AI技術(shù)在混凝土耐久性預(yù)測及檢測中的應(yīng)用

劉 斌 朱金坤 賀星新

（南京市建筑設(shè)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(fā)相關(guān)理論、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。近三十年來，AI技術(shù)迅速發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩成果。在建筑工程領(lǐng)域，人工智能的應(yīng)用研究也是較為活躍的。

作為工程領(lǐng)域中的重要組成部分，鋼筋混凝土結(jié)構(gòu)因其優(yōu)良的性能備受青睞。但在其使用壽命期內(nèi)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(jié)構(gòu)耐久性問題日益突出，引起了國內(nèi)外學(xué)者的關(guān)注和重視。目前在該方向廣泛采用試驗研究、理論分析、預(yù)測模型等方式進行研究，由于混凝土材料的復(fù)雜性、影響因素多樣性傳統(tǒng)研究結(jié)果往往存在著較大的誤差且不能廣泛應(yīng)用。

因此，將AI技術(shù)引入該方向，可以優(yōu)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(xiàn)階段AI技術(shù)的發(fā)展情況，以及其在混凝土結(jié)構(gòu)耐久性領(lǐng)域的應(yīng)用情況，提出基于目前應(yīng)用情況的應(yīng)用思路及發(fā)展建議。

1 AI簡述

AI是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。從定義可知AI研究具有三個內(nèi)涵：（1）構(gòu)建系統(tǒng)：根據(jù)人類智能活動的規(guī)律，構(gòu)造具有一定智能的人工系統(tǒng)。（2）勝任工作：基于具有智能的人工系統(tǒng)，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(tǒng)的高運算性，保真性，可重復(fù)性，對現(xiàn)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(nèi)部結(jié)構(gòu)，而從其功能過程進行模擬；二是結(jié)構(gòu)模擬，仿照人腦的結(jié)構(gòu)機制，制造出“類人腦”的機器。

相對應(yīng)的AI在計算機上實現(xiàn)時便有兩種不同的方式：

2 AI技術(shù)在建筑工程領(lǐng)域的應(yīng)用

AI應(yīng)用于建筑工程領(lǐng)域各個環(huán)節(jié)：

在建筑設(shè)計方面，AutoCAD的出現(xiàn)和Revit的推廣使得AI算法的提高，使新設(shè)計從業(yè)人員已經(jīng)可以在相當短的時間內(nèi)掌握設(shè)計程序的使用，并找到最優(yōu)最經(jīng)濟的設(shè)計方案。

在現(xiàn)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(shù)理統(tǒng)計的線性回歸方式對混凝土28d強度進行預(yù)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(guān)系，因此傳統(tǒng)方式預(yù)測結(jié)果的準確性難以把控。而AI技術(shù)可以很好地控制混凝土強度，提前為工作人員提供相應(yīng)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(yù)測BP網(wǎng)絡(luò)模型，預(yù)測結(jié)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(shù)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(huán)境開發(fā)的建筑施工管理系統(tǒng)，便涵蓋了合同管理、施工人員管理、原材料供應(yīng)商管理、固定資產(chǎn)管理等方方面面，進一步細化了供應(yīng)和分包的各個環(huán)節(jié)，使原材料進離場、分包商及員工管理工作更加科學(xué)、準確、快捷。

3 AI技術(shù)在耐久性預(yù)測方面的應(yīng)用

3.1 總體情況

混凝土的耐久性問題，是混凝土結(jié)構(gòu)學(xué)科中的一項重要議題，許多學(xué)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(fā)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(xué)習(xí)的特性，讓其建立模型以達到預(yù)測結(jié)構(gòu)耐久性指標的目的；

（2）利用AI優(yōu)化結(jié)構(gòu)耐久性的檢測設(shè)備和檢測方案。根據(jù)對相關(guān)文獻整理發(fā)現(xiàn)：AI在耐久性方面的應(yīng)用主要集中在預(yù)測有害離子的侵蝕、碳化、鋼筋銹蝕率等耐久性參數(shù)的預(yù)測方面。應(yīng)用的方式主要為利用人工神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力通過大數(shù)據(jù)的深度學(xué)習(xí)，建立耐久性參數(shù)的預(yù)測模型。AI技術(shù)應(yīng)用于耐久性預(yù)測領(lǐng)域的相關(guān)文獻見表1。

表1 AI預(yù)測類應(yīng)用相關(guān)文獻

3.2 氯鹽侵蝕預(yù)測

國內(nèi)外大量的實踐證明，氯鹽侵蝕是鋼筋混凝土結(jié)構(gòu)耐久性失效的主要原因，因而準確地評價混凝土結(jié)構(gòu)的抗氯鹽侵蝕能力可以為混凝土結(jié)構(gòu)的設(shè)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(jīng)網(wǎng)絡(luò)以環(huán)境條件、穿透深度、水-膠凝材料比和硅灰質(zhì)量等參數(shù)對海洋環(huán)境下混凝土中的氯鹽分布進行了預(yù)測，發(fā)現(xiàn)在經(jīng)過充分學(xué)習(xí)后，人工神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測效果。

舒陽針對高性能鋼筋混凝土結(jié)構(gòu)采用了基于BP神經(jīng)網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)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(yù)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(yīng)學(xué)習(xí)速率調(diào)整算法以及規(guī)則化調(diào)整改進了BP神經(jīng)網(wǎng)絡(luò)的泛化能力，用以預(yù)測荷載-復(fù)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(jié)不同的試驗結(jié)果，可發(fā)現(xiàn)經(jīng)過大量試驗數(shù)據(jù)訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與試驗實測值吻合良好，所以在此方面可以采用神經(jīng)網(wǎng)絡(luò)輔助分析。

宋峰等人采用模糊-神經(jīng)網(wǎng)絡(luò)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(jié)果與BP方法下的結(jié)果進行對比，發(fā)現(xiàn)采用模糊-神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力。

根據(jù)上述學(xué)者的研究發(fā)現(xiàn)，采用人工神經(jīng)網(wǎng)絡(luò)對氯離子的侵蝕進行建模，在經(jīng)過足夠多的訓(xùn)練之后，可以較好的預(yù)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(shù)據(jù)的學(xué)習(xí)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(yīng)用[1-5]。

3.3 鋼筋銹蝕量預(yù)測

AI在銹蝕量方面的應(yīng)用，主要集中對于鋼筋銹蝕量的預(yù)測上，對此眾多學(xué)者采用了鋼筋銹蝕試驗、工程調(diào)查和理論分析等方式，而利用AI技術(shù)進行預(yù)測相較于傳統(tǒng)方法較為簡單實用。

范潁芳分別從單參數(shù)和多參數(shù)出發(fā)，基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測了銹蝕鋼筋的粘結(jié)力，從而建立銹蝕鋼筋的粘結(jié)滑移曲線。發(fā)現(xiàn)多參數(shù)的情況下準確性較單參數(shù)有著較大地提升。

陳海斌、劉燕、沈汝偉等學(xué)者則以預(yù)測鋼筋銹蝕量為目的，分別以BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)等方式進行研究，建立了基于AI方法的鋼筋銹蝕量預(yù)測模型。其中BP神經(jīng)網(wǎng)絡(luò)是一種常用的全局逼近神經(jīng)網(wǎng)絡(luò)，從理論上講，3層BP網(wǎng)絡(luò)就可以實現(xiàn)從輸入到輸出的任意函數(shù)映射，但是無法保證收斂性和全局最優(yōu)性。而RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(xué)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(shù)據(jù)進行學(xué)習(xí)，

陳海斌采用了21個樣本數(shù)據(jù)進行學(xué)習(xí)，結(jié)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(shù)量對于人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(yīng)用歸根結(jié)底是要回歸于工程之中的，目前這方面的研究內(nèi)容較少，但取得的研究成果展現(xiàn)了較好的發(fā)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(shù)據(jù)庫訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，檢測時通過人工智能深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)對裂縫進行識別定位，通過手機實現(xiàn)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(shù)與無人機技術(shù)結(jié)合，經(jīng)過深度學(xué)習(xí)，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(chǎn)生的原因，為未來的耐久性檢測減少了不少困難。

3.5 應(yīng)用流程

目前AI在混凝土耐久性方面的應(yīng)用主要是基于人工神經(jīng)網(wǎng)絡(luò)的方法來實現(xiàn)的；人工神經(jīng)網(wǎng)絡(luò)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(dǎo)具有相當大的困難。目前人工神經(jīng)網(wǎng)絡(luò)技術(shù)在混凝土耐久性預(yù)測和檢測應(yīng)用的主要流程如圖1。

圖1 人工神經(jīng)網(wǎng)絡(luò)在混凝土耐久性領(lǐng)域應(yīng)用流程

4 結(jié)束語

混凝土耐久性預(yù)測及檢測領(lǐng)域的AI技術(shù)發(fā)展提升主要分為三個方向：

（1）可靠的大規(guī)模的數(shù)據(jù)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(guān)信息及時歸庫，理論上參數(shù)足夠多、數(shù)據(jù)足夠多時，AI預(yù)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(xué)者對于鋼筋銹蝕量的預(yù)測研究中就可以發(fā)現(xiàn)，隨著計算機科學(xué)的進步，新算法相較于舊算法無論從運算次數(shù)，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(jù)耐久性問題的特性設(shè)計算法將大大提高研究效率；

（3）積極的工程實踐∶從現(xiàn)有的研究成果來看，AI技術(shù)在耐久性工程領(lǐng)域的應(yīng)用還是比較缺乏的。不光是耐久性參數(shù)的預(yù)測，性能的檢測還是在結(jié)構(gòu)初期的材料配比選擇，AI技術(shù)都有很大的發(fā)展空間。近年來提出的結(jié)構(gòu)壽命全周期的理論要想實現(xiàn)，AI技術(shù)將是重中之重。