多因素耦合作用下混凝土氯盐侵蚀模糊网络评估模型.pdf

多因素耦合作用下混凝土氯盐侵蚀模糊 网络评估模型 宋峰等 7 1 多 因素耦 合作 用 下混 凝 土 氯 盐侵 蚀 模 糊 网络评 估 模 型 宋峰 ， 金伟 良， 武 海荣 ( 浙江大学建工学 院 ， 杭州 3 1 0 0 5 8 ) 摘要 单位 时间 内通过混凝土结构 的总电荷量是反 映混凝 土结构氯 离子渗 透 能力的一 个重要 指标 。针 对传 统经验公式法预测 了氯 离子总 电荷量的 不足 ， 建 立 了一 个模糊 神经 网络模 型 以预 测氯 离子 总电荷量 。此模 型能 同 时考虑 多种 因素及其 非线性耦合作 用， 方便 易行 、 通用性好 ， 较之其 它神经 网络具 有运 算速度 快 、 不容 易陷入局 部最 优 、 训练效果好的特点。训练样本训练后的结果表明， 该模型具有较高的准确度， 能可靠预测氯离子总电荷量， 准确 评价混凝土结构 的抗 氯盐侵 蚀能力 ， 为 实际工程 的耐 久性 设计和评价提供依据 。 关键词 模糊理论抻经网络氯离子侵蚀混凝土 总电倚量 中图分类号 ： TU5 0 3 文献标 识码 ： A Ap pl i c a t i o n o f Fu z z y Ne t wo r k M o de l i n Es t i ma t i o n o f Chl o r i d e Pe r me a bi l i t y o f Co nc r e t e s u nd e r M ul t i f a c t o r Co u pl i ng S ONG Fe n g ，J I N W e i l i a n g，WU Ha i r o n g ( D e p a r t me n t o f C i v i l E n g i n e e r i n g ， Z h e j i a n g Un i v e r s i t y ，Ha n g z h o u 3 1 0 0 5 8 ) Ab s t r a c t Ch l o r i d e p e r me a b i l i t y o f c o n c r e t e s ，wh i c h i s d e t e r mi n e d t h r o u g h r a p i d c h l o r i d e p e r me a b i l i t y t e s t ( RCP T) ， i s a n i mp o r t a n t i n d i c a t o r o f t h e a b i l i t y o f c h l o r i d e i o n p e n e t r a t i o n i n c o n c r e t e B e c a u s e i t i s i n a c c u r a t e t o b e p r e d i c a t e d b y t h e t r a d i t i o n a l e mp i r i c a l f o r m u l a ，a n e w mo d e l ，b a s e d o n n e u r a l n e t wo r k a n d f u z z y t h e o r y，h a s b e e n p r o p o s e d t o e s t i ma t e c h l o r i d e p e r me a b i l i t y o f c o n c r e t e Ma n y r e l a t e d f a c t o r s a n d t h e n o n - l i n e a r c o u p l i n g e f f e c t s o f t h e m h a v e b e e n t a k e n i n t o a c c o u n t Th i s mo d e l i s s i mp l e f o r u s e a n d c a n b e e f f e c t i v e o n ma n y o c c a s i o n s Co mp a r e d wi t h o t h e r n e u r a l n e t wo r k s ，t h e me t h o d i s b e t t e r n o t o n l y b e c a u s e o f i t s h i g h - s p e e d i n c a l c u l a t i o n b u t a l s o i t s r e f u s a l o f l o c a l o p t i mu m Af t e r t r a i n i n g，t h e t e s t i n g r e s u l t s s h o w t h a t i t h a s h i g h a c c u r a c y I n s h o r t ， t h e mo d e l i s a b l e t o p r e d i c t c h l o r id e p e r me a b i l i t y o f c o n c r e t e r e l i a b l y a n d p r o v i d e a s s i s t a n c e f o r t h e e s t i ma t i o n o f d u r a b i l i t y i n p r a c t i c a l p r o j e c t d e s i gns Ke y wo r d s f u z z y t h e o r y ，n e u r a l n e t wo r k，c h l o r i d e p e n e t r a t i o n ，c o n c r e t e ，t o t a l p a s s i n g c h a r g e 0 引言 钢筋混凝土结构在使用寿命期 内会遇到各种暴露 条件 ， 遭受各种破坏作用 ， 而其中钢筋锈蚀引起 的结构破坏所 占的 比例最大 ， 中国腐蚀调查报告 【 指 出， 建筑部 门的腐蚀年 损失约为 1 0 0 0亿人 民币。国内外大量 的实践 已经证 明， 氯 盐是引发混凝土 中钢筋锈蚀最危险的侵蚀介质 2 。由于氯 盐侵蚀的广泛性和高维修成本 ， 国内外学者对氯离子 的侵蚀 破坏作用进行了广泛研究 ， 其 中一个很重要 的内容就是 准确评价混凝土的抗氯盐侵蚀能力 ， 为混凝土结构的施工和 设计提供参考 ， 主要 的描述 指标是混凝土 结构氯离 子渗透 性 ， 通常运用快速氯离子检测技术 ( R C P T) 测试通过混凝土 结构的氯离子总电荷量来定量描述 。 目前工程领域最常用的是经验公式法， 专业人士根据工 程调查和长期暴露试验 ， 拟合出一些经验公式以估计混凝土 结构氯离子总电荷量 。但混凝土是 由粒状材料镶嵌 于坚硬 的基质材料 中所组成的气、 液 、 固三相并存的多孔非 匀质材 料 。影响氯离子扩散系数的因素非 常多 ， 水灰 比、 水泥用量、 掺合料 、 添加剂、 养护条件、 养护 时间、 骨料 、 温度、 湿度等众 多因素对扩散系数都有较大影响， 并且这些影响具有非线性 和不确定性的特点 ， 很难用准确的数学表达式进行描述 。传 统经验公式考虑的因素单一， 不能同时考虑多种因素 的耦合 影响， 预测误差比较大， 而且很多参数的取值有赖于专家的 经验取值， 耐久性评价差异大， 可靠性不高。总之， 传统方法 的局限性已经非常突出。 2 O世纪 8 O年代迅速兴起了一门新的非线性科学神 经 网络 ， ， 它模仿人脑 中大量 神经元 的互相连接 、 非线性、 并行处理的信息处理方式， 通过对输入输 出数据的学习、 记 忆和仿真 ， 即可解决信息复杂、 模 型模糊 、 规则不清、 噪声污 染等非线性问题。与传统的非线性 线性拟合系统相 比， 人 *国家 自然科 学基金重点项 目( 5 0 5 3 8 0 7 0 ) ； 国家 自然科 学基金对外 交流 与合 作项 目( 5 0 8 1 1 1 4 0 0 8 8 ) 宋峰： 男， 】 9 8 4年生， 硕士生 E ma i l ： h b s o n g f e n g Z j u e d u c n 金伟良： 男， 】 9 6 3年生， 教授， 博士生导师， 从事结构和海洋工程 研 究E -一 ma i l ： j i n wl u e d u c n 7 2 材料导报 ： 研 究篇 2 0 1 0年 1月( 下) 第 2 4卷第 1 期 工神经网络方法无需明确的数学物理模型 ， 也无需确定各种 计算参数， 可以消除参数确定过程中产生的计算误差 ， 尤其 是针对多因素耦合作用的非线性问题 ， 可显著提高预测结果 的准确性。人工神经网络所具有的自组织、 自适应、 自学习、 联想记忆、 高度容错、 并行处理能力、 高度非线性映射能力以 及线性动力特性 ， 使得神经网络理论的应用 已经渗透到 了各 个领域， 近年来 ， 在土木工程领域得到了广泛应用l 8 。 】 。 同时， 混凝土本身是一个不确定信息的综合体 ， 在研究 混凝土抗氯盐侵蚀时 ， 应用不确定性数学方法如模糊数学和 灰色理论软处理边界是 比较合理的。本研究充分结合模糊 理论处理不确定性问题和神经 网络处理非线性问题的优点 ， 建立了能准确预测多因素耦合作用下氯离子总电荷量 的模 糊一 神经网络模型 ， 并通过试验数据对其进行了训练和测试， 以证明该模型的有效性与精度 。 1 模糊神经 网络模 型的建立 单纯的神经网络不具有明确的物理意义， 专家不能将研 究对象的知识应用到神经网络中， 训练时只能由系统任意给 定初值 ， 这样不仅增加训练次数 ， 而且 还有可能陷入局部最 优。而将模糊系统的专家知识与神经网络结合 ， 可使神经 网 络系统具有明确的物理意义， 避免 了传统神经网络工作过程 的“ 黑盒” 性 ， 同时该模型又具有神经网络的自适应性和学习 能力， 克服了传统模糊系统学习能力差的缺点。 文献 7 介绍了模糊一 神经网络的基本结构 ， 图 】 为本 研 究中模糊神经 网络的具体结构。图 1中第一层 为输入层， 本 模型中输人变量有 6个， 分别 为水 泥类 型、 水灰 比、 骨料用 量、 减水剂用量、 养护时间、 养护条件。水泥类型有 C E M I、 C E M M 、 C E M B - M 、 CE M V A、 C E M l f A 等 5种 ， 分别用 1 、 2 、 3 、 4 、 5表示； 水灰 比用量为 0 4 5 0 6 5 ； 骨料用 量和减水剂用量取单位立方米内与水泥用量的 比值 ； 养护条 件有空气中自然养护、 先水下养护 7 天再在一定条件下 的空 气中养护、 水下养护 3 种情况 ， 分别用 1 、 2 、 3 表示 ； 养护时问 变化有 2 8天、 9 0天和 1 8 0天 3种。它们与输 出都有密切联 系， 水泥品种直接决定混凝土的材料组成成分 ， 对氯离子 吸 附和孔结构都有较大影 响； 水灰比直接与渗透性相关， 一般 其值越小 ， 氯盐侵蚀越难 ； 养护条件和养护时间直接决定水 化程度 ， 对孔结构的影响较大。 各个输入变量分别为 6个、 3个 、 3个 、 3个 、 5个、 6个隶 属函数， 位于第 2层 。图 2为每个输 入变量 的隶属度函数 ， 本研究 中没有加入专家知识 ， 隶属度函数由高斯 函数 自动生 成， 当然也可根据专家知识来生成隶属度函数。 第 3层是模糊规则 ， 本模 型模糊规则数事先没有确定， 而是动态变化的， 即在学习开始时没有一条模糊规则， 其模 糊规则在学习过程中逐渐调整变化。如果是领域专家 ， 可以 直接将专业知识用于建立模糊规则 ， 即将专家知识 与神经 网 络结合， 当然也可以根据样本对系统 自动抽取模糊规则进而 完成建模， 本研究属于后者。图 3描绘 了模糊神经网络模糊 规则变化过程， 可以看到模糊规则随着样本训练过程的不断 变化， 最后稳定在 2 6 个 。 水泥类型 水 灰 比 骨料用量 减水剂 养护条件 养护时间 氯 离 子 电 通 量 层 图 1 模糊神经网络结构图 Fi g 1 Th e s t r u c t u r e o f f u z z y n e u r a l n e t wo r k mo d e l 图 2 输入变量的隶属度函数 Fi 舀 2 M e mb e h i p f u n c t i o n s o f i n p u t v a r i a b l _ 囊 霎 训I 练样 本 图 3 模糊规则变化过程 Fi 3 Th e c h a n g o f t h e f uz z y r u l e i n t h e t t i n g p r o c e s s 第 4 层是输出变量层 ， 输出变量有 1 个， 即混凝土氯离 子总电荷量。根据 A A S H T ( ) i “ 要求 ， 采用快速氯离子渗透 方法测试( R C P T ) ， 用通过试验试件的总电荷库仑数来表示 氯离子总电荷量 ， 即通过 的电荷数越多， 表 明试件的渗透性 越高。通过对第 3层各条模糊规则结果的加权和， 即去模糊 化过程 ， 即可得到一个清晰的结果。本模型主要通过 比较模 型的预测值与实验数据 中的以下几个参数来控制模 型误差 和评价模型的准确性 ： 多因素耦合作用下混凝土氯盐侵蚀模糊 网络评估模型 宋峰等 7 3 均方差 ： RM S E 相关系数 ： R 古 ( 2 ) 误差率： l I M A P E一 ( 1 0 0 1 1 ) ( 3 ) P l O j l 式中： t 是 目标值 ， O是输出值， P是样本数 目。 2 模糊神 经网络的训练和 测试 模糊网络的工作过程分 为 2个 阶段： 学 习期 和工作期 。 在学习期网络结构和参数都不 固定 ， 随学习样本 的不同而不 断进行调整 。工作期内网络已经固定不变， 对于给定的输入 只负责给出相应的输出。学习期又分为训练期和测试期 ， 训 练数据要尽量做到全面 ， 以使网络更加贴近实际系统 。为了 证明网络的有效性 ， 本模型使用文献E 1 o 中的数据作为训练 样本与测试样本。数据总量为 1 2 8个， 数据量较大 ， 考虑 的 材料影响因素较 为全面， 对 几种重要 的配 比列举得 比较详 细 ， 但某些输入量变化太少， 对 泛化 能力有一定影响 。从 中 随机选取了 l 2对作为测试样本 ， 剩下 的 1 1 6对作 为训练样 本 。对样本数据进行了 2次反复训练， 相对于 B P网络的上 百甚至上千次的训练， 节 约 了很多时间 ， 大大提高了训练速 度。表 1为本模型的训练 和测试结果分析。从表 l中可 以 看出， 本网络模型的全局性能较好 ， 训 练和测试样本 的相关 系数都达到了 0 9 9 8 ， 误差 率也 只有 2 3 和 5 2 ， 需要指 出的是均方差数值较大是因为本 网络不需要进行 归一化处 理 ， 输入输出都使用原来的数值。这样处理的优点是可以避 免由于归一化引起 的各独立样本之 间产生相关性 ， 更加方便 使用者。表 2是本模型的测试结果， 从表 1 、 表 2中可 以看 出 该模型达到了相当高的精度 。 表 1 网络训练和测试样本的统计分析 Ta b l e 1 S t a t i s t i c a l p e r f o r ma n c e of t h e t r a i n i n g s a mp l e a n d t he t e s t i n g s a mp l e 表 2 测试样本的期望输出与网络模拟输出的比较 Ta b l e 2 Co mp a r i s o n o f l h e t e s t i n g r e s u l t s a n d p r e d i c t i o n r e s u l t s 注 ： 骨料用 量和减 水剂用量 都是 相对于水泥 的比值 为了进一步检验训练后 网络 的性能 ， 利用 P o s t r e g函数 对网络仿真的输 出结果和目标输 出作线性 回归分析 ， 得到了 两者的相关系数 ， 以作为网络训练结果优劣的判别依据。训 练和测试分析结果分别见图 4和图 5 。从图 4和图 5中可以 看出， 训练样本 的网络输出值 与目标期望值 的相关系数达到 了 0 9 9 4 ， 而测试样本对应的相关系数达到了 0 9 9 2 ， 效果非 常好。 综上所述， 本模型无论是训练过程还是检测过程都较为 理想 ， 预测值与实际试验值都较为接近 ， 完全可以用于实际 程中预测混凝土结构氯离子总电荷量和评价混凝土结构 抗氯离子侵蚀能力 ， 为混凝土结构 的抗氯盐渗透性评价和耐 久性分析提供 町靠的依据。 胡 目标输出T C 图 4 -o ll 练样本网络输出值的回归分析 Fi g 4 The t r ai ni ng pe r f or m a nc e o f t he pr opo s e d mod el 7 4 材料导报 ： 研 究篇 2 0 1 0年 1月( 下) 第 2 4 卷第 1 期 U 丑 副 目标输出T C 图 5 测试样本网络输出值的回归分析 F i g 5 T h e t e s t i n g p e rfo r m a n c e o f t h e p r o p o s e a mo d e l 3 理论模型在实际工程 中的应 用 杭州湾嘉 兴乍浦 港位 于 中国东海 ， 海水 平均 盐度 为 l O 8 ， 氯离子质量浓度为 5 9 8 g k g ， 年平 均气温 为 1 5 8 ， 年平均降水量为 1 2 2 0 3 mm， 年平均相对湿度为 8 2 。乍浦 港二期四泊位与三期一泊位开工时间和竣工时间相 同， 即暴 露时间相同。同时， 两泊位朝 向相同， 所处的 自然环境完全 相同， 即外界影响因素相同， 因此其氯离子侵蚀的差异完全 由混凝土材料因素决定 。两泊位的混凝土浇筑材料特性见 表 3 ， 二期四泊位所用水泥具体成分与欧洲的 C E M 1 1 A M 成分接近， 三期一泊位所用水泥具体成分与欧洲的 C E M H _ M接近。养护条件都是 自然养护 ， 由于没有现场的具体施 工数据 ， 假设养护时间都是 2 8天， 则通过本模型预测的氯离 子总电荷量分别为 6 2 4 9 C和 4 2 8 6 C。表 4是氯离子总电荷量 与氯离子侵蚀能力的关 系l 】 ， 由表 4可知， 两者氯离子侵蚀 程度都严重 ， 耐久性明显不足。这是由于在设计 中未充分考 虑结构的耐久性问题 ， 尤其是二期 四泊位抗氯盐侵蚀能力很 差， 其氯离子总电荷量高达 6 2 4 9 C， 明显高于三期一泊位 ， 因 此其氯离子侵蚀也会明显高于三期一泊位 。 表 3 乍浦港二期四泊位与三期一泊位配比材料表 Ta b l e 3 M i x t u r e p r o p o r t i o ns o f 2 - 4 d o c k a n d 3 - 】d o c k 表 4 氯离子总电荷量与氯离子侵蚀能力的关系 Ta b l e 4 Ch l o r i d e i o n p e n e t r a b i l i t y b a s e d o n c h a r g e p a s s e d 氯离子总电荷量 c 氯离子侵蚀程度 侵蚀严重 侵蚀中等 侵蚀低 侵蚀非常低 侵蚀可以忽略 实际混凝土结构 的氯离子侵蚀检测值见图 6 ， 取样位置 分别是大气区和浪溅区， 为避免取样时季节性 因素的影响， 取样时暴露时问分别是 l 5月 、 1 8月、 2 2月、 2 8月， 基本都是 各季节具有代表性的时间。从 图 6中可以看出， 在较短的暴 露时间内， 两者的氯离子侵蚀都 已经非常明显 ， 尤其是二期 四泊位氯离子的侵蚀非常严重 ， 最大侵蚀深度达到 4 7 5 mm， 明显高于三期一泊位。两者的抗氯离子侵蚀能力极差， 尤其 是三期一泊位， 这与模型预测结果相符。 图 6 二期四泊位与三期一泊位现场检测数据比较 F i g 6 Th e c o mp a r i s o n o f t h e 2 - 4 d a t a a n d 3 - 1 d a t a 4 结论 ( 1 ) 针对混凝土结构抗氯盐侵蚀影响因素的不确定性和 非线性特点， 本研究基于模糊一 神经网络建立 了预测氯离子总 电荷量模型， 并编制了相应程序。该程序利用 Ma t l a b 强大的 运算功能实现模糊神经网络的建模功能， 相 比于传统的经验 公式， 本模型能同时考虑多种因素的非线性耦合作用， 包括水 泥类型、 水灰比、 骨料用量、 减水剂用量、 养护条件、 养护时间 等 6 个主要因素。经过试验数据的训练和检测 ， 本模型能准 确预测氯离子总电荷量 ， 误差控制在较小范围内， 具有较高的 可信度， 可为实际混凝土工程抗氯盐侵蚀提供设计依据。 ( 2 ) 相 比于早期的 B P神经网络， 模糊神经网络结构更加 合理， 提高了网络 的泛化能力， 并能避免局部最优。同时本 模糊神经网络模型具有较好的动态学习能力， 即采用 了连续 学习能力 ， 随着实测数据 的不断积 累与完善， 可 以把更多 的 因素考虑在内， 进一步提高模型预测精度， 尤其是在有充足 高性能海工混凝土训练数据时就能合理评价海工混凝土耐 久性能。 ( 3 ) 本研究的模型具有广泛的适应性 ， 并不仅仅局限于 混凝土氯离子总电荷量的预测 ， 也可应用于其它合适领域。 参考文献 1 柯伟 中国腐蚀调查报告E M 北京 ： 化学工业出版社 ， 2 0 0 3 2 洪定海 混凝土中钢筋的腐蚀与保护 M 北京： 中国铁道出 版社 ， 1 9 9 8 3 金伟 良， 赵羽习 混凝土结构耐久性 M 北京 ： 科学出版社， 20 03 4 Er i c J Nu me r i c a l s i mu l a t i o n o f r e i n f o r c e d c o n c r e t e d e t e r i o r a t io n ： C h l o r i d e d i f f u s i 0 n 【_ J AC I Ma t e r J ， 1 9 9 9 ， 9 6 ( 6 ) ： 1 7 3 5 S a s c h a L a y ，e t a 1 L i f e c o n d e n v e r a b l e s R T e c h n i c a l Re s e a r c h Ce n t r e o f Fi n l a n d ， 2 0 0 3 ( 下转第 8 0页) 0 4 2( 蜘叫 、 t ； 、 ； 、 t； ； j 、 、 ； t： ： 0 ( 上接 第 7 4页) 6 闻新， 周露， 等编著 Ma t l a b神经网络仿真与应用 MI _ 北 京 ： 科学 出版社 ， 2 0 0 3 7 伍世虔， 徐军 动态模糊神经网络 M 北京： 清华大学出版 社 ， 2 0 0 7 8 Y a n g Z e y i n g ( 杨则英 ) ， e t a 1 Du r a b i l i t y e v a l u a t i o n o f b r i d g e s b a s e d o n a n ti s a n d g e n e t i c a l g o r i t h ms ( 基于白适应神经一 模糊 推理系统和遗传算法的桥梁耐久性评) J C h i n a C i v i l E n g J ( 土木工程学报) ， 2 0 0 6 ， 3 9 ( 2 ) ： 1 6 9 L i u S i f e n g ( 刘斯凤) ， X i n g F e n g ( 邢锋) A p p l i c a t i o n o f B P a r t i f i c i a l n e u r a l n e t wo r k mo d e l i n g i n s e r v i c e l i f e p r e d i c t i o n o f c e n c r e t e u n d e r mu l t i f a c t o r s ( 多因素条件下混凝 土寿命 的 B P 神经网络预测) _ J Ma t e r R e v ( 材料导报) ， 2 0 0 8 ， 2 2 ( 7 ) ： 8 5 1 0 E r h a n Gt i n e y i s i ，Me h me t Ge s o g ： l u ， e t a 1 Es t i ma t i o n O t c h l o r i d e p e r me a b i l i t y o f c o n c r e t e s b y e mp i r i c a l mo d e l i n g： Co n s i d e r i n g e f f e c t s o f c e me n t t y p e ，c u r i n g c o n d i t i o n a n d a g e l J I C o n s t r u c t B u i l d Ma t e r ， 2 0 0 9 ， 2 3 ： 4 6 9 l l Ame r i c a n a s s o c i a t i o n o f s t a t e s h i g h wa y a n d t r a n s p o r t a t i o n o f f i c i a l s AAS HT( )T 2 7 7 r a p i d d e t e r mi n a t i o n o f t h e c h l o r i d e p e r me a b i l i t y o f c o n c r e t e E S Wa s h i n g t o n ：AAS HT O， 1 99 0 1 2 AS TM i mt e r n a t i o n a I AS TM Cl 2 0 2 s t a n d a r d t e s t me t h o d f o r e l e c t r i c a l i n d i c a t i o n o f c o n c r e t e S a b i l i t y t o r e s i s t c h l o r i d e i o n p e n e t r a t i o n S Wa s h i n g t o n ： As T M， 1 9 9 7 ( 责任编辑向 东)