离岸混凝土氯离子扩散系数的人工神经网络模型
混凝土中氯离子迁移的数值模拟研究
混凝土中氯离子迁移的数值模拟研究一、研究背景及意义混凝土是建筑工程中常用的一种建筑材料，其性能受到很多因素的影响。
其中，混凝土中氯离子的迁移是影响混凝土耐久性的一个重要因素。
因此，研究混凝土中氯离子的迁移规律，对于提高混凝土的耐久性具有重要的意义。
二、研究内容本研究将采用数值模拟的方法，研究混凝土中氯离子的迁移规律。
具体研究内容如下：1. 混凝土中氯离子的扩散系数混凝土中氯离子的扩散系数是影响氯离子迁移的重要因素。
本研究将采用数值模拟的方法，计算出混凝土中氯离子的扩散系数，并分析其影响因素。
2. 混凝土中氯离子的迁移规律在计算得出混凝土中氯离子的扩散系数后，本研究将进一步计算混凝土中氯离子的迁移规律。
通过数值模拟，分析不同条件下氯离子的迁移规律，如不同温度、湿度、氯离子浓度等条件下，氯离子的迁移规律有何变化。
3. 混凝土中氯离子的影响因素分析通过对数值模拟结果的分析，本研究将进一步分析影响混凝土中氯离子迁移的因素。
比如，混凝土中氯离子浓度的大小、混凝土的孔隙结构等因素都会对氯离子的迁移产生影响。
三、研究方法本研究将采用数值模拟的方法，对混凝土中氯离子的迁移进行研究。
具体方法如下：1. 建立混凝土数值模型本研究将建立混凝土的数值模型，包括混凝土的孔隙结构、氯离子浓度等因素。
通过数值模拟，计算混凝土中氯离子的扩散系数。
2. 计算混凝土中氯离子的迁移规律在建立数值模型的基础上，本研究将进一步计算混凝土中氯离子的迁移规律。
通过数值模拟，分析不同条件下氯离子的迁移规律。
3. 分析混凝土中氯离子的影响因素通过对数值模拟结果的分析，本研究将进一步分析影响混凝土中氯离子迁移的因素。
四、研究结果及分析经过数值模拟，本研究得出了混凝土中氯离子的扩散系数、氯离子的迁移规律以及氯离子迁移的影响因素。
具体结果如下：1.混凝土中氯离子的扩散系数经过数值模拟，本研究得出不同混凝土中氯离子的扩散系数。
结果表明，氯离子的扩散系数受到混凝土孔隙结构的影响较大，同时，混凝土中氯离子浓度的大小也会对其扩散系数产生影响。
基于BP神经网络的氯离子扩散系数预测模型
督式 学 习算法 。 主要 思想 为 ： 其 对于 ｒ 个输 入学 习样
本 Ｐ ， … ， 已 知 与其 对的是使 用 网络 的实 际输 出 Ａ ， 丁 ， 丁
Ａ ， 目标矢 量 之 间 的误 差 来 修 改权 值 和 阈值 ， Ａ， 与
０９ ． ５左 右 。
１ Ｂ Ｐ神 经 网络 模 型 简 介
Ｂ Ｐ神经 网络模 型 网络 结 构一 般 由 ３部分 组成 ，
即输 入层 、 隐含层 和输 出层 （ 图 １ 。 Ｐ网络 的产 生 见 ）Ｂ
对 于一 个 特定 的 问题 ， 选择 一 个适 当的学 习 要
率不 是一 件容 易 的事 ， 通常凭 经 验或试 验方法 获取 。 即便 如此 ， 练初期 功 效较 好 的学 习率 ， 训 对后 来的训
工程 实测数 据 ， 同时考 虑 多种 影 响 因素 ， 混凝 土氯 对 离 子扩散 系数 进行 预测 ， 获得 了较满 意 的结果 。
式中 ， ｋ为训练 次数 ； ａ为学 习率 ； Ｐ 为第 个输入 矢 量 ； 为 反 向传 播 误 差 导 数 ； 动 量 因子 ， 般 取 ｅ为 一
通 过 建 立改 进Ｂ 网络 模 型 ， 混 凝 土 氯 离子 氯 离子扩 散 系数 进 行预 测 ， 该 模 型进 行 训 练 和 仿 真 后 ， 所得 到 的 结 果 Ｐ 对 对 其
与 实 际 测量 值 相 差 较 小 ， 够 达 到模 型预 测 的 要 求 ， 较 好 的 工程 实 际 意 义 。 能 有
第２ ７卷
第 ４期
３ 氯 离子 扩散 系数 预 测 模 型 的 建立
大量 工 程 调查 和研 究 结 果 表 明 ， 凝 土氯 离 子 混 扩 散 系数 主要 与混 凝 土的水 胶 比、 泥用量 、 水 用水 量
混凝土中氯离子扩散系数的计算原理
混凝土中氯离子扩散系数的计算原理一、引言混凝土结构在使用过程中，经常会受到外界的气候环境和化学物质的侵蚀，其中氯离子的渗透是导致混凝土结构破坏的主要原因之一。
因此，混凝土中氯离子扩散系数的计算是混凝土结构耐久性评估的重要内容之一。
二、混凝土中氯离子扩散的原理混凝土中氯离子的扩散是一种物质的传输过程，是指氯离子在混凝土中由浓度高的区域向浓度低的区域传播的过程。
混凝土中氯离子扩散的原理主要涉及以下几个方面：1. 氯离子的扩散过程是一种分子运动过程，其扩散速度与温度、相对湿度、混凝土含水率和氯离子浓度等因素有关。
2. 混凝土中氯离子的扩散过程是由于混凝土孔隙结构的存在。
混凝土中的孔隙主要包括毛细孔、小孔、大孔和裂缝等，其中毛细孔对氯离子的扩散影响最大。
3. 混凝土中氯离子的扩散过程还受到水分的影响。
混凝土中的水分可以使氯离子的扩散速度加快，因为水分可以降低混凝土的电阻率，从而使电荷移动更容易。
三、混凝土中氯离子扩散系数的计算方法混凝土中氯离子扩散系数的计算方法主要有以下几种：1. 水分浸泡法水分浸泡法是一种简单易行的测定混凝土中氯离子扩散系数的方法。
该方法的原理是将混凝土样品放置在氯化钠溶液中，通过测量混凝土样品中氯离子的扩散深度和时间来计算其扩散系数。
2. 电导率法电导率法是一种利用混凝土的电导率来计算氯离子扩散系数的方法。
该方法的原理是测量混凝土样品的电导率，然后根据电导率与氯离子浓度之间的关系计算氯离子的扩散系数。
3. 氯离子含量分布法氯离子含量分布法是一种通过测定混凝土样品中氯离子浓度的分布来计算其扩散系数的方法。
该方法的原理是将混凝土样品切割成若干薄片，然后测量每个薄片中氯离子的浓度分布，通过数学模型计算其扩散系数。
四、混凝土中氯离子扩散系数计算的影响因素混凝土中氯离子扩散系数的计算受到以下因素的影响：1. 混凝土配合比混凝土配合比是影响氯离子扩散系数的重要因素之一。
一般来说，水灰比越小，混凝土中的孔隙结构越紧密，氯离子的扩散系数越小。
混凝土结构的氯离子扩散系数研究
混凝土结构的氯离子扩散系数研究一、研究背景混凝土是建筑工程中常用的材料，而氯离子是混凝土中常见的一种危害物质，会导致混凝土的氯离子扩散系数增大，加速混凝土的腐蚀和老化，导致建筑物的寿命缩短。
因此，研究混凝土结构的氯离子扩散系数具有重要的理论意义和实际应用价值。
二、研究内容本篇论文旨在对混凝土结构的氯离子扩散系数进行研究，主要包括以下内容：1. 混凝土中氯离子的来源和危害2. 混凝土结构中氯离子扩散的原理和机制3. 影响混凝土结构氯离子扩散系数的因素4. 混凝土结构氯离子扩散系数的测试方法和标准5. 混凝土结构氯离子扩散系数的实验研究6. 混凝土结构氯离子扩散系数的计算模型7. 混凝土结构氯离子扩散系数的控制方法三、混凝土中氯离子的来源和危害混凝土中氯离子的来源主要包括以下几个方面：1. 混凝土原材料中的氯离子2. 外界环境中的氯离子，如海洋气候、化肥、潮湿气候等3. 氯化钠等混凝土外加剂氯离子对混凝土的危害主要表现在以下几个方面：1. 加速混凝土的腐蚀和老化2. 影响混凝土的抗压强度和抗拉强度3. 降低混凝土的耐久性和使用寿命四、混凝土结构中氯离子扩散的原理和机制混凝土结构中氯离子扩散的原理和机制主要是由于混凝土中含有微孔和毛细孔，氯离子通过这些孔道进入混凝土结构内部，使得混凝土结构内部的氯离子浓度不断增加。
同时，氯离子与混凝土中的石英、方解石、铝酸盐等物质发生反应，形成氯化物和水合物，导致混凝土结构的体积膨胀和变形。
五、影响混凝土结构氯离子扩散系数的因素影响混凝土结构氯离子扩散系数的因素主要包括以下几个方面：1. 混凝土中的孔隙度和孔径分布2. 混凝土中水泥熟化程度3. 混凝土中氯化物的浓度和种类4. 混凝土的温度和湿度六、混凝土结构氯离子扩散系数的测试方法和标准混凝土结构氯离子扩散系数的测试方法主要包括以下几种：1. 氯离子移动试验法2. 氯离子渗透试验法3. 电化学测试法混凝土结构氯离子扩散系数的标准主要包括以下几种：1. ASTM C1202-12a《混凝土氯离子扩散试验方法》2. GB/T 50082-2009《混凝土氯离子扩散系数测试方法》七、混凝土结构氯离子扩散系数的实验研究混凝土结构氯离子扩散系数的实验研究可以采用上述的测试方法进行，通过实验可以得到混凝土结构中氯离子扩散系数的数值，进而分析和研究影响混凝土结构氯离子扩散系数的因素。
混凝土氯离子扩散系数的RBF神经网络预测模型
０层 的建筑 ， 并在 １９ ９５年 的坂 神地 层 建 筑 中更 加 明 显 ， 此 在 设 计 中 应 注 意 板 端 与 墙 体 的 拉 结 ， 为 板 筑。 日本神 户地 区将其用 于 ４ 震 中证 明其安全可靠性 。 端 良好 的锚 固措 施 对 于抗 震 地 区尤 为重 要 。
混 凝 土氯 离子 扩 散 系数 的 Ｒ Ｆ神 经 网络 预测 模 型 Ｂ
唐仁 忠 孙 从 亚
摘 要 ： 出 了一种 基 于 Ｒ Ｆ神 经 网络 的 氯 离子 扩散 系数预 测 模 型 ， Ｒ Ｆ 网络 模 型预 测 的 结 果 与 另 外 三 种 不 同输 入 提 Ｂ 将 Ｂ 的 Ｒ Ｆ模 型 、 Ｐ网络 模 型 的预 测 结 果 以及 实测 结 果 进பைடு நூலகம்行 了对 比 分 析 ， 果 表 明 ， Ｂ Ｂ Ｂ 结 Ｒ Ｆ神 经 网络 模 型 相 对 其 他 输入 指 标体 系模 型 的 预 测 精 度 有 所 提 高 ， 能 满足 工程 的 需要 ， 以 作 为 氯 离子 扩散 系数预 测 的 一种 新 的 有 效 的 方 法 。 且 可
４ Ｓ Ｐ板 的发 展应 用展 望
我 国 】９ ９ ３年 从 美 国 福 霖 公 司 引 进 Ｓ Ｐ板 产 品 及 相 关 技 术 ，
１９ ９ ５年 完 成 产 品 试 用 期 ，９ ７年 由建 设 部 出 版 发 行 了 《 Ｐ预 应 力 １９ Ｓ
参考文献 ： ［ ］ 吕应 华 ， １ 张龙 飞 ． Ｐ预 应 力 空 心 板 的 发 展 与 应 用 ［ ］ 河 南 ｓ Ｊ．
成 ， 离 子在 混凝 士 中 含 量 也 不 会 因 腐 蚀 反 应 而 减 少 ， 不 采 取 氯 若
踌 将 般把混凝土中钢筋腐蚀 引起 混凝 土顺筋 开裂作 为评定 混凝 土使 处 理 措 施 ， 蚀 过 程 将 会 不 断 进 行 下 去 ， 对 结 构 的 耐 久 性 产 生 很 大 的影 响 。而 氯 盐 环 境 下 的 混 凝 土 抗 侵 人 性 一 般 用 氯 离 子 扩 用寿命的标准 ， 因此防止和减缓混凝 十中钢筋腐蚀 成为提高｝ 昆凝
海洋环境下港口工程混凝土界面过渡区氯离子扩散系数模型
Ａｂｓｔｒａｃｔ Ｃｈｌｏｒｉｄｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｐｒｏｆｉｌｅｓ ｏｆ ｃｏｎｃｒｅｔｅ ｓｐｅｃｉｍｅｎｓ ｗｉｔｈ ｐｏｒｔ ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ｔｈｅｉｒ
摘要: 通过现场暴露物理试验ꎬ 实测得到了港口工程混凝土及相对应的水泥砂浆试件中氯离子的浓度分布结果ꎬ 经回
归分析分别得到了这两种试件的氯离子扩散系数ꎮ 以此为基础ꎬ 定量评估了粗骨料的稀释、 曲折和界面过渡区效应对混凝
土中氯离子扩散系数的影响ꎬ 并建立了混凝土界面过渡区氯离子扩散系数模型ꎮ 基于混凝土中氯离子扩散的细观数值模拟
中图分类号: Ｕ ６５４
文献标志码: Ａ
文章编号: １００２￣ ４９７２(２０１８)１０￣ ００８２￣ ０９
Ｃｈｌｏｒｉｄｅ ｄｉｆｆｕｓｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｍｏｄｅｌ ｏｆ ｉｎｔｅｒｆａｃｉａｌ ｔｒａｎｓｉｔｉｏｎ ｚｏｎｅ ｏｆ ｃｏｎｃｒｅｔｅ ｗｉｔｈ ｐｏｒｔ ｅｎｇｉｎｅｅｒｉｎｇ ｉｎ ｍａｒｉｎｅ ｅｎｖｉｒｏｎｍｅｎｔ
���锈蚀、 提高港工钢 筋混凝 土 结 构 在 氯 盐 环 境 下 的 耐 久 性 具 有 重 要 意义 ２ ꎮ
混凝土是由水泥、 水、 粗骨料和细骨料经混 合后形成的一种典型的非均匀多相复合材料 ３ ꎮ 通常情况下ꎬ 其细观结构可被视为是由水泥砂浆、 粗骨料和界面过渡区这三相介质共同构成 ４ ꎮ 若 将混凝土中的粗骨料假设为三维球形ꎬ 则混凝土 三相复合材料的细观构造见图 １ꎮ 其中ꎬ Ｆａｒｒａｎ ５ 首次发现在混凝土的粗骨料和水泥砂浆这两相介 质之间存在一层厚度较小、 但其内氢氧化钙含量 和孔隙率较高的物质ꎬ 并将其命名为界面过渡区 ( ｉｎｔｅｒｆａｃｉａｌ ｔｒａｎｓｉｔｉｏｎ ｚｏｎｅꎬ 简称 ＩＴＺ) ꎮ 由于 ＩＴＺ 的 微观构造相对疏松且其内孔隙率相比水泥砂浆介 质更大ꎬ 因此ꎬ 其内氯离子扩散系数较水泥砂浆 而言要大很多ꎮ 根据刘恒 ６ 、 Ｙａｎｇ 等 ７￣９ 的研究表 明: ＩＴＺ 中氯离子的扩散系数为水泥砂浆中扩散系 数的几十倍甚至上百倍ꎮ 同样ꎬ Ｎｉｌｓｅｎ 等 １０ 经研 究后发现: 若不考虑 ＩＴＺ 的影响ꎬ 仅仅将混凝土 视为由水泥砂浆和粗骨料的两相介质构成的数值 模型不能较好地预测混凝土的耐久性ꎮ 综上所 述ꎬ ＩＴＺ 的存在会影响混凝土中氯离子的扩散特 性ꎬ 从而影响混凝土的耐久性和使用寿命ꎮ 因 此ꎬ 建立合理的混凝土界面过渡区氯离子扩散系 数模型ꎬ 对于定量评估其内氯离子的长期扩散特 性及预测混凝土结构的使用寿命具有十分重要的 意义ꎮ
混凝土氯离子扩散系数预测的两步解析法
混凝土氯离子扩散系数预测的两步解析法
周欣竹;张坚;郑建军;章丹王
【期刊名称】《浙江工业大学学报》
【年(卷),期】2015(043)006
【摘要】针对现有混凝土氯离子扩散理论模型的不足,提出了混凝土氯离子扩散系数预测的两步解析法.将混凝土看成一种是由骨料、水泥石基体和界面组成的三相复合材料,基于非均匀界面模型,估算出水泥石基体和界面的水灰比、水化度和氯离子扩散系数,然后根据微分有效介质方法,提出了混凝土氯离子扩散系数的简单解析解.做了一组混凝土氯离子扩散试验,通过与试验结果比较初步证实了所提出的两步解析法的有效性.最后通过敏感性分析量化了影响混凝土氯离子扩散系数的两个主要因素,结果表明:随着水灰比增大或骨料体积分数减小,混凝土氯离子扩散系数增大.【总页数】4页(P695-698)
【作者】周欣竹;张坚;郑建军;章丹王
【作者单位】浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014;浙江工业大学建筑工程学院,浙江杭州310014
【正文语种】中文
【中图分类】TU528.1
【相关文献】
1.粉煤灰混凝土氯离子扩散系数的ANFIS预测模型比较研究 [J], 黄露;綦春明;左江波
2.混凝土氯离子扩散系数的RBF神经网络预测模型 [J], 唐仁忠;孙从亚
3.基于深度学习的氯盐环境下高性能混凝土氯离子扩散系数的预测 [J], 周双喜;盛伟;何顺爱
4.混凝土氯离子扩散系数预测的三相复合圆——格构模拟方法 [J], 梁云滢; 郑建军; 丁建江
5.考虑材料非均质特性的混凝土中氯离子扩散系数预测模型 [J], 孙永清
因版权原因，仅展示原文概要，查看原文内容请购买。
NERNST-EINSTEIN方程在混凝土氯离子扩散系数分析中的应用
39科技创新导报 Science and Technology Innovation Herald 建 筑 科 学1 引言为确定氯离子的扩散系数,过去已经提出了一些方法。
其中一些是基于Fick定律和使用“扩散池”的方法,其他则基于NernstPlank方程和使用“电迁移池”的方法。
有关这些实验方法的理论基础可参考相关文献。
虽然很多人对电迁移试验越来越感兴趣,但是,只有很少的实验工作者能够意识到在相同电解液中离子的扩散和电解移动之间关系的重要性。
因此,一种基于Nernst－Einstiein方程的氯离子扩散系数分析方法被提出来了,且该方法也曾被用于评估混凝土的渗透性,监测钢筋的腐蚀和预测钢筋混凝土结构的寿命期。
本文主要讨论这种方法的理论和应用基础。
2 混凝土中侵蚀性离子扩散系数和混凝土电导率之间的关系侵蚀性离子的扩散对混凝土的耐久性和钢筋的腐蚀有着重要的影响力。
在混凝土硬化之后,侵蚀性离子扩散大多被混凝土的成分和细微结构所控制。
当然,相同于任何其他物理化学的反应过程,它也受温度、压力、离子类型、及其他因素影响。
由于混凝土与环境相互作用,混凝土内部成分及细微结构可能会随时间的推移而改变,即侵蚀性离子扩散是一个取决于时间的过程。
虽然在一个很长的时间内去预测侵蚀性离子的扩散系数很困难,但是可以建立一个随时能快速检测离子扩散系数的试验,并且这也是本文所关注的。
扩散通常用Fick定律来描述。
不管过程是否处于稳定状态,它都能建立如下方程,(1)这是Fick第二定律;式中,i C 是在时刻t间距x时离子i的浓度,i D 是离子i的扩散系数。
对方程[1]的解决方法是:21(),(0t D xerf C i x C i i i (2)式中,i C (x,t)是间距x和时刻t时离子i 的浓度,0i C 是间距x＝0时离子i的浓度。
众所周知,当Fick定律被用来描述扩散过程时,应做如下假定:(1)溶剂中离子不能与混合物起化学反应,(2)混合物在结构和成分中均匀存在。
混凝土氯离子扩散理论模型
混凝土氯离子扩散理论模型
余红发;孙伟
【期刊名称】《东南大学学报：自然科学版》
【年(卷),期】2006(0)S2
【摘要】回顾了混凝土氯离子扩散理论模型研究的基本进展,指出了混凝土氯离子扩散研究中存在的问题:材料非均质性、有限大体、多维扩散、可变扩散系数与可变边界条件、结构微缺陷对扩散的加速作用、氯离子结合能力及其非线性等.针对多个暴露面的有限大长方体的氯离子扩散,引进了氯离子扩散的劣化效应系数和时间依赖性常数,提出了线性氯离子结合能力及其非线性系数,采用幂函数和指数函数修正了时间边界函数,系统地解决了混凝土的氯离子扩散理论问题.经过严密的数学推导,在理论上得到了综合考虑氯离子结合能力、氯离子扩散系数的时间依赖性和结构微缺陷影响的混凝土氯离子扩散新方程.结果表明,混凝土氯离子扩散新方程的简化表达式与Fick第二扩散定律在形式上完全一致.
【总页数】9页(P68-76)
【关键词】混凝土;氯离子扩散;模型;边界条件;结合能力
【作者】余红发;孙伟
【作者单位】南京航空航天大学土木工程系;东南大学材料科学与工程学院
【正文语种】中文
【中图分类】TU528
【相关文献】
1.粘贴加固混凝土氯离子扩散的理论模型和数值模拟 [J], 姚未来;江世永;飞渭;李雪阳
2.混凝土氯离子扩散理论模型的研究I——基于无限大体的非稳态齐次与非齐次扩散问题 [J], 余红发;孙伟;麻海燕
3.混凝土氯离子扩散理论模型的研究II——基于有限大体的非稳态齐次与非齐次扩散问题 [J], 余红发;孙伟;麻海燕
4.混凝土氯离子扩散理论修正模型 [J], 刘飞
5.钢筋混凝土土中氯离子扩散理论模型分析 [J], 张建明
因版权原因，仅展示原文概要，查看原文内容请购买。
混凝土中氯离子三维扩散模型及参数拟合
第１ 期
施钢 ：混凝 土 中氯离子三维扩散模型及参数 拟合
・ ８ １・
Ｓ ；Ｄ为 氯 离子在 混凝 土 中 的扩散 系数 ，ｓ ／ ｍ ； 表示 、 、 ， 分 别 为 笛 尔卡 坐 标 ，ｍ；Ｒ 为 氯 离 子 反应 率 ， ｋ ｓ ／ （ ｍ ｓ ）． Ｔ ａ ｎ ｇ等利 用快 速扩 散试 验测 量 氯离 子扩 散 系数 ，得 出 了随时 间衰减 的扩散 系数 ．
１ 三 维 氯 离 子 扩 散 建 模
在 假设 材料 是匀 质 、各 向同性 的条件 下 ，根据 微元 内质 量 守恒原 理 和菲克 定律 ，三 维非 稳态 扩散
方 程 Ｍ 为 ｏ Ｃ ／ Ｏ ｔ＝ ａ （ Ｄ Ｏ Ｃ ／ Ｏ ｘ ） ／ Ｏ ｘ ＋Ｒ ． （ １ ）
混 凝 土 中氯 离 子 三维 扩散 模 型 及 参 数 拟 合
施 钢
（ 厦 门理 工学院材料科学与工程学院 ，福建 厦 门 ３ ６ １ ０ ２ ４ ）
［ 摘
要］提 出了基 于 Ａ Ｎ Ｓ Ｙ Ｓ有限 元分析 和试验 实测数据 拟合 的混凝 土 中氯 离子三 维非 稳 态扩散模
型．该模型 可以模拟 混凝 土与海水接 触表 面氯 离子随 时间变化的 累积 效应 、氯 离子扩散 系数 随时 间和 氯 离
式 （ １ ） 中 ：Ｃ为 氯离 子浓 度 ，当浓 度 ｑ ｌ ￣ ４ ， 时 ，可 近 似 为氯 离子 占混 凝 土 的质量 分 数 ， ％ ；ｔ 为时间，
［ 收稿 日期 ］２ ０ １ ３一 ｌ １ — ２ ６ ［ 修 回日期 ］２ ０ １ ４ — ０ ｌ — ｌ ４ ［ 作者简介 ］施钢 （ １ ９ ６ ０一 ） ，男 ，副教授 ，博士 ，研 究方 向为冶金与材料工程 、结构强度 ．Ｅ ・ ｍ ａ ｉ ｌ ： ｇ ｓ ｈ ｉ ＠ｘ ｍ ｕ ｔ
混凝土氯离子扩散理论模型
混凝土氯离子扩散理论模型一、本文概述混凝土作为建筑工程中最为常用的材料之一，其耐久性和稳定性对于建筑结构的长期安全运营具有至关重要的作用。
然而，在实际使用过程中，混凝土往往会受到各种环境因素的影响，其中氯离子的侵蚀是一个不容忽视的问题。
氯离子在混凝土中的扩散和渗透会导致钢筋的锈蚀，进而削弱混凝土结构的承载能力和使用寿命。
因此，研究混凝土中氯离子的扩散行为，建立相应的理论模型，对于预测和预防混凝土结构的耐久性损伤具有重要的理论和实践意义。
本文旨在深入探讨混凝土中氯离子的扩散理论模型。
文章将回顾氯离子在混凝土中扩散的基本原理和影响因素，包括氯离子的来源、扩散机制以及影响扩散速率的因素等。
在此基础上，文章将介绍几种常用的氯离子扩散理论模型，包括Fick第二定律模型、经验公式模型以及基于物理和化学原理的模型等。
这些模型各有优缺点，适用于不同的情况和条件。
通过对比分析这些模型的适用范围和局限性，可以为实际工程中的氯离子扩散预测和控制提供有益的参考。
本文还将讨论如何优化和改进现有的氯离子扩散模型，以提高其预测精度和实用性。
例如，可以考虑引入更多的影响因素，如混凝土材料的性质、环境条件以及氯离子的浓度变化等，以更全面地反映氯离子在混凝土中的扩散行为。
也可以尝试结合先进的数值计算方法和实验手段，建立更加精细和可靠的氯离子扩散模型。
这些研究将有助于推动混凝土结构耐久性研究的深入发展，为实际工程提供更加科学和有效的技术支持。
二、混凝土氯离子扩散的基本理论混凝土氯离子扩散理论是混凝土耐久性研究领域的重要分支，主要关注氯离子在混凝土中的传输机制和影响因素。
氯离子是混凝土耐久性破坏的主要因素之一，它能引起钢筋的锈蚀，从而严重影响混凝土结构的服役寿命。
因此，研究氯离子在混凝土中的扩散行为，对于预防和控制混凝土结构的耐久性损伤具有重要意义。
氯离子在混凝土中的扩散过程是一个复杂的物理化学过程。
在理论上，氯离子的扩散行为可以通过菲克第二定律进行描述，即氯离子在混凝土中的扩散通量与其浓度梯度成正比。
基于COMSOL模拟开裂混凝土中的氯离子扩散行为
基于COMSOL模拟开裂混凝土中的氯离子扩散行为混凝土是建筑工程中应用广泛的材料之一。
然而，混凝土在长期使用过程中会受到多种环境因素的影响，例如氯离子的入侵与扩散。
氯离子是混凝土结构中最常见的污染物之一，经常伴随着水和气氛中可引起腐蚀的化学物质。
因此，针对开裂混凝土中的氯离子扩散问题进行研究，对于混凝土结构的使用寿命和安全性具有重要的意义。
目前，COMSOL Multiphysics软件已经成为了研究混凝土开裂问题中常用的一种工具。
本文基于COMSOL Multiphysics软件，研究了开裂混凝土中氯离子的扩散行为。
1. 模型建立在计算机模拟前，需要对氯离子在混凝土中扩散的物理机制进行分析。
这里我们采用了Fick扩散定律，本质上是一种基于浓度梯度的扩散模型。
在本模型中，我们针对混凝土中的开裂以及氯离子的扩散进行建模和分析。
开裂混凝土可以看做一个具有多孔性的介质，其中孔隙模型对于模拟氯离子扩散行为有着极大的影响。
因此，我们采用了孔隙模型对混凝土进行建模。
同时，开裂混凝土内存在微裂纹，这些微裂纹具有不连续性，可以看作孔隙介质中的小孔隙，并产生竖向通道，这些通道对于氯离子的扩散速度有着较大的影响。
2. 模型求解采用COMSOL Multiphysics软件，我们将开裂混凝土视为一个多孔介质，在该介质中建立方程，进行氯离子的扩散行为仿真计算。
在计算过程中，我们使用了如下方程：$$\frac{\partial C}{\partial t}=\nabla\cdot(D[\nabla C+\frac{C}{RT}\nabla\mu])$$其中$C$是氯离子的浓度，$t$是时间，$D$为扩散系数，$\mu$为化学势，$R$为理想气体常数，$\nabla$为梯度算子。
在实际计算过程中，我们需要先对混凝土进行网格划分，得到混凝土的几何模型。
根据模型中预设的参数，COMSOL Multiphysics软件可以计算出混凝土中氯离子的浓度随时间的变化规律，从而得到其扩散行为。
混凝土氯离子扩散系数预测的格构模拟方法的开题报告
混凝土氯离子扩散系数预测的格构模拟方法的开题报告一、选题背景混凝土结构的耐久性随着使用时间的增加而逐渐降低，其中氯盐渗透是主要的危害因素之一。
当混凝土中的氯离子含量达到一定程度时，会导致钢筋腐蚀，从而严重影响混凝土结构的安全和使用寿命。
因此，氯盐渗透问题一直是混凝土结构研究中的热点问题。
氯离子在混凝土中的扩散是一种复杂的过程，目前常用的预测方法包括经验公式、数学统计法和有限元法等。
其中，有限元法具有广泛应用的优点，但是该方法需要高昂的计算成本和较高的计算精度，从而影响了其在实际工程中的应用。
因此，本课题将尝试使用格构模拟方法来预测混凝土中氯离子的扩散系数，该方法能够同时满足计算精度和计算成本的需求，有望成为一种新的、有效的混凝土氯离子扩散预测方法。
二、研究目的和内容本课题的研究目的是探索格构模拟方法在混凝土氯离子扩散系数预测中的应用，具体研究内容包括：1. 梳理国内外关于氯离子扩散预测的研究现状和发展趋势，总结当前常用的预测方法及其优缺点。
2. 研究格构模拟方法的理论基础、优势和适用范围，探讨其在混凝土氯离子扩散系数预测中的应用前景。
3. 建立混凝土氯离子扩散系数的格构模拟预测模型，考虑混凝土材料特性、水泥矿物、氯离子的浓度分布等因素。
4. 对模型进行验证和分析，通过与实验数据进行比较来评估格构模拟方法在混凝土氯离子扩散系数预测中的精度和可靠性。
5. 最后，对该方法的优化和改进进行探讨，为混凝土氯离子扩散预测提供新的思路和方法。
三、研究方法在本课题中，将采用以下方法进行研究：1. 文献综述：通过查阅相关文献，梳理氯离子扩散预测的研究现状和发展趋势，总结各种预测方法的优缺点，为后续的研究提供理论基础和技术支持。
2. 格构模拟方法研究：对格构模拟方法进行分析和研究，在深入理解其原理和应用场景的基础上，探讨其在混凝土氯离子扩散系数预测中的应用前景。
3. 数值模拟建模：基于已有研究成果和实验数据，建立混凝土氯离子扩散系数的格构模拟预测模型，并考虑混凝土材料特性、水泥矿物、氯离子的浓度分布等因素。
混凝土氯离子扩散系数的RBF神经网络预测模型
混凝土氯离子扩散系数的RBF神经网络预测模型唐仁忠;孙从亚【摘要】提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法.【期刊名称】《山西建筑》【年(卷),期】2011(037)002【总页数】3页(P44-46)【关键词】RBF神经网络;预测模型;氯离子扩散系数【作者】唐仁忠;孙从亚【作者单位】烟台市福山区财政局,山东,烟台,264005;烟台市福山区财政局,山东,烟台,264005【正文语种】中文【中图分类】TU5280 引言钢筋锈蚀是钢筋混凝土结构破坏的主要原因之一，国际上一般把混凝土中钢筋腐蚀引起混凝土顺筋开裂作为评定混凝土使用寿命的标准，因此防止和减缓混凝土中钢筋腐蚀成为提高混凝土结构使用寿命的主要途径。
我国存在广泛的氯盐环境，因此必须对氯盐环境下混凝土耐久性问题给予足够的重视。
氯离子在钢筋—混凝土界面的积累是导致钢筋锈蚀的主要原因之一。
在钢筋锈蚀过程中氯离子仅起到催化作用，并不改变锈蚀产物的组成，氯离子在混凝土中含量也不会因腐蚀反应而减少，若不采取处理措施，腐蚀过程将会不断进行下去，将对结构的耐久性产生很大的影响。
而氯盐环境下的混凝土抗侵入性一般用氯离子扩散系数表示，其值越大表示氯离子侵入混凝土越容易。
现有的确定氯离子扩散系数的方法主要有三种:即自然扩散法，加速扩散法[1，2]，经验公式法。
第一种方法的优点是较为接近实际情况，但是费时费力;第二种方法的优点是较为迅速，但计算过程复杂，并且需要专门的电化学知识，另外还少不了进行同样繁琐的化学分析;第三种方法优点是人们根据工程调查和长期暴露试验，拟合出一些经验公式来估算对同条件的工程来说简单实用，但由于混凝土耐久性与施工质量、材料的选择以及环境作用密切相关，而上述因素很难定量描述，且不同工程差别较大，因此上述经验值可靠度不高。
混凝土中氯离子扩散的数值模拟研究
混凝土中氯离子扩散的数值模拟研究一、研究背景和意义混凝土作为建筑结构材料，其性能与服务寿命直接影响着建筑物的安全和可靠性。
然而，混凝土在使用过程中会受到多种外界因素的影响，其中最常见的腐蚀因素之一就是氯离子。
氯离子在混凝土中的扩散过程会导致混凝土的钢筋锈蚀，从而降低混凝土的强度和耐久性，严重影响建筑物的使用寿命和安全性。
因此，深入研究混凝土中氯离子扩散的机理和规律，对于提高混凝土结构的耐久性和安全性具有重要的意义。
二、研究现状目前，混凝土中氯离子扩散的研究主要采用实验和数值模拟两种方法。
实验方法包括静态浸泡法、电迁移法、自然曝露法等，可以获得较为准确的实验数据，但是实验成本高、周期长、受到实验条件和操作人员技术水平的限制。
数值模拟方法则可以通过计算机模拟混凝土中氯离子扩散的过程，快速、准确地得到相应的结果，具有时间和空间的连续性，可以对扩散机理进行深入研究。
三、研究内容和方法本研究旨在通过数值模拟的方法，深入研究混凝土中氯离子扩散的机理和规律。
具体研究内容包括：1.建立混凝土中氯离子扩散的数值模型：采用有限元方法建立混凝土中氯离子扩散的数值模型，考虑混凝土的孔隙度、温度、湿度等因素对氯离子扩散的影响。
2.验证数值模拟结果的准确性：通过与现有实验数据的对比验证数值模拟结果的准确性和可靠性。
3.分析氯离子扩散的机理和规律：通过数值模拟分析氯离子在混凝土中扩散的机理和规律，探讨影响氯离子扩散的因素及其相互作用关系。
4.评估混凝土结构耐久性：根据数值模拟结果，评估混凝土结构在不同氯离子浓度下的耐久性，为混凝土结构的设计和维护提供科学依据。
本研究采用的主要方法为数值模拟，具体步骤包括：1.建立数值模型：采用有限元方法建立混凝土中氯离子扩散的数值模型，考虑混凝土的孔隙度、温度、湿度等因素对氯离子扩散的影响。
2.设置边界条件：根据实际情况设置模型的边界条件，包括氯离子的初始浓度、混凝土表面的氯离子浓度、环境温度、湿度等。
基于人工智能算法的氯盐侵蚀混凝土预测模型
第43卷第2期2024年2月硅㊀酸㊀盐㊀通㊀报BULLETIN OF THE CHINESE CERAMIC SOCIETY Vol.43㊀No.2February,2024基于人工智能算法的氯盐侵蚀混凝土预测模型崔纪飞,柏㊀林,饶平平,康陈俊杰,张㊀锟(上海理工大学土木工程系,上海㊀200093)摘要:本文基于机器学习算法建立了输电塔桩基混凝土氯离子浓度预测模型,通过相关系数㊁均方根误差㊁绝对平均误差和方差比对模型进行检验,并根据蒙特卡洛模拟对模型的稳健性进行分析,同时基于海马优化器对模型进行优化㊂结果表明,支持向量机(SVM)模型㊁随机森林(RF)模型和梯度提升树(GBDT)模型都可以准确预测输电塔桩基混凝土中氯离子浓度,相关系数R 2均大于0.880,均方根误差小于0.009,绝对平均误差小于0.006,方差比大于0.890㊂根据误差和稳健性分析结果,建议混凝土中氯离子浓度的预测计算优先使用GBDT 模型和SVM 模型㊂根据优化结果,海马优化器能显著提升模型的性能㊂关键词:机器学习算法;氯离子浓度;预测模型;稳健性;海马优化器中图分类号:TU528㊀㊀文献标志码:A ㊀㊀文章编号:1001-1625(2024)02-0439-09Prediction Model of Chloride Erosion Concrete Based on Artificial Intelligence AlgorithmCUI Jifei ,BAI Lin ,RAO Pingping ,KANG Chenjunjie ,ZHANG Kun(Department of Civil Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)Abstract :Some prediction models of chloride ion concentration in concrete of the transmission tower pile foundations were established based on machine learning algorithm.These models were tested through correlation coefficient,root mean square error,mean absolute error and variance ratio,and the robustness of the models were analyzed according to Monte Carlo simulation.At the same time,the models were optimized based on sea-horse optimizer.The results show that the support vector machine (SVM)model,the random forest (RF)model and the gradient boosting decision tree (GBDT)model can accurately predict the chloride ion concentration in the concrete of the transmission tower pile foundations.The correlation coefficient R 2is greater than 0.880,the root mean square error is less than 0.009,the mean absolute error is less than 0.006,and the variance ratio is greater than 0.890for all these prediction models.According to the results of error and robustness analysis,it is recommended to prioritize the use of the GBDT model and SVM model for the prediction of chloride ion concentration in concrete.According to the optimization results,the sea-horse optimizer can significantly improve performance of model.Key words :machine learning algorithm;chloride ion concentration;prediction model;robustness;sea-horse optimizer收稿日期:2023-09-18;修订日期:2023-11-25基金项目:国家自然科学基金青年科学基金(52108328);上海市 科技创新行动计划 软科学项目(22692193700);上海理工大学市级大学生创新创业训练计划(SH2023152)作者简介:崔纪飞(1991 ),男,博士,讲师㊂主要从事桩基耐久性和承载性能时变效应的研究㊂E-mail:cuijifei@通信作者:柏㊀林,硕士研究生㊂E-mail:212272044@0㊀引㊀言在第二届国际混凝土耐久性研讨会上,知名学者Mehta [1]指出造成钢筋混凝土结构失效的原因有钢筋锈蚀㊁冻融循环和环境中腐蚀离子侵蚀等,其中环境中的氯离子侵蚀混凝土导致的钢筋锈蚀问题尤为严重㊂中国西北以及东北地区的盐渍土分布十分广泛,这些土体中含有大量腐蚀性离子,地下桩基础在盐渍土中极易受到腐蚀性离子的侵蚀[2-3],导致结构的耐久性逐渐退化并最终失效,工程结构在没有达到设计使用寿命440㊀水泥混凝土硅酸盐通报㊀㊀㊀㊀㊀㊀第43卷之前便已老化灾变,酿成的工程事故将造成巨大经济损失㊂通过深入研究氯离子的传输规律和侵蚀致灾机理,可以制定出更加科学合理的混凝土结构材料和设计方案,提高混凝土结构的耐久性和安全性㊂近年来,许多学者广泛研究了混凝土中氯离子的传输机理和规律,并提出大量的氯离子传输模型㊂李镜培等[4]分别从混凝土侵蚀机理㊁侵蚀性离子扩散机制㊁钢筋锈蚀机理㊁混凝土强度和刚度损伤等方面对国内外研究现状进行了总结和归纳,探讨了氯盐侵蚀环境中地下混凝土结构的损伤特性和劣化机制㊂杨威等[5]对北部湾区的防城港㊁钦州港和铁山港三个码头的混凝土结构进行分析,提出一种考虑到胶凝材料㊁温度㊁湿度㊁混凝土养护龄期㊁暴露于氯盐环境的时间和水灰比等因素的氯离子扩散模型㊂王家滨等[6]通过试验研究,提出以盐冻损伤喷射混凝土相对动弹性模量损失率为指标,同时考虑环境温湿度㊁喷射混凝土配合比参数以及盐冻损伤的氯离子扩散模型㊂马亚涛等[7]基于有限元软件ANSYS模拟分析氯离子非稳态扩散的规律,建立氯离子扩散模型,并通过考虑扩散时间㊁环境温度和湿度对氯离子扩散系数进行修正,提高了模型精度㊂喻宣瑞等[8]通过钢筋混凝土氯盐侵蚀试验研究,基于Fick第二定律误差函数解析,同时综合考虑试验数据质量㊁数量与回归计算过程中产生的系统误差对模型精度的影响,并基于贝叶斯理论对模型修正,得到新的氯离子传输模型㊂余红发等[9]提出考虑氯离子结合能力㊁氯离子扩散系数的时间依赖性以及结构微缺陷影响的混凝土氯离子扩散新模型㊂Wang等[10]通过试验得到氯离子扩散系数与压应力的关系,并在此基础上综合考虑应力水平㊁水灰比㊁养护时间㊁温度㊁混凝土龄期㊁湿度和氯离子扩散系数等影响,得到不同荷载条件下氯离子扩散过程的模型㊂Ribeiro等[11]研究了水泥特性及混凝土配合比对氯离子扩散的影响,对氯离子扩散系数进行修正,使得现有模型的准确性得到提高㊂Farahani等[12]通过含硅灰混凝土氯离子侵蚀试验,将试验结果基于Fick第二定律进行回归分析,建立考虑暴露时间㊁温度㊁硅灰含量和水胶比的氯离子扩散系数预测模型㊂Real等[13]采用RCM法测出混凝土不同水胶比和骨料类型条件下氯离子扩散系数,得出氯离子扩散系数与水灰比和骨料类型的关系,建立计算轻骨料混凝土氯离子扩散系数模型㊂吴贤国等[14]通过正交试验和现场抗氯离子渗透加速试验,获得氯离子渗透系数样本,建立一种基于随机森林(random forest,RF)和支持向量机(support vector machine,SVM)的RF-SVM预测模型㊂Van[15]根据8种机器学习算法预测氯离子扩散系数,通过评估和对比,发现梯度提升树(gradient boosting decision tree,GBDT)模型预测氯离子扩散系数效果最好㊂输变电铁塔基础所承受的荷载特性复杂,基础在承受拉压交变荷载作用的同时还承受着较大的水平荷载作用㊂荷载特性,如荷载的大小㊁分布㊁偏心程度以及出现频率等都决定着基础的受力特征,而荷载分布㊁地基土的工程特性㊁基础材料特性等决定了基础的工作特性,如破坏面与滑移变形等㊂通常情况下,杆塔基础抗拔和抗倾覆稳定性是设计控制条件,而建筑等其他行业基础下的压稳定性才是设计控制条件,与输变电塔基础差异较大,因而可供线路铁塔基础直接借鉴与应用的资料较少[16]㊂从耐久性角度来看,长期暴露在环境中的输变电工程基础混凝土结构或构件会因酸性物质㊁腐蚀性离子㊁氯离子渗透㊁碳化以及冻融循环等作用而在性能上逐渐劣化,进而导致耐久性失效㊂输变电混凝土基础结构因环境因素导致耐久性不足,而且基础结构因钢筋锈蚀或混凝土腐蚀等破坏可能导致安全失效事故,其严重程度并不低于因结构构件承载力安全标准设置偏低所带来的危害㊂可以看出,预测混凝土中氯离子浓度和传统的理论计算模型所涉及的参数较多,计算过程复杂,难以在实际工程中应用㊂机器学习是人工智能的分支,研究如何使计算机自动获取和利用数据进行学习和改进具有重要意义㊂机器学习的核心思想是通过训练模型来自动发现数据的模式和规律,并利用这些模式和规律对新数据进行预测或分类㊂本文分别采用SVM模型㊁RF模型和GBDT模型建立输电塔桩基础混凝土氯离子侵蚀模型,分析不同模型的有效性和可靠性,为输电塔桩基础混凝土氯离子浓度预测和寿命分析提供支持㊂此外,传统的机器学习算法建立模型时,对于模型超参数的选取往往采用试算法,该方法具有盲目性,影响模型的预测精度,同时也会耗费大量时间,本文基于海马优化器选择预测模型的超参数,极大地调高了模型精度,同时也节约了时间㊂㊀第2期崔纪飞等:基于人工智能算法的氯盐侵蚀混凝土预测模型441 1㊀混凝土氯离子浓度数据库1.1㊀试验项目本文数据来源于舟山地区和安徽地区输变电基础混凝土的氯离子侵蚀浓度调研结果㊂对各试验线路分别选取一个基础,每个基础选取两根短柱,每根短柱选取两个面开挖至地表以下1m深度㊂测量暴露大气中与埋置于地表下输电塔基础的氯离子侵蚀深度,其中地表下氯离子侵蚀深度测试取地表下0.5m处混凝土㊂调研的混凝土为C30混凝土;选用的水泥为上海海螺公司生产的P㊃O42.5R型普通硅酸盐水泥;粗骨料为天然碎石,粒径范围为5~20mm;细骨料为天然河砂,粒径小于5mm,细度模数为1.7;拌合水为自来水,具体配合比见表1㊂表1㊀混凝土配合比Table1㊀Mix proportion of concreteMaterial Cement Water Coarse aggregate Fine aggregate Mix proportion/(kg㊃m-3)35219012026761.2㊀检测方法1)对每个基础选取两根混凝土短柱(临近海边情况选取靠海一侧短柱),每根短柱取定两个测试区域,分别为与大气接触区域及地下水位以上与土壤接触区域㊂应保证不同基础短柱的测试位置大致相同,与土壤接触区域基础部位一般取开挖面下0.5m处㊂2)在选定的区域采用冲击钻钻取粉末,从混凝土表面一侧逐渐向内钻进,每次钻进5mm,将每次钻取的粉末放入自封袋中,钻取至短柱混凝土外表面以下50mm结束㊂每个测试区域可取得11个数据,每根短桩可取得22个数据㊂3)将准备好的塑料瓶用蒸馏水清洗晾干,称量1.0g粉末并倒入相应的塑料瓶中,配制成50mL溶液㊂将配好的溶液放置24h后,选用测量范围为0.0005%~2.0000%质量浓度的韩国DYS DY-2501B便携式混凝土氯离子含量快速测定仪测量氯离子含量,该测定仪利用氯离子选择电极可以对水溶性混合物中的氯离子进行测试,测试时氯离子选择电极和参考电极之间存在电势差,基于该电势差测得氯离子浓度㊂不同测试地区温度㊁湿度㊁混凝土在氯离子环境中的暴露时间以及环境中的氯离子含量不同,这些因素均会影响混凝土中氯离子含量,同时混凝土所处服役环境,比如混凝土处于土中或空气中也会影响混凝土中氯离子浓度,故本文选择将测试地区(包含温度㊁湿度㊁暴露时间和环境氯离子浓度等因素)㊁混凝土所处的服役环境和深度作为预测模型的输入参数,混凝土中氯离子浓度作为模型输出参数㊂2㊀计算模型根据第1节的试验项目,本次所用数据集共有435组输变电基础混凝土氯离子侵蚀浓度数据,样本数据偏少㊂当数据量较小时,机器学习模型容易出现过拟合,影响模型的泛化能力㊂SVM模型只需少量样本即可训练,当样本数据偏少时,预测结果相对其他模型更精确,并且RF模型也能最大限度避免过拟合[17]㊂在预测氯离子渗透性方面,GBDT模型有着优良表现[15]㊂故本文通过SVM模型㊁RF模型和GBDT模型对混凝土中氯离子浓度进行计算㊂2.1㊀SVM模型SVM模型是一种机器学习方法,其广泛应用于分类㊁回归和异常检测等领域,其核心目标在于通过构建最优的分类边界(超平面)将线性不可分问题转化为线性可分问题[18]㊂除了适用于线性可分数据,SVM还能有效地处理非线性数据㊂SVM一般用于分类任务,而对于回归问题常用其变体,即支持向量回归(support vector regression,SVR)[19]㊂SVR的原理示意图如图1所示(ε为模型输出与真实值之间容许最大偏差,ξ为松弛变量)㊂2.2㊀RF模型RF是Bagging模型的一个扩展变体[20],以决策树作为基学习器,通过构建多棵决策树形成森林用于决442㊀水泥混凝土硅酸盐通报㊀㊀㊀㊀㊀㊀第43卷图1㊀SVR 原理示意图Fig.1㊀Principle schematic diagram of SVR 策㊂RF 的独特之处在于每棵决策树能够独立地对数据进行分类,并通过 投票 综合各树的分类结果,选取得票最多的类别作为输出,这种综合多模型的方法可以显著提高预测准确率㊂值得注意的是,RF 中的每棵决策树都不同,这源于引入了双重随机性:一方面,在训练过程中,RF 采用有放回的随机抽样策略对数据进行采样,采样比率通常在60%~80%;另一方面,构建每棵决策树时,RF 会随机选择少量特征用于分裂依据,增加模型的多样性㊂RF 算法与决策树模型相似,要求输入包含m 个样本和n 个特征的训练数据集D ={(x 1,y 1),(x 2,y 2), ,(x m ,y m )},并设定迭代次数为T ,经过训练后,生成多个决策树模型㊂这些模型最终组合成一个强学习器f (x ),用于对新输入数据进行分类或回归㊂2.3㊀GBDT 模型GBDT 是一种经典的集成学习算法,在机器学习领域展现出出色的性能㊂它采用迭代的方式来提升决策树模型,利用误差(残差)作为学习新模型的依据,最终将多个简单模型组合成一个强大的分类器或回归器㊂2.4㊀数据预处理数据标准化是一种常见的数据预处理技术,可将特征数据按照一定的规则进行转换,使其符合一定的标准或分布,在数据分析和机器学习中具有重要作用,主要包括增强特征比较和可视化的能力㊁提高模型训练效果和收敛速度㊁减少特征间相关性以及改善异常值检测等,为数据分析和机器学习提供了更准确㊁稳定和可靠的基础㊂数据标准化的计算式如式(1)所示㊂x new =x -μσ(1)式中:x new 是标准化值,x 是实际值,μ是平均值,σ是标准差㊂2.5㊀One-hot 编码One-hot(one-hot encoding)编码是一种常用的特征编码方法,用于将离散型特征表示为二进制向量的形式㊂它的作用是将具有有限取值的离散特征转化为可供机器学习算法使用的数字特征㊂具体而言,对于一个有n 个不同取值的离散特征,One-hot 编码会创建一个长度为n 的二进制向量,其中只有对应取值的位置为1,其他位置均为0㊂每个取值都对应一个独立的二进制向量,因此可以避免在特征之间引入任何顺序或大小的偏差㊂本文所选的数据中离散特征有 测试地区 和 服役环境 ,它们的取值包括 舟山昌惠线基础 舟山成大1号线 舟山成大2号线 舟山定东1号线 舟山定东2号线 舟山定海临城2号线 舟山钢管塔线 舟山紫石线 舟山港册山头 舟山江城线 舟山直流线 安徽瑞鸠1号线 安徽瑞鸠2号线 安徽芜天线 安徽西长1号线 安徽西长2号线 安徽龙肖线 安徽东集41线 安徽东集42线 安徽安石线 安徽安热线 安徽安肖线 空气中 以及 水中 ㊂以上离散特征需要进行One-hot 编码,得到特征向量㊂2.6㊀蒙特卡洛模拟蒙特卡洛方法经常被用于计算模型鲁棒性的评估[21],其原理是随机输入参数模拟输入参数的不确定性,从而分析和评估模型的输出结果[22]㊂本文针对预测模型的稳健性,采用蒙特卡罗方法进行分析,并对结果进行统计分析㊂第2期崔纪飞等:基于人工智能算法的氯盐侵蚀混凝土预测模型443㊀3㊀预测模型的建立与性能检验3.1㊀预测模型的建立计算模型输入参数的选择至关重要,根据对混凝土氯离子浓度影响因素的分析,所有计算模型的输入参数为测试地区㊁距混凝土表面距离和服役环境,输出参数为混凝土氯离子浓度㊂数据集按照7ʒ3的比例被分成两个部分,其中70%的数据用于训练模型,30%的数据用于测试模型,预测模型超参数如表2所示㊂表2㊀预测模型超参数Table 2㊀Hyperparameters of prediction modelsModel Hyperparameter Kernel Gamma Epsilon N_estimators Max_depthLearning_rate Subsample SVM rbf 0.10.001 RF 10None GBDT300None 0.010.6㊀㊀Note:rbf is radial basis function.图2为预测模型训练集预测值与实测值比较,由图2可以看出,在训练集中,三种模型对于混凝土中氯离子浓度的计算都较为准确㊂其中,预测模型训练效果最好的是GBDT 模型,相关系数R 2=0.9908;其次是RF 模型,相关系数R 2=0.9589;训练效果最差的是SVM 模型,相关系数R 2=0.9446㊂图2㊀预测模型训练集预测值与实测值比较Fig.2㊀Comparison of predicted value and measured value in training data set of prediction models 3.2㊀预测模型的性能检验根据文献[23-24],可以采用相关系数R 2㊁均方根误差RMSE㊁平均绝对误差MAE 和方差比VAF 来评估预测模型的性能,均方根误差RMSE 如式(2)所示,平均绝对误差MAE 如式(3)所示,方差比VAF 如式(4)所示㊂RMSE =1n ðn 1(y i -^y i )2(2)MAE =1n ðn i =1|y i -^y i |(3)VAF =1-var(y -^y )var(y )[](4)式中:y i 是实测值,^yi 是预测值,n 是样本的编号,var 表示方差㊂当VAF 计算值越大且RMSE 计算值越小时,则该模型的性能越优秀,即模型性能最优秀时,VAF =1且RMSE =0㊂各预测模型的性能指标如表3所示㊂各预测模型测试集中计算的氯离子浓度的预测值与实测值对比如图3所示㊂444㊀水泥混凝土硅酸盐通报㊀㊀㊀㊀㊀㊀第43卷表3㊀预测模型性能指标Table3㊀Performance indexes of prediction modelsModel Data set R2RMSE MAE VAFSVM Training data set0.94460.00740.00310.9446Test data set0.93540.00650.00430.9361 RF Training data set0.95890.00630.00330.9590Test data set0.88900.00860.00570.8927 GBDT Training data set0.99070.00300.00180.9908Test data set0.90450.00790.00520.9079图3㊀预测模型测试集预测值与实测值比较Fig.3㊀Comparison of predicted and measured values of prediction model test data set㊀㊀从表3和图3中的结果可知,在测试集中,每个模型均能较为准确地预测出氯离子浓度,其中预测精度最高的是SVM模型,GBDT模型的预测精度仅次于SVM模型,预测精度最低的是RF模型㊂3.3㊀预测模型的稳健性分析基于蒙特卡洛模拟的原理,为了模拟输入参数的不确定性,将训练集数据重新组合,即从原训练集中随机挑选70%的数据进行组合[25],生成3000个新的数据集㊂蒙特卡洛模拟的检验参数为相关系数R2㊁均方根误差RMSE和绝对平均误差MAE,根据模拟的结果分别计算每个预测模型的检验参数并进行统计,基于统计结果分别计算出各检验参数的概率分布,通过概率分布可判断各预测模型在输入参数发生变化时的性能㊂图4为蒙特卡洛模拟检验参数的概率分布,表4为模拟统计的结果㊂图4㊀蒙特卡洛模拟检验参数概率分布Fig.4㊀Monte Carlo simulation test parameter probability distribution从图4(a)和表4中可以看出,GBDT模型的相关系数R2分布集中于0.9908左右,RF模型和SVM模型分别集中于0.9585和0.9428左右㊂从图4(b)和表4中可以看出,GBDT模型的均方根误差RMSE分布集中于0.0031左右,RF模型和SVM模型分别集中于0.0065和0.0076左右㊂从图4(c)和表4中可以看㊀第2期崔纪飞等:基于人工智能算法的氯盐侵蚀混凝土预测模型445出,在绝对平均误差MAE的概率分布图中GBDT模型的概率分布集中于0.0018左右,SVM模型和RF模型的概率分布0.0031和0.0033左右㊂表4列出了SVM模型㊁RF模型和GBDT模型相关系数R2㊁均方根误差RMSE和绝对平均误差MAE的分位数值和平均值㊂根据蒙特卡洛模拟的统计结果以及相关系数R2㊁均方根误差RMSE和绝对平均误差MAE的概率分布图分析可知,稳健性最好的是GBDT模型,其次是RF模型和SVM模型㊂表4㊀蒙特卡洛模拟结果统计Table4㊀Statistics of Monte Carlo simulation resultsTest parameter Prediction model D25D50D75Average valueSVM0.93820.94440.95040.9445 R2RF0.95490.95870.96270.9585GBDT0.99010.99070.99140.9907SVM0.00690.00740.00790.0073 RMSE RF0.00600.00640.00670.0063GBDT0.00290.00300.00320.0030SVM0.00290.00310.00330.0031 MAE RF0.00320.00340.00350.0033GBDT0.00180.00180.00190.0018㊀㊀Note:D is quartile.4㊀基于海马优化器优化预测模型预测模型超参数的选取对其拟合精度影响较大,通常采取试算的方法来确定超参数,该方法具有很大的盲目性,费时费力㊂超参数选取问题,也就是优化问题㊂Zhao等[26]基于自然界中海马的运动㊁捕食和繁殖行为,提出一种基于群体智能的元启发式算法,即海马优化器(sea-horse optimizer,SHO),海马算法流程如图5所示(N为No,Y为Yes)㊂本文3.1节建立预测模型时,超参数的选取通过试算法确定,本节通过海马优化器选取超参数,并与优化前的模型进行性能比较,检验海马优化器的性能㊂图5㊀海马优化器流程Fig.5㊀Flow chart of sea-horse optimizer图6为预测模型测试集优化前后性能对比,表5为预测模型测试集优化前后性能指标㊂从图6和表5可以看出,优化效果最好的是GBDT模型,其中相关系数R2增加了3.02%,均方根误差RMSE和绝对平均误差MAE分别下降了15.19%和17.31%;其次是SVM模型,相关系数R2增加了0.56%,均方根误差RMSE和绝对平均误差MAE分别下降了3.08%和4.65%;RF模型由于优化前后超参数一致,性能没有得到提升㊂表5㊀预测模型测试集优化前后性能指标Table5㊀Performance index of prediction models before and after optimization in the test data setModel Data set R2RMSE MAE VAFSVM Before optimization0.93540.00650.00430.9361After optimization0.94060.00630.00410.9412RF Before optimization0.88900.00860.00570.8927After optimization0.88900.00860.00570.8927GBDT Before optimization0.90450.00790.00520.9079After optimization0.93180.00670.00430.9327446㊀水泥混凝土硅酸盐通报㊀㊀㊀㊀㊀㊀第43卷图6㊀预测模型测试集优化前后性能对比Fig.6㊀Performance comparison of prediction models on the test set before and after optimization5㊀结㊀论1)建立了预测混凝土氯离子浓度的SVM模型㊁RF模型和GBDT模型,模型的计算结果表明,3个预测模型均能较为准确地预测混凝土中氯离子浓度,其中预测精度最高的是SVM模型,其次是GBDT模型和RF 模型㊂2)利用蒙特卡洛模拟分析了SVM模型㊁RF模型和GBDT模型的稳健性,模拟的结果表明,预测模型稳健性最好的是GBDT模型,其次是RF模型和SVM模型㊂3)基于海马优化器优化了SVM模型㊁RF模型和GBDT模型,优化结果表明,性能提升最明显的是GBDT 模型,其次是SVM模型,RF模型性能没有提升㊂参考文献[1]㊀MEHTA P K.Durability of concrete:fifty years of progress?[C]//Durability of Concrete:Second International Conference,Montreal,Canada1991.American Concrete Institute,1991.[2]㊀李镜培,赵高文,李㊀林,等.硫酸盐渍土中灌注桩竖向承载力演变规律[J].哈尔滨工业大学学报,2017,49(6):84-89.LI J P,ZHAO G W,LI L,et al.Bored piles vertical bearing strength evolution in sulfate saline soil[J].Journal of Harbin Institute of Technology,2017,49(6):84-89(in Chinese).[3]㊀李镜培,谢㊀峰,李㊀亮,等.硫酸盐侵蚀下混凝土灌注桩的损伤效应[J].哈尔滨工业大学学报,2019,51(6):89-94.LI J P,XIE F,LI L,et al.Damage effect of concrete cast-in-situ piles under sulfate attack[J].Journal of Harbin Institute of Technology,2019, 51(6):89-94(in Chinese).[4]㊀李镜培,李㊀林,陈浩华,等.腐蚀环境中混凝土桩基耐久性研究进展[J].哈尔滨工业大学学报,2017,49(12):1-15.LI J P,LI L,CHEN H H,et al.Advances in concrete pile durability in corrosive environment[J].Journal of Harbin Institute of Technology, 2017,49(12):1-15(in Chinese).[5]㊀杨㊀威,吉学宽,蒋琼明.北部湾海域混凝土结构中氯离子扩散模型研究[J].山西建筑,2021,47(6):51-56.YANG W,JI X K,JIANG Q M.Study on chloride diffusion model of concrete structure eroded by seawater in Beibu Gulf[J].Shanxi Architecture(Natural Science Edition),2021,47(6):51-56(in Chinese).[6]㊀王家滨,王㊀斌,张凯峰,等.盐冻损伤喷射混凝土衬砌结构氯离子扩散及其模型[J].材料导报,2020,34(16):16055-16061.WANG J B,WANG B,ZHANG K F,et al.Chloride diffusion and its model of shotcrete lining structure with salt-frost degradation[J].Materials Reports,2020,34(16):16055-16061(in Chinese).[7]㊀马亚涛,郭细伟,方智勇,等.氯离子在混凝土桩基中扩散过程的有限元分析[J].武汉理工大学学报(交通科学与工程版),2022,46(3):477-482.MA Y T,GUO X W,FANG Z Y,et al.Finite element analysis of chloride ion diffusion process in concrete pile foundation[J].Journal of Wuhan University of Technology(Transportation Science&Engineering),2022,46(3):477-482(in Chinese).[8]㊀喻宣瑞,刘慧平.基于贝叶斯机械算法探究氯离子在钢筋混凝土结构中的扩散规律[J].建筑材料学报,2022,25(12):1248-1254.YU X R,LIU H P.Chloride Ion Diffusion in Reinforced Concrete Structure Based on Bayesian Mechanical Algorithm[J].Journal of Building Materials(Natural Science Edition),2022,25(12):1248-1254(in Chinese).㊀第2期崔纪飞等:基于人工智能算法的氯盐侵蚀混凝土预测模型447 [9]㊀余红发,孙㊀伟.混凝土氯离子扩散理论模型[J].东南大学学报(自然科学版),2006,36(增刊2):68-76.YU H F,SUN W.Model research on chlorine ion diffusion in concretes[J].Journal of Southeast University(Natural Science Edition),2006, 36(supplement2):68-76(in Chinese).[10]㊀WANG H L,LU C H,JIN W L,et al.Effect of external loads on chloride transport in concrete[J].Journal of Materials in Civil Engineering,2011,23(7):1043-1049.[11]㊀RIBEIRO D V,PINTO S A,JÚNIOR N S A,et al.Effects of binders characteristics and concrete dosing parameters on the chloride diffusioncoefficient[C]//Congreso Latino-Americano De Patología De Construcción.Alconpat,2021,122:14.[12]㊀FARAHANI A,TAGHADDOS H,SHEKARCHI M.Prediction of long-term chloride diffusion in silica fume concrete in a marine environment[J].Cement and Concrete Composites,2015,59:10-17.[13]㊀REAL S,BOGAS J A,PONTES J.Chloride migration in structural lightweight aggregate concrete produced with different binders[J].Construction and Building Materials,2015,98:425-436.[14]㊀吴贤国,刘㊀茜,王洪涛,等.基于随机森林和支持向量机的高性能混凝土抗渗性预测研究[J].硅酸盐通报,2021,40(3):829-835+844.WU X G,LIU X,WANG H T,et al.Prediction of impermeability of concrete based on random forest and support vector machine[J].Bulletin of the Chinese Ceramic Society,2021,40(3):829-835+844(in Chinese).[15]㊀VAN Q T.Machine learning approach for investigating chloride diffusion coefficient of concrete containing supplementary cementitious materials[J].Construction and Building Materials,2022,328:127103.[16]㊀鲁先龙,程永锋.我国输电线路基础工程现状与展望[J].电力建设,2005,26(11):25-27+34.LU X L,CHENG Y F.Current status and prospect of transmission tower foundation engineering in China[J].Electric Power Construction, 2005,26(11):25-27+34(in Chinese).[17]㊀刘㊀晓,王思迈,卢㊀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(8):2062-2073.LIU X,WANG S M,LU L,et al.Development on machine learning for durability prediction of concrete materials[J].Journal of the Chinese Ceramic Society,2023,51(8):2062-2073(in Chinese).[18]㊀倪沙沙,迟世春.基于粒子群支持向量机的高心墙堆石坝渗透系数反演[J].岩土工程学报,2017,39(4):727-734.NI S S,CHI S C.Back analysis of permeability coefficient of high core rockfill dam based on particle swarm optimization and support vector machine[J].Chinese Journal of Geotechnical Engineering,2017,39(4):727-734(in Chinese).[19]㊀王一清.基于机器学习的纯电动二手车价格预测:以蔚来公司为例[D].济南:山东大学,2022.WANG Y Q.Price prediction of pure electric used-car based on machine learning:take Nio for example[D].Jinan:Shandong University,2022 (in Chinese).[20]㊀周志华.机器学习[M].北京:清华大学出版社,2016.ZHOU Z H.Machine learning[M].Beijing:Tsinghua University Press,2016(in Chinese).[21]㊀PHAM B T,LE L M,LE T T,et al.Development of advanced artificial intelligence models for daily rainfall prediction[J].AtmosphericResearch,2020,237:104845.[22]㊀SOIZE C.Stochastic models of uncertainties in computational mechanics[M].Reston,VA:American Society of Civil Engineers,2012.[23]㊀ABEDINI M,GHASEMIAN B,SHIRZADI A,et al.A novel hybrid approach of Bayesian Logistic Regression and its ensembles for landslidesusceptibility assessment[J].Geocarto International,2018,34:1427-1457.[24]㊀王才进,张㊀涛,骆俊晖,等.神经网络反馈分析方法预测土体热阻系数研究[J].岩土工程学报,2019,41(增刊2):109-112.WANG C J,ZHANG T,LUO J H,et al.Utilization of neural network feedback method to prediction of thermal resistivity of soils[J].Chinese Journal of Geotechnical Engineering,2019,41(supplement2):109-112(in Chinese).[25]㊀王才进,蔡国军,武㊀猛,等.基于人工智能算法预测土体导热系数[J].岩土工程学报,2022,44(10):1899-1907.WANG C J,CAI G J,WU M,et al.Prediction of thermal conductivity of soils based on artificial intelligence algorithm[J].Chinese Journal of Geotechnical Engineering(Natural Science Edition),2022,44(10):1899-1907(in Chinese).[26]㊀ZHAO S J,ZHANG T R,MA S L,et al.Sea-horse optimizer:a novel nature-inspired meta-heuristic for global optimization problems[J].Applied Intelligence,2023,53(10):11833-11860.。
混凝土真实细观模型的生成及氯离子传输的数值模拟
混凝土真实细观模型的生成及氯离子传输的数值模拟混凝土是现代建筑结构中最常用的材料之一。
随着混凝土结构的使用寿命的增加，混凝土的耐久性成为一个越来越重要的问题。
在混凝土中，混凝土中的氯离子是导致混凝土腐蚀的主要因素之一，因此有必要对混凝土中的氯离子传输进行深入的数值模拟，以更好地了解混凝土的腐蚀机制及其维护方案。
为了进行混凝土的细观数值模拟，需要构建一个真实的混凝土微结构模型。
目前市场上主要有两种类型的微结构模型：离散和连续，其中离散模型通常用于研究混凝土的弹性和损伤特性，而连续模型则更适用于研究混凝土的传输性质。
离散模型通常通过从混凝土中获取样本然后进行扫描电子显微镜或光学显微镜等技术的图像处理来获取混凝土微观结构的数据，然后通过图像分析算法将数据转换为离散点集。
离散模型的优势在于可以准确地确定混凝土的细节，但由于样品的不可避免缺陷可能导致数据的偏差，因此一般需要标准化处理。
连续模型则是通过处理具有微观结构的相邻切片或定义三维几何体的方法来获得混凝土的连续结构。
一般可以通过现场样本或3D打印等技术获取实际的混凝土样本。
使用这种方法可以准确地确定混凝土的整体形态，但仍需要进行对数据进行处理以确保数据的准确性。
基于生成的混凝土微观模型，可以使用有限元法或离散元法进行氯离子的传输数值模拟。
这些方法通常通过计算混凝土中氯离子的膨胀和扩散来确定氯离子的传输速率。
在离散元法中，混凝土被分为许多微观单元，然后通过模拟物质的扩散和吸收等过程来模拟物质的传输。
这种方法通常需要建立大量单元，时间复杂度高，但可以很好地控制模型的细节。
有限元法则是一种离散模型，通过对混凝土样品的微观结构进行数学分析来建立更具体的连续模型。
有限元模拟需要解决数值方程，因此研究耗费时间极大，但可以很好地适应不同类型的混凝土及其应用。
总之，针对混凝土中的氯离子传输，建立真实的混凝土微结构模型，然后通过有限元法或离散元法进行数值模拟，可以充分地发掘混凝土性质，从而提高混凝土结构建筑的耐久性和使用寿命。
基于COMSOL模拟开裂混凝土中的氯离子扩散行为
基于COMSOL模拟开裂混凝土中的氯离子扩散行为混凝土是一种常见的建筑材料，它具有良好的抗压性和耐久性。
混凝土在长期使用过程中可能面临氯离子侵蚀的问题，这会导致混凝土的开裂和损坏。
研究混凝土中氯离子扩散的行为对于预防混凝土的氯离子侵蚀具有重要意义。
COMSOL Multiphysics是一款用于多物理场仿真的工程仿真软件，能够模拟多个物理场之间的相互作用，包括结构力学、传热、电磁场等。
利用COMSOL可以对混凝土中氯离子扩散的行为进行仿真模拟，从而研究混凝土中氯离子的扩散规律和影响因素。
混凝土中的氯离子扩散过程是一个复杂的多物理场问题，涉及到扩散传输、结构力学和化学反应等多个方面。
混凝土的孔隙结构对氯离子扩散起着重要作用。
混凝土是一种多孔材料，其孔隙结构对其渗透性和扩散性能有着直接影响。
混凝土的力学性能也会受到氯离子侵蚀的影响，氯离子侵蚀会导致混凝土的孔隙结构破坏，从而影响其力学性能。
氯离子与混凝土中的水泥基体和骨料等物质也会发生化学反应，这些化学反应也会影响氯离子的扩散行为。
基于以上考虑，可以利用COMSOL对混凝土中氯离子扩散的行为进行仿真模拟。
首先需要建立混凝土的多物理场模型，包括结构力学、传质传热和化学反应等方面。
需要对混凝土材料的性能参数进行建模，包括孔隙结构参数、弹性模量、渗透率、氯离子扩散系数等。
然后，可以利用COMSOL进行实际仿真计算，得到混凝土中氯离子扩散的行为及其影响规律。
在COMSOL中进行混凝土中氯离子扩散的仿真模拟可以为混凝土的氯离子侵蚀问题提供重要参考，有助于优化混凝土材料的设计和配方，提高混凝土的抗氯离子侵蚀能力。
这种仿真模拟方法还可以为混凝土材料的性能评价和寿命预测提供新的研究思路和技术手段。
利用COMSOL对混凝土中氯离子扩散进行仿真模拟具有重要的理论意义和实际应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关重 要 。Ｈ ｅ ｃ ｈ ｔ — Ｎ ｉ ｅ ｌ ｓ ｅ ｎ 已经论 证 了带 一层 隐藏 层的 Ｂ Ｐ网络 能够 以任 意精 度 模拟 所 有 线性 方 程 ，
并且 他建 议 隐 藏层 的神 经 元 数 ｎ按 ｎ＝２ Ｎ＋１选 取， 其 中 Ⅳ 为输 入 层 的神 经 元 数 ， 即输入变量数。 因此 本文所建 立 的 Ｂ Ｐ网络 为 １ ３— ２ ７—１的三 层神 经 网络 。此 外 ， 要 注 意 的是 有 的变 量是 定性 指 标 ， 在输 人 网络前 必须将其 转化为定量 指标 。 １ ． １混 凝土 组成 成分 （ ８个 变量 ） （ １ ） 水 灰 比
ｍｅ ｔ ｈ ｏ ｄ ｉ ｎ ｃ ｉ ｖ ｉ ｌ ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ．Ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｅ ｘ ａ ｍ ｉ ｎ ｅ ｓ ｔ ｈ ｅ ｐ ｏ ｓ ｓ ｉ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ（ Ａ Ｎ Ｎ）ｔ ｏ
ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｔ ｈ ｅ ｃ ｈ ｌ ｏ ｉｄ ｒ ｅ ｄ ｉ ｆ ｆ ｕｓ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｏ ｆ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ ．Ａ ｔ ｏ ｔ ａ ｌ ６ ５３ ａ ｖ ａ ｉ ｌ ａ ｂｌ ｅ ｓ ｅ ｔ ｓ ｏ ｆ ｄａ ｔ ａ ｆ ｒ ｏ ｍ １ ３ ｌ ｉ ｔ ｅ ｒ ａ — ｔ ｕ ｒ ｅ ｓ ｗａ ｓ ｕｓ ｅ ｄ ｆ ｏ ｒ ｅ ｓ ｔ ａ ｂｌ ｉ ｓ ｈｉ ｎｇ ｔ ｈｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ １ ．Ｔｈ ｅ ｄ ｅ ｖｅ ｌ ｏ ｐｅ ｄ ＡＮＮ ｍｏ ｄ ｅ ｌ ｕ ｓ ｅ ｄ ａ ｓ ｍａ ｎ ｙ ａ ｓ １ ３ ｉ ｎ— ｐ ｕｔ ｖ ａ ｉａ ｒ ｂ ｌ ｅ ｓ ，ｉ ｎ ｃ ｌ ｕ ｄｉ ｎｇ ｗａ ｔ ｅ ｒ ／ｃ ｅ ｍｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ；ｔ ｈ ｅ ｄ ｏ ｓ ａ ｇ ｅ ｏ ｆ ｃ ｅ ｍｅ ｎ ｔ ，ｓ ｕ ｐ ｅ ｒ ｐ ｌ ａ ｓ ｔ ｉ ｃ ｉ ｚ ｅ ｒ ，ｆ ｌ ｙ ａ ｓ ｈ，ｇ ｒ ａ ｎ ｕ ｌ ａ — ｔ ｅ ｄ ｂ ｌ ａ ｓ ｔ ｆ ｕ ｒ ｎ ａ ｃ ｅ，ｓ ｉ ｌ ｉ ｃ ａ ｆ ｕ ｍｅ，ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｅ；ｃ ｏ ｍｐ ｒ ｅ ｓ ｓ ｉ ｖ ｅ ｓ ｔ ｒ ｅ ｎｇ ｔ ｈ；ｃ ｕ ｉｎ ｒ ｇ ｍｅ ｃ ｈ ａ ｎｉ ｓ ｍ ；ｔ ｅ ｓ ｔ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ；
卢显扬 ， 杨 健， 刘清风， 胡宇
（ 上海交通 大学 船 舶海洋与建筑工程学 院 ， 上海 ２ ０ ０ ２ ４ ０ ）
摘要 ： 为研 究人 工神经 网络在 离岸混凝土氯离子渗透中的应用 ， 从已有文献中选用 ６ ５ ３组数据 ， 建 立 网络 结构 为 １ ３— ２ ７—１的模 型进 行训 练 、 预 测 。研 究 结果 表 明 ： 人 工神 经 网络 能有 效 预 测 离岸 混凝 土 中的 氯 离子 扩散 系数 ； 水灰比， 水泥、 减水剂、 外加剂 （ 粉煤灰、 矿渣、 硅灰 ） 、 骨 料 的 含量 以及混凝土的抗压强度、 养护机制、 试验方法、 暴露时间和暴露环境均会对氯 离子扩散 系数
误差 的特 点 ， 非 常适合 用于 多参数 问题 的求解 。
收 稿 日期 ： ２ ０ １ ５—１ １ —１ Ｏ
基金项 目： 国家 自然科 学基金 资助项 目（ ５ １ ３ ７ ８ ３ ０ ３ ， ５ １ ５ ０ ８ ３ ２ ４ ） ； 上海市 “ 浦江人才计划” （ １ ３ Ｐ Ｊ １ ４ ０ ５ ２ ０ ０ ， １ ５ Ｐ Ｊ １ ４ ０ ３ ８ ０ ０ ） ； 教育部博 士点新教师 基金资助项 目（ ２ ０ １ ３ ０ ０ ７ ３ １ ２ ０ ０ ７ ４ ）； 上海市教 委创新 重点项 目（ １ ４ Ｚ Ｚ ０ ２ ７ ） 作者简介 ： 卢显扬（ １ ９ ９ ０一） ， 男， 广东佛山人 ， 硕士 ， 主要从 事离岸 混凝 土耐久性研究 。
ｃ ｉ ｅ ｎ ｔ ．Ｔｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈａ ｔ ＡＮＮ ｉ ｓ ｆ ｅ ａ ｓ ｉ ｂ ｌ ｅ ｉ ｎ ｐｒ ｅ ｄ ｉ ｃ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｃ ｈ ｌ ｏ ｉｄｅ ｒ ｄｉ ｆ ｆ ｕ ｓ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ｉ ｎ ｏ ｆ ｆ ｓ ｈ ｏ ｒ ｅ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｓ ｅ ｌ ｅ ｃ ｔ ｅ ｄ ｉ ｎ ｐｕ ｔ ｖ ａ ｒ ｉ ａ ｂｌ ｅ ｓ ａ ｒ ｅ ａ ｌ ｌ ｃ ｏ ｒ ｒ ｅ ｌ ａ ｔ ｅ ｄ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ． Ｋｅ ｙ ｗｏｒ ｄｓ： ｏ ｆ ｆ ｓ ｈｏ ｒ ｅ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ；ｃ ｈ ｌ ｏ ｒ ｉ ｄ ｅ ｄ ｉ ｆ ｆ ｕｓ ｉ ｏ ｎ ｃ ｏ ｅ ｉｃ ｆ ｉ ｅ ｎ ｔ ；ａ ｔｉ ｒ ｉｃ ｆ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ
成 ห้องสมุดไป่ตู้合 理的 网络 结 构 对 于建 立 有效 的 网络 模 型 至
１ ． ３与试验过程相关的参数（ ４个变量）
（ １ ） 养 护机 制 合理 的养 护对 于水 泥浆 体 充分 水 化 是 至关 重
要的， 而 水泥 的水 化 程 度 又 关 系 到 混 凝 土 的孔 隙 率， 得 到充分 水 化 的水 泥 ， 其孔 隙率较低 ， 因此 渗 透性 较 差 。金伟 良、 Ａ ｌ ｉ ｚ ｄ ｅ ｈ 等 人 均发 现 经 过 较 长 时 间水养 护 （ 例如 ２ ８ ｄ ） 的水 泥 浆 体 ， 其 氯 离 子
ｔ ｅ ｓ ｔ ｉ ｎ ｇ ｔ ｉ ｍｅ ａ ｎ ｄ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ ｔ ｏ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｏ ｎ ｅ ｏ ｕ ｔ ｐ ｕ ｔ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ，ｒ ｅ ｆ ｅ ｒ ｒ ｅ ｄ ｔ ｏ ａ ｓ ｃ ｈ ｌ ｏ ｉｄ ｒ ｅ ｄ ｉ ｆ ｆ ｕ ｓ ｉ ｏ ｎ ｃ ｏ ｅ ｆ ｆ ｉ —
６
河
北
工
程
大
学
学
报
（ 自
然
科
学
版）
模 型 进行训 练 和调 整 。通 过 比较 预 测 结 果 和试 验 数 据 来验证 模 型 的有效 性 。
透 陛随着抗 压 强 度 的增 加 而 降 低 ， 因 此 抗 压 强 度
应作 为输 入 的变量 。
１人工神经 网络建模
典型 的人 工神 经 网络包 含 一 个输 入 层 ， ／ ３ ， 个 隐 藏层 和一个 输 出层 ， 每层 均 由一定 数量 的神经 元组
的提 升空 间 ， 因为现 有研 究 仅 仅选 取 ５— ６个 参 数
土结 构 ， 由于 介 质 的侵 蚀 ， 主要是氯离 子的腐蚀 ， 不 仅会 导致 结 构性 能 退 化 ， 还 会 产 生 高 额 维 修 费 用 。氯离 子扩 散系数 表 征 了混凝 土抵 抗 氯离 子侵 蚀 的能力 ， 研 究 人 员 对 于 定 量 计 算 氯 离 子 扩 散 系 数 Ｄ做 了大量 的研究 ¨ Ｉ ３ Ｊ 。然 而金 伟 良 等人 的 研 究结 果表 明扩散 系数 Ｄ 的取 值 受 到一 系 列 因素 的影 响 ， 而这 些 因素难 以在 一个 实 验 中全 部考 虑 。
第３ ３卷
第１ 期
河
北
工
程
大
学
学
报
（自 然
科
学
版）
Ｖｏ １ ． ３ ３ Ｎｏ ． １
Ｍａ ｒ ． ２ ０１ ６
２ ０ １ ６年 ｏ ３月
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈ ｅ ｂ ｅ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ （ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｎ ｉ ｎ ｃ ｒ ｅ ａ ｓ ｉ ｎ ｇ ａ ｔ ｔ ｅ ｎ ｔ ｉ ｏ ｎ ｈ ａ ｓ ｂ ｅ ｅ ｎ ｄ ｉ ｒ ｅ ｃ ｔ ｅ ｄ ｔ ｏ ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇ ｔ ｈ ｅ ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ（ Ａ Ｎ Ｎ）
文章编号 ： １ ６ ７ ３—９ ４ ６ ９ （ ２ ０ １ ６ ） ０ １ — ０ ０ ０ ５— ０ ６
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３— ９ ４ ６ ９ ． ２ ０ １ ６ ． ０ １ ． ０ ０ ２
离 岸 混 凝 土 氯 离 子 扩 散 系数 的人 工 神 经 网络 模 型
ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ｕ ｓ ｉ ｎ ｇ ａ ｒ ｔ ｉ ｉｃ ｆ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ
Ｌ Ｕ Ｘ ｉ ａ ｎ—ｙ ａ ｎ ｇ ， Ｙ Ａ Ｎ Ｇ Ｊ ｉ ａ ｎ ， Ｌ Ｉ Ｕ Ｑ ｉ ｎ ｇ— ｆ ｅ ｎ ｇ ，Ｈ Ｕ Ｙ ｕ
产生影 响 。
关键 词 ： 离岸 混凝 土 ； 氯 离子 ； 扩散 系数 ； 人 工神 经 网络
中图分 类号 ： Ｔ Ｕ ５ ２ ８ 文 献标 识码 ： Ａ
Ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｃ ｈ ｌ ｏ ｒ ｉ ｄ ｅ ｄ ｉ ｆ ｆ ｕ ｓ ｉ ｏ ｎ ｃ ｏ ｅ ｆｉ ｃ ｉ ｅ ｎ ｔ ｓ ｏ ｆ ｏ ｆ ｆ ｓ ｈ ｏ ｒ ｅ ｃ ｏ ｎ ｃ ｒ ｅ ｔ ｅ
人 工神 经 网络 具 有 自学 习 、 自调 整 且 能 容 忍 一定