CN113344219A - 混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 - Google Patents
混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN113344219A CN113344219A CN202110654940.2A CN202110654940A CN113344219A CN 113344219 A CN113344219 A CN 113344219A CN 202110654940 A CN202110654940 A CN 202110654940A CN 113344219 A CN113344219 A CN 113344219A
- Authority
- CN
- China
- Prior art keywords
- current density
- corrosion
- corrosion current
- predicted value
- standard
- 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.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 165
- 238000005260 corrosion Methods 0.000 title claims abstract description 165
- 239000004567 concrete Substances 0.000 title claims abstract description 79
- 230000002787 reinforcement Effects 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 13
- 238000002955 isolation Methods 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 11
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 11
- 230000003014 reinforcing effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 15
- 229910000831 Steel Inorganic materials 0.000 description 20
- 238000010586 diagram Methods 0.000 description 20
- 239000010959 steel Substances 0.000 description 20
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Environmental Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
Abstract
本发明公开了一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质，所述方法包括：在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；提取所述标准波形图的分布特征；利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。本发明提供的混凝土钢筋腐蚀状态评定方法，能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态。
Description
技术领域
本发明涉及混凝土钢筋腐蚀状态检测技术领域，具体涉及一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质。
背景技术
混凝土中的钢筋腐蚀会导致钢筋混凝土结构物破损，是影响结构耐久性的主要影响因素之一。精准的混凝土构件内部钢筋腐蚀状态的评定结果可以作为混凝土结构的维护和维修的依据，使其能够更好保证混凝土构件的安全性和耐久性。因此从经济和安全的角度考虑，应尽早诊断出钢筋的腐蚀区域，便于维护工作。
在进行腐蚀检测过程中，由于传输线路埋在混凝土结构中，往往导致检测工作量大，受外界因素影响大，且在施工过程中容易损坏。为了缓解上述问题，目前较为成熟的非破损检测方法主要集中在半电位法、混凝土电阻法等，通过测定钢筋混凝土腐蚀体系的电化学特性来确定混凝土中钢筋的腐蚀程度或腐蚀速度。但是这类检测方法仍存在测量周期长、操作复杂、腐蚀环境单一等问题。
发明内容
本发明的目的在于提供一种混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质，该方法能够解决现有检测方法中存在的测量周期长、操作复杂、腐蚀环境单一的技术问题。
为了克服上述现有技术中的缺陷，本发明提供了一种混凝土钢筋腐蚀状态评定方法，包括：
在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
提取所述标准波形图的分布特征；
利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
进一步地，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
进一步地，所述利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值，包括：
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
进一步地，所述利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值，包括：
获取所述评价指标的计算公式：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
当MAPE＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
本发明还提供了一种混凝土钢筋腐蚀状态评定系统，包括：
波形图获取单元，用于在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
特征提取单元，用于提取所述标准波形图的分布特征；
预测单元，用于利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
评估单元，用于利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
进一步地，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
进一步地，所述预测单元，还用于：
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
进一步地，所述评估单元，还用于：
获取所述评价指标的计算公式：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
当MAPE＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
本发明还提供了一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的混凝土钢筋腐蚀状态评定方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的混凝土钢筋腐蚀状态评定方法。
相对于现有技术，本发明的有益效果在于：
本发明公开的混凝土钢筋腐蚀状态评定方法，包括在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；提取所述标准波形图的分布特征；利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。本发明能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态，不仅操作简便，同时适用于不同情况下的腐蚀检测，适用性强。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的混凝土钢筋腐蚀状态评定方法的流程示意图；
图2是图1中步骤S30的子步骤流程示意图；
图3是本发明某一实施例提供的预埋参比电极在混凝土构件示意图；
图4是本发明某一实施例提供的钢筋扫描仪扫描试验图；
图5是本发明某一实施例提供的扫描波形信号示意图；
图6是本发明某一实施例提供的SVR支持向量回归示意图；
图7是本发明某一实施例提供的混凝土钢筋腐蚀状态评定系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面：
请参阅图1，本发明某一实施例提供了一种混凝土钢筋腐蚀状态评定方法，包括：
S10、在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
需要说明的是，本步骤主要通过在固定的时间周期对混凝土构件进行钢筋扫描量化获取随时间周期变化的波形信号图，且为一种定量分析方法。具体地，S10又包括以下步骤：
(A1)在混凝土浇筑前将封装好的参比电极固定在钢筋笼上，使其在混凝土构件标定检测范围；
(A2)以时间周期5年为单位，使用线性极化法进行混凝土钢筋的腐蚀速度测定；
(A3)在混凝土浇筑初期，使用钢筋扫描仪对混凝土构件进行扫描，获取混凝土构件的波形信号图；
(A4)将获取的混凝土构件的波形信号图作为无腐蚀状态的标准波形图；
(A5)重复A1～A3步骤，获取大量的无腐蚀状态的标准波形图；
(A6)以时间周期5年为单位，进行多次扫描混凝土构件，获取大量的不同腐蚀状态的标准波形图；
S20、提取所述标准波形图的分布特征；
需要说明的是，在本步骤中使用数学统计的方法在时间域上计算波形信号图生成了平均值、峰值、均方根、标准值等特征值，基于傅里叶变换的频域卷积定理得到信号在频谱域上的分布，在频谱域上计算生成了峰值、偏度等特征值，最后提取波形信号图分布特征。
S30、利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
需要说明的是，在本步骤中，基于SVR支持向量回归的机器学习方法，在拥有大量已知腐蚀状态数据的基础上，学习训练学习波形信号图的分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值。同时，基于传感器上传的混凝土构件的实际钢筋腐蚀电流密度和机器学习得到的钢筋腐蚀电流密度预测值。
请参阅图2，在某一具体实施方式中，S30又包括以下子步骤：
S301、根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
S302、建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
S303、利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
S304、将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
S40、利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
在本步骤中，选取常用的机器学习模型评价指标MAPE来衡量机器学习的预测精度，对于误差衡量指标MAPE值越小则模型预测的精度越高，其中，MAPE的计算模型为：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数。
当MAPE＜10时，可以认为模型的预测精度达到95％以上，此时将机器学习得到的初始腐蚀电流密度预测值作为目标腐蚀电流密度预测值。
本发明实施例提供的方法，能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态，不仅操作简便，同时适用于不同情况下的腐蚀检测，适用性强。
第二方面：
在某一具体实施例中，整个方案又包括以下过程：
1)在固定的时间周期对混凝土构件进行钢筋扫描量化获取随时间周期变化的波形信号图获取，具体步骤如下：
1.1)在混凝土浇筑前将封装好的参比电极固定在钢筋笼上，使其在混凝土构件标定检测范围；如图3所示，图3为预埋参比电极在混凝土构件示意图，其中“1”表示参比电极预埋位置，“2”表示钢筋分布情况。
1.2)以时间周期5年为单位，使用线性极化法采用三电极系统(即工作电极、辅助电极和参比电极)进行混凝土钢筋的腐蚀速度测定，测试仪器包括Gamry Reference 600电化学工作站、外接直流电源、不锈钢辅助电极、Ag/AgCl参比电极及饱和KCl溶液、海绵以及若干导线；
1.3)在混凝土浇筑初期，使用钢筋扫描仪对混凝土构件进行扫描，其中，钢筋扫描仪扫描试验图如图4所示；
1.4)根据传感器位置确定扫描范围；
1.5)获取混凝土构件的波形信号图，如图5所示；
1.6)将获取的混凝土构件的波形信号图作为无腐蚀状态的标准波形图；
1.7)重复1.3)～1.6)步骤，获取大量的无腐蚀状态的标准波形图；
1.8)以时间周期5年为单位，进行多次扫描混凝土构件，获取大量的不同腐蚀状态的标准波形图；
2)提取标准波形图的分布特征：
根据公式(2-4)在时间域上计算波形信号图生成了平均值、均方根、峰值、标准值等特征值，使用傅里叶变换的频域卷积公式(5)得到信号在频谱域上的分布，然后根据公式(6-7)在频谱域上计算生成了频带功率、偏度等特征值。
XP＝max{|xi|} (4)
其中，xi为波形图中的信号强度；
为时间域上的平均值；XRMS为时间域上的均方根；XP为时间域上的峰值；S为频谱域上的频带功率，w1和w2分别代表最小和最大频率；Cp为频谱域上的偏度；n为预测数值的总个数。
通过上述步骤，提取波形信号图的分布特征平均值、均方根、峰值、频带功率、波峰因数等特征值。
3)基于SVR支持向量回归的机器学习方法，得到混凝土构件内部钢筋腐蚀电流密度预测值，过程如下：
3.1)以波形信号图的分布特征平均值、均方根、峰值、频带功率、波峰因数等特征值建立训练样本集{xi}；并建立与{xi}对应的实际钢筋腐蚀电流密度数据集{yi}(i＝1,2,…,m)；
3.2)假定训练样本在特征空间中式线性可分的，寻找一个超平面将不同腐蚀状态的样本完全划分开来即机器学习的目标，于是将SVR问题形式化为确定目标函数式(8)，使得f(xi)与yi尽可能接近，其中yi为实际钢筋腐蚀电流密度，是C为正则化常数，lε是ε的不敏感损失函数，w,b为待确定的模型参数；
3.3)SVR支持向量回归方法以f(xi)为中心构建了一个宽度为2的间隔带，若训练样本落入此间隔带，则认为是被预测正确的，如图6所示。
3.4)整合得到大数据下扫描信号强度与腐蚀电流密度之间复杂的映射关系。
基于参比电极采集的混凝土构件的钢筋实际腐蚀电流密度y1和机器学习得到的钢筋腐蚀电流密度预测值y1′，选取常用的机器学习模型评价指标MAPE来衡量机器学习的预测精度。
需要说明的是，对于误差衡量指标MAPE值越小则模型预测的精度越高，当RMSE小于10时可以认为模型的预测精度达到95％以上。即可将此时的腐蚀电流密度预测值作为最终的钢筋腐蚀电流密度预测值。
第三方面：
请参阅图7，本发明某一实施例还提供了一种混凝土钢筋腐蚀状态评定系统，包括：
波形图获取单元01，用于在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
特征提取单元02，用于提取所述标准波形图的分布特征；
预测单元03，用于利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
评估单元04，用于利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
在某一具体实施例中，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
在某一具体实施例中，所述预测单元，还用于：
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
在某一具体实施例中，所述评估单元，还用于：
获取所述评价指标的计算公式：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
当MAPE＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
本发明实施例提供的系统，能够大大减小腐蚀状态检测的工作量，同时能快速准确、无损伤地检测出具体工作环境下钢筋腐蚀状态，不仅操作简便，同时适用于不同情况下的腐蚀检测，适用性强。
第四方面：
本发明某一实施例还提供了一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的混凝土钢筋腐蚀状态评定方法。
处理器用于控制该终端设备的整体操作，以完成上述的混凝土钢筋腐蚀状态评定方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
终端设备可以被一个或多个应用专用集成电路(ApplicationSpecific1ntegrated Circuit，简称AS1C)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法，并达到如上述方法一致的技术效果。
本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的混凝土钢筋腐蚀状态评定方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种混凝土钢筋腐蚀状态评定方法，其特征在于，包括：
在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
提取所述标准波形图的分布特征；
利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
2.根据权利要求1所述的混凝土钢筋腐蚀状态评定方法，其特征在于，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
3.根据权利要求2所述的混凝土钢筋腐蚀状态评定方法，其特征在于，所述利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值，包括：
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
4.根据权利要求1或3所述的混凝土钢筋腐蚀状态评定方法，其特征在于，所述利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值，包括：
获取所述评价指标的计算公式：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
当MAPE＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
5.一种混凝土钢筋腐蚀状态评定系统，其特征在于，包括：
波形图获取单元，用于在预设周期内获取混凝土钢筋的无腐蚀状态、不同腐蚀状态的标准波形图；
特征提取单元，用于提取所述标准波形图的分布特征；
预测单元，用于利用SVR支持向量回归的机器学习算法，训练并学习所述分布特征，得到混凝土钢筋的初始腐蚀电流密度预测值；
评估单元，用于利用所述机器学习算法的评价指标对所述初始腐蚀电流密度预测值进行评估，并得到目标腐蚀电流密度预测值。
6.根据权利要求5所述的混凝土钢筋腐蚀状态评定系统，其特征在于，所述标准波形图的分布特征，包括所述标准波形图的平均值、峰值、均方根、标准值、偏度、频带功率及波峰因数。
7.根据权利要求6所述的混凝土钢筋腐蚀状态评定系统，其特征在于，所述预测单元，还用于：
根据所述标准波形图的平均值、峰值、均方根、频带功率及波峰因数建立训练样本集，并建立与所述训练样本集对应的实际腐蚀电流密度数据集；
建立关于所述训练样本集的目标函数，所述目标函数无限趋于实际腐蚀电流密度数据；
利用SVR支持向量回归的机器学习算法，以所述目标函数为中心建立预设宽度的隔离带；
将落入所述隔离带中的训练样本作为目标样本并进行整合，得到扫描信号强度与腐蚀电流密度的映射关系，根据所述映射关系得到所述初始腐蚀电流密度预测值。
8.根据权利要求5或7所述的混凝土钢筋腐蚀状态评定系统，其特征在于，所述评估单元，还用于：
获取所述评价指标的计算公式：
其中，y′为初始腐蚀电流密度预测值，y为实际腐蚀电流密度，n为预测数值的总个数；
当MAPE＜10时，将所述初始腐蚀电流密度预测值作为所述目标腐蚀电流密度预测值。
9.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的混凝土钢筋腐蚀状态评定方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1至4任一项所述的混凝土钢筋腐蚀状态评定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654940.2A CN113344219A (zh) | 2021-06-11 | 2021-06-11 | 混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654940.2A CN113344219A (zh) | 2021-06-11 | 2021-06-11 | 混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344219A true CN113344219A (zh) | 2021-09-03 |
Family
ID=77477115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110654940.2A Pending CN113344219A (zh) | 2021-06-11 | 2021-06-11 | 混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344219A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112854A (zh) * | 2022-05-26 | 2022-09-27 | 北京理工大学 | 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法 |
| CN117589974A (zh) * | 2024-01-18 | 2024-02-23 | 北京益汇达清水建筑工程有限公司 | 用于耐腐蚀清水混凝土的检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
-
2021
- 2021-06-11 CN CN202110654940.2A patent/CN113344219A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 祝奔奔 等: "基于声发射技术的锚杆腐蚀的检测与信号处理研究", 软件, vol. 38, no. 9, 31 December 2017 (2017-12-31), pages 33 - 39 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115112854A (zh) * | 2022-05-26 | 2022-09-27 | 北京理工大学 | 一种基于极化特征与机器学习的探地雷达锈蚀钢筋辨识方法 |
| CN117589974A (zh) * | 2024-01-18 | 2024-02-23 | 北京益汇达清水建筑工程有限公司 | 用于耐腐蚀清水混凝土的检测方法 |
| CN117589974B (zh) * | 2024-01-18 | 2024-04-09 | 北京益汇达清水建筑工程有限公司 | 用于耐腐蚀清水混凝土的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344219A (zh) | 混凝土钢筋腐蚀状态评定方法、系统、终端及存储介质 | |
| Bondarenko | Analysis of large experimental datasets in electrochemical impedance spectroscopy | |
| CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
| Orazem | A systematic approach toward error structure identification for impedance spectroscopy | |
| CN105910902A (zh) | 混凝土构件裂缝扩展路径的分形分析方法 | |
| CN114140467B (zh) | 一种基于图片识别的路面裂缝监测方法、系统及存储介质 | |
| CN117150386A (zh) | 基于自适应的湿度传感器测量不确定度的评定方法及装置 | |
| Lecieux et al. | Quantification and uncertainty analysis of a structural monitoring device: detection of chloride in concrete using DC electrical resistivity measurement | |
| CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
| CN108152458A (zh) | 气体检测方法及装置 | |
| US11047810B2 (en) | Method for monitoring the functional state of a system for computer-tomographic examination of workpieces | |
| JPH09329568A (ja) | コンクリート構造物中の鉄筋の腐食確率または腐食度の診断方法および診断装置 | |
| JP2007017405A (ja) | 鉄筋腐食度の評価方法 | |
| CN113408400A (zh) | 混凝土钢筋保护层厚度检验方法、系统、终端及介质 | |
| Calmon et al. | Simulated probability of detection maps in case of non-monotonic EC signal response | |
| CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
| RU75484U1 (ru) | Устройство точечной оценки вероятности безотказной работы технической системы по полной выборке | |
| CN104679656B (zh) | 一种自适应调整缺陷检测率的组合测试方法 | |
| JPH08219828A (ja) | ダム流入量予測方法および装置 | |
| CN111623993A (zh) | 挖掘机的发动机健康度评估方法、装置及电子设备 | |
| CN114664392A (zh) | 电化学参数预测方法、装置、电子设备及可读存储介质 | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| CN114611247A (zh) | 基于时频特征序列的轴承剩余寿命预测方法及装置 | |
| Feliu et al. | Nonexponential transients resulting from application of the interruption technique to assess corrosion rate of steel in concrete | |
| de Brauwere et al. | Refined parameter and uncertainty estimation when both variables are subject to error. Case study: estimation of Si consumption and regeneration rates in a marine environment |
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 |