㊀验研究文章编号:1009-9441(2024)02-0018-04基于灰色关联度-BP神经网络的混凝土抗腐蚀性能研究ѲѲ李㊀渊1,景㊀涛1,申铁军2㊀(1.山西省太原市煤炭工业太原设计研究院集团有限公司,山西太原㊀030024;2.山西路桥建设集团有限公司,山西太原㊀030006)摘㊀要:利用灰色关联度法对不同强度等级不同腐蚀环境下混凝土抗腐蚀性进行分析㊂利用神经网络对混凝土抗腐蚀性试验数据进行训练,并对未参与训练的数据进行预测验证㊂研究结果表明:砂子㊁水泥㊁碎石及防腐涂层等4种因素与抗腐蚀性的相关性最高,其余影响因素对抗腐蚀性影响则相对较小㊂BP神经网络预测的抗腐蚀性参数与试验所测数据误差基本在10%以内,满足要求㊂关键词:抗腐蚀;灰色关联度;BP神经网络;抗压强度中图分类号:TU528㊀㊀㊀文献标识码:A引言随着我国经济和科技的进步发展,在盐渍土和沿海地区等腐蚀性环境中的建筑项目越来越多㊂腐蚀环境对混凝土腐蚀问题也越来越受到关注㊂不同腐蚀环境对不同强度等级混凝土的影响程度存在显著差异㊂对于混凝土影响因素的灰色关联度法,已经有了一定的研究[1-2]㊂边旭辉等[3]基于灰关联理论确定了孔结构参数同抗弯拉强度㊁相对弹性模量之间的关系㊂唐荣茂等[4]进行了土壤中常见离子影响权重排序,确定了离子与腐蚀的相关性㊂王琛艳[5]基于灰色关联方法对混凝土早期抗冻能力进行了探讨,水灰比㊁温度㊁粉煤灰和硅灰掺量均与早期抗冻能力的相关性>0.6㊂基于灰色关联理论,建立混凝土耐久性评价模型㊂结合配合比参数对绿色高性能混凝土抗渗性能的影响,探究其主要影响因素㊂利用模拟结果,发现无论是底部还是侧壁挡水板的浮动高度都是影响温度分布的主要因素㊂然而将灰色关联度理论引入混凝土抗腐蚀性的应用有待研究㊂对于腐蚀后的混凝土抗压强度,试验检测较为困难,且周期较长㊁成本很高㊂对此,JIANG G M 等[6]提出了一种基于人工神经网络的下水道混凝土腐蚀过程建模方法㊂Verma S等[7]预测了钢筋混凝土结构耐久性的问题,并通过人工神经网络在腐蚀电流密度预测中的有效应用㊂上述研究表明,BP 神经网络预测不同强度等级混凝土耐久性的关联度目前国外有一些初步探索,国内目前尚无明确表征㊂基于此,结合灰色关联度-BP神经网络研究水泥㊁砂㊁碎石㊁水㊁减水剂㊁粉煤灰㊁矿粉㊁硅灰㊁腐蚀龄期㊁电阻率㊁防腐涂层㊁抗压强度与腐蚀性之间的关系,并对不同龄期腐蚀后的混凝土抗压强度进行预测㊂1㊀灰色关联度法和BP神经网络的基本原理1.1㊀灰色关联度法的基本原理及求解方法灰色关联度法通过研究已知数据的关联性大小,确定母序列和特征序列二者之间关联程度的高低,通过关联度(即关联性的大小)确定数据与事务之间的关联程度,从而对最终决策起到辅助作用的一种研究方法㊂灰色关联法的计算主要包括以下五个步骤:(1)首先确定母序列和特征序列㊂(2)原始数据处理㊂对数据集中的数据进行无量纲化处理,一般选择 均值化 处理方式相对较多㊂(3)求解母序列和特征序列之间的灰色关联系数值,计算见式(1)~式(4):求差序列:Δi(k)=|x1(k)-x i(k)|(1)求两极差:M=max i max kΔi(k)(2)m=min i min kΔi(k)(3)求关联系数:y1i=m+aMΔi(k)+aM(4)式中:x i㊁x k 已知数据;Δi(k) 差值;M㊁m 两极差;y1i 关联系数;a 分辨系数,一般取0.5㊂(4)求解关联度值,计算见式(5):y 1i =1n ðnk =1y 1i (k )(5)㊀㊀(5)对关联度值进行排序与分析㊂根据灰色关联度大小,对各评价对象进行排序㊂建立评价对象的关联序(即将关联度按大小排序),关联度越大,其评价结果越好㊂1.2㊀BP 神经网络的基本原理及求解方法1.2.1㊀BP 神经网络的函数模型㊀㊀BP 神经网络包含三层,为输入层㊁隐藏层和输出层㊂设隐藏层为q 个节点,输入层为n 个节点,输出层为m 个节点,设W 为隐藏层与输出层的节点,设V 为输入层与隐藏层间的权重,设X 为输入变量,则隐藏层㊁输出层的输出见式(6)和式(7):Z k =f 1ðni =1V ki X i (),k =1,2 q(6)Y j =f 2ðq k =1W jw Z k (),j =1,2 m(7)式中:i ㊁k 隐藏层Z k 和输出层Y j 的节点序号㊂假设模型中一共有p 个输入样本,则输入样本的误差函数见式(8):E p =12ðmj =1(y jp -y ᶄjp y jp )2(8)1.2.2㊀BP 神经网络的求解㊀㊀依据链式法则及所述关系,函数沿梯度运行方向的变化最快,BP 神经网络中通过梯度下降法来更新权重㊂得到权重W 和V 的变化见式(9)和式(10):ΔW jk =-η∂E p∂W jk ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀=-η∂E p∂Yᶄjp㊃∂Yᶄjp∂ðqk =1W jk Z k∂ðqk =1W jk Z k∂W jk=-η(-ðmj =1(y jp -yᶄjp ))㊃fᶄ2(ðqk =1W jw Z k )㊃Z k(9)ΔV ki =-η∂E p∂V ki =-η∂E p∂Yᶄjp㊃∂Yᶄjp∂ðqk =1W jk Z k㊃∂ðqk =1W jk Z k∂W jk㊃∂Z k∂ðqk =1V ki X i㊃∂ðni =1V ki X i∂V ki=-η(-ðmj =1(y jp -yᶄjp ))㊃f ᶄ2(ðqk =1W jw Z k )㊃W jk ㊃f ᶄ1(ðnk =1V ki X i )㊃X i(10)2㊀研究结果2.1㊀灰色关联度的研究结果此次研究最终选择抗压强度作为求解母序列,水泥㊁砂子㊁碎石㊁水㊁减水剂㊁粉煤灰㊁矿粉㊁硅灰㊁腐蚀龄期㊁电阻率及防腐涂层等作为特征序列㊂通过MATLAB 编程,按照上述方法,进行相关性的求解㊂其中分辨系数取0.5㊂经计算得到,M =4.3497,m =9.4318e -06㊂最终得到各影响因素的相关性,见表1㊂表1㊀影响因素与腐蚀性的相关性水泥砂碎石水减水剂粉煤灰矿粉硅灰腐蚀龄期电阻率防腐涂层0.94900.96710.94830.89460.81360.73340.60930.79610.68360.68580.9101㊀㊀由表1可知,总体上所选的影响因素,相关性系数均>0.6,可认为所选数据与耐久性密切性较高㊂各影响因素的相关性最终由大到小顺序为:砂>水泥>碎石>防腐涂层>水>减水剂>硅灰>粉煤灰>电阻率>腐蚀龄期>矿粉㊂可以发现在配合比原材料中砂子㊁水泥和碎石的影响作用更高㊂这些相关性系数均>0.94,表明其与腐蚀性具有很强的相关性㊂这些基本组成材料的量和腐蚀性关系密切㊂外部的防腐涂层和腐蚀性也有较高的相关性,其相关性系数为0.9101>0.9㊂这表明涂刷防腐涂层,对于提升混凝土抗腐蚀性有重要影响,这也和试验数值相一致㊂而腐蚀龄期和电阻率等相关性系数相对较低,这可能是因为腐蚀时间较短的原因㊂但是其相关性系数>0.6,和混凝土腐蚀性能的相关性并不低㊂矿物掺合料矿粉㊁粉煤灰㊁硅灰与腐蚀性的相关性分别为0.6093㊁0.7334和0.7961㊂这表明硅灰对于混凝土腐蚀性的影响作用最高㊂这可能与其较小的颗粒粒径和相对较高的活性有关㊂2.2㊀BP 神经网络的研究结果将整个数据集划分为训练集㊁验证集和测试集㊂其中训练集用于训练BP 神经网络,建立公式㊂最终选定设置训练集㊁验证集和测试集分别为总样本数量的70%㊁15%和15%㊂BP 神经网络搭建的主要过程如图1所示㊂其中输入层数为11,隐含层数为10,输出层数为1,计算见式(11):h =m +n +t(11)式中:h 隐含层节点的数目;m ㊁n 分别是输入层和输出层节点的数目;t 1~10之间的调节常数㊂模型BP 神经网络的训练和拟合如图2所示㊂图1㊀BP 神经网络搭建过程其中训练集中包含134组数据,经训练后,其预测数据和实测抗压强度之间的相关性系数为0.9846㊂在验证集和测试集各29组数据,其中验证集的相关性系数为0.99385,测试集的相关性系数为0.9847㊂该数据集所有数据的相关性为0.98569㊂以上数据拟合的相关性均>0.98,表明所建立的BP 神经网络符合要求,可以有效预测不同强度等级混凝土腐蚀前后的抗压强度㊂研究中腐蚀前后抗压强度的预测值和试验值对比如图3所示㊂从图3中可以发现,预测值和试验值之间的数据差值很小,整体趋势非常接近,单个数据之间有较好的一一对应关系㊂试验值和预测值之间的相对误差计算见式(12),结果如图4所示㊂预测值和试验值之间的误差控制在10%以内,个别数据误差值稍大㊂由此可见,基于BP 神经网络建立的预测模型精度较高,抗压强度的试验值与预测值之间拟合程度较高,预测模型具有较高的适用性㊂图2㊀BP神经网络的训练和拟合图图3㊀腐蚀前后抗压强度的预测值和试验值的对比图4㊀试验值和预测值之间的相对误差E=T-P Tˑ100%(12)式中:E 误差值;T 试验值;P 预测值㊂混凝土经过不同腐蚀龄期作用后的抗压强度和BP神经网络预测结果较为接近,这表明所选择的数据集是合理的㊂同时,上述研究结果表明,在预测混凝土抗腐蚀性能的应用领域中,BP神经网络具有解决非线性问题能力的优势和应用潜力㊂这将为混凝土配合比设计和抗腐蚀性能改善提供重要的理论依据,可大幅减少试验研究工作量和缩短试验周期㊂3㊀结论综上所述,通过灰色关联度方法得到了各影响因素与腐蚀性的相关性,这为混凝土的防腐蚀提供了新的思路和方法㊂选取合理的配比,根据需求涂刷防腐层,将有效提升混凝土的抗腐蚀性,最终提升混凝土结构的服役时间和安全性㊂主要研究结论如下: 3.1㊀通过灰色关联度法,最终确定不同腐蚀环境中各影响因素的相关性㊂最终相关性由大到小为:砂子>水泥>碎石>防腐涂层>水>减水剂>硅灰>粉煤灰>电阻率>腐蚀龄期>矿粉㊂3.2㊀在腐蚀前后混凝土抗压强度的预测中,全面考虑了配合比㊁防腐涂层㊁腐蚀龄期和腐蚀环境等影响因素,相比之前的单因素㊁线性拟合以及试验方法,具有更好的适用性㊂3.3㊀研究搜集整理了192组数据,建立了腐蚀前后混凝土抗压强度的BP神经网络预测模型㊂预测值与试验值相吻合,该模型的各项误差较小,验证了该模型的可行性,具有一定的预测能力㊂3.4㊀利用灰色关联度法和BP神经网络对影响因素的相关性分析以及预测混凝土或其他水泥基材料的腐蚀性能,可以极大减少前期的试验工作量,有效节约成本㊂参考文献:[1]黄坤.基于BP神经网络的模袋混凝土早期力学性能预测[D].呼和浩特:内蒙古农业大学,2020. [2]周秀文.灰色关联度的研究与应用[D].长春:吉林大学,2007.[3]边旭辉,申爱琴,连城,等.基于灰关联理论的玄武岩纤维混凝土孔与抗冻性能相关性研究[J].中外公路, 2022,42(4):192-198.[4]唐荣茂,朱亦晨,刘光明,等.Q235钢/导电混凝土在3种典型土壤环境中腐蚀的灰色关联度分析[J].中国腐蚀与防护学报,2021,41(1):110-116.[5]王琛艳.结构物混凝土早期抗冻能力影响因素灰色关联分析[J].硅酸盐通报,2015,34(11):3405-3411. [6]JIANG G M,Keller J,Bond P L,et al.Predicting concrete corrosion of sewers using artificial neural network[J].Water Research,2016,92(1):52-60.[7]Verma S,Sengupta S,Vardharajan S,et al.Corrosion current density modelling using artificial neural network [A].8th IEEE International Conference on Cloud Computing,Data Science and Engineering(Confluence)/ Global Technology,Innovation and Enterpreneurship Summit,Amity Sch Engn&Technol[C].Noida,INDIA,2018. Study on Corrosion Resistance of Concrete Based on Grey Relational Degree-BP Neural NetworkLI Yuan1,JING Tao1,SHEN Tie-jun2(1.Taiyuan Coal Industry Taiyuan Design and Research Institute Group Co.,LTD,Taiyuan,Shanxi, 030024,China;2.Shanxi Road&Bridge Construction Group Co.,Ltd.,Taiyuan,Shanxi,030006,China) Abstract:The corrosion resistance of concrete under different strength levels and different corrosion environments was analyzed by using grey relational degree method.The neural network is used to train the concrete corrosion resistance test data,and to predict and verify the data that is not involved in the training. The results show that sand,cement,gravel and anti-corrosion coating have the highest correlation with corrosion resistance,while the other factors have relatively little effect on corrosion resistance.The error between the corrosion resistance parameters predicted by BP neural network and those measured by experiment is basically less than10%,which can basically meet the requirements.The test and prediction results can provide reference for the prediction of compressive strength of concrete under different strength grades and different corrosion environments in saline soil area.Key words:corrosion resistance;grey correlation degree;BP neural network;compressive strength作者简介:李渊(1993-),男,山西高平人,硕士,2021年6月硕士研究生毕业于太原理工大学土木工程专业,现从事土木工程设计方面的工作㊂通讯作者:申铁军(1980-),男,山西沁源人,正高级工程师, 2012年6月本科毕业于太原理工大学土木工程专业㊂现从事混凝土工程方面的工作㊂收稿日期:2023-11-22(编辑㊀芋艳梅)。
