自密实混凝土(以下简称SCC)的工作性能容易受到现场条件波动,特别是水分含量波动的影响而发生变化。利用深度学习模型预测搅拌中的SCC工作性能,包括扩展度值(以下简称SF)和V漏斗时间(以下简称VF),结果较为准确,可以替代出锅后的工作性能检测,以此为基础可以在搅拌时自动推算材料的调整量,实现智能搅拌。利用深度学习预测工作性能的研究过程复杂,确保深度学习与工程特点相适应是其中基础和关键的工作。本文采用图像处理和深度学习模型计算相结合的方法,围绕深度学习与SCC数据的结合问题开展了系统的研究。深度学习需要大量训练数据,否则泛化能力不足,但SCC搅拌实验提供的数据有限。本文利用SCC搅拌视频包含多个搅拌循环、循环周期固定的特点,将每个搅拌循环视作一次独立的SCC搅拌试验,仅通过31组SCC搅拌试验就为深度学习提供了大约1,500组图像序列数据。进一步采用数据增强的方法,将数据量扩充为4,000到12,000组。模型预测结果证明了准备的数据是充足的。针对训练数据容易导致过拟合的情况,采用灰度化、仿射变换、切割区域、灰度直方图均值化等方法对SCC搅拌图像序列进行预处理,排除了数据中不利于特征提取的冗余信息。针对计算复杂度较大、训练耗时较长的情况,选择不同的时间分辨率对数据进行降采样,在确保模型预测结果的同时降低了计算复杂度。针对自动提取SCC搅拌视频的空间信息和时序信息的问题,本文采用卷积神经网络和循环神经网络分别承担两类信息的提取任务,并利用时间分布层将两种网络耦合在一起,建立了深度学习模型,可以准确地预测SF、VF值。讨论了卷积核的个数和尺寸、输出空间维度、时间分辨率等参数对模型训练和预测性能的影响规律。预测结果表明,用模型同时预测SF、VF值,其准确性高于只预测SF值的情形,实际值与预测值的拟合优度达到了0.95以上。提出了利用分步加水试验推算SCC拌合物的实际含水量的方法。该方法的前提是SCC的SF值与拌合物实际含水量之间存在线性相关关系。进行一次SCC基准试验和现场条件下的分步加水试验,利用搅拌中的一系列SF值对现场情况下的实际含水情况进行推算。利用模拟现场条件的SCC试验、推算润锅带来的水量损失的试验对方法进行验证。结果表明,利用该方法推算出的结果进行调整,可以准确地将SCC的SF、VF值调整至合格。