一种基于卷积神经网络的深度学习方法,用于预测海洋潮区混凝土表面化物度

科学领域:

• 土木工程 土木工程是指土木工程.
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 化物引起的腐蚀严重影响钢筋混凝土 (RC) 结构的耐用性,特别是在海洋潮区.
• 根据菲克第二定律准确预测化物进入,对于评估这些环境中的RC结构至关重要.
• 传统的评估方法往往不切实际,耗时,需要先进的预测建模.

研究的目的:

• 开发和验证基于深度学习的框架,用于预测RC结构中的表面化物度 (Cs).
• 将开发的深度学习模型的性能与传统机器学习模型进行比较.
• 确定影响化物进入的关键特征,以优化混凝土混合物设计和维护策略.

主要方法:

• 一个卷积神经网络 (CNN) 在284个样本上开发和训练了11个关键特征.
• 在CNN模型的性能与逐步线性回归 (SLR),支向量机 (SVM),高斯过程回归 (GPR) 和随机森林 (RF) 相比较.
• 采用沙普利增量解释 (SHAP) 分析来确定关键预测特征.

主要成果:

• 美国有线电视新闻 (CNN) 模型表现出卓越的性能,确定系数 (R2) =0.849和根平均平方误差 (RMSE) =0.18%.
• 在预测表面化物度方面,CNN显著超过了传统的机器学习模型.
• SHAP分析确定了暴露时间,水含量和细聚合物是Cs预测最有影响力的因素.

结论:

• 深度学习,特别是CNN,为预测RC结构中的化物入提供了一种强大而准确的方法.
• 材料成分和环境暴露是可以使用预测模型优化以提高耐用性的关键因素.
• 这些发现支持在海洋环境中改善耐用性评估,主动维护和延长RC结构的使用寿命,与可持续发展目标保持一致.