最新录用 | 当期目录 | 过刊浏览 | 热点文章 | 虚拟专辑 | 阅读排行 | 下载排行 | 引用排行 | 期刊订阅

中国腐蚀与防护学报, 2024, 44(6): 1601-1609 DOI: 10.11902/1005.4537.2024.017

研究报告

基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法

梁梓豪1,2,3, 应宗权1,2,3, 刘梅梅,1,2,3, 杨帅1,2,3

1.中交四航工程研究院有限公司 广州 510230

2.中交集团建筑材料重点实验室 广州 510230

3.水工构造物耐久性技术交通运输行业重点实验室 广州 510230

Prediction Method for Reinforced Concrete Corrosion-induced Crack Based on Stacking Integrated Model Fusion

LIANG Zihao1,2,3, YING Zongquan1,2,3, LIU Meimei,1,2,3, YANG Shuai1,2,3

1. CCCC Fourth Harbor Engineering Institute Co., Ltd., Guangzhou 510230, China

2. Key Laboratory of Construction Materials, CCCC, Guangzhou 510230, China

3. Key Laboratory of Harbor & Marine Structure Durability Technology, Ministry of Transport, Guangzhou 510230, China

通讯作者: 刘梅梅，E-mail:lmeimei@cccc4.com，研究方向为钢筋混凝土结构耐久性

收稿日期: 2024-01-12   修回日期: 2024-03-21  

基金资助: 国家重点研发计划.  2022YFB2603000

Corresponding authors: LIU Meimei, E-mail:lmeimei@cccc4.com

Received: 2024-01-12   Revised: 2024-03-21  

Fund supported: National Key R&D Program of China.  2022YFB2603000

作者简介 About authors

梁梓豪，男，1997年生，硕士，助理工程师

摘要

为了解决传统经验公式模型对钢筋混凝土锈胀开裂预测方法存在的公式不统一、精度有限等问题的局限性，本文提出一种基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法。首先，通过文献收集的223组钢筋混凝土锈胀开裂试验数据进行数据预处理；其次，基于支持向量回归(SVR)、随机森林(RF)和极端梯度提升树(XGBoost)算法分别进行贝叶斯优化超参数、模型训练及评估，采用决定系数R2、平均绝对误差(MAE)和均方根误差(RMSE)对比分析3种机器学习模型的预测性能，并在此基础上搭建基于Stacking融合多种算法的预测模型；最后，对所提出的机器学习模型和传统经验公式模型进行泛化性能验证，并探讨基于XGBoost模型的可解释性分析。结果表明：与其他机器学习模型相比，基于Stacking集成模型的预测精度和泛化性能较好，且可解释性分析结果说明模型预测逻辑与实际工程经验较为吻合。研究结果有助于提高钢筋混凝土锈胀开裂预测精度，可为决策者在实际工程提供科学的理论指导。

关键词： 钢筋混凝土 ; 锈胀开裂 ; 机器学习 ; Stacking算法 ; XGBoost算法 ; 可解释性分析

Abstract

In predicting corrosion-induced cracking of reinforced concrete, traditional empirical formulas used are varied with limited precision of prediction. To address these limitations, this paper presents a method based on the stacking of models to predict the cracking of reinforced concrete due to corrosion induced expansion. Firstly, 223 sets of test data on the cracking of reinforced concrete due to corrosion induced expansion were collected from published articles and processed in advance. Next, Bayesian optimization of hyperparameters, model training, and evaluation were conducted separately based on Support Vector Regression (SVR), Random Forest (RF), and Extreme Gradient Boosting (XGBoost) algorithms. Determination coefficient (R2), mean absolute error (MAE), and root mean square error (RMSE) were utilized for a comparative analysis of the prediction performances of three machine learning models. On this basis, a prediction model integrating multiple algorithms with the Stacking method was proposed. Finally, the generalization performances of the proposed prediction model and traditional empirical formula models were verified, and the XGBoost model was employed to analyze the interpretability of the proposed model. As revealed in the results, the proposed model has better prediction accuracy and generalization performance than other machine learning models. The interpretability analysis result demonstrates that the prediction of the proposed model logic matches the practical engineering experience. This finding is conducive to improve the prediction accuracy of thecorrosion-induced cracking of reinforced concrete, and can provide scientific theoretical guidance for decision-makers in practical engineering.

Keywords： reinforced concrete ; corrosion-induced cracking ; machine learing ; stacking algorithm ; XGBoost algorithm ; interpretability analysis

PDF (3787KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

梁梓豪, 应宗权, 刘梅梅, 杨帅. 基于Stacking集成模型融合的钢筋混凝土锈胀开裂预测方法. 中国腐蚀与防护学报[J], 2024, 44(6): 1601-1609 DOI:10.11902/1005.4537.2024.017

LIANG Zihao, YING Zongquan, LIU Meimei, YANG Shuai. Prediction Method for Reinforced Concrete Corrosion-induced Crack Based on Stacking Integrated Model Fusion. Journal of Chinese Society for Corrosion and Protection[J], 2024, 44(6): 1601-1609 DOI:10.11902/1005.4537.2024.017

钢筋混凝土在复杂的环境下服役时，环境中的Cl-会侵蚀结构内部导致钢筋出现锈蚀，随着锈蚀量的增多，钢筋与混凝土交界处出现裂缝，而钢筋锈蚀导致混凝土结构开裂被认为是钢筋混凝土结构耐久性失效的主要原因[1,2]。因此，探究锈胀裂缝宽度、钢筋锈蚀率以及钢筋混凝土材料性能之间的关系，对于混凝土结构耐久性的评估具有十分重要的工程意义。

目前，国内外许多学者对混凝土锈胀开裂过程的研究主要集中在数值模拟和试验方法。如有学者[3,4]使用非线性有限元方法对钢筋混凝土锈蚀开裂的演变过程和影响因素进行模拟分析，但此方法难以给出锈胀裂缝宽度与钢筋锈蚀率之间的关系式。此外，有学者[5~8]通过快速锈蚀试验给出了混凝土表面锈胀裂缝宽度与钢筋截面锈蚀率之间的关系式，如惠云玲[5]考虑混凝土表面锈胀裂缝宽度随不同参数的影响，对长期室外暴露混凝土试件破型取样，提出了钢筋混凝土锈蚀程度的预测方法，给出了钢筋锈蚀率与裂缝宽度、保护层厚度、钢筋直径和混凝土强度之间的经验公式；邸小坛和周燕[6]通过大量工程调查和试验研究，提出了基于混凝土表面裂缝宽度、保护层厚度、钢筋直径以及混凝土强度的钢筋锈蚀率经验公式，并给出在不同混凝土裂缝剥离状态下钢筋锈蚀率的区间范围。然而，基于试验方法不仅周期长、工作量大、成本高、所获得计算精度和试验数据有限，导致经验公式模型泛化性能差，而且对于影响钢筋锈蚀率的因素众多，实验方法无法充分考虑影响因素之间复杂映射关系。因此，找到一种能够快速且准确地评估结构健康状况的方法至关重要。

近年随着计算机的快速发展，基于人工智能和机器学习方法来解决复杂的工程问题引起了各领域的关注[9~15]。Liu等[16]提出了4种集成学习方法进行再生混凝土抗硫酸盐侵蚀性能预测，并通过重要性分析得到再生混凝土的抗硫酸盐侵蚀能力对干燥状态下的环境条件较为敏感的结论。Li等[17]提出了基于机器学习方法对超高性能混凝土与钢筋之间的粘结强度进行数据驱动分析，结果表明人工神经网络和随机森林的评估性能比经验公式更优，钢筋嵌入深度与钢筋直径之比对粘结强度有显著影响。Huang等[18]基于混合机器学习算法预测锈蚀钢筋混凝土粘结强度，结果表明，与传统经验模型相比，机器学习模型的预测性能远高于经验公式。胡以婵等[19]提出了一种基于Stacking模型融合的高性能混凝土强度预测方法，并验证极端梯度提升树(XGBoost)和随机森林(RF)融合模型比传统机器学习和经验公式模型的预测精度和泛化性能要好。由此可见，机器学习模型在工程实际研究中具有一定的潜力。然而，鲜有研究采用机器学习模型开展对钢筋混凝土锈胀开裂进行预测。

为了解决上述方法存在的局限性，本文将XGBoost、RF和支持向量回归(SVR)算法与集成学习方式进行融合，提出一种基于Stacking集成模型融合的钢筋混凝土锈胀开裂的预测方法。研究表明，与传统机器学习算法和经验公式模型相比，基于Stacking集成多种机器学习算法的模型在泛化性能和预测精度上得到一定的提升，研究结果具有较好的工程应用前景，可为探究钢筋混凝土锈胀裂缝发展规律提供理论参考。

1 数据处理

1.1 数据统计

本文通过对试验[20~28]数据进行汇总，搭建一个基于机器学习模型的数据库，试验数据共计223组。数据库中将裂缝宽度、混凝土抗压强度、钢筋直径和保护层厚度作为模型输入特征，将锈蚀率作为模型输出特征。数据统计分析如图1a~e所示。由此可见，输入变量分布不均匀，各特征在量级上存在差异。因此，为了消除数据之间量纲的影响，在训练机器学习模型前需要对这些数据进行标准化[29]处理，本文按 式(1)进行标准化计算。

X=x-μσ

其中，X为标准化的特征数据；x为原始特征数据；μ为特征样本数据的平均值；σ为特征样本数据的标准差。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   模型输入和输出特征数据统计

Fig.1   Model input and output feature data statistics: (a) concrete strength, (b) protection thickness, (c) crack width, (d) reinforcement diameters, (e) corrosion rate


1.2 相关性分析

为了避免输入相似的特征以及出现过拟合问题，本文使用Pearson相关系数[30](式(2))来确保所选择的参数用于预测的有效性。图2为根据样本数据中变量所计算的相关性热力图，它提供了各变量之间的相关系数，色带范围在-1(完全负相关)到1(完全正相关)。由此可见，相关性最大值为0.41和最小值为-0.15，说明所选特征不存在强相关性。基于以上分析，可以认定裂缝宽度、混凝土强度、直径和保护层厚度可作为预测钢筋锈蚀率的影响因素。

r=∑i=1nXiYi-∑i=1nXi∑i=1nYi∑i=1nXi2-∑i=1nXi2∑i=1nYi2-∑i=1nYi2

其中，Xi和Yi为数据集中的两个特征。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   相关性分析热力图

Fig.2   Heat map for correlation analysis


1.3 数据集划分

此外，机器学习模型对于未知事件的预测结果质量主要取决于其泛化能力。因此，一个完整的模型训练过程必须包括对泛化性能的评估。将数据样本划分为训练集和测试集的目的正是为了验证基于训练集得到的模型在测试集上的分类效果。值得注意的是，测试集是完全独立于训练集，不参与模型训练过程。机器学习模型的泛化性能主要体现在对于测试集的预测表现。因此，将样本数据的80%用于模型训练，20%用于模型测试。

2 机器学习方法

考虑到钢筋混凝土锈胀开裂各种影响因素之间存在复杂的关系，本文将比较3种经典的机器学习方法，分别为SVR、RF和XGBoost。文献[31~33]已经对这3种方法进行详细的描述，因此本文将以上方法简要阐述其基本的原理。

2.1 支持向量机模型

SVR模型是由Vapnik[31]提出，其基本原理是通过非线性映射将输入参数映射到一个高层特征空间，随后在该空间中识别超平面以用于线性回归或分类，该映射过程涉及核函数的应用。其主要超参数包括核函数、惩罚因子等。SVR模型预测主要由下式实现：

P=∑i=1nai-ai*Ksi, x+w0, ai*∈0, C

其中，Ksi, x为核函数；si为支持向量；C为正则化参数。

2.2 随机森林模型

RF模型是由国外研究学者Breiman[32]在2001年提出。该算法采用Bootstrap随机放回采样，并使用并行计算方式来提高模型的泛化能力。其原理是基于Bootstrap抽样进行多轮抽样，每轮抽样中随机选取一个输入特征子集；然后，可以基于每个新的数据集和对应的特征来训练多个单独的决策树；最后，可以通过对每个决策树的结果进行投票或平均来确定RF模型的预测。对于回归问题，RF模型的输出是通过平均每个决策树的结果获得的，可以描述成下式：

Px=1N∑N1ri(x)

其中，Px为数据集的子集和随机选择的特征训练的第i个基础学习器的结果。

2.3 XGBoost模型

XGBoost是由陈天奇等[33]于2015年提出的一种开源机器学习模型。其原理是基于boosting框架的一种算法，与传统梯度提升决策树(GBDT)相比，它通过对损失函数进行二阶Taylor展开、正则化和并行计算等方法进行改进，提高了模型的预测性能。它的目标函数可以由下式表达：

Pobj=∑i=1nLyi, fixi+∑i=1nΩ

其中，L为损失函数；Ω为所有弱学习器的正则化项，以防止过拟合。

2.4 Stacking集成模型

Stacking最早由Wolpert[34]于1992年提出，是一种可集成多种机器学习模型的算法。其原理是通过集成多个基学习器的输出结果，充分融合多个基学习器的优异性能，进一步提升模型的泛化性能，从而实现更优越的预测性能和降低误差。Stacking集成模型框架如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   Stacking集成模型框架

Fig.3   Stacking integrated modeling framework


2.5 模型超参数优化

机器学习算法的使用经常涉及对学习参数和模型的超参数调整，以便输出最优的结果，目前研究中常用的超参数优化方法有网格搜索[35]和随机搜索[36]。但上述两种方法存在耗时较长，算力要求高，当参数过多时训练成本呈指数上升问题的局限性。在解决机器学习的超参数优化问题上，Bayes优化方法[37]是一种非常高效的优化算法，其原理是给定优化的目标函数，通过少数次添加采样点来优化目标函数的后验分布，直到后验分布得到最优的模型超参数组合，优点在于减少迭代次数来提高模型寻优的速度。实验证明[9,37]，Bayes优化方法性能优于其他全局优化方法。因此，本文考虑将此方法应用到机器学习算法的超参数优化。

2.6 评估指标

为了评估机器学习模型的可靠性，需要对模型的预测性能进行评价。对于回归预测问题，本文选用决定系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)来对钢筋混凝土锈胀开裂预测模型进行评估。具体计算方法分别如下式：

R2=1-∑i=1nyi-pi2yi-pobs2
MAE=1n∑i=1nyi-pi
RMSE=1n∑i=1nyi-pi2

其中，i为测试集样本的个数，yi为样本的真实值，pi为样本的预测值，pobs为样本真实值的平均值。R2的值越大，说明模型拟合精度越高，其预测准确性也越高；MAE和RMSE的值越小，说明模型预测的误差也越小，其预测的准确性也越高。

3 模型预测及结果分析

3.1 预测结果分析

本文基于XGBoost、RF和SVR 3种机器学习模型对钢筋混凝土锈胀开裂进行预测，采用Bayes优化方法理论优化各个模型超参数，并采用上述2.6节中3种评估指标对模型进行评价，结果如表1所示。由此可见XGBoost预测性能表现最好，在测试集上的R2为0.883、RMSE为1.31、MAE为0.95，其次是RF和SVR，它们的各个指标分别是R2为0.837和0.773、RMSE为1.55和1.83、MAE为1.09和1.46。值得注意的是XGBoost和RF均为集成机器学习模型，它们的工作原理是通过结合多个基学习器的预测结果来改善基学习器的泛化能力和鲁棒性，其优异的预测性能已在多项研究[16,18]中得到证实。

表1   机器学习模型预测结果比较

Table 1  Comparison of prediction results of machine learning models

ArithmeticHyperparameterizationOptimal parameter valuesR2RMSE/%MAE/%
Stacking//0.9061.170.88
XGBoostn_estimator2220.8831.310.95
max_depth9
gamma3
learning_rate0.3
RFmax_depth90.8371.551.09
min_samples_split2
min_sample_leaf1
n_estimators125
SVRC320.7731.831.46
Gamma1

新窗口打开| 下载CSV


此外，采用基于Stacking集成XGBoost、RF和SVR模型融合的钢筋混凝土锈胀开裂预测结果优于其他3种单一的机器学习模型，相比于XGBoost、RF和SVR，Stacking集成模型预测结果的R2为0.906，分别提升2.64%、8.16%和17.17%；RMSE为1.17，分别降低10.67%、24.52%和36.06%；MAE为0.88，分别降低7.37%、19.27%和39.73%。这说明Stacking可以改善其他模型的预测性能，并融合了多种模型的优点，进一步提高模型整体的预测精度。

图4为标准化Taylor图，该图以图形的形式比较不同模型的性能，通过RMSE、R2和标准差来量化各个模型的预测值与真实值之间的对应关系。基于该图，最接近观测数据点(REF点)的模型即是具有最高精度。由此可见，基于Stacking集成模型融合(圆点)的预测精度比其他3种机器学习模型精度高，误差更低。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   标准化泰勒图

Fig.4   Standardized Taylor diagram


3.2 模型比较

为了验证机器学习模型的钢筋混凝土锈胀开裂预测方法的适用性和准确性，本文将Stacking、RF和XGBoost模型与3种传统经验公式模型的计算结果进行比较。其中，3种传统经验公式模型计算公式见表2。式中，β为钢筋锈蚀率,%；c为混凝土保护层厚度,mm；fcu为混凝土抗压强度,MPa；d为钢筋直径,mm；w为混凝土锈胀裂缝宽度，mm；δ为锈蚀深度,mm。

表2   3种传统经验公式

Table 2  Three traditional empirical formulas

Traditional empirical formulasCalculation formula
Model one[5]β=1d32.43+0.303fcu+0.65c+27.45w
Model two[27]β=94.82×1.018cfcu0.248d-1.588
Model three[38]w=4.5045δ+0.04955, β=1-1-2δd2×100%

新窗口打开| 下载CSV


从图5a~f和表3可以看出，基于机器学习预测模型的误差要小于传统经验公式模型，这主要的原因是基于机器学习模型考虑的影响因素比传统方法多，而经验公式模型只考虑了部分影响因素。因此，与经验公式模型相比，本文所提出的机器学习预测模型表现更高的准确度。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   机器学习与传统经验公式模型的预测值、真实值和绝对误差

Fig.5   Predicted values, experimental values and absolute errors obtained by machine learning and traditional empirical formula models: (a) Stacking, (b) XGBoost, (c) RF, (d) Model one[5], (e) Model two[27], (f) Model three[38]


表3   机器学习与经验公式模型误差比较

Table 3  Comparison of errors of machine learning and empirical formula models

ModelMAE / %RMSE / %
Stacking0.881.17
XGBoost0.951.31
RF1.091.55
Model one[5]3.114.18
Model two[27]3.364.59
Model three[38]4.855.57

新窗口打开| 下载CSV


3.3 模型验证

预测模型的泛化能力直接关系到该模型在实际应用的效果，应确保它对于未知事件具备一定的预测性能。因此，为进一步验证模型的泛化性能，本文使用参考文献[39]中的试验数据验证Stacking集成模型、两种机器学习模型和3种经验公式方法的泛化性能，结果如图6所示。由此可见，与经验公式模型相比，Stacking模型和机器学习模型在泛化性能上表现出更高的准确性，进一步验证机器学习模型具备一定的适用性和泛化性能。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   模型泛化性能验证比较

Fig.6   Comparison of generalization performance validations of various models


3.4 可解释性分析

为了探究各影响因素对钢筋锈蚀率的影响，本节选用XGBoost模型进行特征重要性(FI)分析。其主要的步骤是先将该特征值随机打乱输入到预测模型中，从而得到新的预测结果，然后通过计算新的预测值与原预测值的差值得到该特征的重要性，通过以上循环打乱各个参数，即可获得所有特征的重要性。利用该方法得到了裂缝宽度，混凝土强度，钢筋直径和保护层厚度4个输入参数的特征重要性排序，其贡献度分别为0.44、0.26、0.17和0.13。可以看出，锈胀裂缝宽度对钢筋锈蚀率影响最大，而保护层厚度影响最小；此外，混凝土强度是第二大的影响参数，其次是钢筋直径。

为进一步探究上述分析中的最重要影响因素对模型输出特征的影响，本节采用SHAP分析方法的单特征依赖图观察裂缝宽度的变化对钢筋锈蚀率的影响，结果如图7所示，其中X轴为裂缝宽度，Y轴为SHAP值，从图可以看出，Y=0轴线的上半区SHAP值为正，锈蚀率平均值为9.21%，下半区SHAP值为负，锈蚀率平均值为6.51%。结果表明：当裂缝宽度逐渐增大，SHAP值越大，钢筋锈蚀率变大的概率也逐渐增大。这是因为裂缝扩大使得环境中的水分子、氧气和侵蚀性离子更容易进入到钢筋内部，导致钢筋表面钝化膜破裂；其次，裂缝增大还会导致钢筋局部电化学环境变化，从而增加该区域的腐蚀敏感性。对于少数样本随裂缝宽度变大，钢筋锈蚀率变大不明显的主要原因是试验环境条件、混凝土材料性能和设计施工质量等因素也会对钢筋锈蚀程度产生影响。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   单特征依赖图

Fig.7   Single-feature dependency graph


综上所述，本文构建的XGBoost方法对模型内部机制进行解释，量化了输入参数对模型的重要程度，且可解释分析显示最重要的输入特征参数为裂缝宽度和混凝土强度，说明模型内在的预测逻辑与工程实践的经验较吻合，模型具有一定合理性和可靠性。

4 结论

(1) 提出一种基于Stacking集合模型融合的钢筋混凝土锈胀开裂预测方法，相比于XGBoost、RF和SVR，Stacking集成模型预测结果的R2为0.906，分别提升2.64%、8.16%和17.17%， RMSE为1.17，分别降低10.67%、24.52%和36.06%；MAE为0.88，分别降低7.37%、19.27%和39.73%。

(2) 与传统经验公式模型相比，本文提出Stacking模型和机器学习预测模型误差较小，均具备一定的泛化性能和适用性，而经验模型的预测值与试验真实值误差较大，说明经验模型有一定的局限性，泛化性能低。

(3) 基于XGBoost模型从全局和最重要的单特征因素开展模型可解释性分析。结果表明，裂缝宽度是最主要的影响因素，混凝土强度、钢筋直径和保护层厚度次之。随着混凝土裂缝宽度增大，钢筋锈蚀率变大的概率也会增大。说明模型的内在预测逻辑与实际工程经验较为吻合，模型具有一定合理性和可靠性。

参考文献

Bai Y L, Jin W L, Yu Y F, et al.

Reliability analysis of damaged concrete beams based on the rust crack width

[J]. J. Civ. Environ. Eng., 2023: 1-8, doi: 10.11835/j.issn.2096-6717.2023.076

[本文引用: 1]

(柏玉良, 金伟良, 余一凡 等.

基于锈胀裂缝宽度的损伤混凝土梁可靠度分析

[J]. 土木与环境工程学报(中英文), 2023: 1-8, doi: 10.11835/j.issn.2096-6717.2023.076

[本文引用: 1]

Jin W L, Zhao Y X. Durability of Concrete Structures [M]. 2nd ed. Beijing: Science Press, 2014: 1

[本文引用: 1]

(金伟良, 赵羽习. 混凝土结构耐久性 [M]. 2版. 北京: 科学出版社, 2014: 1)

[本文引用: 1]

Zhang Y, Jiang L X.

A practical mathematical model of concrete carbonation depth based on the mechanism

[J]. Ind. Constr., 1998, 28: 16

[本文引用: 1]

(张 誉, 蒋利学.

基于碳化机理的混凝土碳化深度实用数学模型

[J]. 工业建筑, 1998, 28: 16)

[本文引用: 1]

Parrott L J.

A study of carbonation-induced corrosion

[J]. Mag. Concrete Res., 1994, 46: 23

[本文引用: 1]

Hui Y L.

Assessment and predicted experimental study on corrosive degree of reinforcements in concrete structures

[J]. Ind. Constr., 1997, 27(6): 6

[本文引用: 5]

(惠云玲.

混凝土结构中钢筋锈蚀程度评估和预测试验研究

[J]. 工业建筑, 1997, 27(6): 6)

[本文引用: 5]

Di X T, Zhou Y. Inspection and Maintenance of Old Buildings [M]. Beijing: Seismological Press, 1992: 78

[本文引用: 1]

(邸小坛, 周 燕. 旧建筑物的检测加固与维护 [M]. 北京: 地震出版社, 1992: 78)

[本文引用: 1]

Wang S.

Research and durability assessment of rust expansion cracks in reinforced concrete structures

[D]. Shanghai: Tongji University, 2000

(王 深.

钢筋混凝土结构锈胀裂缝的研究及耐久性评估

[D]. 上海: 同济大学, 2000)

Tong L X.

Research on the damage of concrete and the influence for the longitudinal reinforcement corrosion by stirrup corrosion

[D]. Xi’an: Xi’an University of Architecture and Technology, 2013

[本文引用: 1]

(同立向.

箍筋锈蚀引起的混凝土保护层损伤及对纵筋锈蚀的影响研究

[D]. 西安: 西安建筑科技大学, 2013)

[本文引用: 1]

Zhang W G, Tang L B, Chen F Y, et al.

Prediction for TBM penetration rate using four hyperparameter optimization methods and random forest model

[J]. J. Basic Sci. Eng., 2021, 29: 1186

[本文引用: 2]

(仉文岗, 唐理斌, 陈福勇 等.

基于4种超参数优化算法及随机森林模型预测TBM掘进速度

[J]. 应用基础与工程科学学报, 2021, 29: 1186)

[本文引用: 2]

Wang S S, Ma S J, Che K, et al.

Application status of machine learning in field of natural environment corrosion assessment and prediction

[J]. J. Chin. Soc. Corros. Prot., 2023, 43: 441

(王莎莎, 马帅杰, 车 琨 等.

机器学习在自然环境腐蚀评估与预测领域的应用现状

[J]. 中国腐蚀与防护学报, 2023, 43: 441)

DOI     

机器学习应用于腐蚀数据的分析及腐蚀预测，已成为腐蚀学科的重要发展方向。介绍了近年来机器学习在土壤、海水及大气三种自然环境腐蚀研究中的应用现状，对比了不同环境中采用的机器学习方法及研究结果，总结了目前机器学习在三种自然环境腐蚀研究中存在的问题，展望了在材料腐蚀领域机器学习的未来发展趋势。

Yao Y, Liu G J, Li S Z, et al.

Research progress on corrosion prediction model of metallic materials for electrical equipment

[J]. J. Chin. Soc. Corros. Prot., 2023, 43: 983

(姚 勇, 刘国军, 黎石竹 等.

金属材料腐蚀预测模型研究进展

[J]. 中国腐蚀与防护学报, 2023, 43: 983)

Liu X, Wang S M, Lu L, et al.

Development on machine learning for durability prediction of concrete materials

[J]. J. Chin. Ceram. Soc., 2023, 51: 2062

(刘 晓, 王思迈, 卢 磊 等.

机器学习预测混凝土材料耐久性的研究进展

[J]. 硅酸盐学报, 2023, 51: 2062)

Liu Y, Zou X X, Yang Z W, et al.

Machine learning embedded with materials domain knowledge

[J]. J. Chin. Ceram. Soc., 2022, 50: 863

(刘 悦, 邹欣欣, 杨正伟 等.

材料领域知识嵌入的机器学习

[J]. 硅酸盐学报, 2022, 50: 863)

Xu X H, Hu Z L, Liu J P, et al.

Concrete strength prediction of the three gorges dam based on machine learning regression model

[J]. Mater. Rep., 2023, 37(2): 45

(徐潇航, 胡张莉, 刘加平 等.

基于机器学习回归模型的三峡大坝混凝土强度预测

[J]. 材料导报, 2023, 37(2): 45)

Bai T, Luo X B, Xing G H.

Prediction of abrasion resistance of pervious concrete based on machine learning

[J]. Bull. Chin. Ceram. Soc., 2024, 43: 138

[本文引用: 1]

The aim of this study is to utilize machine learning models for the prediction of the abrasion resistance of pervious concrete. 150 sets of pervious concrete abrasion resistance test data were collected and a database was constructed. 6 input parameters were identified using feature correlation analysis, namely maximum aggregate size, water/binder ratio, sand ratio, aggregate/binder ratio, fly ash ratio and rotation circle. A variety of machine learning algorithms (XGBoost, Gradient Boosting, AdaBoost, Decision Tree and Random Forest) were used to establish prediction models for the abrasion ratio of pervious concrete, and the model performance was characterized by coefficient of determination (<i>R</i><sup>2</sup>), root mean squared error (RMSE) and mean absolute error (MAE). The results show that the Gradient Boosting model exhibits high accuracy and small prediction error on both the training and test sets, and the comparative analysis with the existing theoretical models confirms the advantages of the Gradient Boosting model in predicting the abrasion ratio of pervious concrete. The research results can provide a reference for the design and application of pervious concrete, and are expected to reduce the maintenance cost of related projects.

(白 涛, 罗小宝, 邢国华.

基于机器学习的透水混凝土耐磨性能预测

[J]. 硅酸盐通报, 2024, 43: 138)

[本文引用: 1]

Liu K H, Dai Z H, Zhang R B, et al.

Prediction of the sulfate resistance for recycled aggregate concrete based on ensemble learning algorithms

[J]. Constr. Build. Mater., 2022, 317: 125917

[本文引用: 2]

Li Z J, Qi J N, Hu Y Q, et al.

Estimation of bond strength between UHPC and reinforcing bars using machine learning approaches

[J]. Eng. Struct., 2022, 262: 114311

[本文引用: 1]

Huang T, Liu T B, Ai Y, et al.

Modelling the interface bond strength of corroded reinforced concrete using hybrid machine learning algorithms

[J]. J. Build. Eng., 2023, 74: 106862

[本文引用: 2]

Hu Y C, Liang M, Xie C R, et al.

Strength prediction method of high performance concrete based on stacking model fusion

[J]. Bull. Chin. Ceram. Soc., 2023, 42: 3914

[本文引用: 1]

Strength prediction method of high performance concrete based on stacking model fusion was proposed to address the issues of large deviations and low efficiency of traditional empirical formulas for high-performance concrete strength prediction. Firstly, 1 030 sets of high-performance concrete compressive strength test data were preprocessed through data cleaning and normalization to eliminate abnormal data and the dimensional influence among data. Secondly, based on extreme gradient boosting (XGBoost), category boosting, multi-layer perceptron, and random forest (RF) algorithms, hyperparameter optimization, model training and evaluation were conducted, and the overall effect of the four base learners on strength prediction were compared and analyzed using coefficient of determination <i>R</i><sup>2</sup>, root mean square error and mean absolute error. Based on this, a Stacking ensemble learning model was constructed, which fuses multiple machine learning algorithms for concrete strength prediction. Finally, the model was validated using 103 sets of new data, and interpretable analysis was performed. The results show that compared to other combinations of base learners, the fusion model using XGBoost and RF significantly improves prediction accuracy and performance, and has good generalization performance. The interpretable analysis shows that the most important input feature variables are age and cement, indicating that the internal prediction logic of the model is more in line with engineering practice experience, having high rationality and reliability. The research results provide reference for further improving the accuracy of high-performance concrete strength prediction.

(胡以婵, 梁 铭, 谢灿荣 等.

基于Stacking模型融合的高性能混凝土强度预测方法

[J]. 硅酸盐通报, 2023, 42: 3914)

[本文引用: 1]

针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题,本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先,通过数据清洗和归一化对1 030组高性能混凝土抗压强度试验数据进行预处理,剔除异常数据及消除数据间量纲影响;其次,基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估,采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果,在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型;最后,采用103组新的高性能数据集对模型进行验证,并开展可解释分析。结果表明:与其他基学习器的组合相比,XGBoost和RF融合模型的预测精度和性能均明显提高,泛化性能较好,且可解释分析显示最重要的输入特征变量是龄期和水泥,说明模型内在的预测逻辑与工程实践的经验较吻合,具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。

Zhong X P, Peng L G, Yuan C B, et al.

Experimental research on compressive strength of concrete damaged by coupling of chlorine-corrosion

[J]. Ind. Constr., 2020, 50(12): 69

[本文引用: 1]

(钟小平, 彭蓝鸽, 袁承斌 等.

氯盐-锈蚀耦合损伤混凝土抗压强度试验

[J]. 工业建筑, 2020, 50(12): 69)

[本文引用: 1]

Xiao D, Zhao T Y, Di Z Y.

Effect of protective layer on crack of corroded reinforced concrete beam

[J]. J. Univ. Sci. Technol. Liaoning, 2015, 38: 306

(肖 丹, 赵天宇, 邸振禹.

保护层对锈蚀钢筋混凝土梁裂缝的影响

[J]. 辽宁科技大学学报, 2015, 38: 306)

Yang X M, Yang Z B, Yang L.

Relationship between corrosion rate and width of corrosion cracks in corner of concrete components with different depth of cover

[J]. Bull. Chin. Ceram. Soc., 2019, 38: 3332

(杨晓明, 杨治邦, 杨 亮.

基于不同保护层厚度下混凝土构件角区锈胀裂缝宽度与钢筋锈蚀率的关系研究

[J]. 硅酸盐通报, 2019, 38: 3332)

采用人工通电加速锈蚀法来获得6个不同锈蚀结果的锈蚀钢筋混凝土构件,在锈蚀钢筋混凝土试件的三个锈蚀表面划分网格,用裂缝观测仪对裂缝进行观测并记录裂缝的宽度值.将钢筋混凝土试件进行破型处理,获得对应裂缝位置处的钢筋锈蚀率.针对试验获得的保护层为10 mm、20 mm、30 mm下混凝土构件角部锈胀裂缝和锈蚀率的基本数据,通过数据拟合发现不同保护层厚度下锈蚀率和锈胀裂缝宽度存在明显的线性关系.最后,通过统计回归分析,将混凝土构件角部钢筋锈蚀率与裂缝宽度及保护层厚度之间的关系整合为一个回归方程,以方便其在实际工程中的应用.

Yang X M, Yang Z B, Yang L.

Study on the relationship between total width of corrosion cracks in the corner of corroded reinforcement corrosion components and corrosion rate

[J]. Bull. Chin. Ceram. Soc., 2018, 37: 3807

(杨晓明, 杨治邦, 杨 亮.

锈蚀钢筋混凝土构件角部锈胀裂缝总宽度与钢筋锈蚀率之间的关系研究

[J]. 硅酸盐通报, 2018, 37: 3807)

针对锈蚀钢筋混凝土构件角部锈胀裂缝总宽度与钢筋锈蚀率之间的关系展开研究.采用半湿通电加速法,获得三个锈蚀钢筋混凝土试件,在其上测得75组锈胀裂缝宽度和锈蚀率数据,通过观测、汇总、分析得出以下结论:对于仅沿纵筋方向的锈胀裂缝,其裂缝总宽度与纵筋锈蚀率之间存在明显的线性关系,利用二者间的拟合公式进行实际锈蚀钢筋混凝土构件内部钢筋锈蚀率的预测是可行的.对于沿纵筋和箍筋方向的双向锈胀裂缝,其裂缝总宽度与纵筋锈蚀率之间不存在明显的线性关系,在实际锈蚀混凝土结构安全检测工作中应尽量避免采用此类裂缝来预测钢筋锈蚀情况.

Wu W.

Research on concrete reinforcement corrosion process and test

[D]. Wuhan: Hubei University of Technology, 2012

(吴 伟.

混凝土钢筋锈蚀过程及试验研究

[D]. 武汉: 湖北工业大学, 2012)

Li Y.

Study on time-varying properties of load bearing-corroded reinforced concrete structures

[D]. Yangzhou: Yangzhou University, 2018

(李 叶.

持载锈蚀钢筋混凝土结构时变性能研究

[D]. 扬州: 扬州大学, 2018)

Peng J X, Hu S W, Zhang J R, et al.

Experimental study and prediction model of corrosion-induced crack width in RC structure

[J]. J. Exp. Mech., 2014, 29: 33

(彭建新, 胡守旺, 张建仁 等.

钢筋混凝土结构锈胀开裂宽度的试验研究及预测模型

[J]. 实验力学, 2014, 29: 33)

Li H B, Yang F, Zhao Y X, et al.

Model of corroded expansion force at cracking on reinforced concrete structures

[J]. J. Zhejiang Univ. (Eng. Sci.), 2000, 34(4): 67

[本文引用: 3]

(李海波, 鄢 飞, 赵羽习 等.

钢筋混凝土结构开裂时刻的钢筋锈胀力模型

[J]. 浙江大学学报(工学版), 2000, 34(4): 67)

[本文引用: 3]

Yuan L Q.

The investigation and analysis of corroded and cracked reinforced concrete

[D]. Xi’an: Xi’an University of Architecture and Technology, 2007

[本文引用: 1]

(袁立群.

混凝土结构锈胀裂缝分析与钢筋锈蚀预测研究

[D]. 西安: 西安建筑科技大学, 2007)

[本文引用: 1]

Patro S G K, Sahu K K.

Normalization: A preprocessing stage

[Z]. arXiv preprint arXiv: 1503.06462, 2015

[本文引用: 1]

Benesty J, Chen J D, Huang Y, et al. Pearson correlation coefficient [A]. CohenI, HuangYT, ChenJD, et al.

Noise Reduction in Speech Processing

[M]. Berlin: Springer, 2009: 1

[本文引用: 1]

Cortes C, Vapnik V.

Support-vector networks

[J]. Mach. Learn., 1995, 20: 273

[本文引用: 2]

Breiman L.

Random forests

[J]. Mach. Learn., 2001, 45: 5

[本文引用: 1]

Chen T, He T, Benesty M, et al.

Xgboost: extreme gradient boosting

[J]. R Package Version 0.4-2, 2015, 1: 1

[本文引用: 2]

Wolpert D H.

Stacked generalization

[J]. Neur. Netw., 1992, 5: 241

[本文引用: 1]

Lerman P M.

Fitting segmented regression models by grid search

[J]. J. Roy. Stat. Soc. Ser. C.: Appl. Stat., 1980, 29: 77

[本文引用: 1]

Bergstra J, Bengio Y.

Random search for hyper-parameter optimization

[J]. J. Mach. Learn. Res., 2012, 13: 281

[本文引用: 1]

Shahriari B, Swersky K, Wang Z Y, et al.

Taking the human out of the loop: A review of Bayesian optimization

[J]. Proc. IEEE, 2016, 104: 148

[本文引用: 2]

Andrade C, Alonso C, Molina F J.

Cover cracking as a function of bar corrosion: part I-experimental test

[J]. Mater. Struct., 1993, 26: 453

[本文引用: 3]

Wan S W, Xu J.

Experimental study on relationship between crack width and corrosion extent of concrete members

[J]. Rail. Eng., 2016, (10): 128

[本文引用: 1]

(万胜武, 徐 杰.

混凝土构件锈胀裂缝宽度与锈蚀量关系的试验研究

[J]. 铁道建筑, 2016, (10): 128)

[本文引用: 1]

/

〈 〉


版权所有 © 2017 《中国腐蚀与防护学报》编辑部　
地址: 沈阳市文化路72号, 中国科学院金属研究所(110016)
电话: +86-024-23971318，024-23971819　E-mail: jcscp@imr.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn