[论文解读] 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 7

一句话总结

本文提出了一种基于数据驱动的框架，采用机器学习模型——特别是集成决策树和神经网络——以提升钢筋混凝土的腐蚀评估能力，通过预测碳化深度、氯离子分布及湿热性能。这些模型基于长期现场数据进行训练，在准确性和可靠性方面优于传统方法，显著提升了耐久性评估与维护规划的预测能力。

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 ...

研究动机与目标

• 解决传统腐蚀评估模型在捕捉环境与材料参数之间复杂非线性相互作用方面的局限性。
• 开发针对钢筋混凝土结构中碳化深度、氯离子分布及湿热行为的高精度、数据驱动预测模型。
• 评估机器学习技术在利用真实世界现场数据预测长期腐蚀相关劣化因素方面的性能。
• 通过预测建模评估表面防护系统对腐蚀发展及非预期劣化的影响。
• 提供一种可靠、集成化的框架，以增强钢筋混凝土基础设施的耐久性评估与状态监测能力。

提出的方法

• 开发了一种基于集成树的模型，结合神经网络、决策树以及提升/袋装集成方法，用于预测碳化深度。
• 构建了集成决策树模型，从多个角度评估控制氯离子侵入变量的重要性。
• 应用前馈神经网络，预测表面处理混凝土构件的湿热性能及腐蚀状态。
• 所有模型均基于来自三项不同现场研究的长期现场实验数据进行训练。
• 通过交叉验证，并与传统模型进行性能对比，验证了预测精度与鲁棒性。
• 将三个预测模型整合为统一框架，实现对钢筋混凝土结构的综合腐蚀评估。

实验结果

研究问题

• RQ1 机器学习模型是否能在预测钢筋混凝土中碳化深度方面优于传统经验模型？
• RQ2 哪些变量对氯离子侵入影响最大，以及如何利用数据驱动方法定量评估其影响？
• RQ3 表面防护系统如何影响混凝土构件的湿热条件及后续的腐蚀发展？
• RQ4 神经网络与集成模型在多大程度上能够捕捉腐蚀诱发因素之间的复杂非线性相互作用？
• RQ5 统一的数据驱动框架是否能提升钢筋混凝土结构长期腐蚀评估的可靠性与准确性？

主要发现

• 基于数据驱动的碳化深度预测模型在场数据验证下，其性能指标显示其精度显著优于传统模型。
• 集成决策树模型成功识别并排序了影响氯离子侵入的关键变量，为理解其相对重要性提供了洞见。
• 基于神经网络的湿热性能模型能有效预测表面处理混凝土构件的腐蚀状态及非预期劣化。
• 将多个预测模型整合到单一框架中，显著提升了腐蚀评估的整体可靠性与全面性。
• 现场数据证实，表面防护系统可能产生非预期的负面影响，而这些影响被预测模型成功捕捉并量化。
• 本研究确立了数据驱动方法能显著提升钢筋混凝土基础设施长期耐久性预测的精度。