CN110991067B - 基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 - Google Patents
基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 Download PDFInfo
- Publication number
- CN110991067B CN110991067B CN201911270184.2A CN201911270184A CN110991067B CN 110991067 B CN110991067 B CN 110991067B CN 201911270184 A CN201911270184 A CN 201911270184A CN 110991067 B CN110991067 B CN 110991067B
- Authority
- CN
- China
- Prior art keywords
- life
- factor
- reinforced concrete
- carbonization
- concrete structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,包括:根据钢筋混凝土结构碳化机理并考虑实际工程情况选择影响地下钢筋混凝土结构碳化寿命的主要因素;根据影响地下钢筋混凝土结构碳化寿命的不同因素,根据理论模型,建立三因素、七因素的样本数据;基于MATLAB编制智能遗传算法程序,根据不同样本数据,训练得到相应的碳化寿命模型,将三因素及七因素碳化寿命模型的计算值同样本数据实际值进行对比验证,证明建立模型的智能遗传算法程序的鲁棒性及建模方法的合理性;最后,收集处于碳化环境的实际工程数据,利用智能算法(GP)程序建立考虑工程多因素的结构碳化寿命模型,并利用实际工程数据验证模型的工程实用性。
Description
技术领域
本发明涉及隧道破坏寿命预测领域,尤其涉及一种基于大数据的地下钢筋混凝土结 构碳化寿命智能建模方法。
背景技术
在地下结构中,钢筋混凝土碳化是减少结构耐久寿命的主要原因之一。地下结构钢 筋混凝土衬砌内侧暴露在半封闭空气环境中,空气流通不畅、内外相对温差较小、地下工程内部通车时,行车尾气不断聚集,使得结构内CO2浓度超过一般大气环境的5倍之 多。结构内侧CO2气体向衬砌内部迁移扩散,溶解在衬砌混凝土孔隙水中,再与衬砌中 碱性水化产物(如Ca(OH)2)反应产生碳酸盐或其他物质,破坏衬砌的碱性环境,使其趋 于中性化,而钢筋钝化膜在pH<8.5时会逐渐褪去,加上氧气和水分的参与,衬砌内钢 筋开始锈蚀,进而衬砌受锈蚀膨胀力的作用而开裂破坏,导致结构耐久寿命降低。此外, 游离CO2也会使结构衬砌变脆,失去延展性。
目前关于钢筋混凝土结构碳化寿命模型建立方面,许多国内外学者提出了相关的研 究模型,对混凝土构件可靠性评估,后期服役期限及加固处理措施具有借鉴作用。如邱小坛等统计分析碳化结果后,考虑环境因素、养护条件等,提出了基于强度的碳化寿命 模型。Rose基于Fick-2定律,提出结构寿命预测半经验半理论模型。张誉等围绕碳化 理论和扩散机理,建立碳化深度计算公式。上海市工程建设规范也推荐了用于工程实践 的碳化深度计算公式。这些对地下钢筋混凝土结构碳化寿命模型的研究实质上是借鉴钢 筋混凝土结构耐久性及寿命预测的相关理论和试验研究,以结构衬砌混凝土为研究对象 展开,并没有考虑到地下结构的特有属性,如埋深、开挖面大小、围岩级别、地下水渗 流情况等。
针对工程实际,对结构碳化影响因素需要更加全面的考虑,应建立针对工程实况的 结构碳化寿命模型,以指导工程设计、施工及维护,而传统的结构碳化寿命模型所要求输入的因素往往相对片面,使采用相应结构碳化寿命模型进行碳化寿命预测存在局限性。
发明内容
针对以上问题,本发明提出一种基于大数据的地下钢筋混凝土结构碳化寿命智能建 模方法。
为实现本发明的目的,提供一种基于大数据的地下钢筋混凝土结构碳化寿命智能建 模方法,包括如下步骤:
S10,获取三因素训练样本和七因素训练样本;所述三因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的三个环境参数值,以及所述三个环境参数值对应的寿命值;所述七因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的七个环境参数值,以及所述七个环境参数值对应的寿命值;
S20,将三因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第一适应性度量函数,在第一适应性度量函数的函数值超过设定阈值时,根据遗传算法当前 运行产生的参数确定第一初始预测模型,采用所述第一初始预测模型预测三因素测试样 本中各组样本数据的碳化寿命,得到第一预测序列;
S30,将七因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第二适应性度量函数,在第二适应性度量函数的函数值超过设定阈值时,根据遗传算法当前 运行产生的参数确定第二初始预测模型,采用所述第二初始预测模型预测七因素测试样 本中各组样本数据的碳化寿命,得到第二预测序列;
S40,若第一预测序列与第一寿命真值序列之间的误差小于第一预设误差,且第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,则将多因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第三适应性度量函数,在第三适应性度 量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定多因素寿命预 测模型;所述第一寿命真值序列记录三因素测试样本中各组样本数据分别对应的实际寿 命;所述第二寿命真值序列记录七因素测试样本中各组样本数据分别对应的实际寿命。
在一个实施例中,获取三因素训练样本和七因素训练样本之前,还包括:
搜集影响地下钢筋混凝土结构碳化寿命的环境参数,从搜集的环境参数中确定三个 因素,以确定三因素内容,从搜集的环境参数中确定七个因素,以确定七因素内容;
针对多个地下钢筋混凝土结构分别采集三因素内容,以确定各个地下钢筋混凝土结 构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值, 根据三因素内容对应各组环境参数值及各组环境参数值的寿命值构建三因素训练样本;
针对多个地下钢筋混凝土结构分别采集七因素内容,以确定各个地下钢筋混凝土结 构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值, 根据七因素内容对应的各组环境参数值及各组环境参数值对应的寿命值构建七因素训 练样本。
在一个实施例中,第一适应性度量函数的表达式为:
式中,F1表示第一适应性度量函数的函数值,T1i表示三因素训练样本中第i个样本数据中的寿命值,T10i表示遗传操作过程中针对三因素训练样本中第i个样本数据计算 得到的输出寿命,n1表示三因素训练样本中的样本数据个数。
在一个实施例中,所述第二适应性度量函数的表达式为:
式中,F2表示第二适应性度量函数的函数值,T2i表示七因素训练样本中第i个样本数据中的寿命值,T20i表示遗传操作过程中针对七因素训练样本中第i个样本数据计 算得到的输出寿命,n2表示七因素训练样本中的样本数据个数。
在一个实施例中,所述第一初始预测模型包括:
式中,T1表示第一初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比。
在一个实施例中,所述第二初始预测模型包括:
式中,T2表示第二初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌 保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风。
在一个实施例中,所述多因素寿命预测模型包括:
式中,T表示多因素寿命预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风,D表示隧道埋深,W为隧 道开挖跨度,Q表示隧道开挖围岩等级,L为隧道衬砌厚度,V表示隧道内行车速度。
上述基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,通过获取三因素训 练样本和七因素训练样本,将三因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第一适应性度量函数,在第一适应性度量函数的函数值超过设定阈值时,根 据遗传算法当前运行产生的参数确定第一初始预测模型,采用所述第一初始预测模型预 测三因素测试样本中各组样本数据的碳化寿命,得到第一预测序列,将七因素训练样本 输入遗传算法执行遗传操作,获取遗传操作后产生的第二适应性度量函数,在第二适应 性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定第二初始 预测模型,采用所述第二初始预测模型预测七因素测试样本中各组样本数据的碳化寿命, 得到第二预测序列,若第一预测序列与第一寿命真值序列之间的误差小于第一预设误差, 且第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,则将多因素训练样 本输入遗传算法执行遗传操作,获取遗传操作后产生的第三适应性度量函数,在第三适 应性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定多因素 寿命预测模型,使所获得的多因素寿命预测模型可以依据地下钢筋混凝土结构的多个环 境参数值预测地下钢筋混凝土结构的碳化寿命,可以提高采用多因素寿命预测模型进行 地下钢筋混凝土结构碳化寿命预测的灵活性。
附图说明
图1是一个实施例的基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法流程 图;
图2是另一个实施例的基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法流 程图;
图3是一个实施例的MATLAB智能算法(GP)流程图;
图4是一个实施例的三因素碳化模型计算值与训练样本实际值的比较示意图;
图5为一个实施例的七因素碳化模型计算值与训练样本实际值的比较示意图;
图6为一个实施例的多因素碳化模型计算值与工程实际值的比较示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请, 并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式 地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法流程图,包括如下步骤:
S10,获取三因素训练样本和七因素训练样本;所述三因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的三个环境参数值,以及所述三个环境参数值对应的寿命值;所述七因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的七个环境参数值,以及所述七个环境参数值对应的寿命值。
上述三因素训练样本可以包括多组环境参数值,以及各组环境参数值对应的寿命值, 其中一组环境参数值包括隧道(地下钢筋混凝土结构所在的隧道)内CO2浓度C0、年平均温度t、衬砌水灰比R。上述七因素训练样本可以包括多组环境参数值,以及各组环 境参数值对应的寿命值,其中一组环境参数值包括隧道内CO2浓度C0、年平均温度t、相 对湿度RH、水灰比R、衬砌抗压强度f、保护层厚度c、碳化残量x、以及隧道活塞风u。
具体地,上述步骤之前,可以结合地下钢筋混凝土结构的碳化机理,确定实际工程中影响结构碳化的主要环境参数。依据分析得到的碳化寿命影响因素(即环境参数), 从相关文献搜集到的不同地下钢筋混凝土结构的主要影响因素的参数值。
在一个示例中,可以根据某市工程建设规范推荐的碳化深度计算公式,将搜集到的 隧道内CO2浓度C0、年平均温度t、衬砌水灰比R参数值,代入计算得到理论寿命值,从 而建立三因素样本数据(三因素训练样本),作为程序训练的数据库。将碳化环境下影 响隧道结构寿命的因素拓展到七个因素,分别为隧道内CO2浓度C0、年平均温度t、相对 湿度RH、水灰比R、衬砌抗压强度f、保护层厚度c、碳化残量x、以及隧道活塞风u, 根据考虑七种影响因素的碳化寿命公式,计算其理论的寿命值,从而建立七因素样本数 据(七因素训练样本),作为程序训练的数据库。
S20,将三因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第一适应性度量函数,在第一适应性度量函数的函数值超过设定阈值时,根据遗传算法当前 运行产生的参数确定第一初始预测模型,采用所述第一初始预测模型预测三因素测试样 本中各组样本数据的碳化寿命,得到第一预测序列。
上述设定阈值可以设置为0.9等值。
在一个示例中,若第一适应性度量函数的函数值超过设定阈值,则根据遗传算法当 前运行产生的参数确定第一初始预测模型。若第一适应性度量函数的函数值没有超过设 定阈值,对初始群体(三因素训练样本)执行遗传操作:复制、交叉、突变,生成二代 群体,再次判定,如此运行直至满足条件(第一适应性度量函数的函数值超过设定阈值), 输出结果。由于程序输出结果为程序代码,须对程序输出的结果进行解码操作,写成一 般数学表达式,即可以得到与样本数据对应的碳化寿命模型(即第一初始预测模型), 可用于其它实际工程中遇到的地下钢筋混凝土结构的碳化寿命预测,为地下工程的设计、 施工、维护,提供重要参考意见。
S30,将七因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第二适应性度量函数,在第二适应性度量函数的函数值超过设定阈值时,根据遗传算法当前 运行产生的参数确定第二初始预测模型,采用所述第二初始预测模型预测七因素测试样 本中各组样本数据的碳化寿命,得到第二预测序列。
上述设定阈值可以设置为0.9等值。
在一个示例中,若第二适应性度量函数的函数值超过设定阈值,则根据遗传算法当 前运行产生的参数确定第二初始预测模型。若第二适应性度量函数的函数值没有超过设 定阈值,对初始群体(七因素训练样本)执行遗传操作:复制、交叉、突变,生成二代 群体,再次判定,如此运行直至满足条件(第二适应性度量函数的函数值超过设定阈值), 输出结果。由于程序输出结果为程序代码,须对程序输出的结果进行解码操作,写成一 般数学表达式,即可以得到与样本数据对应的碳化寿命模型(即第二初始预测模型), 可用于其它实际工程中遇到的地下钢筋混凝土结构的碳化寿命预测,为地下工程的设计、 施工、维护,提供重要参考意见。
在一个示例中,针对地下钢筋混凝土结构碳化影响因素,可以编写基于MATLAB 的遗传算法(Genetic Programming,GP)程序,其中,可以定义函数集为:
S={+,-,*,/,power,sin,cos,ln.exp}
定义终止集为:
T=F(C0,t,RH,R,f,c,D,Q,W,L,x,V)
输入所建立的考虑不同影响因素的样本数据,随机生成初始群体。
S40,若第一预测序列与第一寿命真值序列之间的误差小于第一预设误差,且第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,则将多因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第三适应性度量函数,在第三适应性度 量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定多因素寿命预 测模型;所述第一寿命真值序列记录三因素测试样本中各组样本数据分别对应的实际寿 命;所述第二寿命真值序列记录七因素测试样本中各组样本数据分别对应的实际寿命。
上述第一预设误差可以包括多个第一预设误差值,第一预测序列与第一寿命真值序 列之间的误差可以包括各个碳化寿命值以及相应真值之间的实际误差值,一个实际误差 值对应一个第一预设误差值;第一预测序列与第一寿命真值序列之间的误差小于第一预 设误差,指第一预测序列与第一寿命真值序列之间的各个实际误差值均小于相应的第一 预设误差值。上述第二预设误差可以包括多个第二预设误差值,第二预测序列与第二寿命真值序列之间的误差可以包括各个碳化寿命值以及相应真值之间的实际误差值,其中一个实际误差值对应一个第二预设误差值;第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,指第二预测序列与第二寿命真值序列之间的各个实际误差值均小于相应的第二预设误差值。
上述步骤采用MATLAB智能算法(遗传算法)程序建立三因素、七因素碳化寿命 模型,将个模型的计算值同样本数据实际值进行对比分析,验证建立模型的鲁棒性及建 模方法的适用性。收集处于碳化环境的实际工程数据,利用步骤三编制的MATLAB智 能算法(GP)程序,建立考虑实际工程多因素的碳化寿命模型;利用所建立的碳化寿命 模型,将其它实际工程数据代入计算,得到所预测的碳化寿命值,将其与实际的寿命值 比较,验证多因素碳化寿命模型的实用性。
上述基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,通过获取三因素训 练样本和七因素训练样本,将三因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第一适应性度量函数,在第一适应性度量函数的函数值超过设定阈值时,根 据遗传算法当前运行产生的参数确定第一初始预测模型,采用所述第一初始预测模型预 测三因素测试样本中各组样本数据的碳化寿命,得到第一预测序列,将七因素训练样本 输入遗传算法执行遗传操作,获取遗传操作后产生的第二适应性度量函数,在第二适应 性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定第二初始 预测模型,采用所述第二初始预测模型预测七因素测试样本中各组样本数据的碳化寿命, 得到第二预测序列,若第一预测序列与第一寿命真值序列之间的误差小于第一预设误差, 且第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,则将多因素训练样 本输入遗传算法执行遗传操作,获取遗传操作后产生的第三适应性度量函数,在第三适 应性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定多因素 寿命预测模型,使所获得的多因素寿命预测模型可以依据地下钢筋混凝土结构的多个环 境参数值预测地下钢筋混凝土结构的碳化寿命,可以提高采用多因素寿命预测模型进行 地下钢筋混凝土结构碳化寿命预测的灵活性。
在一个实施例中,获取三因素训练样本和七因素训练样本之前,还包括:
搜集影响地下钢筋混凝土结构碳化寿命的环境参数,从搜集的环境参数中确定三个 因素,以确定三因素内容,从搜集的环境参数中确定七个因素,以确定七因素内容;
针对多个地下钢筋混凝土结构分别采集三因素内容,以确定各个地下钢筋混凝土结 构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值, 根据三因素内容对应各组环境参数值及各组环境参数值的寿命值构建三因素训练样本;
针对多个地下钢筋混凝土结构分别采集七因素内容,以确定各个地下钢筋混凝土结 构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值, 根据七因素内容对应的各组环境参数值及各组环境参数值对应的寿命值构建七因素训 练样本。
本实施例可以结合地下钢筋混凝土结构的碳化机理,确定实际工程中影响结构碳化 的主要因素,以此确定影响地下钢筋混凝土结构碳化寿命的环境参数。
在一个示例中,依据分析得到的碳化寿命影响因素(环境参数),从相关文献搜集到的不同地下钢筋混凝土结构的主要影响因素的参数值。具体地,碳化过程实质是地下 工程服役环境中的二氧化碳向衬砌结构内部扩散,破坏衬砌混凝土内部的碱性环境,进 而引起衬砌钢筋锈蚀膨胀,导致结构破坏,影响地下结构的耐久性。基于上述分析,考 虑工程实际情况,确定了实际工程中影响地下钢筋混凝土结构碳化的主要影响因素有: 结构内隧道内CO2浓度C0、年平均温度t、相对湿度RH、水灰比R、衬砌抗压强度f、保 护层厚度c、隧道埋深D、围岩级别Q、隧道内径跨度W、衬砌厚度L、碳化残量x、 以及行车设计时速V等。
例如可以根据某市工程建设规范推荐的碳化深度计算公式,将搜集到的隧道内CO2浓度C0、年平均温度t、衬砌水灰比R参数值,代入计算得到理论寿命值,从而建立三 因素样本数据,作为程序训练的数据库。将碳化环境下影响隧道结构寿命下降快慢的因 素拓展到七个因素,分别为隧道内CO2浓度C0、年平均温度t、相对湿度RH、水灰比R、 衬砌抗压强度f、保护层厚度c、碳化残量x、以及隧道活塞风u,根据考虑七种影响因 素的碳化寿命公式,计算其理论的寿命值,从而建立七因素样本数据,作为程序训练的 数据库。
在一个实施例中,第一适应性度量函数的表达式为:
式中,F1表示第一适应性度量函数的函数值,T1i表示三因素训练样本中第i个样本数据中的寿命值,T10i表示遗传操作过程中针对三因素训练样本中第i个样本数据计算 得到的输出寿命,n1表示三因素训练样本中的样本数据个数。
本实施例采用直接测试法定义遗传规划模型搜索的适应性度量函数,以确定第一适 应性度量函数。
在一个实施例中,所述第二适应性度量函数的表达式为:
式中,F2表示第二适应性度量函数的函数值,T2i表示七因素训练样本中第i个样本数据中的寿命值,T20i表示遗传操作过程中针对七因素训练样本中第i个样本数据计 算得到的输出寿命,n2表示七因素训练样本中的样本数据个数。
本实施例采用直接测试法定义遗传规划模型搜索的适应性度量函数,以确定第二适 应性度量函数。
在一个实施例中,第三适应性度量函数的表达式为:
式中,F表示第三适应性度量函数的函数值,Ti表示多因素训练样本中第i个样本数据中的寿命值,T0i表示遗传操作过程中针对多因素训练样本中第i个样本数据计算得到的输出寿命,n表示多因素训练样本中的样本数据个数。
在一个实施例中,所述第一初始预测模型包括:
式中,T1表示第一初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比。
在一个实施例中,所述第二初始预测模型包括:
式中,T2表示第二初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌 保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风。
在一个实施例中,所述多因素寿命预测模型包括:
式中,T表示多因素寿命预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风,D表示隧道埋深,W为隧 道开挖跨度,Q表示隧道开挖围岩等级,L为隧道衬砌厚度,V表示隧道内行车速度。
本实施例收集处于碳化环境的实际工程数据,利用可以获取准确的第一初始预测模 型和第二初始预测模型的MATLAB智能算法(GP)程序,建立考虑实际工程多因素的 碳化寿命模型;利用所建立的碳化寿命模型,将其它实际工程数据代入计算,得到所预 测的碳化寿命值,将其与实际的寿命值比较,验证多因素碳化寿命模型的实用性。
在一个实施例中,上述基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法, 还包括:
获取待测地下钢筋混凝土结构的多因素参数,将多因素参数输入多因素寿命预测模 型,获取多因素寿命预测模型输出的碳化寿命,以确定所述待测地下钢筋混凝土结构的碳化寿命;所述多因素参数包括待测地下钢筋混凝土结构的多个环境参数值。
在一个实施例中,基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法研究将 从地下钢筋混凝土结构碳化破坏的影响因素和工程实例收集出发,编写基于MATLAB 的智能算法(GP)程序,建立符合工程实际的多因素碳化寿命模型。参考图2所示,上 述基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法包括:
步骤一、地下钢筋混凝土结构的碳化过程实质是地下工程服役环境中的二氧化碳向 衬砌结构内部扩散,破坏衬砌混凝土内部的碱性环境,进而引起衬砌钢筋锈蚀膨胀,导致结构破坏,影响地下结构的耐久性。基于上述分析,考虑工程实际情况,确定了实际 工程中影响地下钢筋混凝土结构碳化的主要影响因素(环境参数值)有:结构内CO2浓 度C0、年平均温度t、相对湿度RH、水灰比R、衬砌抗压强度f、保护层厚度c、隧道埋 深D、围岩级别Q、隧道内径跨度W、衬砌厚度L、碳化残量x、以及行车设计时速V 等。
步骤二、依据从步骤一中分析得到的碳化寿命影响因素,从相关文献搜集到的不同 地下钢筋混凝土结构的主要影响因素的参数值。
根据某市工程建设规范推荐的碳化深度计算公式,将搜集到的隧道内CO2浓度C0、年平均温度t、衬砌水灰比R参数值,代入计算得到理论寿命值,从而建立三因素样本 数据(三因素训练样本,如表1),作为程序训练的数据库。
将碳化环境下影响隧道结构寿命下降快慢的因素拓展到七个因素,分别为隧道内CO2浓度C0、年平均温度t、相对湿度RH、水灰比R、衬砌抗压强度f、保护层厚度c、 碳化残量x、以及隧道活塞风u,根据考虑七种影响因素的碳化寿命公式,计算其理论 的寿命值,从而建立七因素样本数据(七因素训练样本,如表2),作为程序训练的数据 库。
表1三因素下碳化模型搜索的样本数据
表2七因素下碳化模型搜索的样本数据
步骤三、针对地下钢筋混凝土结构碳化影响因素,编写基于MATLAB的智能算法(Genetic Programming,GP)程序,程序运行流程如图3,
定义函数集为:S={+,-,*,/,power,sin,cos,ln.exp}
终止集为:T=F(C0,T,RH,W/C,fcuk,c,D,Q,W,L,x,V)
输入所建立的考虑不同影响因素的样本数据,随机生成初始群体。
用直接测试法定义该遗传规划模型搜索的适应性度量函数如下:
式中,F表示多因素寿命预测模型对应第三适应性度量函数的函数值,Ti表示多因素训练样本中第i个样本数据中的寿命值,T0i表示遗传操作过程中针对多因素训练样本中第i个样本数据计算得到的输出寿命,n表示多因素训练样本中的样本数据个数。
相应地,三因素寿命预测模型的第一适应性度量函数的表达式为:
式中,F1表示第一适应性度量函数的函数值,T1i表示三因素训练样本中第i个样本数据中的寿命值,T10i表示遗传操作过程中针对三因素训练样本中第i个样本数据计算 得到的输出寿命,n1表示三因素训练样本中的样本数据个数。
七因素寿命预测模型的第二适应性度量函数的表达式为:
式中,F2表示第二适应性度量函数的函数值,T2i表示七因素训练样本中第i个样本数据中的寿命值,T20i表示遗传操作过程中针对七因素训练样本中第i个样本数据计 算得到的输出寿命,n2表示七因素训练样本中的样本数据个数。
其中判定是否满足终止条件(相应适应性度量函数的函数值是否超过设定阈值),满足输出结果,不满足则对初始群体执行遗传操作:复制、交叉、突变,生成二代群体, 再次判定,如此运行直至满足条件,输出结果。由于程序输出结果为程序代码,须对程 序输出的结果进行解码操作,写成一般数学表达式,即可以得到与样本数据对应的碳化 寿命模型,可用于其它实际工程中遇到的地下钢筋混凝土结构的碳化寿命预测。
步骤四、利用步骤二建立的样本数据,基于步骤三中基于MATLAB智能算法(GP) 程序建立三因素及七因素碳化寿命模型,将专利模型的计算值同样本数据实际值进行对 比分析,如表3和表4所示,绝对误差与相对误差折线图如图4及图5所示。
其中,三因素碳化寿命模型(第一初始预测模型)包括:
式中,T1表示第一初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比。
七因素碳化寿命模型(第二初始预测模型)包括:
式中,T2表示第二初始预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌 保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风。
表3碳化寿命三因素模型计算值与训练样本的实际值的比较
表4碳化寿命七因素模型计算值与训练样本的实际值的比较
根据表3和表4及图4和图5,可以看出无论三因素模型还是七因素模型的计算值与对应样本实际值的绝对误差和相对误差都较小,且七因素模型的平均相对误差小于三因素模型。
本实施例建立的两种模型分别与理论模型的对比结果,充分论证了应用基于MATLAB的智能算法(GP)建立碳化模型的可行性和鲁棒性,可推广应用于工程实际。
步骤五、利用步骤三编制的MATLAB智能算法(GP)程序,基于30组工程实例 数据(表5,由于表5记载的信息多,现通过表5.1和表5.2表征),建立考虑实际工程 多因素的碳化寿命模型。
表5.1碳化环境下30组工程实例数据
表5.2碳化环境下30组工程实例数据(续表)
多因素碳化寿命模型为:
式中,T表示多因素寿命预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示 衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风,D表示隧道埋深,W为隧 道开挖跨度,Q表示隧道开挖围岩等级,L为隧道衬砌厚度,V表示隧道内行车速度。
将收集的处于碳化环境的另外6组实际工程数据(表6),用于验证多因素碳化寿命模型的合理性。
表6碳化环境实际工程数据
本实施例建立的多因素碳化寿命模型计算结果与实际值的对比如图6所示。由图6中的对比结果可知,本专利模型计算结果与其实际值误差较小,相对误差不超过0.09。 说明在多因素条件下基于大数据的地下混凝土结构碳化寿命智能建模方法建立的模型 具有一定的合理性,可用于工程实际.
本实施例依据钢筋混凝土结构碳化机理确定了实际工程中影响地下工程碳化寿命 的主要因素,提出了一种基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,基于MATLAB智能算法(GP)程序,建立可用于工程实践的多因素碳化寿命模型,为地 下工程的设计、施工、维护,提供了重要参考意见。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中 的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可 以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下 可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的 顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已 列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这 些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不 能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的 保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,其特征在于,包括如下步骤:
S10,获取三因素训练样本和七因素训练样本;所述三因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的三个环境参数值,以及所述三个环境参数值对应的寿命值;所述七因素训练样本中的各组样本数据分别包括地下钢筋混凝土结构的七个环境参数值,以及所述七个环境参数值对应的寿命值;
S20,将三因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第一适应性度量函数,在第一适应性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定第一初始预测模型,采用所述第一初始预测模型预测三因素测试样本中各组样本数据的碳化寿命,得到第一预测序列;
S30,将七因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第二适应性度量函数,在第二适应性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定第二初始预测模型,采用所述第二初始预测模型预测七因素测试样本中各组样本数据的碳化寿命,得到第二预测序列;
S40,若第一预测序列与第一寿命真值序列之间的误差小于第一预设误差,且第二预测序列与第二寿命真值序列之间的误差小于第二预设误差,则将多因素训练样本输入遗传算法执行遗传操作,获取遗传操作后产生的第三适应性度量函数,在第三适应性度量函数的函数值超过设定阈值时,根据遗传算法当前运行产生的参数确定多因素寿命预测模型;所述第一寿命真值序列记录三因素测试样本中各组样本数据分别对应的实际寿命;所述第二寿命真值序列记录七因素测试样本中各组样本数据分别对应的实际寿命;
所述多因素寿命预测模型包括:
式中,T表示多因素寿命预测模型的输出寿命,C0表示二氧化碳浓度,c表示衬砌保护层厚度,R表示衬砌水灰比,t表示环境年平均温度,RH表示平均湿度,fcuk表示衬砌抗压强度,x为衬砌混凝土碳化残量,u为隧道活塞风,D表示隧道埋深,W为隧道开挖跨度,Q表示隧道开挖围岩等级,L为隧道衬砌厚度,V表示隧道内行车速度。
2.根据权利要求1所述的基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法,其特征在于,获取三因素训练样本和七因素训练样本之前,还包括:
搜集影响地下钢筋混凝土结构碳化寿命的环境参数,从搜集的环境参数中确定三个因素,以确定三因素内容,从搜集的环境参数中确定七个因素,以确定七因素内容;
针对多个地下钢筋混凝土结构分别采集三因素内容,以确定各个地下钢筋混凝土结构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值,根据三因素内容对应各组环境参数值及各组环境参数值的寿命值构建三因素训练样本;
针对多个地下钢筋混凝土结构分别采集七因素内容,以确定各个地下钢筋混凝土结构对应的一组环境参数值,并确定各组环境参数值对应的地下钢筋混凝土结构的寿命值,根据七因素内容对应的各组环境参数值及各组环境参数值对应的寿命值构建七因素训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270184.2A CN110991067B (zh) | 2019-12-11 | 2019-12-11 | 基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270184.2A CN110991067B (zh) | 2019-12-11 | 2019-12-11 | 基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991067A CN110991067A (zh) | 2020-04-10 |
CN110991067B true CN110991067B (zh) | 2022-11-04 |
Family
ID=70092542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911270184.2A Active CN110991067B (zh) | 2019-12-11 | 2019-12-11 | 基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991067B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705707B (zh) * | 2019-09-30 | 2022-08-19 | 河海大学 | 一种基于遗传算法的隧道结构氯蚀寿命预测方法 |
CN111651827A (zh) * | 2020-06-11 | 2020-09-11 | 中铁隧道局集团有限公司 | 一种长大公路隧道衬砌结构碳化寿命预测方法 |
CN111898318A (zh) * | 2020-08-04 | 2020-11-06 | 西安建筑科技大学 | 一种工业建筑混凝土碳化深度预测方法 |
CN113204815B (zh) * | 2021-04-19 | 2022-10-14 | 河海大学 | 基于数据驱动的酸性环境下地下结构寿命预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615908A (zh) * | 2015-03-11 | 2015-05-13 | 重庆大学 | 一种考虑空间效应的围岩位移释放系数确定方法 |
CN106650102A (zh) * | 2016-12-23 | 2017-05-10 | 东南大学 | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 |
-
2019
- 2019-12-11 CN CN201911270184.2A patent/CN110991067B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615908A (zh) * | 2015-03-11 | 2015-05-13 | 重庆大学 | 一种考虑空间效应的围岩位移释放系数确定方法 |
CN106650102A (zh) * | 2016-12-23 | 2017-05-10 | 东南大学 | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 |
Non-Patent Citations (2)
Title |
---|
Genetic programming approach for predicting service life of tunnel structures subject to chloride-induced corrosion;Wei Gao等;《Journal of Advanced Research》;20190705;全文 * |
Prediction model of service life for tunnel structures in carbonation environments by genetic programming;Wei Gao等;《Geomechanics and Engineering》;20190720;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110991067A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991067B (zh) | 基于大数据的地下钢筋混凝土结构碳化寿命智能建模方法 | |
Cai et al. | Prediction of surface chloride concentration of marine concrete using ensemble machine learning | |
Berto et al. | Constitutive model of concrete damaged by freeze–thaw action for evaluation of structural performance of RC elements | |
Mohammadzadeh et al. | An evolutionary computational approach for formulation of compression index of fine-grained soils | |
Tabatabai et al. | Reliability of bridge decks in Wisconsin | |
CN103870670B (zh) | 一种油管腐蚀程度预测方法及装置 | |
Vořechovská et al. | Probabilistic assessment of concrete structure durability under reinforcement corrosion attack | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
CN110705707B (zh) | 一种基于遗传算法的隧道结构氯蚀寿命预测方法 | |
Faber et al. | Applications of statistics and probability in civil engineering | |
di Luzio et al. | PREDICTING THE LONG-TERM PERFORMANCE OF STRUCTURES MADE WITH ADVANCED CEMENT BASED MATERIALS IN EXTREMELY AGGRESSIVE ENVIRONMENTS: CURRENT STATE OF PRACTICE AND RESEARCH NEEDS–THE APPROACH OF H2020 PROJECT RESHEALIENCE. | |
CN113158561B (zh) | 适用于多种岩体条件的tbm操作参数优化方法及系统 | |
CN115221045A (zh) | 一种基于多任务多视角学习的多目标软件缺陷预测方法 | |
De Jesus et al. | Modelling of carbonation of reinforced concrete structures in intramuros, manila using artificial neural network | |
Gabetta et al. | Pipeline Internal Damage Prediction by Deterministic Models and Neural Networks | |
CN116882302B (zh) | 基于图表示学习的冲击地压微-宏观前兆信息判识方法 | |
Zuo et al. | Numerical simulation of the interaction between chemical and mechanical damage for cementitious materials | |
Chen et al. | Tightness time for the linkage learning genetic algorithm | |
CN112255393B (zh) | 一种污水隧道结构损伤风险评级方法及装置 | |
Cantero et al. | Numerical investigations of damaged post-tension systems and their structural effect on bridges | |
CN116559058A (zh) | 防波堤硫酸盐侵蚀检测方法、装置、电子设备及存储介质 | |
Huang et al. | Modeling the corrosion related service life of existing concrete structures | |
Collado et al. | Determination of Carbonation Depth of Structures in Intramuros Using Artificial Neural Network | |
CN117789867A (zh) | 一种碱激发胶凝材料硫酸盐腐蚀性能的模型构建方法 | |
Shakouri Hassanabadi | Development of a Reliability-Based Framework and Empirical Models for Justifying Allowable Chloride Limits and Quantifying Critical Input Variables for Predicting the Service Life of Reinforced Concrete Structures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |