,这种替代有助于减少原材料的使用(原材料日益稀缺)、降低高能耗过程以及减少有害环境的排放,从而改善人类健康和生态系统的福祉。

相关研究涵盖了多种情况,包括使用工业骨料、农业废料、建筑和拆除废物、再生骨料以及由废料制成的轻骨料(LWAs),这些都可部分替代天然骨料。因此,从质量、环境和性能等方面对这些骨料的使用进行全面分析变得愈发必要。

本研究聚焦于通过冷粘结造粒工艺生产轻骨料,所用废料为工业固体废物焚烧产生的粉煤灰和高炉矿渣。冷粘结造粒工艺不仅无气体排放,而且在室温下进行,可显著节省能源消耗。

同时,本研究特别关注生命周期评估(LCA),它能评估所生产轻骨料的环境影响。LCA 这一方法近年来不仅在材料工程行业,还在电动汽车电池、生态设计过程、生物乙醇生产、现代农业纳米技术以及新冠疫情期间药品处理等新兴行业中得到广泛应用。前沿企业运用该方法识别产品生命周期中的各个环节,以适应欧洲的排放法规,使产品更具可持续性和竞争力。

2. 材料与方法
2.1 人造轻骨料

实验在那不勒斯帕特诺佩大学的实验室进行,采用冷造粒工艺,使用三种不同混合物生产轻骨料。粘结系统由以下三种主要成分组成:
- 波特兰水泥(EMC II/A - L 42.5R);
- 城市固体废物焚烧产生的粉煤灰(MSWI):根据欧洲法规,这些材料被归类为危险材料,使用或处置前必须进行预处理。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值