AI技术在混凝土耐久性预测及检测中的应用

2022-02-25朱金坤贺星新

四川水泥 2022年2期

刘斌朱金坤贺星新

（南京市建筑设计研究院有限责任公司，江苏南京 210000）

0 引言

人工智能（Artificial Intelligence），简称为AI，是对人的意识或思维过程进行模拟，以研究和开发相关理论、技术及应用系统的一门新的技术科学。近三十年来，AI技术迅速发展，在很多学科领域都获得了广泛应用，并取得了丰硕成果。在建筑工程领域，人工智能的应用研究也是较为活跃的。

作为工程领域中的重要组成部分，钢筋混凝土结构因其优良的性能备受青睐。但在其使用寿命期内由于各种不利的暴露条件，或遭受各种破坏作用，钢筋混凝土结构耐久性问题日益突出，引起了国内外学者的关注和重视。目前在该方向广泛采用试验研究、理论分析、预测模型等方式进行研究，由于混凝土材料的复杂性、影响因素多样性传统研究结果往往存在着较大的误差且不能广泛应用。

因此，将AI技术引入该方向，可以优化已有的分析处理手段，提供更高效、简便的研究途径，克服某些耐久性检测仪器在实际工程使用难的问题。这无论在提高研究效率还是开辟新的研究角度上都是具有很大意义的。

本文将简要地介绍现阶段AI技术的发展情况，以及其在混凝土结构耐久性领域的应用情况，提出基于目前应用情况的应用思路及发展建议。

1 AI简述

AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。从定义可知AI研究具有三个内涵：（1）构建系统：根据人类智能活动的规律，构造具有一定智能的人工系统。（2）胜任工作：基于具有智能的人工系统，让计算机去完成以往需要人的智力才能胜任的工作。（3）延伸工作：利用人工系统的高运算性，保真性，可重复性，对现有工作进行延伸，达到人类智力达不到的效果。

AI对于人的思维模拟一般从两方面进行：一是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟；二是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器。

相对应的AI在计算机上实现时便有两种不同的方式：

2 AI技术在建筑工程领域的应用

AI应用于建筑工程领域各个环节：

在建筑设计方面，AutoCAD的出现和Revit的推广使得AI算法的提高，使新设计从业人员已经可以在相当短的时间内掌握设计程序的使用，并找到最优最经济的设计方案。

在现场施工方面，混凝土28d抗压强度是衡量混凝土自身性能的重要指标。以往的工作中，通常需要基于数理统计的线性回归方式对混凝土28d强度进行预测，但掺合料的存在会造成混凝土各组材料与抗压强度呈非线性关系，因此传统方式预测结果的准确性难以把控。而AI技术可以很好地控制混凝土强度，提前为工作人员提供相应强度值。陈强等针对不同混凝土配料建立了高性能混凝土强度预测BP网络模型，预测结果良好。

在工程管理方面，工程师们不再需要依靠手写或手绘的方式完成施工档案的记录，而是借助计算机软件，综合运用数理逻辑等手段来进行施工阶段的管理。比如目前较为热门的基于C/S环境开发的建筑施工管理系统，便涵盖了合同管理、施工人员管理、原材料供应商管理、固定资产管理等方方面面，进一步细化了供应和分包的各个环节，使原材料进离场、分包商及员工管理工作更加科学、准确、快捷。

3 AI技术在耐久性预测方面的应用

3.1 总体情况

混凝土的耐久性问题，是混凝土结构学科中的一项重要议题，许多学者也开始寻求耐久性问题的AI解决方案，主要从两个方向出发进行研究：

（1）采用AI算法，对具体的耐久性问题进行分析，通过人工智能自主学习的特性，让其建立模型以达到预测结构耐久性指标的目的；

（2）利用AI优化结构耐久性的检测设备和检测方案。根据对相关文献整理发现：AI在耐久性方面的应用主要集中在预测有害离子的侵蚀、碳化、钢筋锈蚀率等耐久性参数的预测方面。应用的方式主要为利用人工神经网络的自主学习能力通过大数据的深度学习，建立耐久性参数的预测模型。AI技术应用于耐久性预测领域的相关文献见表1。

表1 AI预测类应用相关文献

3.2 氯盐侵蚀预测

国内外大量的实践证明，氯盐侵蚀是钢筋混凝土结构耐久性失效的主要原因，因而准确地评价混凝土结构的抗氯盐侵蚀能力可以为混凝土结构的设计和施工提供合理建议。

Mohammadreza Seify分别基于分类回归树算法和人工神经网络以环境条件、穿透深度、水-胶凝材料比和硅灰质量等参数对海洋环境下混凝土中的氯盐分布进行了预测，发现在经过充分学习后，人工神经网络具有更好的预测效果。

舒阳针对高性能钢筋混凝土结构采用了基于BP神经网络的人工神经网络对受侵蚀钢筋混凝土中不同深度处的硫酸根离子和氯离子含量进行预测，研究了矿渣微粉含量（0%、35%）、混凝土水灰比、混凝土体积变化率和锈蚀周期对离子浓度的影响。

刘斯凤等采用动量-自适应学习速率调整算法以及规则化调整改进了BP神经网络的泛化能力，用以预测荷载-复合离子-干湿交替等多因素作用下氯离子浓度场的分布。总结不同的试验结果，可发现经过大量试验数据训练后，神经网络的预测结果与试验实测值吻合良好，所以在此方面可以采用神经网络辅助分析。

宋峰等人采用模糊-神经网络建立了多因素耦合作用下氯离子总电荷量模型，并将这种方法的结果与BP方法下的结果进行对比，发现采用模糊-神经网络具有更好的泛化能力。

根据上述学者的研究发现，采用人工神经网络对氯离子的侵蚀进行建模，在经过足够多的训练之后，可以较好的预测氯离子在混凝土的分布。误差主要来源于算法的采用以及先期对于数据的学习是否充分，故该方面的研究主要集中在对信息的收集以及新型算法的应用[1-5]。

3.3 钢筋锈蚀量预测

AI在锈蚀量方面的应用，主要集中对于钢筋锈蚀量的预测上，对此众多学者采用了钢筋锈蚀试验、工程调查和理论分析等方式，而利用AI技术进行预测相较于传统方法较为简单实用。

范颍芳分别从单参数和多参数出发，基于BP神经网络预测了锈蚀钢筋的粘结力，从而建立锈蚀钢筋的粘结滑移曲线。发现多参数的情况下准确性较单参数有着较大地提升。

陈海斌、刘燕、沈汝伟等学者则以预测钢筋锈蚀量为目的，分别以BP神经网络，RBF神经网络，径向基函数神经网络等方式进行研究，建立了基于AI方法的钢筋锈蚀量预测模型。其中BP神经网络是一种常用的全局逼近神经网络，从理论上讲，3层BP网络就可以实现从输入到输出的任意函数映射，但是无法保证收敛性和全局最优性。而RBF神经网络的学习和收敛速度更快且不容易陷入局部极小值[6-7]。可以看出这些学者的研究进展主要根源在于算法的提升。另外，将宋峰等人的研究与陈海斌等人的研究进行对比，宋峰采用了116个样本数据进行学习，

陈海斌采用了21个样本数据进行学习，结果宋峰的最大误差率为5.2%，远低于陈海斌的41.3%。由此可知样本数量对于人工神经网络的学习效率有着极大的影响。