[論文レビュー] Data-Driven Method for Enhanced Corrosion Assessment of Reinforced Concrete Structures

Woubishet Zewdu Taffese|arXiv (Cornell University)|Jul 1, 2020

Concrete Corrosion and Durability参考文献 148被引用数 7

ひとこと要約

本論文は、機械学習モデル——特にアンサンブル決定木とニューラルネットワーク——を用いたデータ駆動型フレームワークを提案し、鉄筋コンクリート内の腐食評価を向上させる。具体的には、炭酸化深さ、塩化物濃度プロファイル、および湿熱挙動の予測を実施する。これらのモデルは長期にわたる現場データに基づいて訓練されており、従来の手法に比べて精度と信頼性が優れており、耐久性評価および保守計画立案における予測能力が向上する。

ABSTRACT

Corrosion is a major problem affecting the durability of reinforced concrete structures. Corrosion related maintenance and repair of reinforced concrete structures cost multibillion USD per annum globally. It is often triggered by the ingression of carbon dioxide and/or chloride into the pores of concrete. Estimation of these corrosion causing factors using the conventional models results in suboptimal assessment since they are incapable of capturing the complex interaction of parameters. Hygrothermal interaction also plays a role in aggravating the corrosion of reinforcement bar and this is usually counteracted by applying surface-protection systems. These systems have different degree of protection and they may even cause deterioration to the structure unintentionally. The overall objective of this dissertation is to provide a framework that enhances the assessment reliability of the corrosion controlling factors. The framework is realized through the development of data-driven carbonation depth, chloride profile and hygrothermal performance prediction models. The carbonation depth prediction model integrates neural network, decision tree, boosted and bagged ensemble decision trees. The ensemble tree based chloride profile prediction models evaluate the significance of chloride ingress controlling variables from various perspectives. The hygrothermal interaction prediction models are developed using neural networks to evaluate the status of corrosion and other unexpected deteriorations in surface-treated concrete elements. Long-term data for all models were obtained from three different field experiments. The performance comparison of the developed carbonation depth prediction model with the conventional one confirmed the prediction superiority of the data-driven model. The variable ...

研究の動機と目的

• 環境的および材料的パラメータ間の複雑で非線形な相互作用を捉えられていない従来の腐食評価モデルの限界を是正すること。
• 鉄筋コンクリート構造物における炭酸化深さ、塩化物濃度プロファイル、および湿熱挙動の正確なデータ駆動型予測モデルを開発すること。
• 実世界の現場データを用いて、機械学習手法が長期にわたる腐食関連劣化要因を予測する性能を評価すること。
• 表面被覆システムの腐食進行および意図しない劣化に与える影響を予測モデリングを用いて評価すること。
• 鉄筋コンクリートインfraストラクチャの耐久性評価および状態監視を強化するための信頼性の高い統合フレームワークを提供すること。

提案手法

• 炭酸化深さ予測のため、ニューラルネットワーク、決定木、およびブースティング／バギングアンサンブルを統合したアンサンブルツリーに基づくモデルを開発した。
• 塩化物透過の制御要因の重要性を複数の視点から評価するため、アンサンブル決定木モデルを構築した。
• フィードフォワードニューラルネットワークを用いて、表面被覆処理を施したコンクリート部材の湿熱挙動および腐食状態を予測した。
• 3つの異なる現場研究から収集された長期にわたる実験データを用いて、すべてのモデルを訓練した。
• 交差検証と従来モデルとの性能比較を用いて、予測精度およびロバストネスを検証した。
• 3つの予測モデルを統合したフレームワークを構築し、鉄筋コンクリート構造物の包括的腐食評価を実現した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、鉄筋コンクリートにおける炭酸化深さ予測において、従来の経験的モデルを上回ることができるか？
• RQ2 塩化物透過に最も顕著な影響を与える要因は何か？ そして、データ駆動型手法を用いてその影響を定量的に評価できるか？
• RQ3 表面被覆システムは、コンクリート部材の湿熱状態およびその後の腐食進行にどのような影響を与えるか？
• RQ4 ニューラルネットワークおよびアンサンブルモデルは、腐食誘発要因における複雑で非線形な相互作用をどの程度正確に捉えることができるか？
• RQ5 統合されたデータ駆動型フレームワークは、鉄筋コンクリート構造物における長期的腐食評価の信頼性および正確性を向上させることができるか？

主な発見

• 現場データからの性能指標を用いた検証により、データ駆動型炭酸化深さ予測モデルが従来モデルを上回る優れた精度を示した。
• アンサンブル決定木モデルは、塩化物透過に影響を与える主要な変数を的確に同定・順位付けし、それらの相対的有意性に関する洞察を提供した。
• ニューラルネットワークベースの湿熱挙動予測モデルは、表面被覆処理を施したコンクリート部材の腐食状態および予期しない劣化を効果的に予測した。
• 複数の予測モデルを統合したフレームワークの統合により、腐食評価全体の信頼性および包括性が向上した。
• 現場データは、表面被覆システムが意図しない悪影響を及ぼす可能性があることを確認したが、これらの影響は予測モデルによって捕捉され、定量化された。
• 本研究は、データ駆動型手法が鉄筋コンクリートインfraストラクチャにおける長期耐久性予測の精度を顕著に向上させることを確立した。