科学家称机器学习模型可以减轻混凝土结构开裂和腐蚀带来的风险
科学家表示，他们已经设计出机器学习模型，能够预测钢筋混凝土结构何时以及为何开始恶化和开裂。混凝土是现代世界上最常见的建筑材料，用于建造各种各样的建筑，如桥梁、码头、房屋、多层停车场和建筑物。
然而，尽管钢筋混凝土强度高、耐久性好，但它仍可能在剥落过程中出现开裂和脱层，而剥落通常是由于混凝土中的钢筋腐蚀引起的。
沙迦大学的研究人员现在声称已经设计出新的机器学习模型，他们认为该模型可以预测剥落发生的时间和原因，从而为工程师提供充足的时间来提供如何延缓剥落及其有害影响的解决方案和实践。
该研究发表在《科学报告》上，“调查了影响剥落的多方面因素，采用了一种集成统计和机器学习技术进行预测建模的综合方法。
科学家写道：“描述性统计数据对数据集进行了细致的描述，强调了年龄、厚度、降水量、温度和交通参数。”
剥落有许多不良影响。如果缺乏适当的评估和预测以及正确的处理，它可能会导致危险的后果。
当钢筋腐蚀时，其体积会大大超过原来的膨胀，对周围的水泥造成压力，导致混凝土结构出现裂缝和损坏。
混凝土结构开裂是一种危害现象，不仅对混凝土路面和建筑物构成威胁，而且还对健康和安全构成风险。
该研究的主要作者、沙迦大学沥青路面、路面损坏和力学教授 Ghazi Al-Khateeb 博士表示，该研究考虑了影响剥落的关键因素，特别是它们对连续钢筋混凝土路面 (CRCP) 的影响。
CRCP 已成为现代最常见的混凝土路面，因为它消除了通常需要持续且昂贵的维护的横向接缝。采用它作为帮助混凝土抵御环境和交通压力的措施的一部分。
作者还在分析中考虑了年平均日交通量或 AADT，该计算方法是将全年人行道上的总交通量除以 365 天。
Al-Khateeb 教授表示：“研究确定了影响连续钢筋混凝土路面（CRCP）剥落的关键因素，包括使用年限、温度、降水量和湿度等气候变量，以及年平均日交通量（AADT）和路面厚度。
“这些因素被认为是导致 CRCP 恶化的主要原因。”
作者写道，这项研究“遵循了系统的方法，包括几个阶段以确保稳健性......描述性统计数据对数据集进行了细致的描述，强调了年龄、厚度、降水量、温度和交通参数。”
作者对导致剥落的不同因素之间的关键关系进行了回归分析。他们的研究结果强调了“年龄、年气温、年降水量、最大湿度和初始国际粗糙度指数 (IRI) 作为影响因素的重要性。”
“选择高斯过程回归和集成树模型是因为它们能够适应捕捉数据集内的复杂关系，而它们的比较性能为了解这些模型在 CRCP 剥落背景下的多种预测能力提供了宝贵的见解。”
当将这些因素的分析结果输入到他们设计的模型中时，作者发现他们的学习机器能够预测钢筋混凝土何时会发生劣化以及对混凝土耐久性构成威胁的因素。
根据 Al-Khateeb 教授的说法，作者采用的机器学习模型大多属于高斯过程回归和集成树模型，这些模型“在预测剥落方面表现出最高的准确度”。
“然而，需要注意的是，模型性能因所用数据集的具体架构和特征而异，这表明谨慎选择模型的重要性。”
因此，作者建议工程师和从业者在使用机器学习模型时要谨慎，并指出“在机器学习中，采用包括高斯过程回归和集成树模型在内的模型是基于它们的多样化能力和对复杂任务的适用性。它们不同的预测精度凸显了明智选择模型的重要性。”
用作者的话来说，这项研究“通过对影响 CRCP 剥落的因素提供细致入微的见解，改进了路面工程实践，加深了我们对剥落影响的理解。”
“因此，这项研究不仅为开发改进的预测方法开辟了途径，而且提高了 CRCP 基础设施的耐用性，为交通基础设施管理中的明智决策带来了更广泛的影响。”
当被问及这项研究的直接实际意义时，Al-Khateeb 教授提到了作者的研究结果，他说，这些结果强调了“养护策略需要考虑到诸如年龄、交通负荷和路面厚度等关键因素。通过解决这些变量，从业者可以提高 CRCP 的耐久性并降低剥落的风险。”
Al-Khateeb 教授表示，仍有进一步研究的空间来巩固研究成果，重点是“探索剥落模式的时间变化，整合实时传感器数据以进行更准确的预测，解决区域数据变化，以及研究气候变化对剥落的影响”。
“这些方法可以显著改善预测方法并增强混凝土路面系统的弹性。”
页:
[1]