AI技術在混凝土耐久性預測及檢測中的應用

劉 斌 朱金坤 賀星新

（南京市建筑設計研究院有限責任公司，江蘇 南京 210000）

0 引言

人工智能（Artificial Intelligence），簡稱為AI，是對人的意識或思維過程進行模擬，以研究和開發相關理論、技術及應用系統的一門新的技術科學。近三十年來，AI技術迅速發展，在很多學科領域都獲得了廣泛應用，并取得了豐碩成果。在建筑工程領域，人工智能的應用研究也是較為活躍的。

作為工程領域中的重要組成部分，鋼筋混凝土結構因其優良的性能備受青睞。但在其使用壽命期內由于各種不利的暴露條件，或遭受各種破壞作用，鋼筋混凝土結構耐久性問題日益突出，引起了國內外學者的關注和重視。目前在該方向廣泛采用試驗研究、理論分析、預測模型等方式進行研究，由于混凝土材料的復雜性、影響因素多樣性傳統研究結果往往存在著較大的誤差且不能廣泛應用。

因此，將AI技術引入該方向，可以優化已有的分析處理手段，提供更高效、簡便的研究途徑，克服某些耐久性檢測儀器在實際工程使用難的問題。這無論在提高研究效率還是開辟新的研究角度上都是具有很大意義的。

本文將簡要地介紹現階段AI技術的發展情況，以及其在混凝土結構耐久性領域的應用情況，提出基于目前應用情況的應用思路及發展建議。

1 AI簡述

AI是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。從定義可知AI研究具有三個內涵：（1）構建系統：根據人類智能活動的規律，構造具有一定智能的人工系統。（2）勝任工作：基于具有智能的人工系統，讓計算機去完成以往需要人的智力才能勝任的工作。（3）延伸工作：利用人工系統的高運算性，保真性，可重復性，對現有工作進行延伸，達到人類智力達不到的效果。

AI對于人的思維模擬一般從兩方面進行：一是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬；二是結構模擬，仿照人腦的結構機制，制造出“類人腦”的機器。

相對應的AI在計算機上實現時便有兩種不同的方式：

2 AI技術在建筑工程領域的應用

AI應用于建筑工程領域各個環節：

在建筑設計方面，AutoCAD的出現和Revit的推廣使得AI算法的提高，使新設計從業人員已經可以在相當短的時間內掌握設計程序的使用，并找到最優最經濟的設計方案。

在現場施工方面，混凝土28d抗壓強度是衡量混凝土自身性能的重要指標。以往的工作中，通常需要基于數理統計的線性回歸方式對混凝土28d強度進行預測，但摻合料的存在會造成混凝土各組材料與抗壓強度呈非線性關系，因此傳統方式預測結果的準確性難以把控。而AI技術可以很好地控制混凝土強度，提前為工作人員提供相應強度值。陳強等針對不同混凝土配料建立了高性能混凝土強度預測BP網絡模型，預測結果良好。

在工程管理方面，工程師們不再需要依靠手寫或手繪的方式完成施工檔案的記錄，而是借助計算機軟件，綜合運用數理邏輯等手段來進行施工階段的管理。比如目前較為熱門的基于C/S環境開發的建筑施工管理系統，便涵蓋了合同管理、施工人員管理、原材料供應商管理、固定資產管理等方方面面，進一步細化了供應和分包的各個環節，使原材料進離場、分包商及員工管理工作更加科學、準確、快捷。

3 AI技術在耐久性預測方面的應用

3.1 總體情況

混凝土的耐久性問題，是混凝土結構學科中的一項重要議題，許多學者也開始尋求耐久性問題的AI解決方案，主要從兩個方向出發進行研究：

（1）采用AI算法，對具體的耐久性問題進行分析，通過人工智能自主學習的特性，讓其建立模型以達到預測結構耐久性指標的目的；

（2）利用AI優化結構耐久性的檢測設備和檢測方案。根據對相關文獻整理發現：AI在耐久性方面的應用主要集中在預測有害離子的侵蝕、碳化、鋼筋銹蝕率等耐久性參數的預測方面。應用的方式主要為利用人工神經網絡的自主學習能力通過大數據的深度學習，建立耐久性參數的預測模型。AI技術應用于耐久性預測領域的相關文獻見表1。

表1 AI預測類應用相關文獻

3.2 氯鹽侵蝕預測

國內外大量的實踐證明，氯鹽侵蝕是鋼筋混凝土結構耐久性失效的主要原因，因而準確地評價混凝土結構的抗氯鹽侵蝕能力可以為混凝土結構的設計和施工提供合理建議。

Mohammadreza Seify分別基于分類回歸樹算法和人工神經網絡以環境條件、穿透深度、水-膠凝材料比和硅灰質量等參數對海洋環境下混凝土中的氯鹽分布進行了預測，發現在經過充分學習后，人工神經網絡具有更好的預測效果。

舒陽針對高性能鋼筋混凝土結構采用了基于BP神經網絡的人工神經網絡對受侵蝕鋼筋混凝土中不同深度處的硫酸根離子和氯離子含量進行預測，研究了礦渣微粉含量（0%、35%）、混凝土水灰比、混凝土體積變化率和銹蝕周期對離子濃度的影響。

劉斯鳳等采用動量-自適應學習速率調整算法以及規則化調整改進了BP神經網絡的泛化能力，用以預測荷載-復合離子-干濕交替等多因素作用下氯離子濃度場的分布。總結不同的試驗結果，可發現經過大量試驗數據訓練后，神經網絡的預測結果與試驗實測值吻合良好，所以在此方面可以采用神經網絡輔助分析。

宋峰等人采用模糊-神經網絡建立了多因素耦合作用下氯離子總電荷量模型，并將這種方法的結果與BP方法下的結果進行對比，發現采用模糊-神經網絡具有更好的泛化能力。

根據上述學者的研究發現，采用人工神經網絡對氯離子的侵蝕進行建模，在經過足夠多的訓練之后，可以較好的預測氯離子在混凝土的分布。誤差主要來源于算法的采用以及先期對于數據的學習是否充分，故該方面的研究主要集中在對信息的收集以及新型算法的應用[1-5]。

3.3 鋼筋銹蝕量預測

AI在銹蝕量方面的應用，主要集中對于鋼筋銹蝕量的預測上，對此眾多學者采用了鋼筋銹蝕試驗、工程調查和理論分析等方式，而利用AI技術進行預測相較于傳統方法較為簡單實用。

范潁芳分別從單參數和多參數出發，基于BP神經網絡預測了銹蝕鋼筋的粘結力，從而建立銹蝕鋼筋的粘結滑移曲線。發現多參數的情況下準確性較單參數有著較大地提升。

陳海斌、劉燕、沈汝偉等學者則以預測鋼筋銹蝕量為目的，分別以BP神經網絡，RBF神經網絡，徑向基函數神經網絡等方式進行研究，建立了基于AI方法的鋼筋銹蝕量預測模型。其中BP神經網絡是一種常用的全局逼近神經網絡，從理論上講，3層BP網絡就可以實現從輸入到輸出的任意函數映射，但是無法保證收斂性和全局最優性。而RBF神經網絡的學習和收斂速度更快且不容易陷入局部極小值[6-7]。可以看出這些學者的研究進展主要根源在于算法的提升。另外，將宋峰等人的研究與陳海斌等人的研究進行對比，宋峰采用了116個樣本數據進行學習，

陳海斌采用了21個樣本數據進行學習，結果宋峰的最大誤差率為5.2%，遠低于陳海斌的41.3%。由此可知樣本數量對于人工神經網絡的學習效率有著極大的影響。

3.4 基于AI的檢測手段

AI在耐久性方面的應用歸根結底是要回歸于工程之中的，目前這方面的研究內容較少，但取得的研究成果展現了較好的發展前景。趙雪峰等采用智能手機作為圖像收集終端，建立裂縫圖片大數據庫訓練人工神經網絡，檢測時通過人工智能深度學習的卷積神經網絡對裂縫進行識別定位，通過手機實現了隨時隨地簡單地對裂縫進行分析。

Jong-Woo KimJong-Woo Kim基于圖像分析技術與無人機技術結合，經過深度學習，使無人機可以自動識別裂縫的位置并進行拍照，分析裂縫寬度及裂縫產生的原因，為未來的耐久性檢測減少了不少困難。

3.5 應用流程

目前AI在混凝土耐久性方面的應用主要是基于人工神經網絡的方法來實現的；人工神經網絡特別適用于處理需要同時考慮許多因素和有條件的、不確定性的和模糊性的信息處理問題。而這些問題通過實驗或理論推導具有相當大的困難。目前人工神經網絡技術在混凝土耐久性預測和檢測應用的主要流程如圖1。

圖1 人工神經網絡在混凝土耐久性領域應用流程

4 結束語

混凝土耐久性預測及檢測領域的AI技術發展提升主要分為三個方向：

（1）可靠的大規模的數據收集：建立全面的建筑工程信息收集機制，將每一個工程的相關信息及時歸庫，理論上參數足夠多、數據足夠多時，AI預測的準確性將無限接近實際情況；

（2）及時更新升級算法：從陳海斌、劉燕、沈汝偉等學者對于鋼筋銹蝕量的預測研究中就可以發現，隨著計算機科學的進步，新算法相較于舊算法無論從運算次數，還是全局的正確率都有著顯著的提升。及時地更新算法，甚至根據耐久性問題的特性設計算法將大大提高研究效率；

（3）積極的工程實踐∶從現有的研究成果來看，AI技術在耐久性工程領域的應用還是比較缺乏的。不光是耐久性參數的預測，性能的檢測還是在結構初期的材料配比選擇，AI技術都有很大的發展空間。近年來提出的結構壽命全周期的理論要想實現，AI技術將是重中之重。