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

0 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。

基于上述传统方法存在的问题，已有学者提出了BP神经网络的氯离子扩散系数预测模型[4]，但因为 BP网络存在收敛速度慢和局部极小等缺点，本文尝试采用在性能上优于BP网络的RBF神经网络建立氯离子扩散系数预测模型，为氯离子扩散系数的预测找到一种更有效的方法。

1 RBF神经网络模型

研究与实践证明:混凝土氯离子扩散系数与很多因素有关，主要包括混凝土的水胶比、水泥用量、混凝土强度、用水量、掺合物掺量、混凝土表面的氯离子浓度、时间、环境温度及湿度等因素。

在文献[5]中作者提出两种输入指标体系:一种是直接以影响输出的原材料用量作为网络输入向量。另外一种是以无量纲的各种原材料之间的比率作为输入向量。在考虑输入指标体系时，作者认为不仅需要考虑各组分的绝对数量，同时也应采取它们之间相对量的大小作为输入，而且在考虑输入指标时应考虑各个输入指标间的独立性，不应存在数据的捆绑现象，这样才能充分体现输入指标(影响因素)对氯离子扩散系数的影响。针对搜集得到的数据，本文中考虑到水胶比，水泥用量，掺合物用量(本文为粉煤灰)与水泥用量的比值及用水量 4个影响因素，其中 4个因素只有 3个独立。因此本文提出以水胶比，水泥用量，掺合物用量与水泥用量的比值 3个影响因素作为输入，输出只有 1个，即氯离子扩散系数，建立RBF神经网络模型，采用如图1所示的RBF网络模型。本模型隐层的基函为高斯函数。

利用收集到的 35组[3，4]数据，30组作为训练样本，另外 5组数据为测试样本。分别对本文提出的输入指标体系的RBF网络模型，文献[5]中提出的两种输入指标体系的RBF模型(RBF1模型——水泥用量，掺合物用量，水泥用量三者作为输入;RBF2模型——水胶比，掺合物用量与水泥用量的比值作为输入)及以水胶比，水泥用量，掺合物用量与水泥用量的比值及用水量作为输入的RBF3模型(影响因素重复考虑)用Matlab7.0进行了编程。另外，针对所提出的输入体系作者又对BP网络模型进行了编程。

2 模型预测值与实验结果对比分析

2.1 预测结果

在网络模型建好后，对样本数据进行归一化处理，以输入样本矩阵p为例。

其中，α取值在0～1之间，一般取α=0.9;β一般取0.1;max(p (i，∶))为输入样本矩阵的第i行所有列的最大值;min(p(i，∶))为输入样本矩阵的第i行所有列的最小值，p(i，∶)为第i行所有列的元素。

模型训练完成后，本文提出的模型及对比模型的预测结果及误差如表 1，表 2所示。

2.2 结果分析

从表1的数据可以看出，本文提出的输入指标的RBF神经网络模型预测结果的最大相对误差(3.33%)比RBF1模型的最大绝对误差(-7.38%)、RBF2模型的最大绝对误差(6.27%)及RBF3模型最大绝对误差(绝对值8.45%)都要小。与RBF1模型、RBF2模型结果的对比看出:输入指标体系采用相对与绝对的组合要比单纯的采用绝对量，相对量所建的模型的预测结果精确;与RBF3结果的对比可以看出:一种因素的重复考虑会造成预测模型结果的精确性低，也反映了数据的捆绑使得模型的泛化能力稍差(绝对值最大为8.45%，最小为0.82%)。

表1 RBF网络模型预测与实测结果

表2 本文RBF网络与BP网络结果误差比较

从表2的数据可以看出，本文建立的RBF模型的预测结果的最大绝对误差与最大相对误差都小于 BP网络模型。体现了本文所研究的问题在合理选取输入指标的前提下，建立RBF网络模型要优于BP网络模型。

总之，表1，表2数据表明:本文所建立的RBF模型合理(在确定输入指标时相对量与绝对量结合，充分考虑数据间的独立性，避免由于数据本身的捆绑而造成的一种因素的重复考虑的重要性)，预测结果有一定的精度。

3 结语

在建立RBF神经网络模型考虑输入指标时，应把相对量与绝对量都考虑进来且要充分考虑各个指标间的独立性，避免出现数据的捆绑现象，相对其他输入指标体系模型，本文模型的预测精度有所提高，且能满足工程的需要。

由于训练样本有限，且未能考虑所有影响因素，因此此模型存在一定的局限性;但从建模到预测结果的全过程看出，本文建立的RBF氯离子扩散系数模型比传统方法简单，模型拓展性较好，可以用作混凝土氯离子扩散系数的预测方法。

[1] Dhir RK，JonesM R，Ahmed H EH.Mag..Con-cr.Res，1991，43(37):21-22.

[2] Tang Luping and Lars-Olof Nilsson.ACIMater.Jour，1992，89 (49):10-11.

[3] 万小梅，田 砾，赵铁军.混凝土结构耐久性设计规程中抗氯离子渗透性检测方法的试验研究[J].混凝土，2007(2): 5-7.

[4] 管长生，王雨齐.基于BP神经网络的氯离子扩散系数预测模型[J].国外建材，2006(4):37-38.

[5] Dias W P S，Pooliyadda S P.Neura l Network for Predicting Properties of Concrete with Admixtures[J].Construction and Building Materials，2001(15):371.