1.掺入钢渣粉套筒微膨胀灌浆料，其特征在于,由以下各组分混合而成,各组分按质量百分比构成如下:水泥：40-45％；

钢渣粉：30-35％；

细砂：1-2％；

减水剂：1-2％；

缓凝剂：1-2％；

消泡剂：1-2％；

其余为水；

所述钢渣粉平均粒径要小于水泥颗粒粒径且不超过20μm且碱度应满足大于2.2的要求；

所述细砂为连续级配的石英砂，细砂的粒径小于2.3mm。

2.根据权利要求1所述的掺入钢渣粉套筒微膨胀灌浆料，其特征在于：所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合而成的复配水泥。

3.根据权利要求1所述的掺入钢渣粉套筒微膨胀灌浆料，其特征在于：所述减水剂为聚羧酸减水剂，所述缓凝剂为葡萄糖酸钠缓凝剂，所述消泡剂为有机硅类粉末状消泡剂。

4.掺入钢渣粉套筒微膨胀灌浆料的制备方法，具体步骤如下，其特征在于：

1)将水泥、钢渣粉和细砂按配料比混均；

所述水泥是由硫铝酸盐水泥和普通硅酸盐水泥混合制得的复配水泥；

所述钢渣粉制备过程如下；

对炼钢过程中产生的废渣进行收集，并高温液化，将液态钢渣落到旋转的粒化轮上被破碎，沿切线方向抛出，同时喷水冷却，喷水过程利用高温液态渣的显热洒水产生物理力学作用和f-CaO水解作用使渣碎化；

通过筛选设备，筛选出粒径不超过20μm的颗粒；

所述细砂由连续级配的石英砂筛选获得且保证细砂的粒径小于2.3mm；

2)将减水剂、缓凝剂按配料比混合均匀；

3)将上述两种物料混合均匀，并缓慢加入对应配比的消泡剂和水，加入过程中消泡剂需要保证温度为-5摄氏度，水温度为2摄氏度；

4)加入后再次混合均匀后进行封装，并常温冷却保存。

5.掺入钢渣粉套筒微膨胀灌浆料的膨胀效应检测方法，具体步骤如下，其特征在于：

1)计算钢渣粉的矿物组成，包括：C3S、C2S、C4AF、C7PS2、C2F、f-CaO，计算出所含矿物的摩尔数；

2)使用压蒸法检测混合材料，同时计算混合材料的压蒸膨胀值；

3)针对不同材料所对应的膨胀值，训练BP神经网络模型，步骤为：步骤3.1设计BP神经网络结构，BP神经网络结构包括：输入层、隐含层和输出层，将步骤

1)和步骤2)计算样本的矿物摩尔数、压蒸膨胀值和所对应的钢渣粉比例作为样本特征x当作输入层的输入，xi,i＝(0,1,...,n-1)是输入层第i个神经元输入，将样本所对应的膨胀值y作为神经网络输出层的输出，yk,k＝(0,1,...,m-1)是第k个神经元的输出，BP神经网络模型结构的计算公式为：其中，n、l、m分别代表BP神经网络输入层、隐含层和输出层神经元的节点个数，vij和wjk分别表示输入层第i个神经元节点到隐含层第j个节点权值和隐含层第j个神经元节点到输出层第k个节点权值，θj是网络隐含层节点阈值，φk是网络输出层节点阈值，f1是网络隐含层传递函数，f2是网络输出层传递函数；

步骤3.2为了减少BP神经网络模型输出值与真实值之间的误差，设置损失函数作为模型优化目标：Ok是神经网络输出结果；

步骤3.3BP神经网络首先正向传播，训练样本经过网络的传递，得到输出值；然后误差反向传播，计算正向传播得到输出值的误差E，根据误差再反馈到输入层，同时更新网络中的权值与阈值，权值变化量需要满足下式：步骤3.4在迭代过程中，当损失函数E小于阈值或达到初始设定的迭代终止次数，则模型训练结束，否则返回步骤3.2，停止迭代后最终获得训练完成的BP神经网络模型；

4)通过步骤1)和步骤2)计算待测掺入钢渣粉套筒微膨胀灌浆料的矿物摩尔数、压蒸膨胀值和所对的钢渣粉比例，作为输入特征输入到训练完成的BP神经网络模型中，最终输出材料的膨胀值。