Полное имя отсева: Применение гранитного отсева | Щебень в Москве

Применение гранитного отсева | Щебень в Москве

Не всем известно, что такое гранитный отсев, однако почти все видели его в городах — это и новые детские площадки, отсыпанные именно им, и гранитные дорожки, которыми пронизаны парки и скверы… Чем же так хорош гранитный отсев, где ещё возможно его применение и как он всё-таки выглядит? Прежде всего, обратим внимание на «происхождение» гранитного отсева. Его полное имя звучит как отсев гранитного щебня фракции от 0 до 5 мм. В принципе, он является остаточным материалом, получаемым после дробления и сортировки горной породы на фракции. Тем не менее, отсев играет далеко не «остаточную» роль.

В спектр его применения входит:

• Изготовление железобетонных изделий таких как: стоки, тротуарные плитки и т.п.;
• Применение в качестве реагента для борьбы с гололёдом, совместно с гранитным щебнем более крупного размера;
• Изготовление стеновых материалов;
• Применение в качестве фильтра для технологической очистки воды;

• Изготовление асфальтобетона;
• Производство декоративных и отделочных материалов.

Отдельно стоит отметить использование гранитного отсева в ландшафтных работах, где его применяют в качестве декоративного материала.

Отлично смотрятся дорожки, отсыпанные мраморным или гранитным отсевом. Камешки, размер фракций которых составляет от 5 до 10 мм, замечательно подходят как для обсыпки самих тропинок, так и для обработки швов между бетонными кирпичами и плитками. Отсев, песок, щебень, галька, гравий являются относительно недорогими материалами, при помощи которых можно отделать садовые дорожки. Кроме того, они очень хорошо вписываются в природный ландшафт.

Также при обустройстве дорожек допускается использование других сыпучих материалов, таких как: кирпичная, мраморная или гранитная крошка, крупные опилки или измельчённая древесная кора. Для того чтобы щебень или гравий не расползались, дорожки огораживают бордюром, который может быть изготовлен из досок, кирпичей или бордюрной ленты.

Среди преимуществ последней можно отметить возможность создания любого изгиба дорожки. Дорожки из крошки и щебня хороши тем, что благодаря их водопроницаемости на них после дождя не остаётся луж.

Таким образом, можно сделать вывод, что гранитный отсев является отличным строительным материалом, возможности использования которого допускают его применение как на промышленном уровне, так и для реализации творческих замыслов на вашем загородном участке.

лучшие соотношения и методика изготовления раствора

Бетон из отсева широко используется в строительстве благодаря низкой стоимости компонентов и приемлемому качеству. Разберем пропорции и технологию приготовления такого раствора.

Применение бетонного раствора, приготовленного с использованием отсева щебня – распространенная практика в строительстве. Такой раствор имеет низкую себестоимость, а качества монолита, полученного после застывания бетонной массы, достаточны для решения большинства задач. Разберемся, каковы пропорции компонентов для бетонного раствора из отсева, а также рассмотрим технологию приготовления этого состава.

Применение отсева при приготовлении бетона

В процессе приготовления щебня образуются частицы различного диаметра. После пропускания их через сита образуются различные фракции щебня и отсев – наиболее мелкие частицы, которые нельзя включить ни в одну из фракций. Хотя отсев и не может использоваться вместе со щебнем, он вполне способен заменить песок при приготовлении многих марок бетонного раствора.

Использование отсева выглядит привлекательным в экономическом плане. Однако периодически на строительных форумах попадаются жалобы на низкое качество полученного в результате бетонного монолита. Поэтому перед началом строительных работ многие строители задаются вопросом: стоит ли экономить, или лучше использовать песок и не волноваться за качество готового бетона.

Специалисты говорят, что в ряде случаев использование отсева вместо песка не только возможно, но даже предпочтительно. Такие растворы делают не только в индивидуальном строительстве, но и на централизованном производств в условиях бетонных заводов.

Жалобы на низкое качество, как правило, связаны с одной из трех причин:

• Заведомо завышенные ожидания.
• Ошибка при выборе марки отсева. Здесь причиной может быть неверно подобранный материал, размер частиц или низкое качество наполнителя (большая доля глинистых и пылевых частиц в составе).
• Нарушение технологии приготовления раствора.

Мы приводим таблицу пригодности различных марок отсева для приготовления разных разновидностей бетонных растворов. С ее помощью вы легко поймете, в каких случаях можно взять отсев, а в каких – лучше оставить песок:

Данная таблица имеет рекомендательный характер. Данные могут несколько отличаться, в зависимости от региона. К примеру, отсев диорита, для которого указана низкая пригодность для изготовления бетона, имеет вполне соответствующие прочностные характеристики. Такая оценка ему присвоена из-за высокой цены во многих областях нашей страны.

Достоинства и недостатки по сравнению с песком

Отсев обладает рядом преимуществ по сравнению с песком. Эти особенности делают его отличным выбором в качестве наполнителя для приготовления бетонной массы:

• Отсев является побочным продуктом изготовления щебня или демонтажа старых бетонных конструкций. Это делает его значительно более дешевым материалом, по сравнению с песком. Использование более дешевого наполнителя позволяет снизить себестоимость каждого кубометра раствора, что дает существенную экономию средств при масштабных работах.
• Отсев прочен, хорошо заполняет все пустоты в опалубке, практически не боится перепадов температур. Это положительно сказывается на долговечности бетонного монолита и повышает срок службы готового изделия.
• В приготовленном по технологии отсеве нет глинистых или органических примесей. Содержание пылевых частиц зависит от сорта, но, как правило, также ниже, чем в песке. Кроме того, отсев легче промыть от пыли.

На формирование цены отсева большое влияние оказывает стоимость транспортировки. В зависимости от расстояния от карьера до стройплощадки, а также продуманности решений в области логистики, себестоимость даже высококачественных разновидностей этого наполнителя может оказаться очень низкой.

При этом у отсева некоторых горных пород (к примеру, гранита, диабаза и т.д.) есть ряд специфических особенностей. Прежде всего, гранит, в зависимости от месторождения, может обладать достаточно заметной фоновой радиоактивностью. Чтобы материал соответствовал требованиям безопасности и годился для применения в жилищном строительстве, показатель его радиоактивности не должен превышать значение в 370 Бк/кг.

Вторая особенность – различия в гидрофильности, связанные с кислотностью горной породы. Так, породы с кислой средой (к примеру, гранит), хорошо насыщаются водой и придают бетонной массе плотную однородную структуру. У пород со щелочной реакцией среды (известняк, диабаз) наблюдается гидрофобный эффект. Поэтому к бетонному раствору придется добавлять пластификаторы.

Бетон из отсева и песка: подбираем пропорции

Соотношение компонентов, использованных для приготовления бетонной массы, существенно влияет на ее прочность, долговечность и эксплуатационные характеристики. Классический рецепт подразумевает использование цементного порошка, песка и щебня. Отсев (в зависимости от зернистости) применяют как для замены песка, так и для замены щебня.

Чтобы рассчитать оптимальные соотношения для раствора, в котором отсевом частично заменяется крупный, а частично – мелкий наполнитель, воспользуйтесь приведенной таблицей:

Таблица составлена с расчетом на использование цемента марки М400. Вес цементного порошка берется за единицу, а вес основных компонентов получается перемножением приведенных массовых долей на вес цемента. К примеру, чтобы приготовить 1 куб.м. бетона М200, понадобится:

• Цемента М400 – 286 кг.
• Щебня – 286 кг х 3,9 = 1115,4 кг.
• Песка – 286 кг х 1,7 = 486,2 кг.
• Отсева – 286 кг х 2 = 572 кг.

Вес всех компонентов приведен в расчете на сухое состояние. Вес воды получают, умножив общую массу сухого вещества на 0,2. Для нашего примера понадобится 2459,6 кг х 0,2 = 491,92 кг (или л.) воды.

Для удобства работы полученные значения округляют до целых значений и пересчитывают на ведра.

Раствор без песка: используем только отсев

Для изготовления мелкозернистых разновидностей бетонной массы допускается полная замена как песка, так и щебня на отсев. Раствор, таким образом, состоит только из двух сухих компонентов: цементного порошка и отсева. Пропорции для этого случая приведены в таблице:

Принцип расчета аналогичен предыдущему: берем массу цемента, умножаем ее на долю отсева в выбранной разновидности цементной массы, и получаем массу сухих компонентов. Так, для разновидности М300 потребуется (на 1 куб. м.) 382 кг цемента М400 и 382 кг х 4,5 = 1719 кг отсева. Как и в прошлом случае, масса воды составляет 20% (0,2) от массы сухих компонентов.

Особенности раствора из гранитного отсева

Гранитный отсев получается при дроблении гранитных пластов. Частицы отсева в этом случае обладают высокой твердостью и практически не боятся механической деформации или перепадов температуры.

Гранитная крошка отличается неровными краями, что положительно сказывается на способности связываться с цементом в прочный монолит. Диаметр частиц, как правило, составляет 2-5 мм. Характерная особенность гранитного отсева – красивая естественная окраска (розовая, зеленоватая, серая). Бетонная масса, приготовленная с добавлением гранитного отсева, хорошо подходит для изготовления тротуарной плитки и других декоративных конструкций.

Демонтаж бетонных конструкций, отживших положенное время, также сопровождается образованием отсева. Выделяют как чисто бетонный отсев, так и материал с добавлением крошки кирпича, полученной при демонтаже старой кладки. При низкой себестоимости такого отсева его свойства менее стабильны: во многом они зависят от качества исходного бетонного монолита, а также степени развития процессов его естественного разрушения.

Характеристики конкретной партии бетонной крошки могут отличаться от значений, заявленных производителем. Поэтому использовать раствор на основе бетонного отсева допускается для изготовления изделий, не несущих значительных нагрузок: дорожек в парках, полов в технических помещениях, садовых конструкций и т.д.

Изготовление бетона: технология смешивания

Смешивание больших партий проводят с помощью бетономешалок, поскольку вручную вымешивать раствор трудно. Кроме того, при таком смешивании почти невозможно гарантировать однородность массы. Вот алгоритм работы:

• Цемент и отсев отмеряют согласно ранее сделанным расчетам. Каждый компонент просеивают, чтобы убедиться, что в материале нет камней, мусора и других нежелательных примесей.
• Сухие материалы в заданных пропорциях загружают в бетономешалку и тщательно смешивают.
• Вода добавляется небольшими порциями и тщательно перемешивается. Избыток воды приведет к появлению трещин на монолите, поэтому спешить с ее добавлением не стоит.

Советы профессионалов

Чтобы вы лучше представили себе технологию приготовления раствора из цементного порошка и отсева, мы подготовили несколько полезных видеоматериалов. Эти ролики также содержат полезные советы от опытных строителей по приготовлению бетонного раствора из отсева:

При правильном подборе пропорций и использовании качественных компонентов бетонный раствор, замешанный с применением отсева, не уступит традиционной цементно-песчано-щебеночной смеси. При этом достигается существенная экономия средств, что делает применение отсева в строительстве оправданным решением. Удачи в работе!

Наводим порядок на участке — 2 Июля 2012

2009-08-06 12:21:24

Начало сезона благоустройства участка, прилегающего к дому, в полном разгаре. 1-ое, за что берутся обладатели — наводят “макияж”, так сказать, на лицевой поверхности собственного надела. 1-ая задачка, которую предстоит решить избавиться от мусора и избавиться от образовавшихся впадин, ям и, как большая часть из нас постоянно говорит, тому схожих косметических заморочек. Как нельзя кстати здесь придутся сыпучие материалы типа щебня. Наш совет относительно их внедрения такой…

Сыпучие материалы помогают обустроить сад.

Итак, каменные сыпучие материалы (их еще, вообщем то, именуют отсев) используются фактически при благоустройстве, как мы привыкли говорить, хоть какого земляного участка, который интенсивно употребляется. В том числе таковой материал неплох при устройстве дорожек. Мало кто знает то, что но обо всем по порядку.

Полное имя отсева — отсев каменного и гранитного щебня с фракцией от 5 мм. Практически — это остаточный материал при дроблении горных пород и сортировки их на разные фракции. Но роль отсева далековато не “остаточная”. Диапазон внедрения его довольно широкий от производства железобетонных изделий (стоки, тротуарные плитки) до мощения дорожек и создание частей ландшафтного дизайна. Кстати, на последнем нюансе мы бы желали тормознуть чуток подробнее.

Следует направить внимание на дорожки из мраморного либо гранитного отсева. При всем этом камни фракцией 5—10 мм употребляются как раздельно для тропинки, так и для заделки швов меж бетонными плитками либо кирпичами. Отсев, гравий, галька, щебень, песок относительно дешевые покрытия для садовых дорожек и очень успешно вписывающиеся в “деревенские ландшафты.

Во сколько обойдется частнику” доставка щебня?

Артур КУПРИЯНОВ, директор компании Arli Auto:

— Доставка щебня в маленьких объемах, в границах Риги и Рижского района обойдется в 15 лат за кубометр совместно с транспортировкой. Но следует учесть, что малый объем заказа при всем этом составляет 10 кубометров.

Для сотворения дорожек может быть внедрение и других сыпучих материалов: кирпичной, гранитной и мраморной крошки, размельченной древесной коры, больших опилок. Щебень либо гравий могут расползаться, потому дорожки огораживают бордюром — досками, кирпичами, или специальной бордюрной лентой, которая позволяет сделать хоть какой извив у дорожки. Главное преимущество дорожек из крошки и щебня — их водопроницаемость: после дождика на их не как раз остается луж.

Таким макаром сыпучие материалы так сказать заслуживают, чтоб на их направили внимание и использовали как можно обширнее — в особенности в творчестве на собственном земляном участке.

Заказать отсев щебня В-Пышма

Соблюдение Вашей конфиденциальности важно для нас. По этой причине, мы разработали Политику Конфиденциальности, которая описывает, как мы используем и храним Вашу информацию. Пожалуйста, ознакомьтесь с нашими правилами соблюдения конфиденциальности и сообщите нам, если у вас возникнут какие-либо вопросы.

Сбор и использование персональной информации

Под персональной информацией понимаются данные, которые могут быть использованы для идентификации определенного лица либо связи с ним.

От вас может быть запрошено предоставление вашей персональной информации в любой момент, когда вы связываетесь с нами.

Ниже приведены некоторые примеры типов персональной информации, которую мы можем собирать, и как мы можем использовать такую информацию.

Какую персональную информацию мы собираем:

• Когда вы оставляете заявку на сайте, мы можем собирать различную информацию, включая ваши имя, номер телефона, адрес электронной почты и т.д.

Как мы используем вашу персональную информацию:

• Собираемая нами персональная информация позволяет нам связываться с вами и сообщать об уникальных предложениях, акциях и других мероприятиях и ближайших событиях.
• Время от времени, мы можем использовать вашу персональную информацию для отправки важных уведомлений и сообщений.
• Мы также можем использовать персональную информацию для внутренних целей, таких как проведения аудита, анализа данных и различных исследований в целях улучшения услуг предоставляемых нами и предоставления Вам рекомендаций относительно наших услуг.
• Если вы принимаете участие в розыгрыше призов, конкурсе или сходном стимулирующем мероприятии, мы можем использовать предоставляемую вами информацию для управления такими программами.

Раскрытие информации третьим лицам

Мы не раскрываем полученную от Вас информацию третьим лицам.

Исключения:

• В случае если необходимо — в соответствии с законом, судебным порядком, в судебном разбирательстве, и/или на основании публичных запросов или запросов от государственных органов на территории РФ — раскрыть вашу персональную информацию. Мы также можем раскрывать информацию о вас если мы определим, что такое раскрытие необходимо или уместно в целях безопасности, поддержания правопорядка, или иных общественно важных случаях.
• В случае реорганизации, слияния или продажи мы можем передать собираемую нами персональную информацию соответствующему третьему лицу – правопреемнику.

Защита персональной информации

Мы предпринимаем меры предосторожности — включая административные, технические и физические — для защиты вашей персональной информации от утраты, кражи, и недобросовестного использования, а также от несанкционированного доступа, раскрытия, изменения и уничтожения.

Соблюдение вашей конфиденциальности на уровне компании

Для того чтобы убедиться, что ваша персональная информация находится в безопасности, мы доводим нормы соблюдения конфиденциальности и безопасности до наших сотрудников, и строго следим за исполнением мер соблюдения конфиденциальности.

автореферат диссертации по строительству, 05.23.05, диссертация на тему:Бетоны на основе отсева щебеночных заводов

Автореферат диссертации по теме «Бетоны на основе отсева щебеночных заводов»

На правах рукописи

Пахрудинов Исмаил Пирмагомедович

БЕТОНЫ НА ОСНОВЕ ОТСЕВА ЩЕБЕНОЧНЫХ ЗАВОДОВ

Специальность 05. 23.05 — Строительные материалы и изделия

АВТОРЕФЕРАТ диссертация на соискание ученой степени кандидата технических наук

Ростов-на-Дону — 2006

Работа выполнена на кафедре «Изыскания, проектирование и строительство железных дорог» государственного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» Росжелдор

Зашита диссертации состоится «16» мая 2006 года в 13ю на заседание диссертационного совета Д212.207.02 в Ростовском государственном строительном университете по адресу: 344022, г. Ростов-на-Дону, ул. Социалистическая, 162, корпус 1, ауд. 232

С диссертацией можно ознакомиться в библиотеке Ростовского государственного строительного университета

Автореферат разослан «11» апреля 2006

Научный руководитель:

доктор технических наук, профессор Курочка Павел Никитович

Официальные оппоненты:

доктор технических наук, профессор заслуженный работник ВШ РФ Ахматов Муса Ахмятович кандидат технических наук, доцент Ткаченко Геннадий Алексеевич

Ведущая организация:

Дагестанский государственный технический университет

Ученый секретарь диссертационного совета Д212.207.02

доктор технических наук, профессор у! * Л.В. Моргун

¿2 ооЬк

Актуальность работы. В условиях сложившихся экономических отношений рынок строительных материалов нуждается в конкурентоспособной продукции относительно низкой стоимости. Такая продукция может быть получена на основе техногенного сырья различных отраслей промышленности. К указанному сырью относятся отсевы дробления, образующиеся ежегодно на предприятиях по производству щебня и составляющие в настоящее время 28-35 млн. м3. Отсев щебеночных заводов частично находит применение в качестве оснований при устройстве автомобильных дорог и изготовлении асфальтобетонных смесей, в сухих строительных смесях, при выпуске тонкой и грубой керамики, а также огнеупорных материалов. Применение отсевов щебня в производстве бетонов сдерживается высоким содержанием пылевидных частиц (18-25%).

На отдельных предприятиях с помощью специализированных комплексов производится классификация отсевов по фракциям. Однако эта технология является весьма энергоемкой. В настоящее время перед научными школами ставится задача комплексного изучения отсевов дробления различных пород с целью широкого их применения в строительстве.

Госстрой России и РНТО строителей на заседаниях круглого стола «Переработка отсевов дробления и перспективные отрасли применения материалов из отсевов», показали высокую актуальность этого вопроса.

Работа выполнена согласно Федеральной целевой программе «Экология и природные ресурсы России» на 2002-2010 годы (Решение правительства Российской Федерации от 22.09.2002 № МК-П9-26159) и плану НИОКР-МПС-2002.

Целью диссертационной работы является научное обоснование возможности применения при изготовлении мелкозернистых бетонов отсевов щебня без их предварительного обогащения!——

рос. национальная

. ппцпипАЛ1»КДЯ I

библиотека i

Дня решения поставленной задачи необходимо было выполнить комплекс следующих научных исследований:

— изучить физико-механические свойства отсевов дробления горных пород на предприятиях Южного федерального округа;

исследовать физико-химические процессы, определяющие водоудерживающую способность различных фракций отсевов;

исследовать механизм действия гидрофобизирующих и гидрофилизирующих добавок на водопотребность мелкозернистых бетонных смесей из отсевов дробления различных горных пород;

— изучить факторы, определяющие водоредуцирующий эффект суперпластификаторов в мелкозернистых бетонных смесях из отсевов дробления;

— разработать и исследовать комплексную добавку для мелкозернистого бетона из отсевов;

— разработать и исследовать комплекс механоактивационных процессов для получения мелкозернистых бетонов из отсевов дробления горных пород без их фракционирования и обогащения;

— исследовать свойства мелкозернистого бетона из отсевов дробления.

Научная новизна работы

1. Установлено, что водоудерживающая способность пылевидной и песчаной фракций отсевов дробления различных пород определяется теплотой адсорбции воды на поверхности дисперсных частиц, которая возрастает с увеличением содержания оксида кремния в горной породе. Водоудерживающая способность зерен щебня, содержащихся в отсеве, определяется их водопоглощением.

Предложена зависимость для расчета водотвердого отношения цементно-пылевых паст и мелкозернистых бетонных смесей на основе отсевов с учетом химического состава горной породы.

2. Комплексная добавка, состоящая из С-3 и глицерина, на 75%

повышает прочность цементно-пылевидного камня, содержащего пыль отсевов дробления пород с высоким содержанием оксида кремния, что обусловлено повышением растворимости оксида кремния в адсорбционносвязанной воде и повышением растворимости гидроксида кальция в присутствии глицерина, приводящих к образованию низкоосновных гидросиликатов кальция, упрочняющих цементно-пылевидный камень.

3. Механоактивация при раздельном перемешивании компонентов и поличастотном виброуплотнении мелкозернистых бетонных смесей на основе отсевов дробления позволяет получить бетон с достаточно высокими прочностью (25-30 МГТа), плотностью, морозостойкостью, устойчивостью к истирающим нагрузкам и воздействию антигололедного компонента.

4. Установлено, что водоредуцирующий эффект суперпластификатора С-3 зависит от водоудерживающей способности отсевов дробления, возрастая при её уменьшении.

Практическая ценность

1. Выявлена связь между водоудерживающей способностью отсевов дробления горных пород и подвижностью мелкозернистых бетонных смесей, приготовленных на их основе.

2. Предложена зависимость для расчета водотвердого отношения в мелкозернистых бетонных смесях, учитывающая вид горной породы и её водоудерживающую способность.

3. Разработана комплексная добавка на основе суперпластификатора С-3 и глицерина, позволяющая получить мелкозернистые бетоны прочностью 25-30 МПа из отсевов, содержащих пылевидную фракцию.

4. Разработаны технологические основы механоактивации мелкозернистых бетонных смесей из отсевов дробления, включающие раздельное перемешивание компонентов и поличастотное виброуплотнение. Мелкозернистые бетоны, изготовленные по указанной технологии, имеют

прочность 25-30 МПа, морозостойкость F75 — F100, сцепление с арматурой 1,24 МПа, достаточно высокую коррозионную стойкость.

5. Разработаны рекомендации по изготовлению мелкозернистых бетонов из отсевов дробления различных пород. Опытное внедрение показало эффективность результатов диссертационной работы.

Достоверность результатов, основных научных положений и выводов обоснована применением комплекса физико-химических и механических методов анализа в соответствии с требованиями ГОСТов и научных методик. Научные выводы не противоречат основополагающим теоретическим положениям. Научно-практические рекомендации подтверждены результатами лабораторных и опытно-промышленных испытаний. Автор защищает:

— результаты физико-механических испытаний отсевов дробления пород из месторождений Федерального округа;

— теоретические и экспериментальные результаты исследования влияния сорбционной способности дисперсных частиц на водопотребность мелкозернистых бетонных смесей;

— обоснование механизма действия компклесной добавки «С-З+глицерин» в мелкозернистых бетонных смесях на основе отсевов дробления;

— влияние методов механоактивации (раздельное перемешивание и поличастотное виброуплотнение) на физико-механические свойства бетона;

— научно-практические рекомендации по изготовлению мелкозернистых бетонов из отсевов дробления различных горных пород.

Апробация работы

Основные результаты выполненных исследований докладывались и обсуждались на Всероссийской научно-практической конференции «Транспорт-2005» (г. Ростов-на-Дону) и Международной научно-практической конференции «Строительство-99» (г. Ростов-на-Дону)

Публикации

По теме диссертации опубликовано 5 печатных работ общим объемом 0,8 пл.

Структура и объем работы

Диссертация состоит из введения, шести глав, общих выводов, списка использованной литературы и приложений. Включает 153 страницы машинописного текста, 17 рисунков, 30 таблиц и 137 наименований литературы.

Основное содержание работы

В настоящее время проблема утилизации побочных продуктов промышленных производств остается актуальной задачей. Ежегодно предприятия сбрасывают в отвалы огромное количество отходов, которые занимают плодородные земли, загрязняют окружающую среду и, в целом, наносят непоправимый экологический урон.

На основе исследований научных школ С.Н. Алексеева, Ю.М. Баженова, В.Г. Батракова, Ю.М. Бута, Г.И. Горчакова, Ф.М. Иванова, В.М. Москвина, О.П. Мчедлова-Петросяна, П.Г. Комохова, В.Б. Ратинова, П.А. Ребиндера, Т.И. Розенберг, Л.Б. Сватовской, В.И. Соломатова, П.Р. Таубе, Б.Д. Тринкера, М.И. Хигеровича, C.B. Шестоперова, В.И. Юнга, Д. Бернала, С. Брунауэра, И. Охома, Т. Пауэрса, В. Рамачандрана и многих других Российских и зарубежных ученых разработаны теоретические основы, методология и технология использования отходов в производстве строительных материалов и изделий.

Для построения рабочей гипотезы о возможности изготовления прочных мелкозернистых бетонов из отсевов дробления горных пород изучены и проанализированы результаты следующих научных направлений.

По данным O.E. Харо и других авторов основным препятствием для использования отсевов переработки горных пород в технологии бетонов

является повышенное содержание в их составе пылевидных частиц (менее 0,16 мм), достигающее 18-25 %.

В то же время рядом исследователей установлено положительное влияние тонкодисперсных минеральных наполнителей разнообразной природы на физико-механические свойства цементного камня, сформулированы теоретические основы влияния микронаполнителей на цементную матрицу. Основными физико-химическими процессами при этом являются: появление дополнительных центров кристаллизации; повышение поверхностной энергии мелкодисперсных частиц и реализация этой энергии в реакциях гидратации; более полная кристаллизация цементного вяжущего.

Однако при этом отмечено, что тонкодисперсные наполнители повышают водопотребность паст, содержащих цемент и тонкодисперсные минеральные наполнители.

Ю.М. Баженовым разработаны положения структурной теории бетонов с техногенными отходами, согласно которой одним из факторов, определяющих свойства бетона, является водотвердое отношение (В/Т), в котором В представляет собой сумму водопотребности заполнителя и количества воды, необходимой согласно нормальной густоте цемента.

Структурно-механические и реологические свойства дисперсных систем определяются целым рядом факторов: форма и размер частиц дисперсной структуры; объемная концентрация воды; толщина пленок и свойства связанной воды на дисперсных частицах; смачиваемость частиц и др.

Отсевы щебня содержат в большом количестве мелкодисперсные частицы, поверхность которых обладает различными сорбционными свойствами по отношению к воде (химический и минералогический состав горных пород, из которых образован отсев). В связи с этим необходимо исследовать водопотребность отсевов, что позволит определить пути подбора составов мелкозернистых бетонов на их основе.

По данным Б.Г. Печеного пылевидная фракция снижает адгезионные

связи между поверхностью заполнителя и цементного камня, т.е. снижает прочность бетона. В то же время исследованиями Ю.М. Баженова и А.Е. Шишкина показано, что если частицы пыли механически не связаны с поверхностью песка или гравия, то они не оказывают влияния на прочность бетона, а при введении добавок даже повышают её. В диссертационной работе была поставлена задача исследовать влияние пылевидной фракции отсевов щебня на прочность цементной матрицы и изучить возможность ее повышения пластифицирующими добавками гидрофобного и гидрофильного действия.

Наряду с применением добавок одним из малоэнергоемких способов повышения прочности бетона является химическая, физическая и механическая активация процессов взаимодействия минералов цементного клинкера с водой и заполнителями и формирования структуры цементной матрицы.

На основании обзора и анализа методов механоактивации вяжущих и смесей на их основе поставлена задача разработать механоактивационную технологию изготовления мелкозернистых бетонов из отсевов щебня различных горных пород.

При проведении исследований в качестве исходных материалов были приняты ПЦ 500 ДО ОАО «Новоросцемент», отсевы щебня 24 заводов Южного Федерального округа, гидрофобиопластифицирубщие (кремнийорганическая жидкость 136-41 (быв. ГКЖ-94) и раствор стеарата натрия) и диспергирующие (пластификаторы С-3, 81кашеп1 и Линамикс Р73-1) добавки.

Отсев щебня карьеров и заводов ЮФО получен из следующих исходных горных пород: песчаник, известняк, диорит, сиенит, гранит, кварцит.

При испытании отсевов установлено, что в своем составе они содержат пыль (частицы менее 0,14 мм) в количестве 7,1% — 19,4% песок — 67,3% -

68,5% и щебень (фракции 5-10 мм) — 12,1% — 25,6%. Содержание пыли в отсеве возрастает с уменьшением прочности исходной горной породы. Гранулометрический состав песка, содержащегося в отсеве, незначительно отличается от стандарта пониженным содержанием зерен 0,315 — 0,63 мм и 0,63 — 1,25 мм. Форма зерен щебня из отсевов близка к кубовидной, а прочность колеблется в пределах 800 — 1400 (по дробимости).

Регулирование свойств уплотняющихся систем возможно за счет оптимизации реологических параметров. Комбинация дисперсных компонентов должна при затворении водой обладать максимальной водоудерживающей способностью и оптимальной вязкостью, не позволяющей крупным зернам перемещаться в тесте вяжущего без его деформации. При нарушении этого принципа возникает расслоение смеси.

Водоудерживающая способность смеси дисперсных частиц определяется водоудерживающей способностью их отдельных фракций или компонентов. Методом центрфигурирования изучена водоудерживающая спосбность песчанных и пылевидных фракций отсевов щебня. Анализ полученных результатов (табл. 1) показал следующее. Пустотность песчаной фракции отсевов изменяется от 42% до 54% (если принять 42% за единицу, то интервал изменения составит от 1,0 до 1,28). Удельная поверхность песчаной фракции изменяется от 82 см2/г до 146 см2/г (интервал изменения от 1,0 до

1,78).

Количество связанной воды (после центрифугирования) частицами песчаной фракции составляет от 0,0068 г/г до 0,0185 г/г, т.е. изменяется в более широком интервале (от 1,0 до 2,72). Следовательно количество воды, удерживаемой изучаемыми дисперсными структурами, зависит не только от их гранулометрического состава и развитости поверхности, но и от других факторов.

Согласно теоретическим положениям П.А. Ребиндера вода, удерживаемая дисперсной структурой, состоит из воды механически связанной с твердым

Таблица 1

Водоудерживающая способность отсевов щебеночных заводов

Исходная горная порода Фракция отсева Плотность S, г/см2 Насыпная объемная масса пп, г/см5 Пустотность % Количество связанной воды (после центрифугирования), г/г Удельная поверхность So, см2/г Условная толщина пленок связанной воды 8, м

Песчаник песчаная 2,53 1,47 42 0,0185 146 12,7 *10″5

пылевидная 2,41 2,01 17 0,217 1540 1,44*10″°

Известняк песчаная 2,39 1,17 51 0,0073 104 7,1*10″‘

пылевидная 2,27 1,79 21 0,154 1310 1,17*10″»

Диорит песчаная 2,88 1,32 54 0,068 82 8,4*10″‘

пылевидная 2,81 2,22 21 0,153 1270 1,20*10″6

Сиенит песчаная 2,71 1,54 43 0,0117 135 8,7*10″5

пылевидная 2,63 2,13 19 0,168 1430 1,46*10″»

Гранит песчаная 2,64 1,42 46 0,0122 128 9,6*10″‘

пылевидная 2,55 2,06 19 0,173 1420 1,22*10″»

Кварцит песчаная 2,87 1,49 48 0,0142 116 12,3*10″‘

пылевидная 2,79 2,25 19 0,192 1380 1,39*10″»

телом (удерживаемой капиллярными силами) и воды, удерживаемой физико-химическими связями (полем сорбционных сил в моно- и полимолекулярных слоях.). По данным Ю.В. Шулепова энергию взаимодействия молекул воды с центрами различной энергетической активности определяют значения внутренней энергии адсорбции. Чем выше эта энергия, тем больше молекул воды участвует в заполнении адсорбционного слоя, т.е. чем выше энергия адсорбции (теплота адсорбции), тем выше плотность и количество адсорбента на поверхности адсорбата. С целью изучения влияния энергии взаимодействия на водоудерживаюшую способность дисперсных структуру была определена теплота адсорбции воды на дисперсных частицах из отсевов дробления горных пород, в состав которых входят в основном оксиды кремния, кальция и алюминия. Полученные при этом данные показали, что чем выше водоудерживающая способность частиц горной породы, тем больше теплота адсорбции воды на их поверхности (рис. 1). Кроме того, с повышением содержания Si02 в исходной горной породе водоудерживающая способность дисперсных структур увеличивается.

Таким образом, вследствие развитой поверхности и высокой энергетической активности отсевы щебеночных заводов обладают большой водопотребностью (водоудерживающей способностью), что необходимо учесть при подборе составов мелкозернистых бетонных смесей.

Исследована возможность снижения водопотребности заполнителей, путем изменения свойств поверхности дисперсных частиц гидро- или олеофобизацией. В качестве гидрофобизатора изучена натриевая соль стеариновой кислоты (стеарат натрия). Частицы песчаной и пылевидной фракции отсева кварцевого щебня обрабатывали 10 %-ным спиртовым раствором стеарата натрия, интенсивно перемешивали с водой, а затем отстаивали. При наблюдении за оседанием суспензий было установлено следующее. Частицы песчаной фракции оседали быстро. После их осаждения объемных изменений твердой фазы не наблюдалось. Частицы пылевидной

фракции оседали значительно медленнее. После их полного осаждения наблюдается изменение объема твердой фазы, которой на 27-30% превышает исходный объем пылевидной фракции (в сухом состоянии). Наблюдаемое изменение объема объясняется образованием коагуляционных структур. После осаждения суспензий свободная вода отфильтровывалась, а дисперсные структуры подвергались центрифугированию с последующим определением количества связанной воды. Полученные результаты показали, что количество связанной воды как песчаной, так и пылевидной фракциями уменьшается на 2530 %. Однако предварительная гидрофобизация приводит к агрегатированию частиц пылевидной фракции отсева.

£ 100

90

80

| 70 п

<2„ ся

г во

I

§ 50

о

U

кварци!

гранит

1 — водоудерживающая способность песчаной фракции отсева

2 — водоудерживающая способность пылевидной фракции отсева

3 — теплота адсорбции воды на дсиперсных частицах горных пород

0,1 „ ,0,2 Водоудерживающая способность, г/г

19 20 21 22 23 24 25 26 27 28 29 Теплота адсорбции воды, ккап/моль

Рис. 1 Зависимость теплоты адсорбции и водоудерживающей способности

от содержания 3 ‘Ю2 в исходной тонной породе

В качестве гидрофилизатора изучен глицерин, представляющий собой трехатомный спирт: СНгОН — СНОН — СНгОН.

При исследовании процессов седиментации взвесей, изготовленных путем перемешивания пылевидных фракций щебеночных отсевов с водой и

водными растворами глицерина установлено, что объем осадков в воде практически одинаков и на 14 % — 20 % превышает объем твердой фазы в сухом состоянии. Это свидетельствует об образовании агрегатных систем. Суспензии пылевидных фракций в растворах глицерина при осаждении расслаиваются быстрее. Объем их осадков меньше по сравнению с водными суспензиями. Причем конечный объем осадков для разных горных пород различен. Так, например, отсев из кварцита в осадке имеет приращение объема 14% (по сравнению с объемом в сухом состоянии), а отсев из известняка- всего лишь 1,5%. Это обусловлено тем, что молекулы БЮг не является центрами адсорбции многоатомных спиртов, в том числе и глицерина.

Эффект гидрофилизации и диспергирования твердых частиц в суспензиях наиболее ярко выражен при концентрации глицерина в водном растворе 6-7%.

Водоудерживающая способность отсевов горных пород с низким содержанием 8Юг при гидрофилизации поверхности их частиц адсорбированными молекулами глицерина уменьшается в 1,25-1,4 раз. В то же время водоудерживающая способность отсевов пород с высоким содержанием 810г уменьшается весьма незначительно.

Следующим шагом исследований было изучение физико-механических свойств цементного камня, матрица которого содержала пылевидную фракцию отсевов дробления горных пород. Прежде всего определена возможность подбора равноподвижных смесей «цемент + пылевидная фракция отсева +вода».

Установлено, что при добавлении к цементу 5-10% от его массы пылевидной фракции отсева нормальная густота смеси практически не изменяется ( по сравнению с чистым цементом). При увеличении содержания пылевидной фракции (более 10% от массы цемента) водопотребность смеси изменяется, т.е изменяется нормальная густота. Количества пленочной воды в отсеве не достаточно для обеспечения его заданной подвижности (т.е нормальной густоты при смешивании с цементом). В то же время водопотребность пылевидной фракции отсева соответствует значениям

водоудерживакмцей способности, а количество воды, добавляемое в пылевидную фракцию практически не зависит от вида горной породы и водоудерживакмцей способности.

При введение в цементно-пылевидное тесто пластифицирующих добавок установлено, что гидрофобно-пластифицирующие добавки (стеарат натрия и КЖ-136-41) уменьшают водотвердое отношение на 13-18 %.

Глицерин уменьшает содержание воды в равноподвижном тесте на 10-13 %.

Суперпластификаторы обладают высоким водоредуцирующим действием и снижают водопотребность смеси на 38-42 %.

При исследовании влияния пыли горных пород на свойства цементной матрицы показано, что прочность цементного камня, содержащего пылевидную фракцию отсевов, снижается. В наибольшей степени (на 33% при содержании пыли 20% от массы цемента) снижается прочность цементного камня, содержащего пыль известняка, в наименьшей (на 22%) -пыль кварцита (рис. 2). Снижение прочности цементно-пылевого камня объясняется тем, что несмотря на уменьшение водотвердого отношения (В/Т) в цементно-пылевых пастах, водоцементное отношение (В/Ц) возрастает. Наименьшее снижение прочности отмечено в цементном камне с пылью кварцита, что объясняется наличием большого количества активных кислотных центров на поверхности частиц кварцита и его более высокой орбитальной элетроотрицательностью. Кварцевый заполнитель проявляет активность по отношению к цементу вследствие способности адсорбировать гидроксид кальция с образованием низкоосновных гидросиликатов кальция.

Добавки КЖ-136-41 и глицерина повышают прочность цементного камня на 10-15 %, добавка суперпластификатора С-3 позволяет получить прочность цементного камня, содержащего 20 % пылевидной фракции отсевов, практически такую же, как и цементного камня без отсевов.

Если сравнить воздействие на прочность цементного камня и водоредуцирующий эффект глицерина и КЖ-13 6-41, то становится очевидным, что глицерин в меньшей степени снижает водопотребность цементнопылевидного вяжущего (для всех горных пород) по сравнению с гидрофобно-пластифицирующей добавкой КЖ-136-41. Однако прочность цементного камня, содержащего пылевидную фракцию отсевов, с добавкой глицерина выше, чем с добавкой КЖ-136-41.

Рис. 2 Зависимость прочности цементного камня от содержания пылевидной фракции отсевов

Это обусловлено тем, что многоатомные спирты повышают растворимость гидроксида кальция и по данным ренгеноструктурного анализа способствуют образованию в цементном камне низкоосновных гидросиликатов кальция типа С8Н, приводящих к его упрочнению.

На основании этих результатов разработана комплексная добавка, состоящая из суперпастификатора С-3 (0,5% от массы твердого вещества) и глицерина (1%) которая повышает прочность цементно-пылевидного камня (с пылью кварцита) на 18% по сравнению с его прочностью только с

добавкой С-3 (1%) и на 75% по сравнению с его прочностью без химических добавок.

На основании результатов, полученных при изучении водоудерживающей способности пылевой, песчаной и щебеночной фракции отсевов, предложена формула для определения водотвердого отношения в мелкозернистых бетонных смесях равной подвижности

В = НГцЦ + \¥плПл + \¥ПсП + \УщЩ, (1)

где: НГЦ — нормальная густота цемента; \Упл, >Упс и >УЩ — водоудерживающая способность пылевидной, песчаной и щебёночной фракций отсевов; Ц, Пл, П« и Щ — массы цемента, пылевидной, песчаной и щебеночной фракций отсевов в мелкозернистой бетонной смеси.

Предварительными исследованиями (рис. 3) было установлено что без дополнительных технологических приемов не представляется возможным получить бетон прочностью выше 25 МПа при содержании отсева более 1,5:1 (отсев: цемент).

С целью повышения прочности мелкозернистых бетонов из отсевов исследован метод механоактивации бетонных смесей, заключающийся в двухэтапном раздельном перемешивании компонентов:

1 — перемешивание отсева с 2/3 необходимого количества воды затворения; 2 — перемешивание с добавлением цемент и 1/3 воды.

Раздельное перемешивание компонентов (механоактивация) приводит к увеличению прочности мелкозернистого бетона на 8 — 24 %. Прирост прочности зависит от содержания пылевидной фракции в отсеве и практически не зависит от вида горной породы, из которой образован отсев.

Механизм действия принятого способа механоактивации объясняется следующим. При перемешивании отсева и воды мелкодисперсные пылевидные частицы переходят в водную фазу, образуя взвеси, и весьма медленно осаждаются на твердых поверхностях, в нашем случае на поверхности зерен песка и щебня. При добавлении в систему цемента и

ее перемешивании частицы цемента также находятся во взвешенном состоянии в воде и распределяются между частицами цемента. Следовательно, пылевидные частицы включаются в цементную матрицу и не образуют прослоек между цементным камнем и зернами песка и щебня.

Рис. 3 Прочность бетонных образцов с различным содержанием отсевов

Наряду с раздельным перемешиванием компонентов весьма эффективным оказался метод механоактивации, заключающийся в поличастотном виброуплотнении, согласно которому на бетонную смесь воздействует дополнительный вибровозбудитель, частота которого составляет 133 Гц, а основного вибратора — 48 Гц. Прочность мелкозернистого бетона, изготовленного при поличастотном виброушготнении смеси, возрастает на 20-35 %.

Совместное применение методов механоактивации мелкозернистых бетонных смесей (двухстадийное перемешивание компонентов и поличастотное виброуплотнение) позволяет получить на основе отсева

щебня (без его обогащения) мелкозернистый бетон с прочностью от 25МПа (Ц: О = 1:2,5) до ЗОМПа (Ц: О = 1:2,0).

Введение в мелкозернистые бетонные смеси на основе отсевов щебня суперпластификатора С-3 (1% от массы цемента) способствует снижению их водопотребности и повышению прочности. Прочность составов 1:2 (Ц:0) увеличивается на 14-16%, а составов 1:2,5 на 12,-15%. Какого-либо влияния вида горной породы, из которой образован отсев, на эффект повышения прочности при этом не установлено.

Определенный научный интерес представляют полученные данные по повышению прочности мелкозернистого бетона при введении в бетонную смесь комплексной пластифицирующей добавки, состоящей из суперпластификатора С-3 (0,5% от массы цемента) и глицерина (1% от массы цемента). Водоредуцирующий эффект этой добавки ниже по сравнению с суперпластификатором С-3 при его количестве, составляющем 1% от массы цемента. Так, например, при равной подвижности бетонной смеси снижение количества воды затворения при использовании отсева песчаника составляет: при 1% от Ц суперпластификатора С-3 — 20%, а при комплексной добавке (0,5% С-3 и 1% глицерина) — 16%. В то же время прочность мелкозернистого бетона с добавкой С-3 составляет 24,9 МПа, а с добавкой С- 3 и глицерина — 26,0 МПа.

Наибольший эффект повышения прочности при введении в мелкозернистую бетонную смесь глицерина наблюдается в смесях с отсевом кварцита, содержащего 80-90% 8Ю2. Прочность бетона на основе отсева кварцита при соотношении Ц: О 1:2 составляет 33,6 МПа, а 1:3 — 28,5 МПа.

Весьма эффективной оказалось технология, заключающаяся в раздельном перемешивании компонентов, и введении пластифицирующей добавки с 1/3 воды затворения на второй стадии перемешивания. Прочность мелкозернистого бетона при указанной технологии составляет 25-30 МПа (Ц:0 = 1,25).

Физико-механические свойства мелкозернистого бетона изучены на образцах, изготовленных по следующим рекомендуемым технологиям:

1. Механоактивация (раздельное перемешивание) и поличастотное виброуплотнение бездобавочных мелкозернистых бетонных смесей.

2. Механоактивация (раздельное перемешивание) мелкозернистых бетонных смесей с добавкой суперпластификатора С-3 (1% от массы цемента). Добавка вводится на втором этапе перемешивания.

3. Механоактивация (раздельное перемешивание) мелкозернистых бетонных смесей с добавкой суперпластификатора С-3 (0,5% от массы цемента) и глицерина (1% от массы цемента). Введение добавки на втором этапе перемешивания.

Результаты исследований (табл. 3) показали следующее.

Водопоглощение мелкозернистого бетона, изготовленного на основе отсевов песчаника и известняка, составляет 7-8%. Его структура характеризуется достаточно крупными порами (Я = 1,7-2,1) неоднородными по размеру (а = 0,5). Мелкозернистый бетон на основе отсевов гранита и кварцита имеет более плотную структуру с менее развитой поровой поверхностью. Его водопоглощение 5,1 -6,4%, поры более мелкие (А =0,75 -1,2), но также неоднородные по размеру (а= 0,5). Показатель удельной поверхности этого бетона меньше, по сравнению с бетоном на песчанике и известняке. В то же время по параметрам поровой структуры и по водопоглощению мелкозернистый бетон на основе отсевов щебня близок к мелкозернистым бетонам на стандартных песках. Истираемость бетона на основе песчаника и известняка составляет 1,2-1,5 г/см2, а на основе гранита и кварцита 0,5-1,3 г/см2. Морозостойкость мелкозернистого бетона из отсевов песчаника и известняка составляет F75, а из гранита и кварцита F100.

Величина сцепления мелкозернистого бетона с арматурной сталью составляет 1,24 МПа. Наличие пылевидной фракции в мелкозернистой бетонной смеси практически не оказывает влияния на величину сцепления.

Физико-механические свойства мелкозернистых бетонов на основе отсевов щебня Таблица 3

№ Наимено- Соотно- В/Ц Содержание Механоактивация Прочность Параметры поровой Водопог Истира- Морозо-

сос- вание шение добавки, % от Ц при сжатии, струтуры лощение емость, стой-

тава горной породы компонен товЦ О МП а, в возрасте 28 суток % по массе г/см2 кость, цикл

С-3 глицерин Поличастотное виброуплотнение Раздельное перемешивание Я а So

1 2 3 4 S fi 7 Я 9 10 11 12 13 14 15

1 Песчаник 1:2 0,442 + + 30,5 1,76 0,57 9,58 8,08 1,29

2 _//_ 1 :2 0,367 1 — + 30,1 1,81 0,59 9,16 8,11 1,96

3 -II- 1:2 0,378 0,5 1 — + 30,9 1,72 0,59 9,02 7,98 1,18 F 75

4 -II- 1 :2,5 0,527 — + + 26,8 1,95 0,61 11,01 8,81 1,46

5 1 :2,5 0,453 1 — + 25,4 1,83 0,62 12,54 8,76 1,41

б 1 :2,5 0,476 0,5 1 — 26,3 2,12 0,64 12,13 8,18 1,97

7 Известняк 1:2 0,396 — + + 33,9 1,27 0,52 7,62 7,69 1,11

8 1:2 0,309 1 — + 31,9 1,22 0,52 7,14 7,72 1,21

9 -II- 1:2 0,333 0,5 1 — + 29,7 1,41 0,58 8,06 8,07 1,84 F 75

10 1:2,5 0,423 — + + 27,6 1,71 0,59 8,58 8,53 1,37

11 -II- 1 :2,5 0,347 1 — + 25,4 1,79 0,50 8,89 8,83 1,39

12 -II- 1 :2,5 0,362 0,5 1 — 24,1 1,85 0,57 7,77 8,24 2,00

13 Гранит 1:2 0,371 — + + 37,5 0,93 0,47 4,89 5,73 1,96

14 -II- 1:2 0,300 1 — + 35,2 0,93 0,45 5,63 5,66 1,96

15 -II- 1 :2 0,339 0,5 1 — + 38,7 0,85 0,47 5,82 5,71 1,12 F 100

16 -II- 1 :2,5 0,392 — + + 31,3 1,26 0,52 6,86 5,2 1,17

17 -II- 1 :2,5 0,329 1 — + 27,7 1,21 0,56 6,09 6,35 1Д4

18 -II- 1 :2,5 0,351 0,5 1 — 28,4 1,04 0,56 6,12 6,41 1,29

19 20 Кварцит —//- 1 :2 1:2 0,409 0,340 1 + + + 36,3 33,7 0,87 0,82 0,41 0,46 4,12 4,56 5,69 5,26 0,23 0,49

21 1:2 0,364 0,5 1 — + 36,9 0,76 0,45 4,67 5,12 0,17 F 100

22 1:2,5 0,447 — + + 30,6 0,89 0,49 5,09 5,96 0,56

23 1 :2,5 0,375 1 — — + 30,4 1,03 0,51 5,76 5,99 0,69

24 1 :2,5 0,409 0,5 1 — + 31,6 1,09 0,50 5,68 5,8 0,75

При исследовании морозосолестойкости мелкозернистого бетона установлено, что причиной его разрушения при воздействии антигололедной смеси, содержащей хлорид натрия, является процесс кристаллизации ЫаС1 ,

вследствие изменения его растворимости при понижении температуры в отрицательной области. При температурах -15° С — -20° С хлорид натрия 5

кристаллизуется в виде двуводных кристаллогидратов №С12Н20. Образование кристаллогидратов способствует увеличению объема твердой фазы в поровом пространстве бетона.

На основании выполненных исследований разработаны рекомендации по изготовлению мелкозернистых бетонов из отсевов дробления горных пород, которые внедрены в ООО «Энергостроймонтаж», республика Дагестан и ЗАО «КСМ-1», г. Ростов-на-Дону.

Основные выводы

1. Научно обоснована возможность изготовления мелкозернистого бетона прочностью 25-30 МПа из отсевов щебня без их обогащения.

2. Установлено, что водоудерживающая способность песчаной и пылевидной фракции отсевов щебня различных горных пород определяется теплотой адсорбции воды на поверхности дисперсных частиц, которая возрастает с увеличением содержания оксида кремния в горной породе.

3. Предложена зависимость для расчета водотвердого отношения в мелкозернистых бетонных смесях на основе отсевов щебня различных горных пород.

4. Прочность цементного камня, содержащего 20% пылевидной фракции отсевов, с введением добавки С-3 повышается на 30-40% за счет ее водоредуцирующего действия. Комплексная добавка, состоящая из суперпластификатора С-3 и глицерина повышает прочность цементно-пылевидного камня (с пылью кварцита) на 19 %, по сравнению с добавкой С-3, и на 75% по сравнению с его прочностью при отсутствии добавок.

5. Механизм действия комплексной добавки обусловлен повышением растворимости оксида кремния в адсорбционно-связанной воде и повышением растворимости гидроксида кальция в присутствии глицерина, приводящим к образованию низкоосновных гидросиликатов кальция, упрочняющих цементно-пылевидный камень

6. Механоактивация мелкозернистых бетонных смесей на основе отсевов щебня, заключающаяся в раздельном перешивании компонентов и поличастотном виброуплотнении, позволяет получить бетоны прочностью 25-30 МПА при соотношении цемент: отсев, равным 1:2 — 1:3.

7. Установлено, что водоредуцирующий эффект суперпластификатора С-3 значительно снижается при увеличении в мелкозернистой бетонной смеси отсева более, чем 1:1. При этом, чем больше водоудерживающая способность отсева, тем меньше водоредуцирующее действие добавки С-3.

8. Мелкозернистые бетоны на основе отсевов щебня прочностью 2530 МПА могут быть полечены введением в бетонную смесь добавки С-3 и комплексной добавки С-3 + глицерин, которая наиболее эффективна для отсевов с высоким содержанием оксида кремния.

Эффективность добавок возрастает при их введении на втором этапе раздельного перемешивания мелкозернистых бетонных смесей.

9. Бетоны на основе отсевов щебня, изготовленные с применением методов механоактивации (раздельное перемешивание и поличастотное виброуплотнении) или с добавками С-3 и глицерина, обладают достаточно высокими прочностью (25-30 МПа), плотностью, морозостойкостью (Р75-Р100)и устойчивостью к истирающим воздействиям

Сцепление мелкозернистого бетона с арматурной сталью составляет 1,24 МПа, что сопоставимо с тяжелым бетоном.

10. Разрушение мелкозернистого бетона как на основе отсевов щебня, так и на основе стандартного кварцевого песка при воздействии песчано-

солевого антигололедного компонента обусловлено кристаллизацией в его поровом пространстве хлорида натрия и двуводного хлорида натрия.

11. Опытное внедрение показало эффективность разработанных составов и технологии изготовления мелкозернистого бетона на основе отсевов дробления горных пород.

Основные положения диссертации изложены в следующих опубликованных работах:

1. Пахрудинов И.П., Кришталь A.B. Применение отсевов щебеночных заводов в изготовлении строительных материалов. Международная научно-практическая конференция «Строительства — 99», РГСУ, Ростов-на-Дону, 1999, с. 52.

2. Пахрудинов ИЛ., Курочка П.Н. Применение отсевов щебеночных заводов в строительстве. Сб. трудов «Использование отходов и местного сырья в строительстве», Новосибирск, 2001, с. 78-79. Авт -1,5 с.

3. Курочка П.Н., Гаврилов A.B., Пахрудинов И.П. Влияние мелкодисперсных добавок на цементную матрицу. В сб. «Современные материалы и технологии в строительстве» Новосибирск, 2003, с. 77-80. Авт -2 с.

4. Пахрудинов И.П. Влияние пылевидной фракции на водопотребность мелкозернистых бетонных смесей из отсевов дробления. Труды Всероссийской научно-практической конференции «Транспорт — 2005», Ростов-на-Дону, 2005, с 88-90. Авт — 2 с.

5. Кафитин А.И., Пахрудинов И.П. Мониторинг ресурсов балластных материалов Южного федерального округа. Труды Всероссийской научно-практической конференции «Транспорт — 2005», Ростов-на-Дону, 2005, с 84-85. Авт-1с.

Печать цифровая. Бумага офсетная. Гарнитура «Тайме». Формат 60×84/16. Объем 1,0 уч.-изд.-л. Заказ № 887. Тираж 100 экз. Отпечатано в КМЦ «КОПИЦЕНТР» 344006, г. Ростов-на-Дону, ул. Суворова, 19, тел. 247-34-88

ЛОШI

i- 77 93

Комитет гражданских инициатив подвел итоги регистрации кандидатов

В выборах в Госдуму по спискам участвуют только партии, освобожденные от сбора подписей. Партии, не обладающие льготой, не смогли зарегистрировать ни списки, ни кандидатов в одномандатных округах. Авторы делают вывод, что система сбора подписей позволяет регистрировать только списки или кандидатов, к которым благожелательно относятся власти. Интересны результаты жеребьевки на выборах в заксобрания: после того как единороссы получили четвертый номер в бюллетене на выборах в Госдуму, в десяти кампаниях в заксобрания им достался тот же номер.

Комитет гражданских инициатив Алексея Кудрина подвел итоги регистрации партий и кандидатов на выборах в Госдуму, губернаторов и региональные собрания депутатов, которые пройдут 18 сентября. В докладе (авторы эксперты КГИ Александр Кынев и Александр Любарев) отмечается, что на выборах в Госдуму зарегистрированы только списки 14 партий, освобожденных от сбора подписей (всего Минюстом зарегистрировано 74 партии, в выборах имеют право участвовать 73). «В целом же можно констатировать беспрецедентный уровень отсева кандидатов, не имеющих льготы. Таким образом, отсев среди самовыдвиженцев составляет 92%, а среди всех кандидатов, не имеющих льготы,— 93%»,— указывается в документе. Авторы отмечают, что партии, не имеющие льготы, не смогли принять участие в выборах в Государственную думу ни по федеральному округу, ни по одномандатным округам.

В докладе сравниваются итоги регистрации на выборах этого года с последними выборами в Госдуму, проходившими до отмены выборов по округам (2003 год): «Тогда отсев среди партийных выдвиженцев составлял 23%, а среди самовыдвиженцев — 43%».

Относительно губернаторских выборов эксперты КГИ указывают, что в четырех из семи регионов, где проходят кампании по выборам глав, среди подписей муниципальных депутатов в поддержку кандидатов преобладают автографы единороссов. Исключением стали Забайкальский край и Тверская область, где кандидаты от КПРФ опирались на подписи своих однопартийцев, при этом кандидат в тверские губернаторы, депутат Госдумы Вадим Соловьев регистрации не получил.

На выборах в заксобрания отсев среди кандидатов от партий, не имевших льготу,— 86%, у самовыдвиженцев — 63%.

«По итогам проверки подписей получают отказ в регистрации партии и кандидаты с явной известностью и имеющие определенные электоральные шансы, осуществлявшие видимый сбор подписей, при этом без проблем регистрируются малоизвестные партии и кандидаты, сбор подписей которыми не только не был визуально заметен, но и в итоге получилось меньше голосов, чем они якобы собрали подписей»,— делают выводы составители доклада. Эксперты считают, что «система регистрации по подписям фактически позволяет регистрировать партсписки и кандидатов только в случае заведомо благожелательного отношения к ним органов власти и/или избирательных комиссий».

Отдельный пункт доклада посвящен жеребьевке партийных номеров в бюллетенях. На жеребьевке в ЦИКе на выборах в Госдуму единороссы получили четвертый номер, после этого проводилась жеребьевка в 24 кампаниях по региональным заксобраниям. В десяти случаях единороссы получили также четвертый номер. До этого (выборы в заксобрания проходят в 39 субъектах) партия власти ни разу не стала четвертой. «Учитывая особенности жеребьевок в ряде регионов, их результаты по-прежнему можно рассматривать в качестве “опровергающих” теорию вероятности»,— заключают авторы доклада.

Андрей Перцев

Сайт знакомств, «первичный отсев» (Опыт читательницы)

Прошло четыре месяца после разрыва с абьюзером — и автор истории решила попытать счастья на сайте знакомств, заодно проверив, как она усвоила теорию об абьзе. Она свободно говорит на трех языках, поэтому рассматривала и россиян, и европейцев. Имена изменены.

В комментариях прошу делиться своим опытом «первичного отсева»: раньше и сейчас.

Согласны ли с выводами автора? Может, кому-то из тех, кого она забанила, вы бы дали шанс?

Что лично вас побуждает прекратить завязавшееся знакомство в Сети?

«Поставила свое портретное фото, за первые полчаса 150 человек нарисовалось. Листаю, никого. Захожу в общую базу, еще час листаю, в глазах — слезы. От смеха.

Однозначно признаком неадеквата я считаю фото с голым торсом, в шортах-шлепках, с банкой пива, с бородой аля Хоттабыч, из спортзала, из примерочной кабинки, лифтолуки, фото из ванной-туалета, фото с какими-то женщинами или детьми, явно заниженный возраст.

Кривляния на фото, дурацкие фото у взрослых мужиков (тут я с пистолетом, тут я на детских качельках и подобный бред). Закрытое или обрезанное лицо, профили без фото — сразу НЕТ. Скорее всего прячутся от имеющегося партнера.

Имя типа Артур Пирожков, Шерлок и подобное — сразу НЕТ. Это неадекват, гарантирую.

Еще момент: мужчины 40 и выше без детей и брака в анамнезе очень настораживают. У меня сразу много вопросов возникает.

…На второй час (уже палец устал мотать) выбираю несколько приличных в костюмах с интеллигентным лицом.
Они меня там уже ждали, нажимаю «подтвердить». Начинаем беседу. Сразу скукота до зевоты, взрослые мужчины не умеют грамотно излагать мысли, беседа не идет, я ей руководить и что-то выжимать не буду, хоть и умею. Часть уволена сразу, неинтересно.

Дальше конкретно по оставшимся персонажам:

— Павел, 40 лет, просит еще фото. Ну ладно, еще один портрет. Ему не видно фигуру. Понимаю к чему идет, хочу убедиться. Высылаю фото с праздника в полный рост (для себя я насчет этого Павла уже сделала выводы). Спрашивает: а сколько рост и какой размер груди, можно ли фото в купальнике. Летит в бан.

— Андрей, 38, фото хорошие, но на фоне машины представительского класса (думаю, уж не водитель-ли? Тот, у кого есть такая машина, на ее фоне фотографироваться не будет :), рассматриваю его анкету, а там на английском: «Если ты читаешь это, то ты топ 20%, если ты понимаешь, что написано, то ты топ 10%, если у тебя нет стереотипов по поводу того, что мужчина должен писать первый, то ты топ 2%, если тебя хватит на большее, чем просто «привет, как дела», то ты в 1% эксклюзивного клуба. Добро пожаловать!»

Удаляю не глядя этот эксклюзивный клуб со всеми его членами))))

— Михаил 41, вроде ничего. Пишет с утра: ты живешь в центре? Нет, говорю, почему ты так решил? (программа показывает удаленность друг от друга) Говорит: хотел пригласить на обед. И все. Хотел бы — пригласил. Дала ему еще час на размышления и тоже в бан.

-Виктор, 40, пообщались, сразу захотел мне позвонить. Спросил, как отдыхаю. На подобный вопрос в свой адрес ответил: отдыхать я буду с тобой, а пока дела. А ты с чего это решил вообще, дружок? Отдыхать он со мной собрался! Бан.

— Был пилот известной авиакомпании, то что надо! А вот и нет! Он разошелся с женщиной после сожительства длиной 20 лет! Первый вопрос: ты куришь? Почему спрашиваешь? Потому, что мне не нравится. А мне нравится и никому в угоду я не буду бросать. Сама решу, тогда брошу, а сейчас ты мне тоже не нравишься и мы прощаемся с этим нудным персонажем.

— Алексей, 39, просит перейти в Вайбер. Не проблема вообще. У меня на аватарке я в вечернем платье с открытой спиной. Пишет: ты демонстрируешь себя по маленьким кусочкам. Загадочная девушка. Спрашиваю: это хорошо или плохо? Отвечает: плохо. Понятное дело, что беседа с моей стороны закончена.

— Андрей, 40 лет. Крайне приятный персонаж. Переходим в Вайбер. Тонкий юмор, приятная беседа, очень нравится. Легко и ненавязчиво. И через 2 часа общения он мне выдает: а ты любишь массаж? Меня крайне напрягают подобные повороты. Аккуратно отвечаю и сворачиваю тему массажа, но мужика понесло, дальше там уже его фантазии и полная уверенность, что я буду совершенно не против. Прощай, Андрей, у тебя были все шансы.

— Еще один пишет из Ирландии, 38 лет, внешне нравится меньше всех, но все равно симпатичный и какая улыбка) Он задержался дольше всех. Веселит меня, каждый день пишет, ненавязчиво так. Может прислать видео как соседские хомяки размером с кота, залезли к нему во двор, в общем, всякие глупости.

Попросил выйти на видеозвонок. Мне что-то лень было. Без причины. Чувствую загрустил сильно. Ну ладно, мне несложно. В итоге так смеялись, хорошо поговорили.

Он тут же приглашает приехать, предлагает даты, рвется покупать билеты. Обещает жарить мне котлеты и мыть посуду. Господи, всю жизнь мечтала посмотреть, как мужчины это делают))) Попросила его притормозить с такими глобальными планами.

Отреагировал нормально, сказал: в любое время на неделе, на выходных, только скажи, я все устрою. Хорошо, я учту. В любом случае, оплатить мне билеты и погулять меня ему дешевле, чем искать кого-то на месте. Пока воспринимаю его как другана такого)

— Виктор, 41, пригласил сегодня на обед. Идем. Время расплачиваться, официант спрашивает как сделать счет. Виктор отвечает, что раздельно. Мило улыбаюсь ему и в это же самое время удаляю его номер телефона. Провожать не надо, спасибо.

…Много таких, кто активен только на выходных, а на неделе не пишет. Те, кто в Вайбере, вижу, что активны. Значит, так им интересно. Ну а мне неинтересно ждать в очереди и вообще ждать. Однозначно нет.

Лара Фрейзер (The Daily Dropout) Биография, вики, возраст, парень и многое другое

Лара Фрейзер (родилась 8 июля 1998 г.) — модель и ютубер из США. Лара работает на канале Youtube Daily Dropout. Она очень известна на YouTube.

Лара Фрейзер (The Daily Dropout) Биография

Родилась 8 июля 1998 года, Лара Фрейзер (модель). Она родилась в 1990-х годах в поколении миллениалов. Ее знак рождения — Рак, а количество жизненных путей — 6.Цветок Лары — Живокость, а Рубин — камень. Что все это значит? Мы узнаем!

Лара Фрейзер

Лара Фрейзер , наиболее известная как модель, родилась в среду, 8 июля 1998 года, в США. Модель и половина дуэта Lallas DJ. Ее соавтором является Лаура Прадельска, а ее первый сингл Animal был выпущен в 2018 году. Она управляется и работает по всему миру компанией Books DJ.

Она родилась 8 июля 1998 года в США.Она наиболее известна как модель. С многочисленными гостиничными компаниями она работала в сфере роскошного пиара. Лалласы выступают в основном на модных мероприятиях, и их мероприятие было описано на сайте новостей индустрии как новые стильные ди-джеи.

Изображение

Лара Фрейзер Вики

Они также вместе проводят радиошоу Bugaloo. По словам знаменитостей, Лара раньше не интересовалась. Еще одна женщина-диджей, представленная агентством книги, Карли Остхёйзен.Ивонн — имя ее матери, и у нее есть брат Дана, который работал ипотечным брокером. Определения образования в настоящее время недоступны. Чтобы узнать новости, пожалуйста, ознакомьтесь с ними заранее.

Изображение

Каковы качества Лары Фрейзер и насколько высока годовая зарплата Лары в возрасте 21 года? На 2019 год мы оценили ее чистую стоимость, денежные средства, прибыль и активы ниже.

Лара Фрейзер

Наши сотрудники рассчитывают и проверяют чистую стоимость.Чтобы наши чистые данные были надежными, мы используем общедоступные данные и инструменты.

Изображение

Биография Лары Фрейзер

Модель

Лара Фрейзер Вики и биография
Настоящее имя	Лара Фрейзер
Ник	Лара
Профессия	и ютубер
Возраст	22 года (2020)
Дата рождения	8 июля 1998
Место рождения	Америка
Гражданство	Американский
Этническая принадлежность	Обновит
Религия	Обновит
Рост, вес и размеры тела
Высота в сантиметрах	165 см
Высота в метрах	1.65 м
Высота в дюймах	5’5 ”
Вес в килограммах	50 кг
Масса в фунтах	110 фунтов
Размеры тела	30-25-31
Размер бюстгальтера	30
Объем талии	25
Размер бедра	31
Цвет глаз	Черный
Цвет волос	Коричневый
Семья и родственники
Отец	Обновит
Мать	Обновит
Brother	Обновит
Сестра	Обновит
Дела, подруги и семейное положение
Семейное положение	Обновит
Парень	Обновит
Муж / супруга	Обновит
Сын	Обновит
Дочь	Обновит
Образование и школа, Колледж
Образование	Обновит
Школа	Обновит
Колледж / университет	Обновит
Избранное: что нравится и не нравится
Любимый актер	Обновит
Любимая актриса	Обновит
Любимый цвет	Обновит
Любимая еда	Обновит
Любимый фильм	Обновит
Хобби	Обновит
Денежный фактор
Собственный капитал	Обновит
Заработная плата	Обновит
Контактный адрес
Адрес дома	Обновит
Телефон	Обновит
Идентификатор электронной почты	Обновит
Веб-сайт	Обновит
Социальные сети
Instagram	Instagram.com
Facebook	Facebook.com
Твиттер	Twitter.com
Youtube	Youtube.com

Изображение

Lara Fraser Biodata

Чистая стоимость — это сумма активов, превышающая долг. Активы включают наличные деньги, имущество и любую другую ценность. Это тоже можно понять — качество всего, чем вы обладаете, кроме того, что у вас есть.То, что у вас было бы наличными, если бы вы продали свои крупные активы и выплатили все свои обязательства, очень легко объяснить.

Лара Фрейзер

Активы за вычетом долга равны чистой стоимости. Чистая стоимость. По сути, чистая стоимость активов измеряется добавленной стоимостью, а затем исключаются все обязательства. Чистая стоимость не совпадает ежегодно и не совпадает с чистой выручкой. Между налогами и отчислениями из заработной платы, такими как социальное обеспечение и взносы 401 (k), вы, наконец, получаете чистый доход.

Изображение

Мужчины зарабатывают в среднем около 52 000 долларов в год, в то время как женщины зарабатывают около 42 000 долларов, и только 20 процентов американцев зарабатывают на дому 100 000 долларов и более, по данным Бюро статистики труда.Заработная плата зависит от пола, образования, занятости, отрасли, географии, этнической принадлежности и других факторов.

Лара Фрейзер

Интервью с Ларой Фрейзер

Ее личная жизнь всегда закрыта. Текущая информация о свиданиях, семейном положении, отношениях / расставании, помолвке и предыдущих отношениях будет обновлена ​​в ближайшем будущем. У нас мало данных о ее свиданиях.

Лара Фрейзер

Помните, это касается не только наличных денег, которые у них есть.Их общая стоимость включена. Мы должны учитывать их денежные средства, инвестиции, активы и другие факторы личной жизни, которые повышают ценность при расчете их чистой стоимости.

Лара Фрейзер

За год ее заработок еще предстоит оценить, но она, вероятно, увидит повышение заработной платы, как в 2018 году. Мы пересматриваем зарплату Лары. Мы будем проверять, как только будем постоянно обновлять эту страницу новой финансовой информацией и полезной информацией.

Изображение

Лара Фрейзер Ютубер

Мы используем информацию и инструменты, доступные общественности, чтобы гарантировать точность и актуальность данных и измерений чистого богатства от Лары Фрейзер.Каждая чистая стоимость проверяется и проверяется нашими пользователями. Хотя спрогнозировать ее доход относительно просто, трудно узнать, сколько лет она расходует.

Изображение

Она не замужем. Теперь она ни с кем не встречается. По крайней мере, в прошлом у Лары были связи. Ранее ей не доверяли. Ивонн — ее мама, а ее мать, Дана, работала ипотечным брокером. По нашим данным, у нее нет детей.

Лара Фрейзер

Вы можете прочитать это о Лане Роуз.

Она тебе нравится? Прокомментируйте ее игру.

Связанные

Hulu назвала Кейт Маккиннон замену в роли Элизабет Холмс в фильме

Hulu объявила, что Аманда Сейфрид заменит Кейт Маккиннон в качестве звезды The Dropout . Маккиннон покинул ограниченную серию в прошлом месяце, и производство еще не началось. Теперь Сейфрид возьмет на себя главную роль Элизабет Холмс, согласно отчету Deadline .

Dropout основан на одноименном подкасте ABC Radio, в котором рассказывается история взлета и падения карьеры Холмс и ее компании Theranos. Это должна быть драма — странный выбор для Маккиннона, который больше всего известен своими комедиями. У Сейфрид немного больше драматического прошлого, и она также будет продюсером сериала. Шоураннер проекта — Элизабет Мериуэзер.

The Dropout сосредоточен вокруг Холмса, бросившего Стэнфордский университет, который основал стартап-компанию по медицинскому тестированию Theranos.Сага началась в 2003 году и быстро развивалась, когда Холмс стала самой молодой в мире женщиной-миллиардером, заработавшей деньги самостоятельно. Однако в конце концов выяснилось, что ни одна из новаторских технологий, которые она обещала, на самом деле не работала.

Theranos хвалили громкие имена в технологической индустрии, включая основателя Apple Стива Джобса. Он был оценен примерно в 9 миллиардов долларов благодаря многообещающим успехам в медицинских исследованиях. Компания продала свои технологии анализа крови Walgreens, но затем попала под расследование со стороны U.S. Комиссия по ценным бумагам и биржам за якобы обман инвесторов. Дело было тем более взрывоопасным, потому что оно пролило свет на некоторых известных сторонников Холмса, включая Руперта Мердока, Бетси ДеВос и Генри Киссинджера.

Реальный Холмс был обвинен в июне 2018 года по 11 пунктам обвинения в мошенничестве. Она стала нарицательным в начале 2019 года, когда ABC выпустила подкаст из шести частей о ее взлете и падении. Подкаст включал интервью с бывшими сотрудниками, инвесторами и пациентами, а также отрывки из записей показаний.

Исследование Холмс неоднократно переносилось из-за пандемии COVID-19 и из-за ее беременности в реальной жизни. В настоящее время его начало запланировано на 31 августа 2021 года. Тем временем ее история была рассказана и повторно рассказана общественности в нескольких различных формах. В 2019 году на канале HBO был показан документальный фильм под названием Изобретатель: за кровь в Кремниевой долине.

Ожидается, что инсценировка Hulu сделает всю историю еще более печально известной. Пока неизвестно, когда начнется производство.По сообщениям, добавление Сейфрида в актерский состав не приведет к задержке производства.

Что означает выпадение имени?

Имя
<100
в США
с 1880 г.

Фамилия
<100
в США
в 2010 г.

Какой тип имени Dropout ?

Что означает «отсев»?

Опрос

: Какой из следующих списков вы найдете наиболее интересным?

Какие имена можно было бы включить в список, озаглавленный «»?

Опрос: какой забавный / полезный / полезный различных списков имен мы можем вам показать?

Мы заметили, что у вас есть микрофон.Если вы знаете, как произносится «Dropout», просто нажмите кнопку для записи. Мы сохраним его, рассмотрим и опубликуем, чтобы помочь другим. Запрещены записи детей младше 18 лет.

Значение и происхождение

Что означает название Dropout? Узнайте ниже.

Происхождение и значение отсева

Сообщите нам происхождение и / или значение отсева ниже

Происхождение отсева

UnknownAfricanAfrican Голландский (африкаанс) AkanAmharicArabicAramaicBantuBerberChewaEgyptianEritreaGandaGeezHausaIgboIslamic / MuslimKikuyuKurdishLesothoLuhyaLuoNdebeleNigerianPersian / IranianPortugueseShonaSwahiliTswanaUrhoboXhosaYorubaZimbabweZuluAfrican AmericanAmericanAmerican SamoaAztec (науатль) CanadianDominican RepublicEnglishGrenadianHawaiianIslamic / MuslimJamaicanJewishMexicanPortuguesePuerto RicanNative AmericanArabicAramaicArmenianBengaliCambodianChineseGeorgianGujaratiHindiHinduIndian (санскрит) IndonesianIslamic / MuslimJapaneseJewishKannadaKazakh (Казахстан) KoreanKurdishKyrgyz (Кыргызстан) MalayalamMarathiMongolianNepaliOdiaPakistaniPersian / IranianFilipino (Филиппины) PunjabiRussianSanskritSlavicTajik (Таджикистан) TamilTelugaThaiTibetanUrduUzbek (Узбекистан) VietnameseAboriginalAmerican SamoaAustralianFijianFilipino (Филиппины) ГавайскийИсламский / МусульманинМаориНовая ЗеландияПолинезийский / ГавайскийАлбанскийАнглосаксонскийАрабскийАрамейскийАрмянскийБаскскийБолгарскийКельтскийХорватскийКипрЧешскийДатскийНидерландскийАнглийскийEst онскийфинскийфранцузскийГэльскийГрузинскийНемецкийГреческийеввритвенгерскийИсландскийИрландскийИсламский / МусульманинитальянскийеврейскийКурдскийЛатинскийЛатышскийЛитвийскийМакедонскийНорвежскийПерсидский / ИранскийПольскийПортугальскийРумынский Румынский

Спасибо! Мы рассмотрим вашу заявку в ближайшее время!

1. Тот, кто бросает школу до окончания школы
2. Тот, кто уходит из социальной группы или окружения

отбросить + из , от глагольной фразы.

1. Лицо, покинувшее учебное заведение, не завершив курс

   Политики мира — всего лишь политический университет.

2. Тот, кто отказался от традиционного общества.
3. Тот, кто внезапно что-то бросает или делает это.
4. (велоспорт) Прорезь в раме, которая принимает оси колес.
5. Поврежденная часть ленты или диска, вызывающая кратковременное пропадание звука, видео или данных.
6. Мгновенная потеря электронного сигнала.
7. Метод регуляризации нейронной сети путем отбрасывания случайного подмножества ее элементов.

Интересные факты об имени Dropout

• Насколько уникально название Dropout? Из 6122890 записей в общедоступных данных Управления социального обеспечения США имя Dropout отсутствовало. Возможно, имя, которое вы ищете, встречается менее пяти раз в год.
• Странные вещи в названии Dropout: Имя написано задом наперед: Tuopord . Случайная перестановка букв в имени (анаграмма) даст Routpod . Как ты это произносишь?

Кто бросил эту страницу?

Прошлая жизнь

Бросил родился 8 ноября 1998 г.

Не знаю, как вы к этому относитесь, но в вашем последнем земном воплощении вы были мужчиной .Вы родились где-то на территории Северной Индии примерно на 775 . По профессии писатель, драматург, организатор ритуалов .

Вы мыслили как ученый, постоянно ищущий новые объяснения. Окружающая среда часто неправильно понимает вас. Обладал приличными знаниями. Ваш урок — учиться, практиковать и применять мудрость, содержащуюся в психологических науках и древних рукописях. С твердой верой и упорным трудом вы достигнете своей настоящей судьбы в нынешней жизни.

Именной плакат для бросивших школу

(нажмите, чтобы сохранить качественную версию)

• Источники:
• Бюро переписи населения США: часто встречающиеся фамилии из переписи 2000 года (общественное достояние).
• Другие источники словарей: WordNet 3.1 Copyright 2006 Принстонский университет (лицензия).
• Викисловарь: названия и лицензии.

Алгоритм обучения с отсевом — ScienceDirect

Abstract

Выпадение — это недавно представленный алгоритм для обучения нейронных сетей путем случайного отбрасывания единиц во время обучения, чтобы предотвратить их коадаптацию. Математический анализ некоторых статических и динамических свойств отсева предоставляется с использованием стробирующих переменных Бернулли, достаточно общих, чтобы учесть отсевы в модулях или соединениях, и с переменной скоростью.Эта структура позволяет провести полный анализ ансамблевых усредняющих свойств отсева в линейных сетях, что полезно для понимания нелинейного случая. Усредняющие по ансамблю свойства отсева в нелинейных логистических сетях являются результатом трех фундаментальных уравнений: (1) аппроксимация математических ожиданий логистических функций с помощью нормализованных геометрических средств, для которых выводятся границы и оценки; (2) алгебраическое равенство между нормализованными геометрическими средними логистических функций и логистикой средств, которое математически характеризует логистические функции; и (3) линейность средних относительно сумм, а также произведений независимых переменных.Результаты также распространяются на другие классы передаточных функций, включая выпрямленные линейные функции. Ошибки аппроксимации имеют тенденцию отменять друг друга и не накапливаются. Выпадение также может быть связано со стохастическими нейронами и использоваться для прогнозирования скорости активации и обратного распространения, рассматривая обратное распространение как усреднение по ансамблю в линейной сети с выпадением. Более того, свойства сходимости отсева можно понять с точки зрения стохастического градиентного спуска. Наконец, для свойств регуляризации отсева, ожидание градиента отсева — это градиент соответствующего ансамбля аппроксимаций, регуляризованный с помощью адаптивного члена спада веса со склонностью к самосогласованной минимизации дисперсии и разреженным представлениям.

Ключевые слова

Машинное обучение

Нейронные сети

Ансамбль

Регуляризация

Стохастические нейроны

Стохастический градиентный спуск

Обратное распространение

Среднее геометрическое

Минимизация статей

Минимизация отклонений 9000 Просмотреть аннотацию

Copyright © 2014 Авторы. Опубликовано Elsevier B.V.

Рекомендуемые статьи

Цитирующие статьи

тс.nn.dropout | TensorFlow Core v2.4.1

Версия TensorFlow 1

Посмотреть исходный код на GitHub

Вычисляет отсев: случайным образом устанавливает элементы в ноль, чтобы предотвратить переобучение.

  tf.nn.dropout (
    x, скорость, noise_shape = None, seed = None, name = None
)
  

Используется в ноутбуках

Примечание. Поведение отсева изменилось между TensorFlow 1.x и 2.x. При конвертации 1.x, пожалуйста, используйте именованные аргументы, чтобы гарантировать, что поведение останется последовательный.

См. Также: tf.keras.layers.Dropout для выпадающего слоя.

Dropout полезен для регуляризации DNN модели. Элементы ввода случайным образом устанавливаются равными нулю (а другие элементы равны нулю). масштабировано). Это побуждает каждый узел быть независимым, поскольку он не может полагаться на вывод других узлов.

Точнее: с вероятностью rate элементы x устанавливаются на 0 .Остальные элементы увеличиваются на 1,0 / (1 - коэффициент) , так что ожидаемое значение сохраняется.

  tf.random.set_seed (0) 
  x = tf.ones ([3,5]) 
  tf.nn.dropout (x, rate = 0.5, seed = 1) .numpy () 
  массив ([[2., 0., 0., 2., 2.], 
  [2., 2., 2., 2., 2.], 
  [2., 0., 2., 0., 2.]], dtype = float32) 
 

  tf.random.set_seed (0) 
  x = tf.ones ([3,5]) 
  tf.nn.dropout (x, rate = 0.8, семя = 1) .numpy () 
  массив ([[0., 0., 0., 5., 5.], 
  [0., 5., 0., 5., 0.], 
  [5., 0., 5., 0., 5.]], dtype = float32) 
 

  tf.nn.dropout (x, rate = 0.0) == x 
  
  массив ([[True, True, True, True, True], 
  [Верно, Верно, Верно, Верно, Верно], 
  [Верно, Верно, Верно, Верно, Верно]])> 
 

По умолчанию каждый элемент сохраняется или удаляется независимо.Если noise_shape указано, это должно быть транслируемый до формы x , и только размеры с noise_shape [i] == shape (x) [i] примет самостоятельные решения. Это полезно для сброса целого каналы из изображения или последовательности. Например:

  tf.random.set_seed (0) 
  x = tf.ones ([3,10]) 
  tf.nn.dropout (x, rate = 2/3, noise_shape = [1,10], seed = 1) .numpy () 
  массив ([[0., 0., 0., 3., 3., 0., 3., 3., 3., 0.], 
  [0., 0., 0., 3., 3., 0., 3., 3., 3., 0.], 
  [0., 0., 0., 3., 3., 0., 3., 3., 3., 0.]], dtype = float32) 
 

Args
х	Тензор с плавающей запятой.
оценка	Скаляр Тензор с тем же типом, что и x. Вероятность что каждый элемент отброшен. Например, установка rate = 0.1 упадет 10% элементов ввода.
noise_shape	1-D Tensor типа int32 , представляющий форма для случайно сгенерированных флагов сохранения / удаления.
семя	Целое число Python. Используется для создания случайных семян. Видеть tf.random.set_seed для поведения.
название	Имя для этой операции (необязательно).

Возврат
Тензор той же формы x .

Повышение
ValueError	Если скорость не находится в [0, 1) или если x не является плавающей точкой тензор. rate = 1 запрещен, потому что на выходе будут все нули, что, вероятно, не то, что было задумано.

Регуляризация выпадения в моделях глубокого обучения с помощью Keras

Последнее обновление 27 августа 2020 г.

Простой и мощный метод регуляризации для нейронных сетей и моделей глубокого обучения - это исключение.

В этом посте вы узнаете о методе регуляризации исключения и о том, как применить его к вашим моделям в Python с помощью Keras.

Прочитав этот пост, вы узнаете:

• Как работает метод регуляризации отсева.
• Как использовать выпадение на ваших входных слоях.
• Как использовать выпадение скрытых слоев.
• Как настроить уровень отсева для вашей проблемы.

Начните свой проект с моей новой книги «Глубокое обучение с помощью Python», включающей пошаговых руководств и файлов исходного кода Python для всех примеров.

Приступим.

• Обновление октябрь / 2016 : Обновлено для Keras 1.1.0, TensorFlow 0.10.0 и scikit-learn v0.18.
• Обновление март / 2017 : Обновлено для Keras 2.0.2, TensorFlow 1.0.1 и Theano 0.9.0.
• Обновление сентябрь / 2019 : Обновлено для Keras 2.2.5 API.

Регуляризация отсева в моделях глубокого обучения с помощью Keras
Фото Trekking Rinjani, некоторые права защищены.

Регуляризация выпадения для нейронных сетей

Dropout - это метод регуляризации для моделей нейронных сетей, предложенный Srivastava, et al.в своей статье 2014 года Dropout: простой способ предотвратить переоснащение нейронных сетей (скачать PDF).

Dropout - это метод, при котором случайно выбранные нейроны игнорируются во время обучения. Они «выпадают» случайным образом. Это означает, что их вклад в активацию нижестоящих нейронов временно удаляется при прямом проходе, и никакие обновления веса не применяются к нейрону при обратном проходе.

По мере обучения нейронной сети веса нейронов устанавливаются в их контексте в сети.Вес нейронов настраивается на определенные особенности, обеспечивающие некоторую специализацию. Соседние нейроны начинают полагаться на эту специализацию, которая, если зайти слишком далеко, может привести к хрупкой модели, слишком специализированной для обучающих данных. Эта зависимость нейрона от контекста во время обучения называется сложной коадаптацией.

Вы можете себе представить, что если нейроны случайным образом выпадают из сети во время обучения, другие нейроны должны будут вмешаться и обработать представление, необходимое для прогнозирования отсутствующих нейронов.Считается, что это приводит к тому, что сеть изучает несколько независимых внутренних представлений.

В результате сеть становится менее чувствительной к определенному весу нейронов. Это, в свою очередь, приводит к созданию сети, которая способна к лучшему обобщению и с меньшей вероятностью будет соответствовать обучающим данным.

Нужна помощь с глубоким обучением на Python?

Пройдите мой бесплатный двухнедельный курс электронной почты и откройте для себя MLP, CNN и LSTM (с кодом).

Нажмите, чтобы зарегистрироваться сейчас, а также получите бесплатную электронную версию курса в формате PDF.

Начните БЕСПЛАТНЫЙ мини-курс прямо сейчас!

Регуляризация отсева в Керасе

Выпадение легко реализуется путем случайного выбора узлов, которые должны быть исключены с заданной вероятностью (например, 20%) в каждом цикле обновления веса. Так реализован Dropout в Keras. Отсев используется только во время обучения модели и не используется при оценке навыков модели.

Далее мы рассмотрим несколько различных способов использования Dropout в Keras.

В примерах будет использоваться набор данных сонара.Это проблема бинарной классификации, цель которой состоит в том, чтобы правильно идентифицировать камни и мины по сигналам гидролокатора. Это хороший набор тестовых данных для нейронных сетей, потому что все входные значения являются числовыми и имеют одинаковый масштаб.

Набор данных можно загрузить из репозитория машинного обучения UCI. Вы можете поместить набор данных сонара в текущий рабочий каталог с именем файла sonar.csv.

Мы будем оценивать разработанные модели с помощью scikit-learn с 10-кратной перекрестной проверкой, чтобы лучше выявить различия в результатах.

Имеется 60 входных значений и одно выходное значение, и входные значения стандартизируются перед использованием в сети. Базовая модель нейронной сети имеет два скрытых слоя, первый с 60 единицами, а второй с 30. Стохастический градиентный спуск используется для обучения модели с относительно низкой скоростью обучения и импульсом.

Полная базовая модель приведена ниже.

# Базовая модель в наборе данных сонара из панд импортировать read_csv из кераса.модели импортируют Последовательный из keras.layers import Плотный из keras.wrappers.scikit_learn импорт KerasClassifier от keras.optimizers импортные SGD из sklearn.model_selection импорт cross_val_score из sklearn.preprocessing import LabelEncoder из sklearn.model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.pipeline import Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv", header = None) набор данных = фрейм данных.значения # разделить на входные (X) и выходные (Y) переменные X = набор данных [:, 0:60] .astype (float) Y = набор данных [:, 60] # кодировать значения классов как целые числа кодировщик = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # базовый уровень def create_baseline (): # создать модель model = Последовательный () model.add (Dense (60, input_dim = 60, Activation = 'relu')) model.add (Плотный (30, активация = 'relu')) model.add (Плотный (1, активация = 'сигмоид')) # Скомпилировать модель sgd = SGD (lr = 0.01, импульс = 0,8) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) модель возврата оценщики = [] Estimators.append (('стандартизировать', StandardScaler ())) Estimators.append (('mlp', KerasClassifier (build_fn = create_baseline, epochs = 300, batch_size = 16, verbose = 0))) pipeline = Трубопровод (оценки) kfold = StratifiedKFold (n_splits = 10, shuffle = True) результаты = cross_val_score (конвейер, X, encoded_Y, cv = kfold) print ("Исходный показатель:%.2f %% (% .2f %%) "% (results.mean () * 100, results.std () * 100))

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41

# Базовая модель в наборе данных сонара из pandas import read_csv from keras.модели импортируют Sequential из keras.layers import Dense from keras.wrappers.scikit_learn import KerasClassifier from keras.optimizers import SGD from sklearn.model_selection import cross_val_score proning from sklearn model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.pipeline import Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv ", header = None) dataset = dataframe.values ​​ # разделить на входные (X) и выходные (Y) переменные X = набор данных [:, 0:60] .astype (float) Y = dataset [:, 60] # кодировать значения классов как целые числа encoder = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # baseline def create ): # создать модель model = Sequential () model.add (Dense (60, input_dim = 60, activate = 'relu')) model.add (Dense (30, activate = 'relu')) model.add (Dense (1, activate = 'sigmoid') ) # Скомпилировать модель sgd = SGD (lr = 0,01, импульс = 0,8) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) return model оценок = [] оценок.append (('standardize', StandardScaler ())) оценок.append (('mlp', KerasClassifier (build_fn = create_baseline, epochs = 300, batch_size = 16, verbose = 0 ))) pipeline = Pipeline (оценка) kfold = StratifiedKFold (n_splits = 10, shuffle = True) results = cross_val_score (pipeline, X, encoded_Y, cv = kfold) print («Базовый показатель:%.2f %% (% .2f %%) "% (results.mean () * 100, results.std () * 100))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

При выполнении примера оценочная точность классификации составляет 86%.

Использование исключения на видимом слое

Dropout можно применить к входным нейронам, называемым видимым слоем.

В примере ниже мы добавляем новый слой Dropout между входом (или видимым слоем) и первым скрытым слоем. Коэффициент отсева установлен на 20%, что означает, что каждый пятый вход будет случайным образом исключен из каждого цикла обновления.

Кроме того, как рекомендовано в исходной статье о Dropout, на весовые коэффициенты для каждого скрытого слоя накладывается ограничение, гарантирующее, что максимальная норма весов не превышает значения 3. Это делается путем установки аргумента kernel_constraint для Плотный класс при построении слоев.

Скорость обучения была увеличена на порядок, а импульс - до 0,9. Это повышение скорости обучения также рекомендовалось в исходной статье для отсева.

Продолжая приведенный выше базовый пример, приведенный ниже код проверяет ту же сеть с отключением ввода.

# Пример исключения из набора данных сонара: видимый слой из панд импортировать read_csv из keras.models импортировать Последовательный из keras.layers import Плотный из кераса.слои импортировать Dropout из keras.wrappers.scikit_learn импорт KerasClassifier из keras.constraints import maxnorm от keras.optimizers импортные SGD из sklearn.model_selection импорт cross_val_score из sklearn.preprocessing import LabelEncoder из sklearn.model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.pipeline import Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv", header = None) набор данных = фрейм данных.значения # разделить на входные (X) и выходные (Y) переменные X = набор данных [:, 0:60] .astype (float) Y = набор данных [:, 60] # кодировать значения классов как целые числа кодировщик = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # выпадение во входном слое с ограничением веса def create_model (): # создать модель model = Последовательный () model.add (Dropout (0.2, input_shape = (60,))) model.add (Dense (60, активация = 'relu', kernel_constraint = maxnorm (3))) модель.добавить (Плотный (30, активация = 'relu', kernel_constraint = maxnorm (3))) model.add (Плотный (1, активация = 'сигмоид')) # Скомпилировать модель sgd = SGD (lr = 0,1, импульс = 0,9) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) модель возврата оценщики = [] Estimators.append (('стандартизировать', StandardScaler ())) Estimators.append (('mlp', KerasClassifier (build_fn = create_model, epochs = 300, batch_size = 16, verbose = 0))) pipeline = Трубопровод (оценки) kfold = StratifiedKFold (n_splits = 10, shuffle = True) результаты = cross_val_score (конвейер, X, encoded_Y, cv = kfold) print ("Видно:%.2f %% (% .2f %%) "% (results.mean () * 100, results.std () * 100))

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44

# Пример исключения из набора данных сонара: видимый слой из pandas import read_csv from keras.модели import Sequential from keras.layers import Dense from keras.layers import Dropout from keras.wrappers.scikit_learn import KerasClassifier from keras.constraints import maxnorm from keras.optimizer 9000 SGD import SGD . model_selection import cross_val_score из sklearn.preprocessing import LabelEncoder из sklearn.model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.конвейерный импорт Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv", header = None) dataset = dataframe.values ​​ # разделить на входные (X) и выходные (Y) переменные X = dataset [:, 0:60] .astype (float) Y = dataset [:, 60] # кодировать значения классов как целые числа encoder = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # выпадение во входном слое с ограничением веса def create_model (): # create model model = Sequential () model.add (Dropout (0.2, input_shape = (60,))) model.add (Dense (60, activate = 'relu', kernel_constraint = maxnorm (3))) model.add (Dense (30, activate = 'relu', kernel_constraint = maxnorm (3))) model.add (Dense (1, activate = 'sigmoid')) # Скомпилировать модель sgd = SGD (lr = 0,1, импульс = 0,9) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) модель возврата оценок = [] оценок.append (('standardize', StandardScaler ())) Estimators.append (('mlp', KerasClassifier (build_fn = create_model, epochs = 300, batch_size = 16, verbose = 0))) pipeline = Pipeline (оценки ) kfold = StratifiedKFold (n_splits = 10, shuffle = True) results = cross_val_score (pipeline, X, encoded_Y, cv = kfold) print ("Видно:% .2f %% (% .2f %%) "% (results.mean () * 100, results.std () * 100))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Попробуйте запустить пример несколько раз и сравните средний результат.

Выполнение примера дает небольшое снижение точности классификации, по крайней мере, при однократном тестировании.

Использование исключения на скрытых слоях

Dropout можно применить к скрытым нейронам в теле вашей сетевой модели.

В приведенном ниже примере Dropout применяется между двумя скрытыми слоями и между последним скрытым слоем и выходным слоем. Снова используется коэффициент отсева в 20%, поскольку это ограничение по весу для этих слоев.

# Пример исключения из набора данных сонара: скрытый слой из панд импортировать read_csv из keras.models импортировать Последовательный из keras.layers import Плотный из keras.layers import Dropout из keras.wrappers.scikit_learn импорт KerasClassifier из keras.constraints import maxnorm от keras.optimizers импортные SGD из sklearn.model_selection импорт cross_val_score из sklearn.preprocessing import LabelEncoder из склеарна.model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.pipeline import Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv", header = None) набор данных = dataframe.values # разделить на входные (X) и выходные (Y) переменные X = набор данных [:, 0:60] .astype (float) Y = набор данных [:, 60] # кодировать значения классов как целые числа кодировщик = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # выпадение в скрытых слоях с ограничением веса def create_model (): # создать модель model = Последовательный () модель.add (Dense (60, input_dim = 60, Activation = 'relu', kernel_constraint = maxnorm (3))) model.add (Выпадение (0.2)) model.add (Dense (30, активация = 'relu', kernel_constraint = maxnorm (3))) model.add (Выпадение (0.2)) model.add (Плотный (1, активация = 'сигмоид')) # Скомпилировать модель sgd = SGD (lr = 0,1, импульс = 0,9) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) модель возврата оценщики = [] Estimators.append (('стандартизировать', StandardScaler ())) оценщики.append (('mlp', KerasClassifier (build_fn = create_model, epochs = 300, batch_size = 16, verbose = 0))) pipeline = Трубопровод (оценки) kfold = StratifiedKFold (n_splits = 10, shuffle = True) результаты = cross_val_score (конвейер, X, encoded_Y, cv = kfold) print ("Скрытый:% .2f %% (% .2f %%)"% (results.mean () * 100, results.std () * 100))

1 2 3 4 5 6 7 8 9 10 11 12 13 140002 18 19 20 21 22 23 24 25 26 27 28 29 30 000 000 34 35 36 37 38 39 40 41 42 43 44 45

# Пример исключения из набора данных сонара: скрытый слой из pandas import read_csv from keras.модели import Sequential from keras.layers import Dense from keras.layers import Dropout from keras.wrappers.scikit_learn import KerasClassifier from keras.constraints import maxnorm from keras.optimizer 9000 SGD import SGD . model_selection import cross_val_score из sklearn.preprocessing import LabelEncoder из sklearn.model_selection import StratifiedKFold из sklearn.preprocessing import StandardScaler из sklearn.конвейерный импорт Pipeline # загрузить набор данных dataframe = read_csv ("sonar.csv", header = None) dataset = dataframe.values ​​ # разделить на входные (X) и выходные (Y) переменные X = dataset [:, 0:60] .astype (float) Y = dataset [:, 60] # кодировать значения классов как целые числа encoder = LabelEncoder () encoder.fit (Y) encoded_Y = encoder.transform (Y) # выпадение скрытых слоев с ограничением веса def create_model (): # create model model = Sequential () model.add (Dense (60, input_dim = 60, activate = 'relu', kernel_constraint = maxnorm (3))) model.add (Dropout (0.2)) model.add (Dense (30, activate = 'relu' , kernel_constraint = maxnorm (3))) model.add (Dropout (0.2)) model.add (Dense (1, activate = 'sigmoid')) # Скомпилировать модель sgd = SGD (lr = 0,1, импульс = 0,9) model.compile (loss = 'binary_crossentropy', optimizer = sgd, metrics = ['precision']) модель возврата оценок = [] оценок.append (('standardize', StandardScaler ())) Estimators.append (('mlp', KerasClassifier (build_fn = create_model, epochs = 300, batch_size = 16, verbose = 0))) pipeline = Pipeline (оценки ) kfold = StratifiedKFold (n_splits = 10, shuffle = True) results = cross_val_score (pipeline, X, encoded_Y, cv = kfold) print ("Скрытый:% .2f %% (% .2f %%) "% (results.mean () * 100, results.std () * 100))

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности.Попробуйте запустить пример несколько раз и сравните средний результат.

Мы видим, что для этой проблемы и для выбранной конфигурации сети использование исключения в скрытых слоях не привело к повышению производительности. Фактически производительность была хуже базовой.

Возможно, потребуются дополнительные эпохи обучения или потребуется дальнейшая настройка скорости обучения.

Советы по использованию Dropout

Исходная статья о Dropout предоставляет экспериментальные результаты по набору стандартных задач машинного обучения.В результате они предоставляют ряд полезных эвристик, которые следует учитывать при использовании исключения на практике.

• Как правило, используйте небольшое значение выпадения нейронов 20% -50%, при этом 20% служат хорошей отправной точкой. Слишком низкая вероятность имеет минимальный эффект, а слишком высокое значение приводит к недостаточному обучению сети.
• Используйте сеть большего размера. Вы, вероятно, получите лучшую производительность, когда dropout используется в более крупной сети, что дает модели больше возможностей для изучения независимых представлений.
• Используйте отсев как для входящих (видимых), так и для скрытых единиц. Применение отсева на каждом уровне сети показало хорошие результаты.
• Используйте большую скорость обучения с затуханием и большим импульсом. Увеличьте скорость обучения в 10–100 раз и используйте высокое значение импульса 0,9 или 0,99.
• Ограничение размера веса сети. Большая скорость обучения может привести к очень большому весу сети. Было показано, что наложение ограничений на размер сетевых весов, таких как регуляризация максимальной нормы с размером 4 или 5, улучшает результаты.

Дополнительные ресурсы по выбыванию

Ниже приведены некоторые ресурсы, которые можно использовать, чтобы узнать больше о отсеве в нейронных сетях и моделях глубокого обучения.

Сводка

В этом посте вы открыли для себя метод регуляризации отсева для моделей глубокого обучения. Вы узнали:

• Что такое выпадение и как оно работает.
• Как можно использовать отсев в собственных моделях глубокого обучения.
• Советы по получению наилучших результатов от исключения на ваших собственных моделях.

У вас есть вопросы по поводу отсева или по поводу этой должности? Задайте свои вопросы в комментариях, и я постараюсь ответить.

Разрабатывайте проекты глубокого обучения с помощью Python!

Что, если бы вы могли разработать сеть за считанные минуты

... всего несколькими строками Python

Узнайте, как это сделать, в моей новой электронной книге:
Deep Learning With Python

Он охватывает сквозных проектов по таким темам, как:
Многослойные персептроны , Сверточные сети и Рекуррентные нейронные сети и другие...

Наконец-то привнесите глубокое обучение в

Ваши собственные проекты

Пропустить академики. Только результаты.

Посмотрите, что внутри

Как снизить процент отсева на онлайн-курсах

Почему так много отсева на онлайн-курсах? Ожидания могут быть большой частью этого

Исследования показывают, что, хотя регистрация онлайн-классов увеличивается, до 40-80% онлайн-студентов бросают учебу! Многие студенты предпочитают онлайн-обучение традиционным классам, потому что они думают, что онлайн-уроки могут быть меньшим бременем для их жизни, будь то с точки зрения финансов или времени.Стоимость занятий, поскольку она относится исключительно к сфере деятельности учебных заведений, выходит за рамки данной статьи, поскольку в этой статье основное внимание будет уделено ожидаемому времени. Конечно, онлайн-классы могут сократить время, затрачиваемое на дорогу в класс. Однако некоторые учащиеся также ожидают, что онлайн-классы могут быть проще и потребуют меньше времени и усилий. Но это может быть не всегда, особенно с учетом академических и технических навыков студента. Вот несколько практических способов преодолеть разрыв между ожиданиями студентов и реальностью электронного обучения.

5 советов по подготовке студентов к курсу

Еще до регистрации на курс учебные заведения и преподаватели должны прояснить ожидания, чтобы помочь студентам с самого начала добиться успеха.

1. Предоставление активных академических консультаций

Исследования показывают, что студенты, которые были более подготовлены к учебе, если судить по более высоким средним баллам до начала онлайн-курсов, с большей вероятностью завершили курсы. Учреждения должны оказывать академическую консультативную поддержку онлайн-студентам, чтобы студенты записывались в соответствующие классы.Учреждения и учителя могут работать вместе, чтобы выяснить, являются ли какие-либо классы обязательными.

2. Выделите предварительные требования

Учителя должны четко описывать курс, предупреждая учащихся обо всех необходимых знаниях или навыках, которые необходимы перед занятием. При необходимости учителя могут предоставить ссылки и ресурсы для обучения этим знаниям или навыкам или потребовать сначала другие классы.

3. Включите оценку времени в описание курса

В то время как онлайн-классы обычно допускают большую гибкость, с гибкостью приходит неопределенность и повышенная потребность в ясности.При написании руководств по выбору курса укажите предполагаемое или необходимое количество часов в неделю для выполнения работы в описании курса. Конечно, если есть определенное время, когда учащиеся должны быть онлайн, эти часы также должны быть отмечены, чтобы учащиеся могли более точно увидеть, могут ли они посвятить себя занятиям. Описание должно дать студентам реалистичное представление о том, какой тип работы и какие основные задания им необходимы.

4. Примите во внимание комментарии студентов

В обычных кампусах студенты имеют преимущество обсуждать со сверстниками курсы, в том числе спрашивать других о классах, которые другие посещали ранее, чтобы заранее оценить класс.В онлайн-руководстве по выбору курса, а также во введении или ознакомлении с курсом может быть предоставлен раздел комментариев, чтобы предыдущие студенты могли оставлять советы новым студентам. Чтобы собрать больше советов, этот раздел комментариев может быть частью типичного опроса, который проводится студентам в конце курса. Учитель может модерировать раздел, чтобы советы были полезными и уместными.

5. Инвестируйте в техническую поддержку и документацию

Некоторые учащиеся разочаровываются в технологии и бросают учебу еще до того, как смогут изучить содержание из-за технических проблем.Хотя большинство технологий, используемых для онлайн-курсов, не являются исключительно сложными, они все же, вероятно, отличаются от типичных повседневных технологий, и даже студенты, которые считают себя знакомыми с регулярным использованием онлайн-курсов, могут столкнуться с трудностями в выяснении специфики LMS (системы управления обучением). ) или онлайн-класс. Технические требования и инструкции должны быть подробными, чтобы студенты знали, как получить доступ к курсу. Учреждения должны гарантировать, что онлайн-студенты могут легко получить доступ к технической поддержке, будь то онлайн или по телефону.Программное обеспечение для записи экрана, такое как EverCam, можно использовать для создания пошаговых видеоуроков.

5 советов, которые помогут студентам на протяжении всего курса

Сообщите о своих ожиданиях в начале урока и закрепите их на протяжении всего урока. Повторение - ваш друг (и друг ваших учеников)!

1. Максимально используйте ориентацию

Начало курса должно включать: приветственное сообщение, ожидания, правила, программу с указанием сроков выполнения заданий, целей курса, необходимых материалов (включая любые книги и технические средства) и любую другую полезную информацию, которая поможет студентам предвидеть объем класс.

2. Продемонстрируйте задания учащихся

Ориентация также должна содержать описание необходимой технологии и инструкции по ее использованию. Краткие пошаговые видеоролики, записанные с экрана, могут легко продемонстрировать задачи и технологии, необходимые для класса, например, как загрузить задание, где найти модуль онлайн-обсуждения или как войти в онлайн-экзамен.

3. Разделите курс на управляемые сеансы

Учебная программа и курс должны быть составлены из четко запланированных, управляемых разделов, которые помогут студентам сразу узнать, насколько они продвинулись и сколько еще работы необходимо сделать, чтобы студенты могли планировать соответственно.

4. Сделайте инструкции ясными и ясными

Во избежание недоразумений учителя должны быть уверены, что каждое задание сопровождается четкими инструкциями, детализирующими требования. Помимо письменных инструкций, учителя могут записывать видеоролики, которые более четко объясняют или демонстрируют, как выполнять или загружать задания. В некоторых случаях могут быть уместны рубрики и образцы проектов, которые также помогут учащимся лучше понять ожидания учителя.

5. Выпускные экзамены и проекты по телеграфу

Особенно в связи с приближением конца курса, но также и на протяжении всего курса учителя могут помочь подготовить своих учеников к выпускным экзаменам и проектам, указав на определенное содержание и навыки, которые будут иметь жизненно важное значение.Учителя могут разбивать окончательные проекты на части, чтобы учащиеся могли начать работу над ними раньше, например, назначая учащимся, когда начинать мозговой штурм или когда начинать исследования. Постоянно напоминая ученикам и готовя их к выпускным экзаменам и проектам, учителя помогают ученикам предвидеть и ожидать завершения.

Подготовка учеников к ожиданиям до и на протяжении всего курса может снизить процент отсева. Студенты, у которых есть правильное представление о времени класса, академических знаниях и технологиях, - это студенты, которые могут хорошо закончить.