下载文档原格式
基于神经网络预测的铝电解模糊控制系统应用李界家;邓媛媛;郭宏伟;王梓翰【期刊名称】《沈阳建筑大学学报（自然科学版）》【年(卷),期】2008(024)004【摘要】目的采用神经网络作为非线性估计器,设计自组织模糊控制器,解决常规控制方法难以解决铝电解过程中存在的时变和大时滞问题,提高控制性能.方法在分析铝电解生产过程的基础上,通过建立神经网络预测模型以及基于规则双阶段获取的自组织模糊控制器,将神经网络与预测控制算法相结合,提出了一种基于神经网络预测的铝电解模糊控制系统.结果给出了以STD工业总线控制机为核心的模糊控制系统,实现了铝电解过程的最优控制.使得神经网络预测模型的输出能够很好地跟踪铝电解生产过程,预测效果更佳.结论该系统能使电解过程很快达到稳态,产生的超调量较小,具有良好地响应特性和鲁棒性,提高了铝电解过程的动态和稳态性能.【总页数】3页(P721-723)【作者】李界家;邓媛媛;郭宏伟;王梓翰【作者单位】沈阳建筑大学信息与控制工程学院,辽宁沈阳110168;沈阳建筑大学信息与控制工程学院,辽宁沈阳110168;沈阳铁路局,辽宁沈阳110005;沈阳建筑大学土木工程学院,辽宁沈阳110168【正文语种】中文【中图分类】TP273【相关文献】1.基于CAN总线的分布式铝电解模糊控制系统 [J], 任万彬2.基于神经网络预测模型的聚类自适应模糊控制器的设计及应用 [J], 荣雅君;窦春霞3.基于NARX神经网络预测及模糊控制的互联电网CPS鲁棒控制策略研究 [J], 李挺;雷霞;张学虹;孔祥清;刘庆伟;柏小丽4.基于变论域的铝电解模糊控制研究 [J], 吕国栋;云小桂;王玺甫5.基于模糊控制的煤矿通风自动控制系统应用 [J], 王广录;杜源;张东青因版权原因，仅展示原文概要，查看原文内容请购买。
2024铝合金在模拟大气环境下的腐蚀性分析作者：明星来源：《中国科技纵横》2018年第03期摘要：本次研究的主要目的就是尝试建立模拟大气环境，分析导致2024铝合金存在腐蚀性的因素，进而提出科学应对策略，降低腐蚀问题发生几率，为未来工业生产奠定良好的技术指导基础，满足实际的生产工作需求。
本次研究也充分表明腐蚀后的物质可以阻止之后的腐蚀问题，有助于样本物质后续的保存需求。
在腐蚀氛围当中，降低阻碍物质标准，就可能造成腐蚀的效率，提升阻碍的作用效果，就能够降低腐蚀的效率。
关键词：2024铝合金；模拟；大气环境；腐蚀性中图分类号：TG172.3 文献标识码：A 文章编号：1671-2064（2018）03-0071-02从建筑业、交通业和航空航天业的发展角度进行分析和观察能够发现，生产应用的2024铝合金存在腐蚀情况，可能降低使用寿命，本次研究就针对这一情况进行分析，希望能够科学应对腐蚀问题。
1 实验研究1.1 实验材料根据本次研究需求进行科学的研究流程设计，在设计的过程当中需要选择符合实验需求的材料。
本次研究选择热轧模式下的2024铝合金，并且铝合金不存在包铝层。
开展实验之前要执行到腐蚀之前实验样本的固溶处理，并且需要关注到实验样本处理应用的时效性。
实施固溶的温度为495℃，实际的处理时间为96小时，处理的强度在460到490MPa范畴当中。
实验当中应用的材料具有化学成分，其质量分数分别为1.65Mg，0.21Sl，0.06Tl，0.16Zn，4.62Cu，0.8Mn，0.26Fe，0.06Nl[1]。
采取热处理的干预方式能够得到晶粒组织，研究获得试验的腐蚀样品，其常规规格为50×25×6毫米，样品外表呈现出设备加工的情况，光洁程度显示为3.2。
1.2 试验方法将2024铝合金50块进行分组，试验样品分组进行清洗，并采取烘干的方式整理试验样品。
将以上收集到的试验样品放置在不同的氛围环境当中，观察影响样本出现腐蚀情况的影响因素，研究可应用盐雾湿热设备执行腐蚀试验操作。
2024铝合金盐雾腐蚀评估及腐蚀形貌分析李云涛;李晓宁;包俊成;周世杰【摘要】采用盐雾试验研究了2024铝合金在环境相对湿度、介质浓度、环境温度三因素影响下的腐蚀行为.极差分析结果表明,相对湿度对2024铝合金的腐蚀程度影响最大,尤其对腐蚀坑深具有显著影响;对处于84％、90％、100％三种不同相对湿度腐蚀环境中的试样,运用模糊综合评判法,确定其腐蚀等级依次为Ⅱ、Ⅲ、Ⅳ级腐蚀;金相显微分析发现,2024铝合金的腐蚀类型主要是晶间腐蚀,且随着相对湿度的增加,腐蚀程度逐渐增加.【期刊名称】《腐蚀与防护》【年(卷),期】2015(036)009【总页数】5页(P864-868)【关键词】2024铝合金;极差分析;模糊综合评判;腐蚀形貌【作者】李云涛;李晓宁;包俊成;周世杰【作者单位】天津理工大学材料科学与工程学院,天津300384;天津市光电显示材料与器件重点实验室,天津300384;天津理工大学材料科学与工程学院,天津300384;天津理工大学材料科学与工程学院,天津300384;天津市光电显示材料与器件重点实验室,天津300384;天津理工大学材料科学与工程学院,天津300384【正文语种】中文【中图分类】TG172.52024铝合金作为一种高强度硬铝，被广泛应用于航空航天、建筑、交通等行业［1］。
但由于其对腐蚀环境的敏感性，使其易发生局部腐蚀［2-3］，从而对构件的使用安全性产生极大的影响。
目前国内外学者对2024铝合金的腐蚀机理及腐蚀形式有了较多的研究。
王彬彬等［4］利用4 a的现场大气暴露试验，研究了我国西部盐湖大气环境的局部腐蚀行为。
结果发现，随着环境中Cl-含量的升高，铝合金的开路电位降低，导致其耐蚀性变差。
郑弃非、孙霜青等［5-6］运用灰色关联方法研究了污染物和气象因素对铝合金的腐蚀速率的影响，在研究中提出最低温度和平均湿度是气象因素中影响腐蚀速率的最大影响因素。
但在众多的研究中，定性确定铝合金腐蚀程度方面的报道相对较少，一般大多依靠工程师的现场经验［7-8］。
2024铝合金耐腐蚀性能与力学性能研究2024铝合金耐腐蚀性能与力学性能研究引言：随着工业技术的不断发展，高性能材料的需求越来越迫切。
铝合金作为一种常见的结构材料，在航空航天、汽车、船舶等领域得到广泛应用。
然而，铝合金在一些特殊环境下容易发生腐蚀，影响其力学性能和使用寿命。
因此，研究铝合金的耐腐蚀性能以及力学性能对于提高其整体性能具有重要意义。
一、铝合金的选材和制备方法2024铝合金是一种具有良好强度和耐腐蚀性能的铝合金，由铝、铜和少量其它元素组成。
其选取的合金元素和比例对其力学性能和耐腐蚀性能有着重要影响。
制备方法也是影响合金性能的重要因素。
二、耐腐蚀性能的研究铝合金的耐腐蚀性能是指在特定环境下，其表面和内部不受腐蚀介质的侵蚀程度。
通过对不同腐蚀介质下的腐蚀实验，可以测量合金的腐蚀速率和腐蚀电流密度，进而评估其耐腐蚀性能。
同时，利用扫描电镜等显微分析技术观察合金表面的腐蚀形貌，可以得到更加详细的结构信息。
三、力学性能的研究力学性能是指材料在外力作用下的变形和破坏行为。
通过拉伸试验、硬度试验和冲击试验等方法，可以获得铝合金的力学性能参数，如屈服强度、延伸率和冲击韧性等，从而评估其强度和塑性能力。
四、耐腐蚀性能与力学性能的关系耐腐蚀性能与力学性能之间存在密切的联系。
一方面，铝合金的耐腐蚀性能直接影响其使用寿命和负载承受能力。
另一方面，腐蚀过程会引起铝合金的局部腐蚀和应力集中，进而导致材料的力学性能下降。
因此，在研究铝合金的力学性能时，也要考虑其耐腐蚀性能。
五、提高铝合金性能的方法针对2024铝合金的耐腐蚀性能和力学性能，可以采取如下措施来提高其性能：优化合金成分和制备工艺、表面涂层处理、添加阻锈元素等。
这些方法可以在一定程度上改善铝合金的耐腐蚀性能和力学性能，提高其综合性能。
结论：2024铝合金的耐腐蚀性能与力学性能是一个相互影响的复杂系统，在提高铝合金整体性能方面具有重要意义。
通过对其耐腐蚀性能和力学性能的深入研究，可以为铝合金在航空航天、汽车和其他领域的应用提供科学依据和技术支持。
2011年3月第36卷第3期润滑与密封LUBRICATION ENGINEERING Mar．2011Vol.36No.3DOI :10.3969/j.issn.0254－0150.2011.03.008收稿日期:2010－09－28作者简介:宋江腾(1976—)，男，博士，主要从事数字化设计及新型耐磨材料的研究．E-mail :sjteng@．基于RBF 神经网络模型的司太立合金磨损量预测宋江腾曾攀赵加清李聪聪(清华大学机械系北京100084檿檿檿檿檿檿)摘要:司太立(Stellite )合金是一种能耐各种类型磨损、腐蚀以及高温氧化的硬质合金。
为研究其磨损性能，以Stellite6为例，在自行设计的摩擦磨损机上进行室温干摩擦和润滑条件下的磨损实验。
以实验数据为基础，建立该合金磨损量的RBF 神经网络预测模型。
结果表明:RBF 神经网络预测模型具有较好的收敛效果和预测精度，具有良好的应用前景。
关键词:司太立合金;RBF 神经网络;磨损预测中图分类号:TH117.2文献标识码:A 文章编号:0254－0150(2011)檿檿檿檿檿3－030－3Analysis of Stellite Alloys Wearing Prediction Based on RadialBasis Function Neural NetworkSong JiangtengZeng PanZhao JiaqingLi Congcong(Mechanical Engineering Department ，Tsinghua University ，Beijing100084，China )Abstract :The stellite alloys are hard alloys which can resist various wear ，corrosion and oxidation at high temperature．In order to study the wearing behaviors of the stellite alloys ，wear tests were carried out in the condition of dry friction and lubrication under room temperature by using a self-designed tribometer．According to the experimental results ，a RBF neu-ral network model was proposed to predict the wear loss of stellite alloys．The results show that the RBF neural network hasgood application prospects for good convergence effect and prediction accuracy．Keywords :stellite alloys ;RBF neural network ;wearing prediction 司太立(Stellite )合金是一种能耐各种类型磨损、腐蚀以及高温氧化的硬质合金，具有很高的高温强度、优异的抗黏连性和耐各种形式腐蚀的性能。
铝合金抗腐蚀强度试验记录和报告试验目的本试验旨在评估铝合金在不同环境条件下的抗腐蚀强度，为相关领域提供参考数据。
试验材料- 铝合金样品：使用纯度达到99.9%的铝合金制备试样。
- 腐蚀介质：选取不同类型的腐蚀介质，如盐水、酸液等。
试验方法1. 准备试样：根据要求制备铝合金试样，并确保其表面光滑均匀。
2. 检测试样初始状态：使用相关设备对试样的物理性质进行测试，并记录相关数据。
3. 将试样置于腐蚀介质中：根据试验设计，将试样放置于不同类型的腐蚀介质中，如盐水溶液中或浸泡于酸液中。
4. 设定试验时间：根据试验要求，确定试样在腐蚀介质中浸泡的时间，如24小时、48小时等。
5. 取出试样：在设定的时间后，将试样取出，并进行表面清洁处理。
6. 测量试样的腐蚀程度：使用相关设备或测试方法，对试样的腐蚀程度进行测量，并记录相关数据。
7. 分析数据：根据测量结果，对试样在不同腐蚀介质中的抗腐蚀强度进行分析。
8. 编写试验报告：根据实验结果和分析，编写试验记录和报告。
试验结果试样初始状态- 密度：2.7 g/cm³- 抗拉强度：180 MPa- 抗腐蚀层厚度：0.1 mm盐水腐蚀试验结果- 浸泡时间：24小时- 腐蚀程度：0.05 mm酸液腐蚀试验结果- 浸泡时间：48小时- 腐蚀程度：0.08 mm结论根据试验结果，铝合金在盐水和酸液腐蚀介质中表现出较好的抗腐蚀能力。
随着浸泡时间的增加，腐蚀程度有所增加，但仍然在可接受范围内。
这些数据可作为参考，供相关领域在材料选择和产品设计中使用。
建议为进一步评估铝合金的抗腐蚀性能，建议进行更多的试验，并在试验设计中考虑更多不同腐蚀介质和条件。
同时，还可以研究不同铝合金材料的抗腐蚀特性，以提供更全面的参考数据。
盐水环境中搅拌摩擦焊接2024铝合金的腐蚀行为王希靖;马晓飞;张金银;魏学玲【摘要】The full immersion etching method was utilized to study the corrosion properties of the base material and friction stir weld (FSW) of 2024 aluminum alloy in salt solution environment.The corrosion rate was calaulated and the corrosion morphology was observed.The results show that the corrosion started from pitting and finally became exfoliation corrosion.The corrosion rate on different narrow areas of weld joint followed the rule:heat affected area and welding area ＞ thermo-mechanically affected zone＞ base area.The corrosion rate of the FSW weld was faster than that of base material and the corrosion resistance of FSW weld was worse than that of base material.%采用全浸泡法对2024铝合金母材与搅拌摩擦焊接接头在3.5％盐水环境中的腐蚀性能进行了测试,并对腐蚀速率进行了计算,对腐蚀形貌进行了观察.结果表明:腐蚀由点蚀开始,最后发展为剥落腐蚀;搅拌摩擦焊接(FSW)接头上各区的腐蚀速率大小为热影响区和焊核区＞热机影响区＞母材区.搅拌摩擦焊焊缝的腐蚀速率高于母材的,即其耐蚀性与母材相比变差.【期刊名称】《腐蚀与防护》【年(卷),期】2018(039)001【总页数】5页(P45-48,54)【关键词】搅拌摩擦焊;腐蚀行为;腐蚀速率;腐蚀形貌【作者】王希靖;马晓飞;张金银;魏学玲【作者单位】兰州理工大学有色金属先进加工与再利用省部共建国家重点实验室,兰州730050;兰州理工大学有色金属先进加工与再利用省部共建国家重点实验室,兰州730050;兰州理工大学有色金属先进加工与再利用省部共建国家重点实验室,兰州730050;兰州理工大学有色金属先进加工与再利用省部共建国家重点实验室,兰州730050【正文语种】中文【中图分类】TB3042×××铝合金为高强铝合金，其比强度、比模量、断裂韧性和疲劳强度均很高，是工业中广泛应用的有色金属结构材料之一，此外，2×××铝合金还有较好的耐蚀性，在海洋工程中的应用也越来越广泛[1-2]。
目录一、实验目的与任务二、基本要求三、实验材料和实验方法3.1 2024铝合金简介3.2 2024铝合金成分及主要原材料介绍3.3 实验所需仪器设备3.4 实验原理3.5 合金的熔铸3.6 试样的制备3.7 测试方法3.8 技术路线四、实验结果与分析4.1实验结果4.2实验结果分析五、实验结论与心得体会5.1实验结论5.2心得体会六、参考文献一．实验目的和任务本综合实验是在金属材料本科生完成相关专业理论课之后的一次全面综合实验训练，通过从铝合金材料设计与选择、制造到性能检测的全面训练，使学生了解铝合金材料及其加工的生产全过程，所学基础理论和专业理论来解释试验中的各种现象，培养学生的动手能力和综合分析问题的能力，特别是学生的独立设计实验方案及创新能力。
二．基本要求1）了解课题所研究铝合金材料设计方法；2）初步掌握铝合金材料制备和试样加工基本技能；3）熟悉铝合金材料生产的过程，了解与掌握材料科学与工程研究的基本步骤及思维方法，所用的仪器设备及操作使用；4）学会整理数据，运用知识解释实验中的现象，理论联系实际，培养动手能力，采集并分析数据的综合能力。
三．实验材料和实验方法3.1 2024铝合金简介2024铝合金（标准：JIS H4000-1999）属Al-Cu-Mg系铝合金。
这是一种高强度硬铝，可进行热处理强化。
在淬火和刚淬火状态下塑性中等，点焊焊接良好，用气焊时有形成晶间裂纹的倾向。
合金在淬火和冷作硬化后其可切削性能尚好，退火后可切削性低，抗腐蚀性不高，常采用阳极氧化处理与涂漆方法或表面加包铝层以提高其抗腐蚀能力。
其主要用于制作各种高负荷的零件和构件（但不包括冲压件锻件），如飞机上的骨架零件、2) 主要原材料物理化学性能介绍※铝铝原子序数为13，银白色轻金属，有延性和展性。
铝的相对密度2.70，熔点660℃，沸点2327℃。
易溶于稀硫酸、硝酸、盐酸、氢氧化钠和氢氧化钾溶液，不溶于水。
在潮湿空气中能形成一层防止金属腐蚀的氧化膜。
第４６卷㊀第２期２０２４年３月地㊀震㊀工㊀程㊀学㊀报C H I N A E A R T H Q U A K EE N G I N E E R I N GJ O U R N A LV o l ．４６㊀N o ．２M a r c h ,２０２４㊀㊀收稿日期:２０２１Ｇ１２Ｇ２４㊀㊀基金项目:国家重点研发计划资助项目(２０１９Y F C １５０９３０２);国家自然基金(５２２７８５３０);陕西省重点研发计划资助项目(２０２１Z D L S F ０６Ｇ１０)㊀㊀第一作者简介:王胜利,男,正高级工程师,主要从事工程结构抗震设计研究.E Ｇm a i l :w a n g s l ＠s e p d i ．c o m .㊀㊀通信作者:刘㊀华,男,硕士研究生,主要从事工程结构抗震研究.E Ｇm a i l :l i u h u a ００７６＠１６３．c o m .王胜利,刘华,郑山锁,等．一般大气环境下钢筋锈蚀深度的R B F 神经网络预测模型研究[J ]．地震工程学报,２０２４,４６(２):２６９Ｇ２７７．D O I :１０．２００００/j．１０００Ｇ０８４４．２０２１１２２４００５WA N GS h e n g l i ,L I U H u a ,Z H E N G S h a n s u o ,e t a l ．R B Fn e u r a ln e t w o r k p r e d i c t i o n m o d e l f o rs t e e lb a rc o r r o s i o nd e pt hu n d e r g e n e r a l a t m o s p h e r i c e n v i r o n m e n t [J ]．C h i n aE a r t h q u a k eE n g i n e e r i n g J o u r n a l ,２０２４,４６(２):２６９Ｇ２７７．D O I :１０．２００００/j．１０００Ｇ０８４４．２０２１１２２４００５一般大气环境下钢筋锈蚀深度的R B F 神经网络预测模型研究王胜利１,刘㊀华２,郑山锁２,董淑卿１,黄㊀瑜１(１．中国能源建设集团陕西省电力设计院有限公司,陕西西安７１００５４;２．西安建筑科技大学土木工程学院,陕西西安７１００５５)摘要:钢筋锈蚀深度预测是评估在役R C 结构服役性能的基础.为建立一般大气环境R C 构件中钢筋锈蚀深度预测模型,通过收集实测数据,分析影响钢筋锈蚀深度的主要参数及其影响规律,继而基于实测数据建立数值模型和R B F 神经网络预测模型,并进行参数敏感性分析.研究结果表明:与数值模型相比,R B F 神经网络对钢筋锈蚀深度预测效率与精度更高,能够有效映射各影响参数与钢筋锈蚀深度之间复杂的非线性关系.参数敏感性分析结果显示,钢筋混凝土表面锈胀裂缝宽度对钢筋锈蚀深度影响最大,钢筋直径㊁保护层厚度与钢筋直径之比和混凝土抗压强度等其他因素影响次之.所得模型可用于工程检测中钢筋锈蚀程度预测与R C 构筑物剩余服役寿命评估.关键词:钢筋混凝土;钢筋锈蚀;R B F 神经网络;锈蚀深度预测;敏感性分析中图分类号:T U ３９１;T U ３１７．１㊀㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:１０００Ｇ０８４４(２０２４)０２－０２６９－０９D O I :１０．２００００/j．１０００Ｇ０８４４．２０２１１２２４００５R B Fn e u r a l n e t w o r k p r e d i c t i o nm o d e l f o r s t e e l b a r c o r r o s i o nd e p t h u n d e r g e n e r a l a t m o s ph e r i c e n v i r o n m e n t WA N GS h e n g l i １,L I U H u a ２,Z H E N GS h a n s u o ２,D O N GS h u q i n g １,HU A N G Yu １(１．S h a a n x iE l e c t r i cP o w e rD e s i g nI n s t i t u t eC o ．,L t d ．o f C h i n aE n e r g y E n g i n e e r i n g G r o u p ,X i ＇a n７１００５４,S h a a n x i ,C h i n a ;２．S c h o o l o f C i v i lE n g i n e e r i n g ,X i ＇a nU n i v e r s i t y o f A r c h i t e c t u r e a n dT e c h n o l o g y ,X i ＇a n７１００５５,S h a a n x i ,C h i n a )A b s t r a c t :T h e p r e d i c t i o no f s t e e l b a r c o r r o s i o nd e p t h i s t h eb a s i s f o r e v a l u a t i n g th es e r v i c e p e r Ｇf o r m a n c e o fR Cs t r u c t u r e s ．T oe s t a b l i s ha p r e d i c t i o n m o d e l f o r s t e e l b a r c o r r o s i o nd e pt h i nR C m e m b e r su n d e r g e n e r a l a t m o s p h e r i ce n v i r o n m e n t ,t h e m a i n p a r a m e t e r sa f f e c t i n g th ec o r r o s i o n d e p t h a n d t h e i n f l u e n c e l a ww e r e a n a l y z e d i n t h i s p a pe r ．T h e n ,a n u m e r i c a lm o d e l a n d aR B Fn e u Ｇr a l n e t w o r k p r e d i c t i o n m o d e lw e r ee s t a b l i s h e db a s e do nt h e m e a s u r e dd a t a ,a n dt h e p a r a m e t e r s e n s i t i v i t y a n a l y s i sw a s c a r r i e do u t ．R e s u l t s s h o wt h a t :c o m p a r e dw i t h t h en u m e r i c a lm o d e l ,t h e R B Fn e u r a l n e t w o r kh a s h i g h e r ef f i c i e n c y a n da c c u r a c y i n p r e d i c t i ng th e c o r r o si o nd e pt ho f s t e e lb a r s ;i tc a ne f f e c t i v e l y m a p t h e c o m p l e xn o n l i n e a r r e l a t i o n s h i p b e t w e e nt h e i n f l u e n c i n gpa r a m e Ｇt e r s a n d t h e c o r r o s i o nd e p t ho f s t e e lb a r s ．T h e r e s u l t s o f p a r a m e t e r s e n s i t i v i t y a n a l y s i s s h o wt h a t t h e e x p a n s i v ec r a c kw id t ho nR Cs u r f a ce h a s t h e g r e a t e s t i nf l u e n c e o n t h e c o r r o s i o nd e pt ho f s t e e l b a r s ,f o l l o w e db y o t h e r f a c t o r s ,i ．e ．,t h e d i a m e t e r o f s t e e l b a r ,t h e r a t i oo f c o n c r e t e c o v e r t h i c k Ｇn e s s t o s t e e l b a r d i a m e t e r ,a n d t h e c o m p r e s s i v e s t r e n g t ho f c o n c r e t e ．T h e p r o p o s e dm o d e l c a nb e u s e d t o p r e d i c t t h ec o r r o s i o nd e g r e eo f s t e e lb a r sa n de v a l u a t e t h er e m a i n i n g se r v i c e l if eo fR C s t r u c t u r e s i ne ng i n e e r i n g de t e c t i o n ．K e yw o r d s :r e i n f o r c e d c o n c r e t e ;s t e e l b a r c o r r o s i o n ;R B Fn e u r a l n e t w o r k ;c o r r o s i o nd e p t h p r e d i c Ｇt i o n ;s e n s i t i v i t y a n a l ys i s ０㊀引言受一般大气环境中诸如氧气㊁水分子㊁硫酸根等侵蚀因子影响,建筑结构混凝土中钢筋将出现不同程度的锈蚀,且随建筑服役期增长锈蚀程度不断加剧.钢筋锈蚀是造成一般大气环境下既有结构耐久性损伤的重要因素之一,将显著削弱结构承载与抗震能力.目前,既有R C 结构中钢筋锈蚀深度预测模型主要考虑了保护层厚度c ㊁钢筋直径d ㊁混凝土表面锈胀裂缝宽度ω㊁混凝土抗压强度f c u 等的影响.如惠云玲[１]通过对１５８个试件进行加速锈蚀试验,建立了混凝土开裂后的钢筋锈蚀程度与钢筋直径和混凝土表面锈胀裂缝宽度的关系模型如表１中式(１).V i d a l 等[２]基于干湿循环方法模拟了盐碱环境中梁的自然腐蚀,试验结果表明:保护层厚度与钢筋直径之比c /d 和混凝土强度等级f cu 对腐蚀试件混凝土裂缝开展影响显著,且间接影响混凝土开裂后钢筋锈蚀进程,所得模型如表１中式(２).混凝土结构耐久性评定标准[３]对于已经锈胀开裂的结构构件,亦考虑了c /d ㊁f c u 和ω因素对钢筋锈蚀深度的影响,给出如表１中式(３)所列的预测公式,并建议实际检测中宜采用直接破型方法进行校核.徐港等[４]进行了自然环境下钢筋混凝土试件的干湿循环加速锈蚀试验,基于试验数据,由数理统计原理分析得到了钢筋锈蚀深度的回归方程,并利用灵敏度分析方法对各影响参数进行了敏感性分析,得出ω对钢筋锈蚀深度δ的影响最大,其余依次为f c u ＞c ＞d .如表１所列,喻孟雄等[５]对现有钢筋锈蚀深度的数值计算模型进行总结,发现各数值模型的试验锈蚀方法㊁试件类型和试验假定不同,将导致预测结果出现不同程度的偏差,并且由于构件所处的环境气候条件及混凝土本身质量影响,钢筋锈蚀深度和混凝土锈胀裂缝宽度的离散性较大,需要更多的现场调查数据来对钢筋锈蚀深度预测模型进行全面分析.表１㊀现有钢筋锈蚀深度的数值计算模型T a b l e １㊀E x i s t i n g n u m e r i c a l c a l c u l a t i o nm o d e l s o f s t e e l b a r c o r r o s i o nd e pt h 序号文献来源时间计算式１惠云玲[１]１９８５ω＝１１．５９８９(δ－δ２/d )＋０．０５１１－０．０２２９f cu (１)２V i d a l[２]２００４ω＝０．０４５２(２αδd －α２δ２)－d ２１－１－αd ７．５３＋９．３２cd()１０－３[]２{}{}(２)３结构耐久性评定标准[３]２００７ω＝１１．６２７９δ－０．０９３c /d －０．００６３９５f cu －０．１７４４２,(ωȡ０．１０mm )ω＝２．８５７１δ－０．０２２９c /d －０．００１５７f cu ＋０．０３７１４,(ω＜０．１０mm )(３)４徐港[４]２０１１ω＝０．６９６l n δ０．３６８８f －０．２９９cu ０．９２９１c ０．９９９３d １．００２２s(４)５喻孟雄[５]２０１４ω＝０．１１７８{(２αδd －α２δ２)－[０．００２αδc r d －(０．００１α)２δ２]}δc r ＝４０７．６７＋０．５１c /d －１２．４f cu (５)注:ω为混凝土锈胀裂缝宽度,mm ;δ为钢筋锈蚀深度,mm ;δc r 混凝土开裂时钢筋临界锈蚀深度,mm ;d 为钢筋直径,mm ;c 为混凝土保护层厚度,mm ;f cu 为混凝土抗压强度,M P a ;s 为箍筋间距,mm ;α为不均匀锈蚀系数㊀㊀人工神经网络是基于模仿大脑神经网络的结构和功能而建立的一种信息化处理系统,具有自适应性㊁自组织性和自学习能力,适用于同时考虑多因素影响㊁模糊或非线性的信息处理问题.近年来,人工神经网络已在模态识别㊁控制优化㊁图像处理㊁金融分析㊁材料工程等诸多领域得到了广泛的应用.２０世纪９０年代以来,土木领域科研人员逐渐将神经网络的方法引入土木工程研究领域,如混凝土材料性能预测㊁结构损伤模式识别㊁混凝土配合比优化设计等[６].牛荻涛等[７]收集了工程检测和实验数据３１组,建立了钢筋锈蚀率的B P (前馈型)神经网络模型,发现神经网络模型的预测值与工程实际的实测０７２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀地㊀震㊀工㊀程㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２４年值差异较小.张耀庭等[８]结合室内试验和工程实测数据,建立了混凝土开裂后钢筋锈蚀程度的B P神经网络模型,结果发现在试验和实测数据离散性较大的情况下神经网络模型对钢筋锈蚀程度的预测仍能取得较好的结果.刘燕等[９]基于文献[７]的工程检测和实验数据,建立了钢筋锈蚀程度的R B F(径向基)神经网络和B P神经网络预测模型,对两种神经网络模型的预测结果进行比较,结果表明:R B F 神经网络模型的预测结果与实测结果的误差显著小于B P神经网络模型的误差,且R B F神经网络具有更好的分析能力㊁学习速度㊁预测精度和自适应性.综上所述,由于影响钢筋锈蚀深度的因素众多,目前尚无一个可同时考虑多影响因素的预测模型,而神经网络模型在钢筋锈蚀程度的预测中可以同时考虑参数多样化㊁非线性和强离散的影响,且预测精度较高,可作为一种高效便捷的智能方法.本文总结了现有钢筋锈蚀深度的数值模型,在实际检测数据的基础上,基于V i d a l等[２]模型建立了锈蚀深度与主要钢筋锈蚀影响因素的数学模型;继而考虑钢筋锈蚀程度的其他影响因素,建立了钢筋锈蚀深度的R B F神经网络预测模型,并将数值模型预测结果与R B F神经网络预测结果进行比对;最后,对R B F神经网络预测模型进行了参数敏感性分析.１㊀数学模型模拟１．１㊀数学模型建立为了建立基于实际检测数据的钢筋锈蚀深度数值预测模型,采用本课题组多龄期钢筋混凝土结构地震易损性分析[１０]中一般大气环境下多龄期R C 结构腐蚀程度量化模型研究的实际检测数据.根据武海荣[１１]提出的耐久性环境区划方法,近似认为攀枝花市的建筑结构处于一般大气环境中.由于检测条件限制,实测过程中难以对R C结构混凝土内部钢筋的锈蚀深度进行大面积破损检测,课题组仅对２０栋已经发生锈蚀的结构进行了混凝土表观检测和部分开槽检测,得到检测数据７５组.检测内容包括:保护层厚度c㊁混凝土抗压强度f c u㊁钢筋直径d㊁钢筋锈蚀深度δ㊁混凝土表面锈胀裂缝宽度ω和结构服役龄期A[１２Ｇ１３].为了得到更符合实际的混凝土抗压强度退化特征,本研究将检测得到的混凝土强度进行归一化处理,即将测区内混凝土实测时的抗压强度平均值与其初始抗压强度的比值作为新的研究参数 混凝土相对抗压强度β,计算公式为:βi＝f c c u,i/f c㊀(６)式中:f c c u,i为每个测区混凝土抗压强度钻芯修正值;f c为混凝土初始抗压强度平均值.对检测数据进行整理,按各影响因素与钢筋锈蚀深度的关系进行归并,并补充所测钢筋锈蚀深度δ与结构服役龄期A的关系,得到如图１所示检测数据的散点图.从图１可以看出,表面裂缝宽度与钢筋锈蚀深度呈现出一定的线性相关性,而其他因素与钢筋锈蚀深度的离散性较大,这与目前大多数研究采用裂缝宽度为主要影响因素来建立钢筋锈蚀深度模型相符.本文数值模型部分亦采用裂缝宽度为主导因素的锈蚀深度的数值模型,选用V i d a l[２]模型的基本形式,其中临界钢筋锈蚀深度δc r模型采用A l o n s o[１２]模型的形式,如式(７)~(１０)所示.ω＝κ０(ΔA s－ΔA s０)㊀(７)ΔA s＝π/４(２αδd－α２δ２)㊀(８)ΔA s０＝πd２４１－１－αdδc ræèçöø÷２éëêêùûúú㊀(９)δc r＝α１c/d＋α２㊀(１０)式中:ΔA s为钢筋截面损失面积(mm２);ΔA s０为混凝土开裂时钢筋临界损失面积(mm２);κ０为待定系数;本研究将钢筋锈蚀视为均匀锈蚀,取α＝２.根据式(７)~(１０)可得钢筋混凝土结构基于锈胀裂缝宽度ω的钢筋锈蚀深度δ计算模型:ω＝κ０(δd－δ２)－πd２４１－１－２dα１c d＋α２æèçöø÷éëêêùûúú２{} {}(１１)式中:κ０㊁α１㊁α２均为待定系数,其值根据图１的实际检测结果通过回归分析得到,κ０＝０．０３５０,α１＝０．０５３,α２＝－０．０３５２,相关系数R２＝０．８０.将所得待定系数代入式(１１),经过相关代换,便可得到钢筋锈蚀深度δ的表达式,如式(１２)所示.δ＝１２d－d－２０．０５２３c d－０．０３５２æèçöø÷２－３６．３９７ωæèçöø÷(１２)１．２㊀数学模拟结果将图１中的保护层厚度c㊁钢筋直径d㊁混凝土表面锈胀裂缝宽度ω,代入式(１２)得到钢筋锈蚀深度的计算值δ１.如图２所示,将计算值δ１与实测值δ进行比较,取δ１与δ之差的绝对值为误差,取误差占实测值δ的百分比为相对误差.１７２第４６卷第２期㊀㊀㊀㊀㊀㊀㊀王胜利,等:一般大气环境下钢筋锈蚀深度的R B F神经网络预测模型研究㊀㊀㊀㊀㊀㊀图１㊀各影响因素与钢筋锈蚀深度关系F i g．１㊀R e l a t i o n s h i p b e t w e e ne a c h i n f l u e n c i n g f a c t o r a n d s t e e l c o r r o s i o nd e p t h㊀㊀从图２可以看出,理论计算的钢筋锈蚀深度和实测钢筋锈蚀深度的分布趋势基本相同,两者的相对误差有７２％柱形图高度位于３０％误差线以内,最大相对误差为１０３．６％,平均相对误差为２４．１％,说明建立的钢筋锈蚀深度数值预测模型具有一定的适用性.２㊀R B F神经网络预测２．１㊀R B F神经网络模型建立R B F神经网络[１３]具有良好的泛化能力,网络结２７２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀地㊀震㊀工㊀程㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２４年图２㊀实测值δ与数值模型计算值δ１比较F i g ２㊀C o m pa r i s o nb e t w e e n t h em e a s u r e dv a l u e δa n d t h ec a l c u l a t e dv a l u e δ１of n u m e r i c a lm o d e l 构简单,能在任意精度下逼近任何非线性函数,可以避免冗长和不必要计算而备受关注[１４].如图３所示,R B F 神经网络由三层结构组成:输入层㊁隐含层和输出层,其中输入层与输出层的向量维度需一致.隐含层的神经元激活函数由径向基函数构成,隐含层组成的数组运算单元称为隐含层节点,每个隐含层节点包含一个中心的向量c ,c 和输入向量x 具有相同的维数,二者之间的欧氏距离定义为 x (t )－c j (t ) .隐含层的输出由非线性激活函数h j (t )构成:h j (t )＝e x p － x (t )－c j (t ) ２２b ２jæèçöø÷;j ＝１, ,l (１３)式中:x (t )为输入参数向量;c j (t )为径向基网络中心向量;b j 为高斯基函数的宽度,一般为正的标量;l 为隐含层神经元节点数.网络的输出由式(１４)线性加权函数实现:δi (t )＝,ðmj ＝１w ji h j (t );i ＝１, ,n ㊀(１４)式中:w 为输出层的权值;n 为输出节点数目;δ为神经网络的输出.隐含层神经元节点数l 按经验公式(１５)来确定[１５Ｇ１６]:l ＝m ＋n ＋a 或l ＝０．４３m n ＋０．１２n ２＋２．５４m ＋０．７７n ＋０．３５＋０．５１(１５)式中:m ㊁n 分别为输入节点数目和输出节点数目;a为１~１０之间的常数.经式(１５)计算和模型试算分析精度,取l ＝１４.图３㊀R B F 神经网络结构F i g．３㊀S t r u c t u r e o fR B Fn e u r a l n e t w o r k 对图１实际检测数据的模拟训练与仿真预测采用如下方法:从输入数据中随机选取７０％作为训练集,剩余数据随机选取１５％作为验证集,最终剩余的１５％数据作为测试集.神经网络的数据拟合模拟训练方法通常有L e v e n b e r g ＧM a r qu a r d t 法(L M 法)㊁B a y e s i a n ＧR e g u l a r i z a t i o n 法(贝叶斯正则化法)和S c a l e d ＧC o n j u g a t e ＧG r a d i e n t 法(共轭梯度法).与其他神经网络训练方法相比,L M 法能提供函数非线性最小化(局部最小)的数值解,借由执行时修改参数达到结合高斯Ｇ牛顿算法以及梯度下降法的优点,并对两者之不足做改善,如果下降太快,使用较小的阻尼因子λ,使之更接近高斯Ｇ牛顿法,如果下降太慢,使用较大的阻尼因子λ,使之更接近梯度下降法;而贝叶斯正则化法在神经网络训练中可能会出现过拟合的状况,共轭梯度法虽然在神经网络训练时不需要参数,但是在数据适用上有一定的限制[１５].因此,本文采用L e v e n b e r g ＧM a r qu a r d t 法进行神经网络的训练.神经网络对数据离散性的包容度较好,能够实现向量的多维映射,故在R B F 神经网络训练时将把图１中实际检测数据的所有影响参数组成输入向量.如图４所示,本文采用混凝土保护层厚度c ㊁钢筋直径d ㊁混凝土表面裂缝宽度ω㊁混凝土保护层厚度与钢筋直径之比c /d ㊁混凝土抗压强度f c u ㊁混凝土相对抗压强度β㊁结构服役龄期A 共计７个影响参数作为输入向量,采用钢筋锈蚀深度δ作为输出向量.由于材料特性㊁环境因素㊁荷载分布等实际结构中存在的各种不确定性,结合多次模拟试验,最终确定R B F 神经网络的输入层㊁隐含层和输出层节点数分别为７㊁１４㊁１,采用L M 法进行神经网络的学习训练.输出向量纵向维度与输入向量应当保持一致,以保证神经网络的学习有效.２．２㊀R B F 神经网络预测结果R B F 神经网络的最佳验证误差如图５所示.３７２第４６卷第２期㊀㊀㊀㊀㊀㊀㊀王胜利,等:一般大气环境下钢筋锈蚀深度的R B F 神经网络预测模型研究㊀㊀㊀㊀㊀㊀由图可知,均方误差随着迭代次数的增加逐渐减小,在迭代次数为６次时最佳验证误差达到最小值０．０００７１９２,且整个网络的训练过程仅１２次迭代,训练的整体速度较快.图４㊀R B F 神经网络向量构成F i g ．４㊀C o m po s i t i o no fR B Fn e u r a l n e t w o r kv e c t o r 图５㊀均方误差图F i g ．５㊀M e a n s qu a r e e r r o r R B F 神经网络的回归分析如图６所示.由图可知,R B F 神经网络的训练集㊁验证集㊁测试集和所有数据集的回归系数分别为０．９１１㊁０．８９６㊁０．８４１和０．８９７,相关性均表现较好,说明此R B F 神经网络模型的拟合性能良好.图６㊀R B F 神经网络回归分析F i g ．６㊀R e g r e s s i o na n a l ys i s o fR B Fn e u r a l n e t w o r k ４７２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀地㊀震㊀工㊀程㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２４年㊀㊀将训练好的神经网络保存为MA T L A B网络执行文件,除钢筋锈蚀深度δ外,将检测的所有数据随机分散组成新的预测向量组,利用MA T L A B命令 s i m(n e t,v e c t o r),(其中v e c t o r为新的预测向量组) ,可以得到由R B F神经网络预测的输出值δ２.将钢筋锈蚀深度的R B F神经网络预测值δ２与钢筋锈蚀深度的实测值δ按编号进行比较,取钢筋锈蚀深度的预测值δ２与实测值δ之差的绝对值为误差如图７(a)所示,误差占实测值δ的百分比为相对误差如图７(b)所示.图７㊀实测值δ与R B F神经网络预测值δ２比较F i g．７㊀C o m p a r i s o nb e t w e e n t h em e a s u r e dv a l u eδa n d t h e p r e d i c t e dv a l u eδ２o fR B Fn e u r a l n e t w o r k㊀㊀从图７可以看出,R B F神经网络预测的钢筋锈蚀深度和实测钢筋锈蚀深度的分布趋势基本相同,两者的误差均有９２％的柱形图分布于３０％误差线以内,最大相对误差为５４．２８％,平均相对误差为１１．７８％,说明建立的钢筋锈蚀深度R B F神经网络预测模型具有良好的适用性.３㊀模型结果比较如图２和图７所示,本文建立的数学计算模型和R B F神经网络预测模型均能够较好地反映钢筋的实际锈蚀深度,但R B F神经网络模型的预测结果与钢筋实际锈蚀深度的误差比数学模型的预测结果与钢筋实际锈蚀深度的误差更小.此外,R B F还考虑到了数学计算模型所没有考虑到的混凝土保护层厚度与钢筋直径之比c/d㊁混凝土抗压强度f c u㊁混凝土相对抗压强度β㊁结构服役龄期A的影响,这些因素在实际的结构中受环境因素和材料本身性质的影响更大,其本身即有较大的离散性,在综合考虑了这些因素的影响下,R B F 神经网络仍然能达到较好的预测精度,充分证明了其具有较好的多维非线性映射能力和泛化能力.４㊀R B F神经网络的参数敏感性分析本文R B F神经网络训练结束后,提取模型文件中输入层到隐含层权值和隐含层到输出层权值,如表２所列.将训练结束后R B F神经网络模型中向量连接权值,采用基于连接权值的O l d e n算法[１７]进行参数的敏感性分析计算,用于衡量输入变量对输出指标的影响程度.表２㊀连接权值T a b l e２㊀C o n n e c t i o nw e i g h t s输入层到隐含层权值１２３４５６７隐含层到输出层权值１－１．４４－０．８４０．０８１．０３－０．６４－０．３０－０．２４－０．２１２０．４３－１．１３－０．２７０．００－１．６９－１．０５１．７１－０．４７３－１．１１－０．６３０．５２－０．９８０．５４０．０７１．０４０．４８４１．１２－０．８５０．０１－０．０６－０．６２－０．６１０．５２０．６３５１．３００．５９－０．７６０．８１０．５７０．４８０．９５－０．３９６－０．８２１．３３１．１８－０．３９－１．３９－０．１４－１．５４－０．８３７０．８４－０．５７－０．４９１．５５－０．１３－０．８６－０．４３－０．４７８－１．２９－０．３１－０．０６－１．１００．３３０．９４０．６５－０．２２９０．３４－０．４２０．８５１．０１－０．６８－０．８７０．３５０．０６１０－０．６１－０．２９－０．８２０．３４０．５５１．６１０．４９０．３９１１－０．３０１．２３－１．０４－０．１８０．１４０．３０１．７８－０．７２１２－０．２７１．７８０．７０－１．３１－０．９４０．０７－０．２７０．３９１３－０．８０－０．８５０．９４－０．９１０．５４－０．２２－０．１６０．２９１４０．２９０．２４０．６２－０．２１－０．８５－１．３５０．８１０．４９５７２第４６卷第２期㊀㊀㊀㊀㊀㊀㊀王胜利,等:一般大气环境下钢筋锈蚀深度的R B F神经网络预测模型研究㊀㊀㊀㊀㊀㊀㊀㊀其中,负连接权重表示对神经元的抑制作用(降低传入信号的强度)并降低预测响应的值,而正连接权重表示对神经元的兴奋作用(增加传入信号的强度)并增加预测响应的值.本文中,O l d e n 算法测算钢筋锈蚀深度对影响参数的敏感性可用式(１６)来确定.S i ＝ð１４k ＝１ωi k v k /ð７i ＝１ð１４k ＝１ωik v k ㊀(１６)式中:S i 表示R B F 神经网络预测模型中钢筋锈蚀深度δ对输入向量i 的敏感性;ωi k ㊁v k 分别为输入层到隐含层㊁隐含层到输出层的连接权值.基于O l d e n 连接权值的钢筋锈蚀深度敏感性分析结果如图８所示.相对敏感度正值和负值,代表各影响因素与钢筋锈蚀深度的正向和负向相关,且各影响因素的相对敏感度之和为１.由图８可知,混凝土表面锈胀裂缝宽度ω㊁钢筋直径d 与混凝土结构钢筋锈蚀深度δ正相关,混凝土保护层厚度与钢筋直径之比c /d ㊁钢筋直径d ㊁混凝土抗压强度f c u ㊁结构服役龄期A ㊁混凝土保护层厚度c ㊁混凝土相对抗压强度β与混凝土结构钢筋锈蚀深度δ负相关.参数敏感性排序为:ω＞d ＞c/d ＞f c u ＞A ＞c ＞β,其中混凝土表面锈胀裂缝宽度ω为敏感性最大指标.这一结果与徐港等[４]和M o Ｇl i n a 等[１４]的研究结论是一致的.由于实测的建筑建成于２０世纪７０ ８０年代,环境及材料本身的多种不确定因素的影响,在检测时均已形成肉眼可见的裂缝,混凝土保护层出现不同程度的剥落且钢筋也已出现不同程度的锈蚀.因此在实际检测的数据中,c /d 和d 对钢筋锈蚀影响的相对敏感度比f c u 更高,可能是由于混凝土保护层的剥落和混凝土锈胀裂缝的开展,大直径钢筋所能接触到的空气中的水分子㊁硫酸根离子等锈蚀因素的面积较大.图８㊀参数敏感性分析结果F i g ．８㊀P a r a m e t e r s e n s i t i v i t y a n a l ys i s r e s u l t s ５㊀结论(１)R B F 神经网络可以较好地实现向量的多维非线性映射,具有较好的泛化能力,为此类数据离散性较大的非线性回归问题提供一种简单高效的智能方法.本文建立的钢筋锈蚀深度R B F 神经网络预测模型,可为实际工程中钢筋锈蚀深度与构筑物剩余使用年限等耐久性问题的评估提供参考.(２)本文利用实测数据建立的钢筋锈蚀深度R B F 神经网络预测模型,能较好地预测钢筋的实际锈蚀深度.通过与数学模型的计算结果对比,R B F 神经网络模型预测结果与实测结果的误差比数学计算模型的误差小.(３)通过各参数对钢筋锈蚀深度的敏感性分析可知,钢筋混凝土结构表面锈胀裂缝宽度对钢筋锈蚀深度影响最大,其次分别为钢筋直径㊁保护层厚度与钢筋直径之比㊁混凝土抗压强度,其余因素的影响较小.由于本研究所采用的数据值均为实际检测值,不可避免地会存在测量误差,以后可以根据试验和更多检测数据对钢筋锈蚀的R B F 神经网络模型进一步的综合验证模型的可靠性.参考文献(R e f e r e n c e s)[１]㊀惠云玲．混凝土结构中钢筋锈蚀程度评估和预测试验研究[J ]．工业建筑,１９９７,２７(６):６Ｇ９,４９．HU IY u n l i n g ．A s s e s s m e n t a n d p r e d i c t e d e x p e r i m e n t a l s t u d y o n c o r r o s i v e d e gr e eo fr e i n f o r c e m e n t s i nc o n c r e t es t r u c t u r e s [J ]．I n d u s t r i a l C o n s t r u c t i o n ,１９９７,２７(６):６Ｇ９,４９．[２]㊀V I D A L T ,C A S T E L A ,F R A N ÇO I SR．A n a l y z i n g cr a c kw i d t h t o p r e d i c t c o r r o s i o n i n r e i n f o r c e d c o n c r e t e [J ]．C e m e n t a n dC o n Ｇc r e t eR e s e a r c h ,２００４,３４(１):１６５Ｇ１７４．[３]㊀中国工程建筑标准化协会．混凝土结构耐久性评定标准:C E C S２２０ ２００７[S ]．北京:中国计划出版社,２００７．C h i n aA s s o c i a t i o nf o rE n g i n e e r i n g a n d B u i l d i n g S t a n d a r d i z a Ｇt i o n ．S t a n d a r d f o r d u r a b i l i t y a s s e s s m e n t o f c o n c r e t e s t r u c t u r e s :C E C S２２０ ２００７[S ]．B e i j i n g :C h i n aP l a n n i n g P r e s s ,２００７．[４]㊀徐港,费红芳,刘德富,等．混凝土中钢筋锈蚀深度预测模型[J ]．建筑材料学报,２０１１,１４(６):８４４Ｇ８４９．X U G a n g ,F E IH o n g f a n g ,L I U D e f u ,e t a l ．P r e d i c t i o n m o d e l o n t h e r e b a rc o r r o s i o nd e p t hi nc o n c r e t e [J ]．J o u r n a lo fB u i l d i n g M a t e r i a l s ,２０１１,１４(６):８４４Ｇ８４９．[５]㊀喻孟雄,李少龙,张少华,等．基于锈胀裂缝宽度的钢筋锈蚀深度计算模型[J ]．混凝土,２０１４(１１):１１Ｇ１４,２３．Y U M e n g x i o n g ,L IS h a o l o n g,Z HA N G S h a o h u a ,e ta l ．M o d e l f o r c a l c u l a t i n g t h es t e e l c o r r o s i o nd e p t hb a s e do nc r a c kw i d t h [J ]．C o n c r e t e ,２０１４(１１):１１Ｇ１４,２３．６７２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀地㊀震㊀工㊀程㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２４年[６]㊀范颖芳,周晶．人工神经网络在受腐蚀钢筋混凝土结构工程中的应用[J]．四川建筑科学研究,２００４,３０(１):１９Ｇ２２．F A N Y i n g f a n g,Z H O U J i n g．S t a t eＧo fＧt h eＧa r to na p p l i c a t i o no fa r t i f i c i a l n e u r a l n e t w o r k s i n c o r r o d e d r e i n f o r c e d c o n c r e t e s t r u cＧt u r a l e n g i n e e r i n g[J]．B u i l d i n g S c i e n c e R e s e a r c h o fS i c h u a n,２００４,３０(１):１９Ｇ２２．[７]㊀陈海斌,牛荻涛,浦聿修．应用人工神经网络技术评估混凝土中的钢筋锈蚀量[J]．工业建筑,１９９９,２９(２):５１Ｇ５５．C H E N H a i b i n,N I UD i t a o,P U Y u x i u．A s s e s s m e n t o n c o r r o s i v ed e g r e eo fr e i n f o r c e m e n ti nc o n c r e t eb y a r t i f i c i a ln e u r a ln e tＧw o r k s[J]．I n d u s t r i a l C o n s t r u c t i o n,１９９９,２９(２):５１Ｇ５５．[８]㊀张耀庭,罗菡,胡兴源．应用B P网络预测混凝土中的钢筋锈蚀量[J]．混凝土,２００１(２):５６Ｇ５９,５３．Z H A N G Y a o t i n g,L U O H a n,HU X i n g y u a n．P r e d i c t i o n f o r c o rＧr o s i v ed e g r e eo f r e i n f o r c e m e n t i nc o n c r e t eb y n e u r a ln e t w o r k [J]．C o n c r e t e,２００１(２):５６Ｇ５９,５３．[９]㊀刘燕,赵胜利,易成．基于R B F神经网络的钢筋锈蚀程度预测[J]．混凝土,２００９(１０):２７Ｇ２９．L I U Y a n,Z H A O S h e n g l i,Y IC h e n g．F o r e c a s t f o r c o r r o s i o no f r e i n f o r c i n g s t e e l b a s e do n R B Fn e u r a ln e t w o r k[J]．C o n c r e t e,２００９(１０):２７Ｇ２９．[１０]㊀郑山锁,董立国,张艺欣,等．多龄期钢筋混凝土结构地震易损性分析[M]．北京:科学出版社,２０１７．Z H E N GS h a n s u o,D O N GL i g u o,Z HA N G Y i x i n,e t a l．A n a l yＧs i so fs e i s m i cv u l n e r a b i l i t y o f m u l t iＧa g er e i n f o r c e dc o n c r e t es t r u c t u r e s[M]．B e i j i n g:S c i e n c eP r e s s,２０１７．[１１]㊀武海荣．混凝土结构耐久性环境区划与耐久性设计方法[D]．杭州:浙江大学,２０１２．WU H a i r o n g．E n v i r o n m e n t a l z o n a t i o no nd e s i g n m e t h o d o l o g yf o r d u r a b i l i t y o f c o n c r e t es t r u c t u r e s[D]．H a ng zh o u:Z h e ji a n gU n i v e r s i t y,２０１２．[１２]㊀中华人民共和国建设部,国家质量监督检验检疫总局．建筑结构检测技术标准:G B/T５０３４４ ２００４[S]．北京:中国建筑工业出版社,２００４．M i n i s t r y o fC o n s t r u c t i o no f t h eP e o p l e＇sR e p u b l i co fC h i n a,G e n e r a lA d m i n i s t r a t i o n o fQ u a l i t y S u p e r v i s i o n,I n s p e c t i o n a n dQ u a r a n t i n e o f t h e P e o p l e＇sR e p u b l i c o f C h i n a．T e c h n i c a l s t a n dＧa r d f o r i n s p e c t i o no fb u i l d i n g s t r uc t u r e:G B/T５０３４４ ２００４[S]．B e i j i n g:C h i n aA r c h i t e c t u r e&B u i l d i n g P r e s s,２００４．[１３]㊀国家建筑工程质量监督检验中心．混凝土无损检测技术[M]．北京:中国建材工业出版社,１９９６．N a t i o n a lC o n s t r u c t i o n E n g i n e e r i n g Q u a l i t y S u p e r v i s i o na n dI n s p e c t i o nC e n t e r．N o n d e s t r u c t i v et e s t i n g t e c h n o l o g y o fc o nＧc r e t e[M]．B e i j i n g:C h i n aB u i ld i n g M a te r i a l I n d u s t r y P u b l i s hＧi n g H o u s e,１９９６．[１４]㊀MO L I N AFJ,A L O N S O C,A N D R A D EC．C o v e r c r a c k i n g a sa f u n c t i o no fr eb a rc o r r o s i o n:p a r t２ n u m e r i c a lm ode l[J]．M a t e r i a l s a n dS t r u c t u r e s,１９９３,２６(９):５３２Ｇ５４８．[１５]㊀周品．MA T L A B神经网络设计与应用[M]．北京:清华大学出版社,２０１３．Z H O UP i n．D e s i g na n da p p l i c a t i o no f MA T L A Bn e u r a ln e tＧw o r k[M]．B e i j i n g:T s i n g h u aU n i v e r s i t y P r e s s,２０１３．[１６]㊀高攀祥,于军琪,牛荻涛,等．神经网络在混凝土碳化深度预测中的研究应用[J]．计算机工程与应用,２０１４,５０(１４):２３８Ｇ２４１,２５０．G A OP a n x i a n g,Y UJ u n q i,N I U D i t a o,e t a l．R e s e a r c ha n da pＧp l i c a t i o n o n n e u r a l n e t w o r k i n c o n c r e t e c a r b o n a t i o n d e p t h p r eＧd i c t i o n[J]．C o m p u te rE n g i n e e r i n g a n d A p p l i c a t i o n s,２０１４,５０(１４):２３８Ｇ２４１,２５０．[１７]㊀O L D E NJD,J A C K S O N D A．I l l u m i n a t i n g t h e b l a c kb o x :a r a n d o m i z a t i o na p p r o a c hf o ru n d e r s t a n d i n g v a r i a b l ec o n t r i b uＧt i o n s i na r t i f i c i a ln e u r a ln e t w o r k s[J]．E c o l o g i c a l M o d e l l i n g,２００２,１５４(１):１３５Ｇ１５０．(本文编辑:任㊀栋)７７２第４６卷第２期㊀㊀㊀㊀㊀㊀㊀王胜利,等:一般大气环境下钢筋锈蚀深度的R B F神经网络预测模型研究㊀㊀㊀㊀㊀㊀。
一般大气环境下钢筋锈蚀深度的RBF神经网络预测模型研究王胜利;刘华;郑山锁;董淑卿;黄瑜
【期刊名称】《地震工程学报》
【年(卷),期】2024(46)2
【摘要】钢筋锈蚀深度预测是评估在役RC结构服役性能的基础。
为建立一般大气环境RC构件中钢筋锈蚀深度预测模型,通过收集实测数据,分析影响钢筋锈蚀深度的主要参数及其影响规律,继而基于实测数据建立数值模型和RBF神经网络预测模型,并进行参数敏感性分析。
研究结果表明:与数值模型相比,RBF神经网络对钢筋锈蚀深度预测效率与精度更高,能够有效映射各影响参数与钢筋锈蚀深度之间复杂的非线性关系。
参数敏感性分析结果显示,钢筋混凝土表面锈胀裂缝宽度对钢筋锈蚀深度影响最大,钢筋直径、保护层厚度与钢筋直径之比和混凝土抗压强度等其他因素影响次之。
所得模型可用于工程检测中钢筋锈蚀程度预测与RC构筑物剩余服役寿命评估。
【总页数】9页(P269-277)
【作者】王胜利;刘华;郑山锁;董淑卿;黄瑜
【作者单位】中国能源建设集团陕西省电力设计院有限公司;西安建筑科技大学土木工程学院
【正文语种】中文
【中图分类】TU391;TU317.1
【相关文献】
1.大气环境下锈蚀钢筋力学性能试验研究分析
2.大气环境混凝土中锈蚀钢筋性能和锈蚀模型试验研究
3.大气环境下严重锈蚀钢筋混凝土梁力学性能试验研究
4.基于RBF神经网络的钢筋锈蚀程度预测
5.大气环境下混凝土中钢筋开始锈蚀条件的试验研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于荧光特性的铝合金腐蚀早期预测技术研究
刘建华;李兰娟;张洪瑞;康忠富;李松梅
【期刊名称】《腐蚀科学与防护技术》
【年(卷),期】2007(19)2
【摘要】筛选了两种荧光材料,采用在有机硅丙烯酸清漆中添加荧光化合物的方法,在LC4铝合金基材表面上制备成荧光传感涂层,研究了传感涂层中荧光物质的特性变化与铝合金腐蚀的关系,探讨了传感涂层对腐蚀监测的灵敏度.结果表明,所选的两种荧光材料传感涂层能有效监测铝合金基体的腐蚀形貌、位置及速度;当涂层中添加浓度为0.5%、0.8%的荧光材料A时,所获得的传感涂层能有效监测到的最小可见点蚀孔平均半径分别为56.68μm、44.82μm;而添加荧光材料B所得到的传感涂层能有效监测到的最小可见点蚀孔平均半径分别为83.70μm、93.71μm.
【总页数】4页(P141-144)
【关键词】铝合金;荧光;腐蚀预测
【作者】刘建华;李兰娟;张洪瑞;康忠富;李松梅
【作者单位】北京航空航天大学材料科学与工程学院
【正文语种】中文
【中图分类】TG174.3
【相关文献】
1.铝合金焊接接头预腐蚀强度特性及预测 [J], 张俊苗;聂宏;薛彩军;吴会强;鄢东洋
2.铝合金早期腐蚀预测光敏物质的性能研究 [J], 刘建华;张洪瑞;李兰娟;李松梅
3.基于8-羟基喹啉荧光敏感化合物的铝合金腐蚀监测技术 [J], 吴松林;于美;李松梅;薛峰;刘建华
4.基于荧光光谱技术研究增效肥料对土壤富里酸荧光特性的影响 [J], 胡钰;魏丹;李艳;王伟;白杨;金梁;蔡姗姗
5.基于损伤力学的含预腐蚀损伤铝合金的疲劳寿命预测 [J], 詹志新;余洵;胡伟平;孟庆春
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络模型预测控制的钢铁酸洗过程该文针对多变量非线性钢铁酸洗过程提出了一种基于预测控制的多层前馈神经网络模型。
该过程取了三个不同盐酸浓度的酸溶液，分别是5%，10%，15%的盐酸浓度。
通过数学模型模拟的输入输出数据采集的基础上发展了多输入单输出的神经网络子系统模型，使用莱文贝格－马夸特方法来训练过程模型。
控制算法中，基于序列二次规划法搜寻最优控制的模型预测的基础上，在预测范围内预测状态变量。
提出的算法主要用于钢铁酸洗过程中一些情况的测试：例如设置点追踪，干扰，模型失配和存在噪声。
神经网络模型预测控制在控制系统中比PI 控制具有更好的性能。
当今化学原料的广泛使用使化工厂引起了严重的环境问题。
在该产业中，钢铁酸洗过程是很多化工厂基本产业的基础并且用来满足国家钢铁的需求。
但是该过程所引起的污水排放也相应引起更严重的环境问题。
因此钢铁酸洗过程不可避免要考虑到污水排放的处理，同时保持水箱中酸溶液的浓度用来减少反应速率。
介绍以前所使用过的一些方法：例如内部模型方法,微分几何方法,参考系统合成技术，包括内部解耦和通用模型控制，这些方法只能解决其中的一部分问题。
但是这些方法不足以解决处理过程中所遇到的各种问题，因此引入了基于模型预测的神经网络模型（NNMPC）。
目前神经网络模型成功运用到过程识别和非线性系统的控制。
该论文中多变量的NNMPC方法成功运用到钢铁酸洗过程。
该过程包括钢铁表面氧化物的移除和通过浸泡来移除其他污垢。
由于非线性和多变量，传统的控制器难以控制，因此引入迭代神经网络多步预测模型。
为了检测鲁棒性，过程包括对各种干扰设置点追踪（干扰包括模型失配和噪声）。
钢铁酸洗过程主要包括酸洗和水洗。
酸洗是为了移除钢铁表面的氧化物和其他污垢而将其浸泡在不同浓度的盐酸溶液中，盐酸浓度分别为5%，10%，15%，反应过程主要是FeO+2HCl→FeCl2+H2O。
水洗是在纯净的水溶液中进行。
该研究进行了以下假设：1.系统充分混合和恒温；2.所有变量可以直接测量；3.液体密度假设是个常数；4.酸洗效率的恶化造成铁浓度的变化被认为是微不足道的。
