基于深度学习的粉煤灰混凝土氯离子浓度预测_章玉容.pdf

第 49 卷 第 2 期2023 年 2 月北京工业大学学报JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGYVol.49No.2Feb.2023基于深度学习的粉煤灰混凝土氯离子浓度预测章玉容1,2,余威龙1,麻雪晴1,骆天意1,王京京3(1.浙江工业大学土木工程学院,杭州摇 310014;2.浙江省工程结构与防灾减灾技术研究重点实验室,杭州摇 310014;3.北京工业大学城市建设学部,北京摇 100124)摘摇 要:为研究深度学习方法在氯离子浓度预测中的应用,通过自然潮差环境下粉煤灰混凝土的长期暴露试验获取 3 150 组自由氯离子浓度数据,建立不同激活函数、不同隐藏层层数的多层感知器(multi鄄layer perceptron,MLP)模型,开展考虑水灰比、暴露时间、粉煤灰掺量、渗透深度 4 个输入参数影响的粉煤灰混凝土中的自由氯离子浓度预测研究.结果表明,采用 ReLu 函数及 4 层隐藏层构建 MLP 模型时,自由氯离子浓度的预测结果最优.同时,将构建的最优 MLP 模型开展基于未测参数的自由氯离子浓度预测,比基于菲克第二定律的预测结果更准确.因此,MLP 模型具有精度高和适用范围广泛的特点,可作为氯盐环境下混凝土中自由氯离子浓度预测的新方法.关键词:自由氯离子浓度预测;深度学习;多层感知器;激活函数;隐藏层层数;粉煤灰混凝土中图分类号:TU 528文献标志码:A文章编号:0254-0037(2023)02-0205-08doi:10.11936/bjutxb2021120010收稿日期:2021鄄12鄄13;修回日期:2022鄄01鄄04基金项目:北京市自然科学基金资助项目(9204021)作者简介:章玉容(1988),女,副教授,主要从事混凝土结构耐久性和工程结构可持续分析方面的研究,E鄄mail:通信作者:王京京(1989),女,副教授,主要从事混凝土及其结构全生命周期碳排放、深度学习、BIM 技术及智能建造方面的研究工作,E鄄mail:wangjj Prediction of Chloride Concentration in Fly AshConcrete Based on Deep LearningZHANG Yurong1,2,YU Weilong1,MA Xueqing1,LUO Tianyi1,WANG Jingjing3(1.College of Civil Engineering,Zhejiang University of Technology,Hangzhou 310014,China;2.Key Laboratory of Civil Engineering Structure&Disaster Prevention and Mitigation Technology of Zhejiang Province,Hangzhou 310014,China;3.Faculty of Architecture,Civil and Transportation Engineering,Beijing University of Technology,Beijing 100124,China)Abstract:To explore the application of deep learning theory on predicting chloride concentration,3 150groups of free chloride concentration data were obtained by a long鄄term exposure test of fly ash concreteunder natural tidal environment.A multi鄄layer perceptron(MLP)model with different activationfunctions and hidden layers,including four input parameters,namely water鄄cement ratio,exposure time,fly ash content and penetration depth,was established to predict the free chloride concentration in fly ashconcrete.Results show that the prediction result is the best when the MLP model is constructed by usingReLu function with four hidden layers.Meanwhile,the selected optimal MLP model has more accurateprecision when predicting the free chloride concentration based on the not measured parameters,compared with the method based on Fick蒺s second law.Therefore,the MLP model has the advantages ofhigh precision and wide application scope,which can be used as a new method for predicting free网络首发时间：2023-02-08 16:06:50网络首发地址：https:/ 京摇 工摇 业摇 大摇 学摇 学摇 报2023 年chloride concentration of concrete under chloride environment.Key words:free chloride concentration prediction;deep learning;multilayer perceptron;activationfunction;hidden layer;fly ash concrete摇 摇 混凝土中自由氯离子浓度分布是评价氯盐环境下钢筋混凝土结构钢筋锈蚀风险的重要工具1鄄2.基于菲克第二定律,对测试得到的氯离子浓度分布曲线进行拟合,可得到氯离子扩散系数和表面氯离子浓度等结构服役寿命预测的重要参数3鄄6.因此,精确预测氯离子浓度对结构耐久性评估与剩余寿命预测意义重大.氯离子在混凝土中的扩散十分缓慢,且受到混凝土配合比、原材料性质和暴露环境等多种因素的影响7鄄9.以往研究者多基于试验数据采用统计方法来预测氯离子浓度10,但受时间、成本和试验数据质量的影响,预测结果往往很不理想.近年来,人工智能技术的蓬勃发展为混凝土耐久性能预测提供了新思路,众多学者使用深度学习方法对混凝土中氯盐侵蚀的相关问题展开研究.Liu 等11通过大量的文献调研建立包含 653 组氯离子扩散系数的数据库,基于人工神经网络(artificial neural network,ANN)构建混凝土中氯离子扩散系数预测模型,并开展统计分析验证预测模型的性能.Asghshahr等12基于 162 组试验数据,采用 ANN 和分类与回归树(classification and regression tree,CART)方法开展混凝土不同深度处的氯离子浓度预测,并基于试验结果预测长期的氯离子浓度值.ANN 所构建的结构仅具有 1 个隐藏层,其在处理简单问题和某些特定问题时表现良好,但在处理复杂问题时会遇到困难,且存在泛化能力不足的问题13.深度神经网络(deep neural networks,DNN)可以解决复杂模式分类问题并泛化能力良好,典型方法 包 括 多 层 感 知 器(multi鄄layer perceptron,MLP)、卷积神经网络(convolutional neural networks,CNN)、长短期记忆(long short鄄term memory,LSTM)和深度置信网络(deep belief network,DBN)等.本文基于深度学习的多层感知器模型,结合已有自然潮差环境下粉煤灰混凝土长期暴露试验的 3 150 组自由氯离子浓度数据,以暴露前期的试验数据预测暴露后期的自由氯离子浓度,并分析不同激活函数和不同隐藏层层数对预测结果的影响.然后,以MLP 模型的预测值和实测的自由氯离子浓度对比,并使用均方误差、平均绝对误差以及决定系数对模型评价得到最优的预测模型.最后,以最优模型开展基于未测参数(粉煤灰掺量、暴露时间和渗透深度)的自由氯离子浓度预测.1摇 试验过程1郾 1摇 原材料试验采用钱潮 P.C32.5 复合硅酸盐水泥和比表面积为 540 m2/kg 的一级粉煤灰作为胶凝材料,试验混凝土的水胶比为 0郾 4.表 1 给出试验混凝土的配合比以及标准环境下养护 28 d 后的混凝土立方体抗压强度.表 1摇 试验混凝土配合比及 28 d 抗压强度Table 1摇 Test concrete mixture proportions and compressive strength after maintenance for 28 days粉煤灰掺量/%材料用量/(kg m-3)水泥粗骨料细骨料水粉煤灰28 d 抗压强度/MPa0475郾 01 174552190034郾 1120380郾 01 17455219095郾 031郾 2130332郾 01 174552190143郾 027郾 4440285郾 01 174552190190郾 025郾 8450237郾 51 174552190237郾 524郾 86摇 摇 试件一次成型浇筑并统一放置到试验现场,按照预定的暴露间隔时间分次取样和测试混凝土中的自由氯离子浓度.试件尺寸为 150 mm 伊 150 mm 伊550 mm.在标准环境下养护 28 d 后,将试件长边的一端4 个侧面涂上长度为150 mm 的环氧树脂,保证氯离子单向渗入混凝土.图 1 给出混凝土氯离子渗602摇 第 2 期章玉容,等:基于深度学习的粉煤灰混凝土氯离子浓度预测透示意图和试验现场的试件照片.图 1摇 混凝土中氯离子渗透示意图和现场照片Fig.1摇 Diagram of chloride penetration in concrete andspecimens photo摇1郾 2摇 暴露环境混凝土试块放置于浙江省嘉兴市乍浦港区一期二号码头 D4 泊位潮差区.该地区的多年平均温度为 15郾 6 益,年平均降水量 99郾 4 mm.混凝土试件所放置位置的多年平均日干燥时间约为 22 h,浸没时间约为 2 h,即多年平均干湿循环时间比例为 11颐 1.1郾 3摇 自由氯离子浓度测试方法及浓度数据集将试件分别在现场暴露 120、240、360、520、680、840、1 160 d 后取回,用混凝土研磨机从试件的表面开始沿着氯离子渗透方向逐层磨粉,每隔 2 mm向内研磨至 30 mm 的深度,经过 0郾 63 mm 孔径筛粉后,在(105 依5)益烘箱中放置 2 h,最后冷却至室温加蒸馏水配制成溶液以测定其不同深度处的自由氯离子浓度.为消除试验材料及测试误差,从相同规格的试件中取 6 个芯样进行自由氯离子浓度测试.因此,对于 5 种混凝土配合比、7 个暴露时间、15 个深度值以及 6 个芯样,一共可获得 3 150 组自由氯离子浓度的数据值.2摇 MLP 模型开发与性能评价2郾 1摇 MLP 模型开发MLP 模型由输入层、隐藏层和输出层组成.输入层参数通过隐藏层的各个神经元传到输出层,然后通过损失函数和梯度下降法反向更新各个神经元的权重,以实现预测值和实际值的最小偏差.基于深度学习的 MLP 模型与一般的人工神经网络相比具有更多的层次和神经元,提高了信息特征的提取能力.工程实